Menghitung (Kecil) Risiko Kredit Perusahaan

Memahami kredit dari counterparty merupakan elemen penting dalam pengambilan keputusan bisnis. Investor perlu mengetahui kemungkinan uang yang diinvestasikan dalam obligasi atau dalam bentuk pinjaman akan dilunasi. Perusahaan harus mengukur kelayakan kredit pemasok, klien, kandidat akuisisi, dan pesaing.

Ukuran tradisional kualitas kredit adalah peringkat perusahaan, seperti yang dibuat oleh S&P, Moody’s atau Fitch. Namun, peringkat tersebut hanya tersedia untuk perusahaan terbesar, bukan untuk jutaan perusahaan kecil. Untuk mengukur kelayakan kreditnya, perusahaan kecil sering kali dianalisis dengan menggunakan metode alternatif, yaitu model probability of default (PD). (Untuk mempelajari lebih lanjut, lihat Sejarah Singkat Lembaga Pemeringkat Kredit .)

TUTORIAL: Risiko Dan Diversifikasi

Menghitung PD Menghitung PD membutuhkan kecanggihan pemodelan dan kumpulan data yang besar dari default masa lalu, bersama dengan satu set lengkap variabel keuangan fundamental untuk dunia perusahaan yang besar. Sebagian besar, perusahaan yang memilih untuk menggunakan model PD melisensikannya dari beberapa penyedia. Namun, beberapa lembaga keuangan besar membuat model PD sendiri.

Membangun model membutuhkan pengumpulan dan analisis data, termasuk mengumpulkan dasar-dasar selama sejarah tersedia. Informasi ini biasanya berasal dari laporan keuangan. Setelah data dikompilasi, saatnya untuk membentuk rasio keuangan atau ” pendorong ” – variabel yang mendorong hasil. Penggerak ini cenderung terbagi dalam enam kategori: rasio leverage, rasio likuiditas , rasio profitabilitas , ukuran ukuran, rasio pengeluaran , dan rasio kualitas aset. Langkah-langkah ini diterima secara luas oleh para profesional analisis kredit sebagai relevan untuk memperkirakan kelayakan kredit. (Untuk mempelajari lebih lanjut, lihat 6 Rasio Keuangan Dasar dan Apa yang Mereka Ungkapkan . )

Langkah selanjutnya adalah mengidentifikasi perusahaan mana dalam sampel Anda yang “mangkir” – mereka yang benar-benar gagal memenuhi kewajiban keuangannya. Dengan informasi ini di tangan, model regresi “logistik” dapat diperkirakan. Metode statistik digunakan untuk menguji lusinan calon pengemudi dan kemudian memilih yang paling signifikan dalam menjelaskan default di masa mendatang.

Model regresi menghubungkan peristiwa default ke berbagai driver. Model ini unik karena keluaran model dibatasi antara 0 dan 1, yang dapat dipetakan ke skala probabilitas default 0-100%. Koefisien dari regresi terakhir merupakan model untuk memperkirakan probabilitas default perusahaan berdasarkan pendorongnya.

Terakhir, Anda dapat memeriksa ukuran kinerja untuk model yang dihasilkan. Ini kemungkinan akan menjadi uji statistik yang mengukur seberapa baik model telah memprediksi default. Misalnya, model dapat diestimasi dengan menggunakan data keuangan untuk periode lima tahun (2001-2005). Model yang dihasilkan kemudian digunakan pada data dari periode yang berbeda (2006-2009) untuk memprediksi default. Karena kami mengetahui perusahaan mana yang gagal bayar selama periode 2006-2009, kami dapat mengetahui seberapa baik kinerja model tersebut.

Untuk memahami bagaimana model bekerja, pertimbangkan perusahaan kecil dengan leverage tinggi dan profitabilitas rendah. Kami baru saja menentukan tiga model pendorong untuk perusahaan ini. Kemungkinan besar, model akan memprediksi probabilitas default yang relatif tinggi untuk perusahaan ini karena kecil dan, oleh karena itu, aliran pendapatannya mungkin tidak menentu. Perusahaan memiliki leverage yang tinggi dan, oleh karena itu, mungkin memiliki beban pembayaran bunga yang tinggi kepada kreditor. Dan perusahaan memiliki profitabilitas yang rendah, yang berarti menghasilkan sedikit uang tunai untuk menutupi pengeluarannya (termasuk beban utangnya yang berat). Secara keseluruhan, perusahaan kemungkinan akan menemukan bahwa ia tidak mampu membayar pembayaran hutang dalam waktu dekat. Ini berarti memiliki kemungkinan gagal bayar yang tinggi. (Untuk mempelajari lebih lanjut, lihat Dasar-dasar Regresi Untuk Analisis Bisnis .)

Seni Vs. Sains Sampai saat ini, proses pembuatan model sepenuhnya mekanis, menggunakan statistik. Sekarang ada kebutuhan untuk menggunakan “seni” dari proses tersebut. Periksa driver yang telah dipilih di model terakhir (kemungkinan, dari 6-10 driver). Idealnya, harus ada setidaknya satu pengemudi dari masing-masing enam kategori yang dijelaskan sebelumnya.

Proses mekanis yang dijelaskan di atas, bagaimanapun, dapat mengarah pada situasi di mana sebuah model memerlukan enam driver, semuanya diambil dari kategori rasio leverage, tetapi tidak ada yang mewakili likuiditas , profitabilitas, dll. Petugas pemberi pinjaman bank yang diminta untuk menggunakan model seperti itu untuk membantu dalam keputusan pemberian pinjaman kemungkinan besar akan mengeluh. Intuisi kuat yang dikembangkan oleh para ahli tersebut akan membuat mereka percaya bahwa kategori pengemudi lain juga harus menjadi penting. Ketiadaan pendorong tersebut dapat membuat banyak orang menyimpulkan bahwa model tersebut tidak memadai.

Solusi yang jelas adalah mengganti beberapa driver leverage dengan driver dari kategori yang hilang. Namun, ini menimbulkan masalah. Model asli dirancang untuk memberikan ukuran kinerja statistik tertinggi. Dengan mengubah komposisi driver, kemungkinan performa model akan menurun dari perspektif matematis murni.

Dengan demikian, tradeoff harus dibuat antara penyertaan berbagai pilihan driver untuk memaksimalkan daya tarik intuitif model (seni) dan potensi penurunan kekuatan model berdasarkan ukuran statistik (sains). (Untuk lebih lanjut, baca Masalah Gaya Dalam Pemodelan Keuangan .)

Kritik terhadap Model PD Kualitas model bergantung terutama pada jumlah default yang tersedia untuk kalibrasi dan kebersihan data keuangan. Dalam banyak kasus, ini bukan persyaratan yang sepele, karena banyak kumpulan data yang berisi kesalahan atau kehilangan data.

Model ini hanya menggunakan informasi historis, dan terkadang masukannya sudah ketinggalan zaman hingga satu tahun atau lebih. Ini melemahkan kekuatan prediksi model, terutama jika ada beberapa perubahan signifikan yang membuat pengemudi kurang relevan, seperti perubahan dalam konvensi atau peraturan akuntansi .

Model idealnya harus dibuat untuk industri tertentu di negara tertentu. Hal ini memastikan bahwa faktor ekonomi, hukum dan akuntansi yang unik dari negara dan industri dapat ditangkap dengan baik. Tantangannya adalah biasanya ada kelangkaan data untuk memulai, terutama dalam jumlah default yang teridentifikasi. Jika data yang langka harus lebih tersegmentasi ke negara-industri ember , bahkan ada sedikit titik data untuk masing-masing model negara-industri.

Karena data yang hilang adalah fakta kehidupan saat membangun model semacam itu, sejumlah teknik telah dikembangkan untuk mengisi angka-angka tersebut. Namun, beberapa dari alternatif ini mungkin menimbulkan ketidakakuratan. Kelangkaan data juga berarti bahwa probabilitas default yang dihitung menggunakan sampel data kecil mungkin berbeda dari probabilitas default aktual yang mendasari untuk negara atau industri yang bersangkutan. Dalam beberapa kasus, dimungkinkan untuk menskalakan keluaran model agar lebih cocok dengan pengalaman default yang mendasarinya.

Teknik pemodelan yang dijelaskan di sini juga dapat digunakan untuk menghitung PD untuk perusahaan besar. Ada lebih banyak data yang tersedia di perusahaan besar, bagaimanapun, karena mereka biasanya terdaftar secara publik dengan ekuitas yang diperdagangkan dan persyaratan pengungkapan publik yang signifikan. Ketersediaan data ini memungkinkan untuk membuat model PD lain (dikenal sebagai model berbasis pasar) yang lebih kuat daripada yang dijelaskan di atas.

Kesimpulan Praktisi industri dan regulator sangat menyadari pentingnya model PD dan kelangkaan data utama mereka. Sejalan dengan itu, di seluruh dunia telah ada berbagai upaya (di bawah naungan Basel II , misalnya) untuk meningkatkan kemampuan lembaga keuangan dalam menangkap data keuangan yang berguna, termasuk identifikasi yang tepat dari perusahaan yang gagal bayar. Dengan meningkatnya ukuran dan presisi kumpulan data ini, kualitas model yang dihasilkan juga akan meningkat. (Untuk lebih lanjut tentang topik ini, lihat The Debt Rating Debate .)