Comprendre la solvabilité des contreparties est un élément crucial dans la prise de décision des entreprises. Les investisseurs doivent connaître la probabilité que l'argent investi dans des obligations ou sous la forme de prêts sera remboursé. Les sociétés doivent quantifier la solvabilité des fournisseurs, des clients, des candidats à l'acquisition et des concurrents.

La mesure traditionnelle de la qualité du crédit est une notation d'entreprise, comme celle produite par S & P, Moody's ou Fitch. Pourtant, de telles notations ne sont disponibles que pour les plus grandes entreprises, pas pour des millions de petites entreprises. Afin de quantifier leur solvabilité, les petites entreprises sont souvent analysées en utilisant des méthodes alternatives, à savoir les modèles de probabilité de défaut (PD). (Pour en savoir plus, voir Une brève histoire des agences de notation .)

TUTORIEL: Risque et diversification

Calcul des PD Le calcul des DP nécessite une sophistication de la modélisation et un grand ensemble de données par défaut, ainsi qu'un ensemble complet de variables financières fondamentales pour un large éventail d'entreprises . Pour la plupart, les entreprises qui choisissent d'utiliser des modèles PD les licencient auprès d'une poignée de fournisseurs. Cependant, certaines grandes institutions financières construisent leurs propres modèles de DP.

La construction d'un modèle nécessite la collecte et l'analyse de données, y compris la collecte de données fondamentales tant que l'historique est disponible. Cette information provient généralement d'états financiers. Une fois les données compilées, il est temps de former des ratios financiers ou «pilotes» - des variables qui alimentent le résultat. Ces facteurs ont tendance à se répartir en six catégories: les ratios de levier, les ratios de liquidité, les ratios de rentabilité, les mesures de taille, les ratios de dépenses et les ratios de qualité des actifs. Ces mesures sont largement acceptées par les professionnels de l'analyse de crédit comme pertinentes pour estimer la solvabilité. (Pour en savoir plus, consultez notre Tutoriel sur les ratios financiers .)

L'étape suivante consiste à identifier les entreprises «défaillantes» de votre échantillon, c'est-à-dire celles qui ont effectivement manqué à leurs obligations financières. Avec cette information en main, un modèle de régression «logistique» peut être estimé. Des méthodes statistiques sont utilisées pour tester des douzaines de pilotes candidats, puis pour choisir celles qui sont les plus significatives pour expliquer les futurs défauts.

Le modèle de régression relie les événements par défaut aux différents pilotes. Ce modèle est unique en ce sens que les sorties du modèle sont limitées entre 0 et 1, ce qui peut être mappé sur une échelle de 0-100% de probabilité de défaut. Les coefficients de la régression finale représentent un modèle pour estimer la probabilité de défaut d'une entreprise en fonction de ses moteurs.

Enfin, vous pouvez examiner les mesures de performance pour le modèle résultant. Il s'agira vraisemblablement de tests statistiques mesurant le degré de prédiction des défauts du modèle.Par exemple, le modèle peut être estimé en utilisant des données financières pour une période de cinq ans (2001-2005). Le modèle résultant est ensuite utilisé sur des données d'une période différente (2006-2009) pour prédire les défauts. Puisque nous savons quelles entreprises ont fait défaut au cours de la période 2006-2009, nous pouvons dire si le modèle a bien fonctionné.

Pour comprendre le fonctionnement du modèle, prenons l'exemple d'une petite entreprise à fort effet de levier et à faible rentabilité. Nous venons de définir trois des pilotes de modèle pour cette entreprise. Très probablement, le modèle prédira une probabilité de défaut relativement élevée pour cette entreprise parce qu'elle est petite et, par conséquent, son flux de revenus peut être erratique. L'entreprise a un effet de levier élevé et, par conséquent, peut avoir un fardeau de paiement d'intérêt élevé pour les créanciers. Et l'entreprise a une faible rentabilité, ce qui signifie qu'elle génère peu d'argent pour couvrir ses dépenses (y compris son lourd fardeau de la dette). Pris dans son ensemble, l'entreprise est susceptible de constater qu'elle est incapable de rembourser ses dettes dans un proche avenir. Cela signifie qu'il a une forte probabilité de défaut. (Pour en savoir plus, voir Bases de régression pour l'analyse commerciale .)

Art Vs. Science Jusqu'à présent, le processus de construction de modèles a été entièrement mécanique, en utilisant des statistiques. Maintenant, il est nécessaire de recourir à «l'art» du processus. Examinez les pilotes qui ont été sélectionnés dans le modèle final (probablement, entre 6 et 10 pilotes). Idéalement, il devrait y avoir au moins un conducteur de chacune des six catégories décrites précédemment.

Le processus mécanique décrit ci-dessus peut cependant conduire à une situation dans laquelle un modèle fait appel à six conducteurs, tous tirés de la catégorie du ratio de levier, mais aucun ne représentant la liquidité, la rentabilité, etc. un tel modèle pour aider à la décision de prêt se plaindrait probablement. La forte intuition développée par ces experts les amènerait à croire que les autres catégories de conducteurs doivent également être importantes. L'absence de tels facteurs pourrait amener plusieurs à conclure que le modèle est inadéquat.

La solution évidente consiste à remplacer certains pilotes à effet de levier par des pilotes provenant de catégories manquantes. Cela soulève un problème, cependant. Le modèle original a été conçu pour fournir les mesures de performance statistique les plus élevées. En changeant la composition du pilote, il est probable que la performance du modèle diminuera d'un point de vue purement mathématique.

Ainsi, un compromis doit être fait entre l'inclusion d'une large sélection de conducteurs pour maximiser l'attrait intuitif du modèle (art) et la diminution potentielle de la puissance du modèle basée sur des mesures statistiques (science). (Pour en savoir plus, lisez Questions de style en modélisation financière .)

Critique des modèles PD La qualité du modèle dépend principalement du nombre de valeurs par défaut disponibles pour l'étalonnage et de la propreté des données financières . Dans de nombreux cas, ce n'est pas une exigence triviale, car de nombreux ensembles de données contiennent des erreurs ou souffrent de données manquantes.

Ces modèles utilisent uniquement des informations historiques, et les entrées sont parfois périmées jusqu'à un an ou plus.Cela dilue le pouvoir prédictif du modèle, surtout s'il y a eu des changements importants qui ont rendu le conducteur moins pertinent, comme un changement dans les conventions ou les règlements comptables.

Les modèles devraient idéalement être créés pour une industrie spécifique dans un pays spécifique. Cela garantit que les facteurs économiques, juridiques et comptables uniques du pays et de l'industrie peuvent être correctement saisis. Le problème est qu'il y a habituellement une pénurie de données, surtout en ce qui concerne le nombre de défauts identifiés. Si ces données rares doivent être davantage segmentées en catégories pays-industrie, il y a encore moins de points de données pour chaque modèle pays-industrie.

Puisque les données manquantes sont une réalité de la construction de tels modèles, un certain nombre de techniques ont été développées pour remplir ces nombres. Certaines de ces alternatives, cependant, peuvent introduire des inexactitudes. La rareté des données signifie également que les probabilités par défaut calculées à l'aide d'un petit échantillon de données peuvent être différentes des probabilités de défaut réelles sous-jacentes pour le pays ou l'industrie en question. Dans certains cas, il est possible de mettre à l'échelle les sorties du modèle pour qu'elles correspondent plus étroitement à l'expérience par défaut sous-jacente.

La technique de modélisation décrite ici peut également être utilisée pour calculer les PD pour les grandes entreprises. Cependant, il existe beaucoup plus de données disponibles sur les grandes entreprises, car elles sont généralement cotées en bourse et comportent des obligations d'information publique importantes. Cette disponibilité des données permet de créer d'autres modèles PD (connus sous le nom de modèles basés sur le marché) qui sont plus puissants que ceux décrits ci-dessus.

Conclusion
Les praticiens et les organismes de réglementation de l'industrie sont bien conscients de l'importance des modèles de DP et de leur principale rareté des données de limitation. Par conséquent, dans le monde, divers efforts (sous les auspices de Bâle II, par exemple) ont été déployés pour améliorer la capacité des institutions financières à recueillir des données financières utiles, y compris l'identification précise des entreprises défaillantes. À mesure que la taille et la précision de ces ensembles de données augmentent, la qualité des modèles qui en résultent s'améliorera également. (Pour plus d'informations sur ce sujet, voir Le débat sur la notation de la dette .)