瞭解交易對手的信譽是商業決策的一個關鍵因素。投資者需要知道投資於債券或貸款形式的資金得到償還的可能性。企業必須量化供應商、客戶、收購候選人和競爭對手的信譽。

傳統的衡量信用質量的標準是企業評級，比如標準普爾（S&amp；L.）的評級；P、 穆迪或惠譽。然而，這樣的評級只適用於最大的公司，而不適用於數以百萬計的小公司。為了量化中小企業的信用度，通常採用替代方法，即違約概率（PD）模型對其進行分析。

計算pds

計算PDs需要複雜的建模和大量過去違約的資料集，以及大量企業的一整套基本財務變數。在大多數情況下，選擇使用PD模型的公司從少數供應商那裡獲得許可。然而，一些大型金融機構建立了自己的PD模型。

建立模型需要收集和分析資料，包括收集歷史可用的基礎知識。這些資訊通常來自財務報表。一旦資料被編譯，就應該形成財務比率或“驅動因素”——這些變數為結果提供燃料。這些驅動因素往往分為六類：槓桿比率、流動性比率、盈利率、規模衡量、費用比率和資產質量比率。這些措施被信貸分析專業人士廣泛接受，認為這些措施與評估信用度有關。

下一步是確定你的樣本中哪些公司是“違約者”——那些實際違約的公司。有了這些資訊，就可以估計出一個“logistic”回歸模型。統計方法被用來測試幾十個候選驅動程式，然後選擇那些最重要的解釋未來的違約。

回歸模型將預設事件與各種驅動程式相關聯。該模型的獨特之處在於，模型輸出在0和1之間有界，可以對映到0-100%違約概率的範圍。最終回歸的繫數代表了一個基於驅動因素的企業違約概率估計模型。

最後，您可以檢查結果模型的效能度量。這些很可能是衡量模型預測違約情況的統計測試。例如，可以使用五年期（2001-2005年）的財務資料來估計模型。然後，將所得模型用於不同時期（2006-2009年）的資料，以預測違約。因為我們知道哪些公司在2006-2009年期間違約，所以我們可以判斷模型的表現如何。

要瞭解該模型的工作原理，請考慮一家槓桿率高、盈利能力低的小公司。我們剛剛為這家公司定義了三個模型驅動程式。最有可能的是，該模型將預測該公司違約的概率相對較高，因為該公司規模較小，因此其收入流可能不穩定。該公司具有較高的槓桿率，因此可能對債權人有較高的利息支付負擔。而且該公司的盈利能力很低，這意味著它產生的現金很少，無法支付其開支（包括沉重的債務負擔）。總的來說，該公司可能會發現，它無法在不久的將來償還債務。這意味著它違約的概率很高。

藝術與科學

到目前為止，模型構建過程完全是機械的，使用的是統計資料。現在有必要求助於這個過程的“藝術”。檢查最終模型中選定的驅動程式（可能是6到10個驅動程式）。理想情況下，前面描述的六個類別中的每一個都應該至少有一個驅動程式。

然而，上述機械過程可能導致這樣一種情況，即一個模型需要六個驅動因素，全部來自槓桿率類別，但沒有一個代表流動性、盈利能力等。被要求使用這種模型來協助貸款決策的銀行貸款官員可能會抱怨。這些專家所形成的強烈直覺會使他們相信，其他駕駛員類別也一定很重要。由於沒有這些驅動因素，許多人可能會得出這樣的結論：這種模式是不夠的。

顯而易見的解決方案是用缺失類別的驅動程式替換一些槓桿驅動程式。然而，這引發了一個問題。最初的模型旨在提供最高的統計效能度量。透過改變駕駛員組成，從純數學的角度來看，模型的效能很可能會下降。

因此，必須在包括廣泛的駕駛員選擇以最大限度地提高模型直觀吸引力（art）和基於統計措施（科學）的模型功率潛在下降之間進行權衡。

pd模型的批評

模型的質量主要取決於可用於校準的違約數量和財務資料的清潔度。在許多情況下，這不是一個簡單的要求，因為許多資料集包含錯誤或資料丟失。

這些模型只利用歷史資訊，有時輸入會過時一年或更長時間。這削弱了模型的預測能力，尤其是當發生了一些重大變化，使得驅動因素不那麼相關時，比如會計慣例或法規的變化。

理想情況下，應該為特定國家內的特定行業建立模型。這確保了能夠適當地捕捉到國家和行業獨特的經濟、法律和會計因素。挑戰是，通常資料缺乏，尤其是在確定的違約數量方面。如果必須將這一稀缺資料進一步細分為國家工業桶，那麼每個國家的行業模式資料點就更少了。

由於在建立這樣的模型時，丟失的資料是一個事實，因此已經開發了許多技術來填補這些資料。然而，其中一些替代方案可能會帶來不準確的情況。資料稀缺還意味著，使用小資料樣本計算的違約概率可能不同於相關國家或行業的潛在實際違約概率。在某些情況下，可以縮放模型輸出以更緊密地匹配潛在的違約體驗。

本文所描述的建模技術也可用於大型企業的PDs計算。然而，關於大型企業的資料要多得多，因為它們通常是以上市交易的股票和重要的公開披露要求上市的。此資料可用性使得建立比上述模型更強大的其他PD模型（稱為基於市場的模型）成為可能。

結論

行業從業者和監管者非常清楚PD模型的重要性及其主要侷限性—資料匱乏。因此，世界各地已作出各種努力（例如在巴塞爾新協議的支援下），以提高金融機構獲取有用財務資料的能力，包括準確識別違約公司。隨著這些資料集的大小和精度的增加，生成的模型的質量也會提高。