Оценка кредитного риска корпоративных заемщиков (на примере публичных компаний)

Debt Service - доля общего долга компании, которую она должна погасить в текущем году.

Debt Service = чистые процентные платежи + краткосрочные кредиты + доля долгосрочного долга, которая подлежит выплате в ближайшие 12 месяцев.

Значительная часть показателя Debt Service содержится также и в текущих обязательствах (CL), однако различия в расчете все же имеются. Сумму выплат по обслуживанию долга можно считать минимальным показатель для расчета DP.

В результате было решено использовать в качестве «точки дефолта» максимальное из двух значение. На каждую дату расчета используется свой уровень DP исходя из данных на конкретный отчетный период.

Б. Расчет рыночной стоимости и риска активов.

Для расчета двух ненаблюдаемых показателей используем систему уравнений (1.11) для решения которой используется итеративный алгоритм, реализованный в инструменте «Поиск решения» в MS Excel. Для поиска значений по всему массиву данных реализован специальный макрос.

До середины 2010 большинство компаний находилось в относительно худшей ситуации, по сравнению с 2011 годом, когда рынок испытал существенный подъем и, наконец, в 2013 - начале 2014 года происходит постепенное ухудшение ситуации. При этом ОАО «Пермская электросбытовая компания» в начале 2014 года даже имеет отрицательный DD, что говорит о наличии ситуации «подразумеваемого дефолта» на данный момент: у компании огромная дебиторская задолженность, которая не позволяет вовремя выполнять свои обязательства перед поставщиками.

Увеличение DD во втором полугодии 2012 года по компаниям металлургической промышленности (ГМКН, Северсталь) по сравнению с серединой года отражает обещания поддержки со стороны правительства и новости о сокращении издержек в ряде предприятий отрасли.

Относительное ухудшение DD Уралкалия с 5,0 в сентябре 2013 до 3,1 в декабре 2013, очевидно, отражает ситуацию с отказом от работы с Беларуськалием, а также уменьшение прибыли компании по итогам года.

С точки зрения полученных значений DD нужно отметить, что они достаточно хорошо отражают динамику состояния бизнеса компаний, однако на «расстояние до дефолта» оказывает значительное влияние стандартное отклонение доходности активов компании, качество расчета которого фактически невозможно проверить. Поэтому для получения наиболее объективной картины, а также учитывая отсутствие эмпирической базы данных соответствия DD и PD, далее будет рассматриваться только сам факт наличия или отсутствия «подразумеваемого дефолта» компании.

Следовательно, по определению DD мы можем перейти к бинарной переменной, равной 1, если рыночная стоимость активов на определенную дату меньше «точки дефолта».

В результате получена выборка из 1592 наблюдений по 126 компаниям на 15 дат, из которых в 336 (или 21%) случае компании испытывали состояние «подразумеваемого дефолта».

Здесь нужно пояснить, что бомльшую часть дефолтных случаев составляют электросбытовые компании (на уровне 60-70% всех случаев дефолтов).

Ситуация с электросбытовыми компаниями требует дополнительного объяснения: бизнес этих компанийстроится на закупках электроэнергии у генерирующих компаний и распределении ее потребителям, в т.ч. промышленным предприятиям. Обороты компаний составляют порядка 3-10 млрд. руб. в год. Под свою выручку эти компании (точнее их владельцы) открывали и брали в банках лимиты и выбирали значительные суммы (на уровне 1-2 млрд. руб.), затем эти суммы выводились владельцами за периметр компаний и на них покупались следующие сбытовые фирмы. В результате долговая нагрузка этих компаний не позволяет им брать новые кредиты. Одновременно с этим бизнес-модель такова, что компания должна платить за купленную электроэнергию каждый день, а получает плату от покупателей только раз в месяц. Поэтому им требуются постоянное оборотное кредитование. Основными потребителями многих электросбытовых компаний являются промышленные предприятия, крупнейшие из которых - горно-металлургические комбинаты. В результате падения цен на продукцию металлургия в целом оказалась в тяжелой ситуации и предприятия постоянно задерживают плату за электроэнергию. В результате дебиторская задолженность растет, следовательно, у элетросбытовых компаний есть два варианта решения ситуации: 1) оборотное кредитование (сильно ограничено из-за высокой долговой нагрузки и плохих финансовых показателей); 2) отключение предприятий от электроэнергии. Второй вариант стал невозможен в связи с политическими установками перед президентскими выборами 2012 года. В результате электросбытовые компании находятся в большинстве своем в плачевном финансовом состоянии и оцениваются рынком как неплатежеспособные, что особенно заметно начиная с 2012 года.

Доля компаний в состоянии «подразумеваемого дефолта» по их рыночной капитализации составляет порядка 1% в капитализации всего рынка.

Полученная выборка стала основой для выполнения второго этапа - определения модели оценки вероятности дефолта с помощью логистической регрессии.

Логит-модели оценки вероятности дефолта.

В качестве первоначального набора объясняющих переменных были выбраны показатели из таблицы 6.

Кроме численных коэффициентов, использовался один качественный показатель: отраслевая принадлежность компании. Для этого все компании выборки были разбиты на три укрупненных отраслевых сектора:

1. Топливно-энергетические/Промышленные предприятия.

2. Электроэнергетика.

3. Услуги, торговля, ИТ.

Отнесение компании к отрасли осуществляется с помощью бинарных переменных для каждой из трех приведенных отраслей.

Для построения моделей использовались только наблюдения с полным набором данных по компании на конкретную дату, также были удалены наблюдения с явными выбросами. В результате получалась выборка из 734 наблюдений по 101 компании (пример, таблица 7).

Таблица 6. Набор показателей для анализа

Таблица 7. Пример выборки данных для анализа

На первом этапе анализа данных обнаружилась значительная корреляция между показателями Revenue/Inventory и Revenue/Total Assets, а также между EBITDA Margin и EBITDA/Total Assets (в обоих случаях более 60%). В некоторых исследованиях показатели оборачиваемости активов по выручке и EBITDA исключают из-за больших отличий «нормальных» значений данных показателей в зависимости от отраслевой принадлежности. С учетом этих двух факторов данные показатели были исключены из дальнейшего рассмотрения.

В результате тестирования нескольких вариантов спецификаций в рамках выбранных показателей путем последовательного добавления и удаления переменных была получена спецификация со следующими характеристиками:

Таблица 8. Основная статистика по полученной модели

Всего выборка состоит из 734 наблюдений, из которых в 154 случаях (21% наблюдений) был зафиксирован «подразумеваемый дефолт».

Модель:

(11)

Таблица 9. Критерии согласия

Здесь нужно пояснить, что для логистических регрессий не применяется обычный коэффициент детерминации R2, вместо него рассчитываются псевдо-R2, которые лишь позволяют сравнить разные модели, построенные на одних и тех же данных, между собой и не дают оценки качества подгонки. При прочих равных следует выбирать модели с большим псевдо-R2 и меньшими информационными критериями (например, AIC). В целом, значения псевдо-R2 выше 0.3 уже считаются очень хорошими показателями.

Тест хи-квадрат является аналогом теста Фишера для линейных регрессий о значимости модели в целом. Как видно из полученных результатов, переменные в модели вносят значимую информацию.

В данном случае мы видим, что тест показывает, что мы не может отклонить нулевую гипотезу о том, что не существует разницы между наблюдаемыми и предсказанными значениями. Таким образом, регрессия значима.

Самое большое влияние на вероятность дефолта оказывает коэффициент текущей ликвидности, затем следуют маржинальность, оборачиваемость дебиторской задолженности и размер компании, а также отраслевая принадлежность.

Идеальная модель имела бы график ROC-кривой, проходящим через левый верхний угол. В этом случае доля истинно положительных случаев классификации составляла бы 100%. Если бы ROC-кривая лежала на диагонали, то модель не представляла бы никакой ценности - она была бы эквивалентна случайному угадыванию.

В целом, модели с показателем AUC (площадь под кривой) более 0.8 считаются очень качественными. Таким образом, полученное значение AUC, равное 0.89, означает высокое качество полученной модели.

Теперь рассмотрим полученный результат с экономической точки зрения:

При росте коэффициента текущей ликвидности, оборачиваемости дебиторской задолженности, росте рентабельности активов вероятность дефолта падает, что полностью соответствует экономической логике. Также необходимо отметить значимость размера компании как предиктора вероятности дефолта, что также вполне объяснимо: чем крупнее компания, тем больше возможностей по привлечению долга; кроме того, рынок ожидает, что в худшем случае государство окажет поддержку такой фирме.

Отдельно нужно рассмотреть вопрос присутствия отраслевой переменной Utilities в полученной модели. Принадлежность компании к электроэнергетической отрасли, скорее всего, должна привести к боМльшей вероятности дефолта, что и происходит в итоговой модели. Кроме того, можно отметить, что такие показатели как размер компании (выраженный через ln(TA)) и прибыльность бизнеса (EBITDA Margin) также отражают в себе различия между фирмами из разных отраслей.

Самое большое отличие наблюдается в маржинальности (EBITDA Margin) и размере компании (ln(TA), разница в абсолютных значениях балансовой стоимости активов составляет пример 10 раз).

Схожие результаты мы получим если сравним медианные значения по каждой из входных переменных для электросбытовых компаний (Utilities) и всех остальных (рис.16). Как видно, здесь также самое большое отличие наблюдается в маржинальности (EBITDA Margin) и размере компании (ln(TA), разница в абсолютных значениях балансовой стоимости активов составляет пример 8,5 раз).

Таким образом, модель успешно учитывает отраслевую специфику компаний через их финансовые показатели и отраслевую переменную.

Подводя итог полученным результатам, можно сказать, что в результате получена модель бинарной классификации публичных компаний по их финансовым показателям, которая дает устойчивый результат корректного разделения фирм на компании с высоким риском «подразумеваемого дефолта» и наоборот. Модель отражает влияние ликвидности, прибыльности, операционной эффективности работы компаний, наряду с их возможностями по привлечению финансирования (через величину балансовой стоимости активов, TA). Первая идея, использованная в модели, основана на теории эффективного рынка о том, что вся информация о компании учитывается участниками рынка в цене акций. Вторая - учитывает очередность прав акционеров и кредиторов на активы компании. В результате мы можем получить оценку рынка текущей стоимости активов компании и сравнить ее с минимально необходимым для выплаты долга значением, «точкой дефолта». Если стоимость активов меньше, то это служит сигналом о том, что с точки зрения рынка компания утратила свою стоимость для акционеров и находится в состоянии «подразумеваемого дефолта». При этом реальный дефолт, может быть, и не будет объявлен из-за значимости компаний и издержек процедуры банкротства заемщика.

Заключение

долговой безрисковый облигация дефолт

В рамках представленной работы были рассмотрены существующие на данный момент подходы к оценке вероятности дефолта публичных компаний. При рассмотрении возможности использования методов к российскому рынку возникает несколько фундаментальных проблем:

1. Небольшой временной период доступности данных финансовой отчетности компаний.

2. Малая «глубина» рынка, что выражается в том, что лишь по небольшой части «голубых» фишек идет активная торговля акциями, при том, что на Московской бирже в основной секции обращается лишь 271 компания. Достаточно сказать, что всего на две бумаги (Сбербанк и Газпром) приходилось половина объемов торгов Московской биржи в 2013 году, а всего около 100 компаний составляют более 70% капитализации российского фондового рынка.

3. Отсутствие доступной статистики дефолтов, что делает невозможным эмпирическую проверку и калибровку результатов по реальным данным.

4. Неразвитость рынка производных инструментов - опять же, лишь по нескольким «голубым фишкам» имеется активный рынок опционов и CDS.

Перечисленные аспекты значительно затрудняют анализ зависимостей между различными рыночными/финансовыми показателями бизнеса и его кредитоспособности, когда речь идет не о индивидуальном, а портфельном подходе к анализу рисков и построении единой модели для набора компаний. Кроме того, значительное присутствие государства в экономике страны и, прежде всего, в долях крупнейших публичных компаний создает дополнительные сложности к оценке реального положения предприятий.

Для решения основной проблемы - отсутствия статистики дефолтов публичных компаний - в данном работе представлена попытка применить основные идеи структурных моделей к российскому рынку:

1. Идея о том, что акционерный капитал можно представить как опцион-кол на активы компании.

2. Дефолт наступает в случае, если рыночная стоимость активов становится меньше некоторого порогового значения, «точки дефолта».

Безусловно, такой подход имеет много недостатков, главными из которых являются:

1. невозможность проверить точность полученных ненаблюдаемых переменных: рыночной стоимости активов и волатильность доходности активов;

2. отсутствие разделения видов долгового финансирования и учета особенностей их оценки.

Для того, чтобы снизить зависимость от предпосылок структурных моделей, в частности, от оценки риска активов (что значительно влияет на расчет «расстояния до дефолта») и от предположения о нормальности распределения доходности, предлагается переход от структурной модели оценки PD к бинарной модели наличия/отсутствия дефолта. Поскольку бинарная переменная получена с помощью рыночного метода, то можно говорить об оценке рынком состояния «подразумеваемого дефолта» компании.

В результате получена модель, устойчиво разделяющая публичные компании на находящиеся в состоянии «подразумеваемого дефолта» и не находящиеся в этом состоянии.

В части развития предложенного подхода можно предложить два направления исследований:

1. повышение точности оценки рыночной стоимости активов. Для этого, по всей видимости, необходимо отойти от использования формулы Блэка-Шоулза и оценивать каждый вид долговых обязательств отдельно с учетом их старшинства, имеющегося обеспечения и возможности продажи на рынке (в т.ч. уступка прав требований);

2. более точное определение «точки дефолта». Здесь, возможно, нужно использовать данные по дефолтам на западных рынках для компаний с схожими бизнес-моделями.

В заключение можно отметить, что с учетом относительно небольшого размера российского рынка и высокой концентрации капитала, применение различных моделей «массового» анализа требует предварительного тщательного анализа активов, обязательств и модели бизнеса практически каждого заемщика. Идеальным вариантом представляется наличие базы кредитной истории эмитентов с имеющимися параметрами их долговых обязательств, обеспечения, качества обслуживания долга. Только при наличии всех этих данных можно говорить о построении полновесной модели оценки кредитного риска российских публичных компаний.

Литература

1. McKinsey Global Institute, Global capital markets: Entering a new era, Sep 2009, Published by: McKinsey Global Institute, Vol. 23, p. 1-32.

2. Basel Committee on banking supervision, «New Basel Capital Accord», 2004, Vol. 139.

3. Письмо ЦБ РФ от 29.12.2012 № 192-Т «О методических рекомендациях по реализации подхода к расчёту кредитного риска на основе внутренних рейтингов банков».

4. Помазанов М.В., «Продвинутый подход к управлению кредитным риском в банке: методология, практика, рекомендации», М.: Издательский дом «Регламент-Медиа», 2010. - 180с.

5. Jonkhart, M., «On the Term Structure of Interest Rates and the Risk of Default», Journal of Banking & Finance 3, 1979, no. 3:253-262.

6. Iben, T., and R. Litterman, “Corporate Bond Valuation and the Term Structure of Credit Spreads” Journal of Portfolio Management 17, 1991, no. 3:52-64.

7. Grenadier S., Hall B., “Risk-based standards and the riskiness of bank portfokios: credit and factor risks”, National Bureau of Economic Research, July 1995, Vol.42, p.1-42.

8. Longstaff F., Schwartz E., «Implementation of The Longstaff-Schwartz Interest Rate Model», The Journal of Fixed Income September 1993, Vol. 3, No. 2: pp. 7-14.

9. Das S., Tufano P., “Pricing Credit Sensitive Debt When Interest Rates, Credit Ratings and Credit Spreads are Stochastic”, Journal of Financial Endineering, 5, 1995, p.161-198.

10. Jarrow R, Turnbull S., "Pricing Derivatives on Financial Securities Subject to Credit Risk", Journal of Finance, Vol. 50, No. 1, March 1995, pp. 53-85.

11. Altman E., "Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy"". Journal of Finance: 1968, pp. 189-209.

Размещено на Allbest.ru