取引相手の信用度を理解することは、ビジネスの意思決定において重要な要素です。 投資家は、債券またはローンの形で投資されたお金が返済される可能性を知る必要があります。 企業は、サプライヤー、クライアント、買収候補者、競合他社の信用度を定量化する必要があります。
従来の信用の質の尺度は、S&P、ムーディーズ、フィッチなどが作成した企業格付けです。 しかし、そのような格付けは、数百万の中小企業ではなく、大企業でのみ利用可能です。 信用価値を定量化するために、小規模企業は多くの場合、代替方法、つまりデフォルトの確率（PD）モデルを使用して分析されます。 （詳細については、 信用格付け機関の簡単な歴史を ご覧ください。）
チュートリアル：リスクと多様化
PDの計算PDの計算には、洗練されたモデリングと過去のデフォルトの大規模なデータセット、および大規模な企業集団の基本的な金融変数の完全なセットが必要です。 ほとんどの場合、PDモデルの使用を選択した企業は、少数のプロバイダーからライセンスを取得します。 ただし、一部の大規模な金融機関は独自のPDモデルを構築しています。
モデルの構築には、履歴が利用できる限りの基礎の収集を含む、データの収集と分析が必要です。 通常、この情報は財務諸表から取得されます。 データがコンパイルされたら、財務比率または「ドライバー」、つまり結果を促進する変数を作成します。 これらの要因は、レバレッジ比率、流動性比率、収益性比率、規模指標、費用比率、資産品質比率の6つのカテゴリーに分類される傾向があります。 これらの測定は、信用力の推定に関連するものとして信用分析の専門家によって広く受け入れられています。 （詳細については、 6つの基本的な財務比率とそれらが明らかに することを参照してください 。 ）
次のステップは、サンプル内のどの会社が「債務不履行者」であるか、つまり実際に金融債務を履行しなかった企業を特定することです。 この情報を入手すると、「ロジスティック」回帰モデルを推定できます。 数十の候補ドライバーをテストし、将来のデフォルトを説明する上で最も重要なドライバーを選択するために、統計的手法が使用されます。
回帰モデルは、デフォルトのイベントをさまざまなドライバーに関連付けます。 このモデルは、モデル出力が0〜1の範囲に制限されているという点でユニークであり、デフォルトの0〜100％の確率のスケールにマッピングできます。 最終回帰の係数は、ドライバーに基づいて企業のデフォルト確率を推定するためのモデルを表します。
最後に、結果のモデルのパフォーマンス測定値を調べることができます。 これらは、モデルがデフォルトをどれだけうまく予測しているかを測定する統計的テストになるでしょう。 たとえば、モデルは5年間（2001〜2005年）の財務データを使用して推定できます。 次に、結果のモデルを異なる期間（2006〜2009年）のデータで使用して、デフォルトを予測します。 2006年から2009年にかけてどの企業がデフォルトしたかはわかっているので、モデルがどれだけうまく機能したかを知ることができます。
モデルがどのように機能するかを理解するために、高いレバレッジと低い収益性を備えた小規模企業を検討してください。 この会社の3つのモデルドライバーを定義しました。 最も可能性が高いのは、モデルが小さいために収益の流れが不安定になる可能性があるため、モデルがこの会社の比較的高いデフォルト確率を予測することです。 同社は高いレバレッジを持っているため、債権者に対する利子支払いの負担が大きい可能性があります。 また、同社は収益性が低いため、費用を賄うための現金をほとんど生成しません（重い債務負担を含む）。 全体として見ると、同社は近い将来債務返済で利益を上げることができないことに気付く可能性が高い。 これは、デフォルトの可能性が高いことを意味します。 （ 詳細については、ビジネス分析の回帰の基本を 参照してください。）
アート対 科学ここまで、モデル構築プロセスは統計を使用して完全に機械的なものでした。 現在、プロセスの「芸術」に頼る必要があります。 最終モデルで選択されたドライバー（おそらく、6〜10のドライバー）を調べます。 理想的には、前述の6つのカテゴリのそれぞれから少なくとも1つのドライバーが存在する必要があります。
ただし、上記の機械的プロセスは、モデルがすべてレバレッジ比率カテゴリから引き出された6人のドライバーを要求するが、流動性、収益性などを表さない状況につながる可能性があります。融資決定を支援するために文句を言うでしょう。 そのような専門家が開発した強力な直観は、他のドライバーカテゴリも重要でなければならないと彼らを信じさせるでしょう。 そのようなドライバーが存在しないため、多くの人がモデルが不適切であると結論付ける可能性があります。
明らかな解決策は、レバレッジドライバーの一部を不足しているカテゴリのドライバーに置き換えることです。 ただし、これにより問題が発生します。 元のモデルは、最高の統計パフォーマンス測定値を提供するように設計されました。 ドライバーの構成を変更すると、純粋に数学的な観点からモデルのパフォーマンスが低下する可能性があります。
したがって、モデル（芸術）の直感的な魅力を最大化するための幅広いドライバーの選択と、統計的尺度（科学）に基づくモデルパワーの潜在的な低下の間でトレードオフを行う必要があります。 （詳細については、 「金融モデリングにおけるスタイルの問題」を ご覧ください。）
PDモデルの批判モデルの品質は、主にキャリブレーションに使用できるデフォルトの数と財務データの清浄度に依存します。 多くの場合、多くのデータセットにエラーが含まれているか、データが欠落しているため、これは簡単な要件ではありません。
これらのモデルは履歴情報のみを使用し、場合によっては入力が最大で1年以上古いことがあります。 これにより、特に会計規則や規制の変更など、ドライバーの関連性が低くなる重要な変更があった場合、モデルの予測力が低下します。
モデルは、特定の国の特定の業界向けに作成するのが理想的です。 これにより、国や業界の独自の経済的、法的、会計的要因を適切に把握できます。 課題は、特に特定されたデフォルトの数において、通常、最初からデータが不足していることです。 その乏しいデータを国別産業バケットにさらに分割する必要がある場合、国別産業モデルごとのデータポイントはさらに少なくなります。
そのようなモデルを構築する場合、データの欠落は現実ですので、これらの数値を埋めるために多くの手法が開発されています。 ただし、これらの選択肢のいくつかは不正確さをもたらす可能性があります。 また、データの不足は、小さなデータサンプルを使用して計算されたデフォルトの確率が、対象の国または業界の基礎となる実際のデフォルトの確率と異なる場合があることを意味します。 場合によっては、モデルの出力をスケーリングして、基礎となるデフォルトのエクスペリエンスにより密接に一致させることができます。
ここで説明するモデリング手法は、大企業のPDの計算にも使用できます。 ただし、大企業は通常、上場企業であり、上場企業であり、重要な公開情報の要件があるため、より多くのデータを利用できます。 このデータの可用性により、上記のモデルよりも強力な他のPDモデル（市場ベースモデルと呼ばれる）を作成できます。
結論
業界の実務家と規制当局は、PDモデルの重要性とその主要な制限データの不足をよく認識しています。 したがって、世界中で、例えばバーゼルIIの後援の下、債務不履行企業の正確な特定を含む、有用な財務データを収集する金融機関の能力を改善するためのさまざまな努力がなされてきました。 これらのデータセットのサイズと精度が向上すると、結果のモデルの品質も向上します。 （このトピックの詳細については 、債務格付けの議論を ご覧ください。）
