প্রতিযোগীদের creditণযোগ্যতা বোঝা ব্যবসায়ের সিদ্ধান্ত নেওয়ার ক্ষেত্রে একটি গুরুত্বপূর্ণ উপাদান। বন্ড বা loansণ আকারে বিনিয়োগ করা অর্থ ফেরত দেওয়া হবে এমন সম্ভাবনা বিনিয়োগকারীদের জানতে হবে। কর্পোরেশনগুলিকে সরবরাহকারী, ক্লায়েন্ট, অধিগ্রহণ প্রার্থী এবং প্রতিযোগীদের worণযোগ্যতা মাপ দিতে হবে।
Creditণ মানের traditionalতিহ্যগত পরিমাপটি কর্পোরেট রেটিং, যেমন এস এন্ড পি, মুডি বা ফিচ দ্বারা উত্পাদিত। তবুও, এই জাতীয় রেটিংগুলি কয়েক মিলিয়ন ছোট কর্পোরেশনের জন্য নয়, শুধুমাত্র বৃহত্তম সংস্থাগুলির জন্য উপলব্ধ। তাদের creditণের যোগ্যতার পরিমাণ নির্ধারণের জন্য, ছোট সংস্থাগুলি প্রায়শই বিকল্প পদ্ধতিগুলি ব্যবহার করে বিশ্লেষণ করা হয়, সম্ভবত ডিফল্ট (পিডি) মডেলগুলির সম্ভাবনা। (আরও জানতে , ক্রেডিট রেটিং এজেন্সিগুলির একটি সংক্ষিপ্ত ইতিহাস দেখুন))
শিক্ষণীয়: ঝুঁকি এবং বৈচিত্র্য
গণনা PDs গণনা PDs মডেলিং পরিশীলন এবং অতীতের ডিফল্ট একটি বৃহত ডেটাসেট, সংস্থাগুলির বৃহত মহাবিশ্বের জন্য মৌলিক আর্থিক পরিবর্তনশীলগুলির একটি সম্পূর্ণ সেটের পাশাপাশি প্রয়োজন। বেশিরভাগ অংশে, কর্পোরেশনগুলি যেগুলি পিডি মডেলগুলি ব্যবহার করতে পছন্দ করে তারা মুষ্টিমেয় সরবরাহকারীদের থেকে লাইসেন্স দেয়। তবে কিছু বড় আর্থিক প্রতিষ্ঠান তাদের নিজস্ব পিডি মডেল তৈরি করে।
কোনও মডেল তৈরির জন্য কোনও ইতিহাস পাওয়া যায় ততক্ষণের জন্য মৌলিক সংগ্রহগুলি সহ ডেটা সংগ্রহ এবং বিশ্লেষণের প্রয়োজন। এই তথ্য সাধারণত আর্থিক বিবরণী থেকে আসে। একবার তথ্য সংকলিত হয়ে গেলে আর্থিক অনুপাত বা "ড্রাইভার" গঠনের সময় এসেছে - ভেরিয়েবলগুলি ফলাফলকে আরও বাড়িয়ে তোলে। এই ড্রাইভারগুলি ছয়টি বিভাগে পড়ে: লিভারেজ অনুপাত, তারল্য অনুপাত, মুনাফা অনুপাত, আকারের পদক্ষেপ, ব্যয়ের অনুপাত এবং সম্পদ মানের অনুপাত। এই ব্যবস্থাগুলি ক্রেডিট বিশ্লেষণ পেশাদারদের দ্বারা worণযোগ্যতা অনুমানের সাথে প্রাসঙ্গিকভাবে মেনে নেওয়া হয়। (আরও জানতে 6 টি আর্থিক অনুপাত এবং তারা কী প্রকাশ করে তা দেখুন see)
পরবর্তী পদক্ষেপটি হ'ল আপনার নমুনায় থাকা ফার্মগুলির মধ্যে কোনটি "খেলাপী" - যারা তাদের আর্থিক দায়বদ্ধতার উপর প্রকৃতপক্ষে খেলাপি হয়েছে identify এই তথ্য হাতে নিয়ে, একটি "লজিস্টিক" রিগ্রেশন মডেলটি অনুমান করা যায়। পরিসংখ্যানগত পদ্ধতিগুলি কয়েক ডজন প্রার্থী ড্রাইভার পরীক্ষা করতে এবং তারপরে ভবিষ্যতের খেলাপি খেলাগুলি ব্যাখ্যা করার ক্ষেত্রে সর্বাধিক তাত্পর্যপূর্ণ তাদের চয়ন করতে ব্যবহৃত হয়।
রিগ্রেশন মডেলটি বিভিন্ন ড্রাইভারের সাথে ডিফল্ট ইভেন্টগুলি সম্পর্কিত করে। এই মডেলটি অনন্য that যে মডেল আউটপুটগুলি 0 এবং 1 এর মধ্যে আবদ্ধ হয়, যা ডিফল্ট হওয়ার সম্ভাবনা 0-100% স্কেলে ম্যাপ করা যায়। চূড়ান্ত প্রতিরোধের সহগগুলি তার ড্রাইভারের উপর ভিত্তি করে ফার্মের ডিফল্ট সম্ভাব্যতা অনুমানের জন্য একটি মডেল উপস্থাপন করে।
পরিশেষে, আপনি ফলাফলের মডেলটির জন্য কর্মক্ষমতা ব্যবস্থা পরীক্ষা করতে পারেন। এগুলি সম্ভবত পরিসংখ্যানগত পরীক্ষা হবে যা মডেল কতটা ডিফল্ট পূর্বাভাস করেছিল তা পরিমাপ করে। উদাহরণস্বরূপ, পাঁচ বছরের সময়কালে (2001-2005) আর্থিক ডেটা ব্যবহার করে মডেলটি অনুমান করা যেতে পারে। ফলস্বরূপ মডেলটি তারপরে ডিফল্ট পূর্বাভাস দেওয়ার জন্য আলাদা সময়কাল (2006-2009) থেকে ডেটা ব্যবহার করা হয়। যেহেতু আমরা জানি যে 2006-2009 সময়কালে কোন সংস্থাগুলি খেলাপি হয়েছিল, তাই আমরা বলতে পারি যে মডেলটি কতটা ভাল অভিনয় করেছে।
মডেলটি কীভাবে কাজ করে তা বোঝার জন্য, উচ্চ লিভারেজ এবং কম লাভজনকতার সাথে একটি ছোট ফার্ম বিবেচনা করুন। আমরা এই ফার্মের জন্য কেবলমাত্র তিনটি মডেল ড্রাইভারকে সংজ্ঞায়িত করেছি। সম্ভবত, মডেলটি এই ফার্মের জন্য ডিফল্টর তুলনামূলকভাবে উচ্চ সম্ভাবনার পূর্বাভাস দেবে কারণ এটি ছোট এবং সুতরাং, এর আয়ের প্রবাহটি অনিয়মিত হতে পারে। ফার্মটির উচ্চতর উত্তোলন রয়েছে এবং তাই পাওনাদারদের উপর উচ্চ সুদের অর্থের ভার থাকতে পারে। এবং ফার্মটির স্বল্প লাভ রয়েছে, যার অর্থ এটি তার ব্যয়গুলি কাটাতে (তার ভারী debtণের বোঝা সহ) নগদ পরিমাণ উত্পাদন করে। সামগ্রিকভাবে নেওয়া, ফার্মটি সম্ভবত এটি খুঁজে পেতে পারে যে অদূর ভবিষ্যতে debtণ পরিশোধে ভাল করতে সক্ষম নয় unable এর অর্থ এটির ডিফল্ট হওয়ার উচ্চ সম্ভাবনা রয়েছে। (আরও জানতে, ব্যবসায় বিশ্লেষণের জন্য রিগ্রেশন বেসিকগুলি দেখুন see)
আর্ট বনাম বিজ্ঞান এই মুহুর্তে, পরিসংখ্যান ব্যবহার করে মডেল-বিল্ডিং প্রক্রিয়া সম্পূর্ণরূপে যান্ত্রিক হয়ে উঠেছে। এখন প্রক্রিয়াটির "আর্ট" অবলম্বন করা দরকার। চূড়ান্ত মডেলটিতে নির্বাচিত ড্রাইভারদের পরীক্ষা করুন (সম্ভবত, 6-10 ড্রাইভার থেকে যে কোনও জায়গায়)। আদর্শভাবে, পূর্বে বর্ণিত ছয়টি বিভাগের প্রত্যেকের মধ্যে কমপক্ষে একজন ড্রাইভার থাকা উচিত।
উপরে বর্ণিত যান্ত্রিক প্রক্রিয়াটি এমন পরিস্থিতিতে ডেকে আনতে পারে যেখানে কোনও মডেল ছয়জন গাড়ি চালককে ডাকতে পারে, এটি সমস্তই লিভারেজ রেশিও বিভাগ থেকে নেওয়া হয়, তবে তরলতা, লাভজনকতা ইত্যাদি উপস্থাপন করে না এমন কোনও ব্যাংক ndingণদানকারী আধিকারিক যারা এই জাতীয় মডেল ব্যবহার করতে বলা হয় ndingণ সংক্রান্ত সিদ্ধান্তগুলিতে সহায়তা করার জন্য সম্ভবত অভিযোগ করা উচিত। এই ধরনের বিশেষজ্ঞদের দ্বারা বিকশিত শক্তিশালী অন্তর্দৃষ্টি তাদের বিশ্বাস করবে যে অন্যান্য ড্রাইভার বিভাগগুলিও গুরুত্বপূর্ণ হওয়া উচিত। এই জাতীয় ড্রাইভারের অনুপস্থিতি অনেকের এই সিদ্ধান্তে পৌঁছাতে পারে যে মডেলটি অপর্যাপ্ত।
সুস্পষ্ট সমাধান হ'ল অনুপস্থিত বিভাগ থেকে চালকদের সাথে কিছু লিভারেজ ড্রাইভারের প্রতিস্থাপন করা। এটি অবশ্য একটি বিষয় উত্থাপন করে। আসল মডেলটি সর্বোচ্চ পরিসংখ্যানগত পারফরম্যান্স পরিমাপের জন্য ডিজাইন করা হয়েছিল। ড্রাইভারের রচনা পরিবর্তন করে, সম্ভবত মডেলটির পারফরম্যান্স খাঁটি গাণিতিক দৃষ্টিকোণ থেকে হ্রাস পাবে।
সুতরাং, মডেল (শিল্প) এর স্বজ্ঞাত আপীল সর্বাধিকীকরণের জন্য ড্রাইভারের বিস্তৃত নির্বাচন অন্তর্ভুক্তকরণ এবং পরিসংখ্যানমূলক ব্যবস্থা (বিজ্ঞান) এর উপর ভিত্তি করে মডেল পাওয়ারের সম্ভাব্য হ্রাসের মধ্যে একটি ট্রেড অফ করতে হবে। (আরও তথ্যের জন্য, আর্থিক মডেলিংয়ের ক্ষেত্রে স্টাইলের বিষয়গুলি পড়ুন))
পিডি মডেলের সমালোচনা মডেলটির গুণমান প্রাথমিকভাবে ক্রমাঙ্কনের জন্য উপলব্ধ ডিফল্টের সংখ্যা এবং আর্থিক তথ্যের পরিচ্ছন্নতার উপর নির্ভর করে। অনেক ক্ষেত্রে, এটি একটি তুচ্ছ প্রয়োজনীয়তা নয়, কারণ প্রচুর ডেটা সেটে ত্রুটি থাকে বা ডেটা হারিয়ে যায়।
এই মডেলগুলি কেবল historicalতিহাসিক তথ্য ব্যবহার করে এবং কখনও কখনও ইনপুটগুলি এক বছরের বেশি বা তার বেশি পুরানো হয়। এটি মডেলের ভবিষ্যদ্বাণীপূর্ণ শক্তিকে হ্রাস করে, বিশেষত যদি কোনও উল্লেখযোগ্য পরিবর্তন ঘটে থাকে যা কোনও চালককে কম প্রাসঙ্গিক করে তোলে যেমন অ্যাকাউন্টিং কনভেনশন বা নিয়মকানুনের পরিবর্তন।
মডেলগুলি আদর্শভাবে একটি নির্দিষ্ট দেশের মধ্যে একটি নির্দিষ্ট শিল্পের জন্য তৈরি করা উচিত। এটি নিশ্চিত করে যে দেশ এবং শিল্পের অনন্য অর্থনৈতিক, আইনী এবং অ্যাকাউন্টিং উপাদানগুলি যথাযথভাবে ক্যাপচার করা যায়। চ্যালেঞ্জটি হ'ল সাধারণত ডেটাগুলির ঘাটতি থেকেই শুরু হয়, বিশেষত চিহ্নিত ডিফল্টের সংখ্যাতে। যদি সেই দুর্লভ তথ্য অবশ্যই আরও দেশ-শিল্প বালতিগুলিতে ভাগ করা উচিত তবে প্রতিটি দেশ-শিল্পের মডেলের জন্য আরও কম ডেটা পয়েন্ট রয়েছে।
যেহেতু এই জাতীয় মডেলগুলি তৈরি করার সময় হারিয়ে যাওয়া তথ্যগুলি জীবনের একটি সত্য, সেই সংখ্যাগুলি পূরণ করার জন্য বেশ কয়েকটি কৌশল তৈরি করা হয়েছে। এই বিকল্পগুলির মধ্যে কিছুতে ভুলত্রুটির পরিচয় দিতে পারে। ডেটা সংকট এছাড়াও এর অর্থ হ'ল যে একটি ছোট ডেটা নমুনা ব্যবহার করে গণনা করা ডিফল্ট সম্ভাব্যতা প্রশ্নযুক্ত দেশ বা শিল্পের অন্তর্নিহিত প্রকৃত ডিফল্ট সম্ভাবনার চেয়ে আলাদা হতে পারে। কিছু ক্ষেত্রে, অন্তর্নিহিত ডিফল্ট অভিজ্ঞতার আরও ঘনিষ্ঠতার সাথে মেলে মডেল আউটপুটগুলি স্কেল করা সম্ভব।
এখানে বর্ণিত মডেলিং কৌশলটি বড় কর্পোরেশনের পিডি গণনা করতেও ব্যবহার করা যেতে পারে। বড় সংস্থাগুলিতে আরও অনেক বেশি ডেটা পাওয়া যায়, তবে তারা সাধারণত প্রকাশিতভাবে ট্রেড ইক্যুইটি এবং উল্লেখযোগ্য পাবলিক প্রকাশের প্রয়োজনীয়তার সাথে তালিকাভুক্ত হয়। এই ডেটার প্রাপ্যতাটি অন্যান্য PD মডেলগুলি (বাজার-ভিত্তিক মডেল হিসাবে পরিচিত) তৈরি করা সম্ভব করে যা উপরে বর্ণিত মডেলগুলির চেয়ে আরও শক্তিশালী।
উপসংহার
শিল্প চিকিত্সক এবং নিয়ন্ত্রকরা পিডি মডেলগুলির গুরুত্ব এবং তাদের প্রাথমিক সীমাবদ্ধতা-ডেটা ঘাটতি সম্পর্কে ভালভাবে অবগত। তদনুসারে, বিশ্বজুড়ে ডিফল্ট সংস্থাগুলির সুনির্দিষ্ট সনাক্তকরণ সহ দরকারী আর্থিক তথ্য ক্যাপচারের জন্য আর্থিক সংস্থাগুলির সক্ষমতা বাড়াতে উদাহরণস্বরূপ, বেসেল দ্বিতীয় এর তত্ত্বাবধানে বিভিন্ন প্রচেষ্টা হয়েছে। এই ডেটাসেটগুলির আকার এবং যথার্থতা বৃদ্ধির সাথে সাথে ফলাফলগুলির মডেলগুলির গুণমানও উন্নত হবে। (এই বিষয়ে আরও তথ্যের জন্য, tণ রেটিং বিতর্ক দেখুন ))
