了解交易對手的信譽是業務決策的關鍵因素。投資者需要了解投資債券或貸款形式的可能性將被償還。公司必須量化供應商，客戶，收購候選人和競爭對手的信譽。

傳統的信用質量衡量是企業評級，例如由標準普爾，穆迪或惠譽生產的。然而，這種評級僅適用於最大公司，而不是數百萬較小的公司。為了量化其信譽，通常使用替代方法分析較小的公司，即默認（PD）模型的概率。

計算PDS

計算PD需要建模複雜性和大型數據集的過去默認數據集，以及一套完整的基本財務變量，適用於一大公司的公司。在大多數情況下，選擇使用PD型號的公司從少數提供者中許可。但是，一些大型金融機構建立了自己的PD模型。

構建模型需要收集和分析數據，包括收集基礎，只要歷史可用即可。此信息通常來自財務報表。編譯數據後，是時候形成財務比率或“驅動程序”-燃料的“驅動程序”。這些司機往往達到六個類別：槓桿率，流動性比率，盈利比，尺寸措施，費用，以及資產質量比率。信用分析專業人員與估算信譽有關廣泛接受這些措施。

下一步是識別您樣本中的哪個公司是“違規者”-在其財務義務上違反的“違規者”。利用此信息在手中，可以估計“邏輯”回歸模型。統計方法用於測試數十個候選驅動程序，然後選擇最重要的候選方案，以解釋未來的默認值。

回歸模型將默認事件與各種驅動程序相關聯。該模型在型號中是唯一的，模型輸出界限為0和1，可以映射到默認值為0-100％的概率。來自最終回歸的係數表示基於其驅動程序估計公司默認概率的模型。

最後，您可以檢查結果模型的性能措施。這些可能是統計測試測量模型預測默認值的程度。例如，可以使用財務數據估計該模型，為期五年（2001-2005）。然後，生成的模型從不同時期（2006-2009）上的數據用於預測默認值。由於我們知道在2006-2009年期間違約了哪些公司，我們可以說明模型所執行的程度。

要了解模型如何運作，請考慮一個高槓桿率和低盈利能力的小公司。我們剛剛為此公司定義了三個模型驅動程序。最有可能的是，該模型將預測該公司的默認概率相對較高的可能性，因為它很小，因此，其收入流可能是不穩定的。該公司槓桿率高，因此可能對債權人提供高利息支付負擔。該公司的盈利能力低，這意味著它產生的少量現金來支付其費用（包括其沉重債務負擔）。作為一個整體，該公司很可能會發現它無法在不久的將來履行債務。這意味著它具有很高的默認概率。

ARTVS.Science

為此，模型建設過程一直完全是機械，使用統計數據。現在需要採取過程的“藝術”。檢查在最終模型中選擇的驅動程序（可能，從六到10個驅動程序的任何位置）。理想情況下，前面描述的六個類中的每一個應該至少有一個驅動器。

然而，上述機械過程可以導致模型調用六個驅動程序的情況，所有這些駕駛員都從槓桿率類別中汲取，但非代表流動性，盈利能力等。被要求使用此類模式以協助貸款決策的銀行貸款人員可能會抱怨。由此類專家開發的強大直觀將導致他們相信其他駕駛類別也必須是重要的。缺乏這種司機可能導致許多人得出結論，模型不充分。

顯而易見的解決方案是用缺失類別的驅動程序替換一些利用驅動程序。然而，這提出了一個問題。原設計旨在提供最高的統計性能措施。通過改變驅動程序組成，模型的性能可能會從純數學的角度下降。

因此，必須在包含廣泛選擇的司機之間進行權衡，以最大限度地提高模型（藝術品）的直觀上訴，並根據統計措施（科學）的模型權力潛在降低。

PD模型的批評

模型的質量主要取決於可用於校準的默認值和財務數據的清潔度。在許多情況下，這不是一個簡單的要求，因為許多數據集包含錯誤或遭受丟失的數據。

這些型號僅利用歷史信息，有時輸入最多超過一年或更長時間。這淡化了模型的預測力量，特別是如果存在一些重大變化，這使得駕駛員更少相關，例如會計公約或法規的變化。

理想情況下，應該為特定國家內的特定行業創建模型。這確保了國家和行業的獨特經濟，法律和會計因素可以妥善捕獲。挑戰是，通常在識別默認值的數量中開始存在數據的稀缺性。如果必須進一步分段到國家行業桶中的稀缺數據，每個國家工業模型都有更少的數據點。

由於缺少數據是在構建此類模型時的生命的事實，因此已經開發了許多技術來填補這些數字。然而，這些替代方案中的一些可能會引入不准確性。數據稀缺還意味著使用小數據樣本計算的默認概率可能與國家或行業的基礎實際默認概率不同。在某些情況下，可以將模型輸出縮放以更緊密地匹配底層默認體驗。

這裡描述的建模技術也可用於計算大公司的PD。然而，大公司的數據有更多的數據，因為它們通常被公開上市，交易股權和大量公開披露要求。此數據可用性使得可以創建與上述更強大的其他PD模型（稱為基於市場的模型）。

結論

行業從業者和監管機構非常了解PD模型的重要性及其主要限制數據稀缺。因此，世界各地都有各種各樣的努力（例如，在巴塞爾二世的主持下），以提高金融機構捕獲有用財務數據的能力，包括準確識別違約公司。隨著這些數據集的大小和精度增加，所得模型的質量也將改善。