Процесс прогнозирования банкротства

В качестве метода прогнозирования сбоев в финансовом анализе и в банковском процессе упоминаются риски банкротства и, следовательно, вероятности определения того, какие хозяйствующие субъекты (обычно один год) в течение определенного периода являются неплатежеспособными .

Общий

Следующие утверждения относятся к процедурам прогнозирования корпоративных банкротств. Компании , частные лица , государства или другие учреждения рассматриваются как экономические субъекты .

Развитие корпоративной несостоятельности в Германии

В то время как в начале 1990-х годов в Германии было около 10 000 корпоративных банкротств в год, к 2003/2004 г. их число выросло почти до 40 000. При портфеле компании около трех миллионов это соответствует среднему уровню несостоятельности 1,3% в год. В зависимости от сегмента компании были зафиксированы значительно более высокие значения. В последующие годы количество банкротств снова уменьшилось и с 2007 по 2011 год составило около 30 000. В начале 1990-х годов сумма вновь возникших требований о несостоятельности все еще составляла около 6 миллиардов евро в год, однако в 2000-х годах в основном от 30 до 40 миллиардов евро в отдельные годы (2002 и 2009 годы) даже в равных значениях. 62 и 85 миллиардов евро соответственно. Опыт показал, что от 90 до 95% требований о несостоятельности не подлежат взысканию.

Мотивация к развитию

Способность составлять точные прогнозы корпоративной несостоятельности, а также способность определять рекомендации для действий во избежание банкротства имеет большое значение как с индивидуальной, так и с экономической точки зрения. На индивидуальном уровне, помимо владельцев, сотрудников, клиентов, поставщиков, аудиторов и других деловых партнеров компании, банки, в частности, заинтересованы в точных прогнозах неплатежеспособности, поскольку они регулярно должны фиксировать значительный ущерб в случае корпоративной несостоятельности. Административные расходы ( конкурсный управляющий ) и расходы , связанные с ликвидацией тех активов неплатежеспособной компании в одиночку потребляют в среднем от 15% до 20% от валовой выручки ликвидации.

С точки зрения банковского дела, прогнозы неплатежеспособности являются важной предпосылкой для возможности применять ценообразование на основе рисков и структурировать нефинансовые условия кредитования (лимиты, требуемое обеспечение ). Процессы кредитования должны разрабатываться рентабельно (путем выявления критических случаев, требующих более широкой поддержки со стороны кредитных экспертов), увеличения собственной ликвидности за счет создания вариантов секьюритизации , а также определения и управления экономическими и нормативными требованиями к капиталу . С экономической точки зрения процедуры прогнозирования неплатежеспособности рассматриваются как важная предпосылка стабильности банковской системы . Чрезмерные кредитные риски были наиболее частой причиной банкротств более 100 банков с 1960-х годов в (Западной) Германии. Кроме того, более 90% требований к нормативному капиталу для банков связано с хеджированием кредитных рисков. Кроме того, наличие эффективных процедур прогнозирования неплатежеспособности является необходимым предварительным условием для того, чтобы мотивировать заемщиков вести себя совместимым со стимулами и осознанным образом рисками. Точно так же более эффективные прогнозы неплатежеспособности могут избежать сбоя рынка в смысле полного отказа банков или других кредиторов от финансирования компаний в сегментах с повышенным уровнем риска.

классификация

Современное состояние науки в области прогнозирования неплатежеспособности характеризуется разнообразием методов. Одна из причин такого разнообразия, вероятно, заключается в отсутствии в настоящее время общепринятой всеобъемлющей теоретической основы для объяснения корпоративной несостоятельности. Причина разнообразия методов прогнозирования неплатежеспособности также, вероятно, заключается в том, что многочисленные процедуры, которые часто уже зарекомендовали себя в иных контекстах, чем прогнозирование неплатежеспособности, могут быть отклонены как непригодные или неполноценные. Кроме того, в зависимости от базовой доступности или принятых затрат на сбор информации для целей прогноза неплатежеспособности может использоваться большое количество различных источников данных и типов данных, агрегирование которых иногда требует различных процедур или делает их целесообразными. по статистическим и техническим причинам. На следующем рисунке представлен обзор большого количества методов прогнозирования неплатежеспособности, используемых в науке и практике.

Обзор процедур прогнозирования неплатежеспособности

Процедуры прогнозирования неплатежеспособности можно разделить на формальные и неформальные процедуры прогнозирования неплатежеспособности . В неформальном процессе кредиторы-люди делают прогнозы банкротства, основываясь на своей интуиции и личном опыте. С другой стороны, формальные процедуры основаны на четко установленных процедурных правилах. В формальных процедурах проводится различие между индуктивными (параметрическими и непараметрическими) эмпирико-статистическими и структурными процедурами. К индуктивным методам относятся, например, скоринговые модели и экспертные системы . Многомерный линейный дискриминантный анализ и анализ логистической регрессии важны для параметрических эмпирико-статистических методов . В случае непараметрических эмпирико-статистических методов прогнозирования неплатежеспособности следует упомянуть методы дерева решений и искусственные нейронные сети . Модели прогнозирования структурной неплатежеспособности включают модели, основанные на спреде облигаций и цены опционов, а также методы детерминированного и стохастического моделирования .

Первым формальным многомерным методом прогнозирования корпоративной неплатежеспособности была модель Z-фактора Альтмана (1968) (Z-Score Альтмана), модель дискриминантного анализа .

Источники данных

обзор

Для прогнозирования банкротств корпораций можно использовать множество источников данных. В зависимости от объективности их опроса («жесткие» или «мягкие» данные) и в зависимости от того, имеют ли соответствующие данные исходную метрическую шкалу или нет («количественные» или «качественные» данные), всего четыре группы входных данных. переменные могут быть определены по-разному для процедур прогнозирования банкротства, см. следующий рисунок.

Источники данных Процедуры прогнозирования банкротства

Точные количественные данные

Точные количественные данные - это данные, которые изначально имеют метрическую шкалу и могут быть собраны независимо от метода и человека. Особое значение в контексте прогноза корпоративной неплатежеспособности имеют годовая финансовая отчетность , информация о поведении менеджеров по счетам и данные финансового рынка (уровень и волатильность рыночной капитализации компании , размер премии за риск по котируемым долговым обязательствам компании ). Преимущества управления счетом и рыночных данных по сравнению с данными бухгалтерского учета заключаются в том, что они намного более актуальны. Их можно обновлять ежедневно, и их сбор практически не требует дополнительных затрат. Компании также вряд ли могут ими манипулировать . Важное преимущество рыночных данных перед данными управления счетами и бухгалтерскими данными заключается в их «перспективном характере». Предполагается, что на рыночные данные - через рациональные ожидания участников рынка - влияют будущие события в компаниях, а не их прошлое, как в случае с данными управления счетами и бухгалтерского учета. Однако очень немногие компании выставили на листинг акции или заемные средства. Информация о поведении управления счетами доступна только соответствующим банкам-кредиторам - и только после того, как они предоставили ссуды соответствующим компаниям. Ситуация с данными лучше всего подходит для данных на конец года, которые включают информацию о балансах , счетах прибылей и убытков и график движения основных средств . Данные годовой финансовой отчетности характеризуются относительно низкими затратами. Ваш опрос не требует специальных знаний. Ваш опрос не подвержен никаким субъективным влияниям и не предлагает никаких возможностей для целенаправленных манипуляций, которые не могут быть легко определены с помощью последующих проверок. Ошибки ввода можно легко выявить и исправить благодаря избыточной структуре данных. Систематическая оценка документов годового финансового отчета, «посредством которых в дополнение к балансовому отчету и отчету о прибылях и убытках должны использоваться, в частности, дополнительные пояснения в примечаниях и управленческом отчете», выявляет многие из возможностей - и, если необходимо, позже нейтрализовать их - с помощью которых прибыль и активы компании намеренно искажаются.

Твердые качественные данные

Точные качественные данные - это данные в номинальном или обычном масштабе, которые можно измерить независимо от человека и метода и, следовательно, собрать объективно. В контексте эмпирически-статистических процедур выявляются факторы, которые имеют эмпирическую связь с вероятностью банкротства компании («статистическая ответственность клана»). В этом контексте правовая форма и принадлежность к филиалам имеют особое значение, поскольку различные группы отраслей и юридических форм характеризуются значительными и длительными различиями в показателях несостоятельности. Можно видеть, что , например, корпорации в в строительной отрасли в Германии были около пятнадцати раз , как высокие показатели несостоятельности в качестве индивидуальных предпринимателей в в сервисной индустрии в течение длительных периодов времени .

Мягкие количественные данные

Мягкие количественные данные - это данные с метрической шкалой, сбор которых подлежит личным, субъективным оценкам (со стороны респондента или интервьюера). Типичной мягкой количественной информацией в контексте прогноза неплатежеспособности являются прогнозы роста отрасли, количественная информация об операционных рисках или индивидуальная информация от компаний, касающаяся продаж, затрат или прибыли, запланированных на будущие периоды. Однако наши собственные исследования средних компаний показали, что большинство компаний не составляют (последовательных) многолетних финансовых планов. Информация о планах, предоставляемая компаниями, в среднем существенно искажена. Предположительно, их можно интерпретировать только в смысле «желаемых целевых значений» , но они не представляют ожидаемые значения в статистическом смысле. Часто приводятся округленные значения. Совершенно недооценивается вероятность возникновения убытков, угрожающих существованию компании. Особенно проблематично то, что детали плана показывают значительные противоречия в зависимости от типа обследования. Другой недостаток заключается в том, что сбор подробных данных планирования требует много времени и средств, поскольку необходимо собирать большой объем данных в форме, которая является необычной для компании и требует объяснения в контексте обсуждений на месте.

Также не следует ожидать, что компании будут правдиво и всесторонне раскрывать свой план и информацию о рисках третьим сторонам, в частности банкам или кредитным агентствам, если они должны ожидать, что это может иметь для них негативные экономические последствия. Последующие санкции за «неправильное» планирование и допущения риска - жесткие ограничения. Оглядываясь назад, всегда можно указать правдоподобные причины невыполнения запланированных показателей продаж или прибыли, которые находятся вне контроля компании. За исключением тривиальных случаев, предположения стохастического планирования никогда нельзя с уверенностью классифицировать постфактум как истинные или ложные. Применение санкций за невыполненные планы также установило бы (дополнительные) стимулы для экономически бесполезного или вредного поведения, например, путем переноса продаж и / или затрат и доходов на соседние периоды.

Мягкие качественные данные

Мягкие качественные данные - это данные, которые изначально не масштабировались метрически и сбор которых подвержен субъективным оценочным влияниям. Сюда входят, например, вопросы о потенциале компании к успеху , такие как «качество бухгалтерского учета », «профессиональная пригодность руководства » или «зависимость от поставщика». Преимущество мягких качественных данных в контексте прогнозирования корпоративной неплатежеспособности проявляется прежде всего в том, что они должны позволять выявить негативные корпоративные изменения на ранней стадии, то есть до того, как они проявятся в «плохой» годовой финансовой отчетности.

Однако мягкие качественные факторы могут быть зарегистрированы только с очень низким уровнем надежности , что говорит о том, что эти данные имеют лишь небольшое (дополнительное) прогностическое преимущество.

Заключение по источникам данных

Рейтинговые процедуры банков обычно в значительной степени основаны на оценке достоверной количественной информации и, в частности, на статистическом анализе ключевых показателей, полученных из годовой финансовой отчетности. Многие модели прогнозов неплатежеспособности, представленные в научных исследованиях, а также модели прогнозов коммерческих поставщиков, которые были разработаны для рентабельной оценки кредитоспособности средних компаний, с самого начала ограничиваются анализом таких финансовых показателей. В некоторых рейтинговых моделях также принимаются во внимание жесткие качественные переменные, такие как отрасль, правовая форма или региональное происхождение.

Даже если они предлагают много преимуществ в теории, практическое использование («дальновидное») мягких количественных и мягких качественных данных для прогнозирования банкротств невелико. Их обследование требует сравнительно высоких затрат и вызывает проблемы со стимулами со стороны респондентов.

Даже если рейтинговые агентства отрицают, что выносимые ими суждения в основном основаны на анализе ключевых показателей, эмпирические исследования по крайней мере показали, что рейтинговые суждения известных агентств могут быть воспроизведены или относительно хорошо спрогнозированы на основе (некоторых) финансовых показателей. Также интересно, что значительные затраты на персонал, которые коммерческие рейтинговые агентства несут при подготовке своих рейтинговых суждений (и значительные комиссионные, которые они взимают за это), не отражаются должным образом на качестве их прогнозов. С помощью простых моделей показателей - в применении к идентичным наборам данных от компаний - прогнозы неплатежеспособности могут быть созданы с качеством, которое соответствует или даже превышает качество прогнозов рейтинговых суждений известных агентств.

Классификация оценочных мероприятий

В дальнейшем под качеством оценки процедуры прогнозирования неплатежеспособности следует понимать степень соответствия между прогнозами несостоятельности и фактически произошедшими событиями несостоятельности. Математически понятные пояснения этого термина должны учитывать, относятся ли прогнозы неплатежеспособности к категориальному (= номинальному ), порядковому или кардинальному (= метрическому или количественному ) типу.

  • Поскольку категориальные баллы неудач называются прогнозами несостоятельности, знайте, что существуют только две возможные формы для оценки компаний с рейтингом «Ожидается, что компания A (в течение одного указанного периода) потерпит неудачу», или «Компания B ожидается (в пределах одного периода, который необходимо указать). период) не подведи ".
  • В случае порядкового прогноза неплатежеспособности суждения выносятся об относительной вероятности дефолта рейтингуемых компаний: «Компания B с большей вероятностью (в течение периода, который следует указать) дефолт, чем компания A, но с меньшей вероятностью, чем компания C». Порядковые прогнозы неплатежеспособности теоретически можно было бы дифференцировать по желанию, но на практике преобладали порядковые рейтинговые системы, которые сообщают свои результаты по дискретной 7- или 17-балльной шкале в обозначениях, принятых Standard & Poor’s .
  • Прогнозы кардинальной несостоятельности присваивают каждой компании вероятность дефолта (в течение периода, который необходимо указать).

Отдельные процедуры обратно совместимы. Любые слабо монотонные преобразования могут использоваться для генерации интерпретируемых в обычном порядке значений оценок из вероятностей отказов , которые, при необходимости, также могут быть объединены в конечное число классов. Аналогичным образом, путем комбинирования интервалов оценки или соседних рейтинговых классов до тех пор, пока не останется только два класса, порядковые прогнозы несостоятельности могут быть преобразованы в категориальные прогнозы несостоятельности. Доступность прогнозов неплатежеспособности является, помимо прочего, процедурной. Например, дискриминантный анализ или нейронные сети по умолчанию генерируют только категориальные прогнозы неплатежеспособности. Однако на практике ваши выходные данные также интерпретируются обычным образом и могут также получать кардинальное информационное содержание посредством калибровки данных об отказах .

Порядковые прогнозы неплатежеспособности являются результатом, например, применения субъективно параметризованных моделей скоринга или показателей, в то время как логит-модели используются для создания кардинальных прогнозов неплатежеспособности. То, каким образом должны быть доступны прогнозы неплатежеспособности, зависит от предполагаемого использования прогнозов: у пользователя есть только два варианта действий - например, Б. Принятие или отклонение клиента, положительное или отрицательное определение « правомочности центрального банка » требований - в принципе достаточно категоричных прогнозов неплатежеспособности. Оптимальный дизайн категориальных прогнозов основан на конфликте целей между ошибками (прогноза) I. и ошибками II. Типа (см. Оценочные показатели качества для категориальных прогнозов неплатежеспособности ). Это, в свою очередь, зависит от субъективно влияющих вторичных условий, например, конкретного дизайна условий кредитования ( процентные ставки , обеспечение , гарантии и т. Д.), И от субъективно не влияющих, но изменчивых во времени, например, от средней нормы дефолта кредитного учреждения. рассматриваемое население.

Именно здесь на помощь приходят порядковые показатели качества для оценки прогнозов неплатежеспособности . Вы оцениваете эффективность классификации процессов прогнозирования неплатежеспособности на основе совокупности всех возможных комбинаций ошибок I-II, которые могут быть сгенерированы в процессе прогнозирования. Таким образом, они позволяют более дифференцированно оценивать клиентов, например, в качестве основы для принятия решения о типе и сумме запрашиваемого обеспечения или определении усилий по мониторингу. Примерами порядковых мер оценки являются коэффициент точности (также индекс Джини, мера концентрации Лоренца-Мюнцера или статистика мощности).

Однако в качестве основы для количественных решений, таких как ценообразование ссуд, облигаций или деривативов , служат прогнозы кардинальной неплатежеспособности или для определения капитала экономического или нормативного риска, d. ЧАС. Вероятности отказа, обязательные. Согласно новым требованиям к капиталу Базельского комитета по банковскому надзору, которые будут применяться с начала 2008 года, внутренние рейтинговые системы должны основываться на прогнозах кардинальной несостоятельности (вероятности дефолта). Оценочными показателями качества для прогнозов кардинальной несостоятельности являются, например, оценка Бриера , условная информационная энтропия , индекс Роммельфангера или сгруппированная оценка Бриера .

Основным недостатком кардинальных показателей качества оценки является их зависимость от ожидаемых или реализованных показателей дефолта по портфелю. Поэтому они не подходят для сравнений между портфелями - и даже при умеренно коррелированных вероятностях дефолта полноценная проверка прогнозов кардинальной несостоятельности больше невозможна, даже с портфелями любого размера.

В целом, хорошая способность разделять прогнозы несостоятельности, измеряемые порядковыми показателями качества, также важна для качества прогнозов кардинальной несостоятельности - и даже более важна, чем правильная калибровка. Поэтому при оценке качества прогнозов неплатежеспособности основное внимание будет уделяться порядковым показателям качества прогнозов.

литература

Индивидуальные доказательства

  1. ↑ Эта статья в основном основана на: Мартин Бемманн, Улучшение сопоставимости результатов оценки качества исследований прогноза несостоятельности , в: Дрезденская серия дискуссионных документов по экономике . 08/2005; Мартин Бемманн, Разработка и проверка модели стохастического моделирования для прогнозирования корпоративной несостоятельности, Диссертация, Технический университет Дрездена, TUDpress Verlag der Wissenschaften, Дрезден, 2007 г.
  2. ↑ См. Федеральное статистическое управление (2004, стр. 31 и стр. 44) для получения информации о количестве и темпах несостоятельности, а также о существовании и возможности взыскания требований о несостоятельности; текущие данные о событиях несостоятельности см. Https: / /www.destatis.de/DE/ZahlenFakten /Indikatoren/LangeReihen/Insolvenzen/lrins01.html и https://www.destatis.de/DE/ZahlenFakten/Indikatoren/Konjendungindikatoren/Insolvenzen/ins110, сентябрь 2012 г.
  3. ↑ См. Dimitras, Zanakis, Zoponidis (1996, p. 488) и Balcaen, Ooghe (2004, p. 4) или Hartmann-Wendels et al. (2005, стр. 4f.) Для анализа тех, кто интересуется процедурами прогнозирования неплатежеспособности компаний.
  4. ↑ см. Franks, Servigny, Davydenko (2004, p. 4), Basler Committee (2000b, p. 27f.), Basler Committee (2000b, p. 7f.), Moody's (2004, p. 13) и Gupton, Stein ( 2005).
  5. ↑ см. Франкс, Сервиньи, Давыденко, 2004, с. 13
  6. ↑ см. Инглиш, Нельсон (1998, стр. 11f.), Treacy, Carey (2000, стр. 897), Basler Committee (2000a, стр. 33), Escott, Glormann, Kocagil (2001a, стр. 3) и Scheule ( 2003, с. 96 и далее).
  7. ↑ см. Fischer (2004, с. 13 и цитируемую там литературу)
  8. ↑ см. Deutsche Bundesbank (2005, с. 44).
  9. ↑ см. Базельский комитет (2004, §4), OeNB (2004b, стр. 33)
  10. ↑ См. KfW (2005, стр. 6): «Это указывает на широкое использование внутренних рейтинговых инструментов, которые сейчас также используются небольшими компаниями. [...] В прошлом в основном единые процентные ставки для всех клиентов кредитной организации означали, что небольшие компании, в частности, вообще сталкивались с трудностями при получении кредита. Сегодня банки и сберегательные кассы используют рейтинговые инструменты, чтобы сделать условия кредитования более рискованными. Это облегчит малым предприятиям доступ к банковским кредитам ».
  11. ↑ см. Basler Committee (2000b, p. 109ff.), Altman, Saunders (1998, p. 1724), Keasey, Watson (1991, p. 90) или Günther, Hübl, Niepel (2000, p. 347).
  12. ↑ см. Фридман, Альтман, Као (1985, с. 270).
  13. ↑ см. Bemmann (2007, с. 6)
  14. ↑ Терминология, используемая ниже, была заимствована у Фишера (2004, стр. 83), который различает жесткие и мягкие данные и количественные и качественные данные. В литературе по прогнозированию банкротства эти термины в основном используются как синонимы и поэтому часто используются непоследовательно. Например, OeNB (2004a, стр. 65) утверждает: «Качественные вопросы всегда подлежат субъективному суждению», но также описывает несомненно объективно идентифицируемую «страну происхождения должника» как «качественный критерий оценки», см. OeNB (2004a, стр. 66).
  15. ↑ Показатели для количественной оценки поведения управления счетами см. Fritz, Hosemann (2000, стр. 13 и след.).
  16. ↑ См., Например, McQuown (1993, стр. 1f). Однако именно преимущество «перспективного» характера рыночных цен по сравнению с (историческими) данными бухгалтерского учета ставится под сомнение в исследовании Chan, Karceski, Lakonishok (2003, стр. 671). Иногда значительные различия наблюдаемых соотношений цены и прибыли (P / E) акционерных корпораций могут быть хорошо объяснены историческими темпами роста прибыли компании - с другой стороны, прогнозируемая выгода вряд ли может быть доказана.
  17. ↑ см. Фишер (2004, с. 91)
  18. ↑ См. Deutsche Bundesbank (1999, p. 54), Eigermann (2001, p. 523) и Küting, Weber (2004, p. 423ff). Однако целью вышеупомянутых авторов является не корректировка данных годовой финансовой отчетности, а оценка «бухгалтерского поведения» компании, которая затем используется в качестве независимых входных данных в контексте используемого метода прогнозирования неплатежеспособности.
  19. ↑ см. ULD (2006, с. 50)
  20. ↑ См. Bemmann (2005, с. 57). Среднегодовые показатели неплатежеспособности двух упомянутых групп компаний в период 1999–2003 гг. Составляли 3,6% и 0,23%.
  21. ↑ См. Blum, Gleißner, Leibbrand (2005b). См. Fischer (2004, стр. 97), где приведены 150 примеров из 18 групп мягких качественных факторов.
  22. ↑ см. Фишер (2004, с. 89).
  23. ↑ см. Базельский комитет (2000a, с. 17 и далее) и Romeike, Wehrspohn (2004, с. 9)
  24. ↑ см. Bemmann (2005, стр. 51 и сл.)
  25. ↑ S&P (2003, стр. 53). «Коэффициенты помогают в широком определении позиции компании относительно рейтинговых категорий. Они не являются препятствиями или предпосылками, которые должны быть достигнуты для получения определенного рейтинга долга. [...] ". и S&P (2003, стр. 17) «Не существует формулы для объединения оценок для получения рейтингового заключения. Имейте в виду, что рейтинги представляют собой не только науку, но и искусство ».
  26. ↑ см. Blume, Lim, Mackinlay (1998) и Amato, Furfine (2004).
  27. ↑ См. 100-страничное описание элементов рейтинговых процессов в Standard and Poors's в S&P (2003).
  28. ↑ Согласно Уайту (2001, стр. 14), « прейскурантные цены », которые должна нести компания для создания рейтинга Moody's или S&P, составляют 3,25 базисных пункта для облигаций на сумму до 500 миллионов долларов США. - с минимальной комиссией 25 000 долларов США и максимальной 125 000 долларов США ( S&P ) или 130 000 долларов США ( Moody's ). Оба агентства взимают 2 базисных пункта за суммы облигаций, превышающие 500 миллионов долларов США. S&P ограничивает общую сумму 200 000 долларов США, но взимает дополнительную плату в размере 25 000 долларов США при создании рейтинга в первый раз.
  29. ↑ см. Carey, Hrycay (2001), Altman, Rijken (2004) и Fons, Viswanathan (2004)
  30. ↑ см. Bemmann (2005, стр. 6f).
  31. ↑ см. Альтман, Сондерс (1998, с. 1737).
  32. ↑ Калибровка рейтинговой системы на основе эмпирических данных об отказах описана, например, в Sobehart et al. (2000, стр. 23f.) И Stein (2002, стр. 8ff.).
  33. ↑ см. Deutsche Bundesbank (1999)
  34. ↑ см. Bemmann (2005, с. 9 и далее. И цитированная там литература)
  35. ^ «Нет плохих кредитов, есть только плохие цены». См. Falkenstein, Boral, Kocagil (2000, стр. 5).
  36. ↑ см. Базельский комитет (2004, особенно пункт 461f).
  37. ↑ см. Подробно Bemmann (2005, стр. 32 и след.)
  38. ↑ см. Bemmann (2005, стр. 32 и след.)
  39. ↑ см. Huschens, Höse (2003, p. 152f.) И Basler Committee (2005, p. 31f.)
  40. ↑ Актуальность этого теоретического возражения до сих пор остается спорной. Существуют эмпирические указания на то, что соответствующие параметры корреляции для конкретных сегментов, принятые в соответствии с Базелем II , установлены слишком высокими в 15–120 раз (в среднем около 50), см. Scheule (2003).
  41. ↑ Блохвиц, Либих, Нюберг (2000, стр. 3): «Обычно гораздо легче откалибровать более мощную модель, чем добавить статистическую мощность к откалиброванной модели. По этой причине тесты мощности более важны при оценке кредитных моделей, чем тесты калибровки. Это не означает, что калибровка не важна, а только потому, что ее легче выполнять ». Аналогично Stein (2002, стр. 9)
  42. ↑ Дополнительные объяснения и аргументы в пользу использования порядковых параметров для определения качества прогнозов неплатежеспособности см. В Bemmann (2005, стр. 12 и сл.).