了解交易对手的信誉是业务决策中的关键要素。 投资者需要知道偿还以债券或贷款形式投资的资金的可能性。 公司必须量化供应商，客户，并购候选人和竞争对手的信誉。
传统的信用质量衡量标准是公司评级，例如标准普尔（S&P），穆迪（Moody's）或惠誉（Fitch）的评级。 但是，此类评级仅适用于大型公司，而不适用于数百万个小型公司。 为了量化其信用度，通常使用替代方法（即违约概率（PD）模型）来分析较小的公司。 （要了解更多信息，请参阅 《信用评级机构简史》 。）
教程：风险与多元化
计算违约概率要计算违约概率，需要对复杂性进行建模并建立大量过去违约的数据集，同时还要为一整套大型公司提供一套完整的基本财务变量。 在大多数情况下，选择使用PD模型的公司会从少数提供商那里获得许可。 但是，一些大型金融机构建立了自己的PD模型。
建立模型需要收集和分析数据，包括只要有历史记录就收集基本信息。 此信息通常来自财务报表。 一旦数据被编译，就该形成财务比率或“驱动因素”了，这些变量助长了结果。 这些驱动因素通常分为六类：杠杆比率，流动性比率，获利比率，规模度量，费用比率和资产质量比率。 信用分析专业人员普遍认为这些措施与估计信用度有关。 （要了解更多信息，请参阅 6个基本财务比率及其显示的内容。 ）
下一步是确定样本中的哪些公司是“违约者”，即那些实际上未履行其财务义务的公司。 掌握了这些信息，就可以估算出“逻辑”回归模型。 统计方法用于测试数十个候选驱动程序，然后选择对解释未来默认值最重要的驱动程序。
回归模型将默认事件与各种驱动程序相关联。 该模型的独特之处在于模型输出的范围介于0和1之间，可以将其映射为默认概率为0-100％的比例。 来自最终回归的系数代表一个模型，用于基于驱动因素来估计公司的违约概率。
最后，您可以检查所得模型的性能指标。 这些可能是统计测试，用于衡量模型预测违约的程度。 例如，可以使用五年期（2001年至2005年）的财务数据来估算模型。 然后将所得模型用于不同时期（2006-2009年）的数据以预测违约。 由于我们知道哪些公司在2006-2009年期间违约，因此我们可以判断该模型的执行情况。
要了解该模型的工作原理，请考虑一家具有高杠杆率和低利润率的小公司。 我们已经为该公司定义了三个模型驱动程序。 该模型最有可能预测该公司的违约概率较高，因为该公司规模较小，因此其收入来源可能不稳定。 该公司具有较高的杠杆作用，因此可能对债权人承担较高的利息支付负担。 而且该公司的利润率很低，这意味着它几乎没有现金来支付费用（包括沉重的债务负担）。 从总体上看，该公司很可能会发现它无法在不久的将来偿还债务。 这意味着它极有可能发生违约。 （要了解更多信息，请参阅 用于业务分析的回归基础 。）
艺术与 科学到目前为止，使用统计数据进行模型构建的过程完全是机械的。 现在有必要诉诸于过程的“艺术”。 检查在最终模型中选择的驱动程序（可能是6-10个驱动程序中的任何一个）。 理想情况下，前面所述的六个类别中的每个类别应至少有一个驱动程序。
但是，上述机械过程可能导致一种情况，该模型需要六个驱动程序，所有驱动程序均来自杠杆比率类别，但都不代表流动性，盈利能力等。要求银行借贷人员使用该模型协助贷款决策可能会抱怨。 这些专家所形成的强烈直觉将使他们相信其他驾驶员类别也必须很重要。 如果没有此类驱动程序，可能会导致许多人得出结论，认为该模型不充分。
显而易见的解决方案是将某些杠杆驱动程序替换为缺少类别的驱动程序。 但是，这引起了一个问题。 原始模型旨在提供最高的统计性能指标。 通过更改驱动程序组成，从纯粹的数学角度来看，模型的性能可能会下降。
因此，必须在包括各种驱动程序以最大化模型的直观吸引力（艺术）与基于统计量（科学）的模型功效的潜在降低之间进行权衡。 （有关更多信息，请阅读 《金融建模中的样式问题》 。）
对PD模型的批评模型的质量主要取决于可用于校准的默认值的数量以及财务数据的整洁度。 在许多情况下，这不是一个简单的要求，因为许多数据集包含错误或遭受数据丢失的困扰。
这些模型仅利用历史信息，有时输入的信息过时了长达一年或更长时间。 这会削弱模型的预测能力，尤其是在发生了一些重大变化而使驱动程序变得不那么重要的情况下，例如会计惯例或法规的变化。
理想情况下，应该为特定国家/地区的特定行业创建模型。 这样可以确保正确地捕捉到国家和行业独特的经济，法律和会计因素。 面临的挑战是，通常一开始就缺乏数据，尤其是在识别出的默认数方面。 如果必须将这些稀缺的数据进一步细分为国家/行业类别，则每种国家/地区行业模型的数据点甚至更少。
由于构建此类模型时，数据丢失已成事实，因此已开发出许多技术来填补这些数字。 但是，其中一些替代方法可能会导致不准确。 数据稀缺还意味着，使用少量数据样本计算出的违约概率可能与所讨论的国家或行业的基础实际违约概率不同。 在某些情况下，可以缩放模型输出以更紧密地匹配基础默认体验。
此处描述的建模技术还可用于计算大型公司的PD。 但是，有关大公司的数据更多，因为它们通常在交易股票和重要的公开披露要求下公开上市。 这种数据可用性使得可以创建比上述模型更强大的其他PD模型（称为基于市场的模型）。
结论
行业从业者和监管者都非常了解PD模型的重要性及其主要的局限性数据稀缺性。 因此，在世界范围内（例如在巴塞尔协议II的主持下）进行了各种努力来提高金融机构捕获有用的财务数据的能力，包括精确识别违约公司。 随着这些数据集的大小和精度的提高，所得模型的质量也将提高。 （有关此主题的更多信息，请参阅 《债务评级辩论》 。）
