16 ноября 2016
Начнем цикл статей, который будет посвящен тому, как самостоятельно разработать модель оценки риска дефолта.
Причины, по которым может понадобиться такая модель, могут быть разные. Например, я хочу делать свои инвестиции, основываясь на собственном видении ситуации, даже, если мои результаты будут скромнее, чем при использовании чужого мнения (того же рейтингового агентства). Также, рейтинговые агентства могут ошибаться: если вспомнить 2007-8 год, то много людей доверились их мнению, а результат вы знаете. И наконец, есть компании, которые не покрываются рейтинговыми агентствами, и при этом их бумаги выглядят привлекательно – как быть в таком случае?
Наша модель будет строго количественной, т.е. использовать только цифры. В большинстве случаев их нужно корректировать, например, на величину прибыли по курсовым разницам, но это скорее уже тонкости.
Оценивать эмитент мы будем по финансовым коэффициентам, которые пройдут отбор и с учетом веса каждого параметра будет определяться итоговая оценка. Вот, пример того, какие основные коэффициенты (они дают большой вес в рейтинге) использует популярное рейтинговое агентство Standard & Poor’s:
Мы научимся выделять свои коэффициенты, которые оказывают наиболее сильное влияние на финансовое состояние эмитента.
Разработка модели – это прежде всего исследование. И как в любом исследовании нам необходимы сырые данные для анализа. Для этих целей возьмем дефолты с сайта rusbonds.ru/ (раздел дефолты) за последние годы. Нам интересны самые первые случаи дефолта, а не последующие, чтобы выявить момент, в который у компании начались серьезные проблемы с финансированием. Например, компания «Балтийский берег», дата первого дефолта – 25.12.2015.
Я советую самостоятельно найти все дефолты не финансового сектора и составить некую базу данных с отчетностями данных эмитентов. Возможно, некоторые отчеты вы найти не сможете ввиду того, что компании перестали существовать, тут ничего не поделаешь – придется работать с тем, что есть. Отчеты для первого раза достаточно брать годовые, чем больше, тем лучше.
На этом 1ая статья закончена, постараюсь выпускать статьи как можно чаще (каждые пару дней). Во 2ой части мы разберем: какие коэффициенты использовать, как отсеять лишние и как выявить коэффициенты, которые действительно значимы, т.е. определим их вес в итоговой оценке.
Продолжим учиться самостоятельно определять качество облигации. Если вы ещё не читали 1 часть, то лучше начать с неё: 1 часть. В предыдущей части я советовал составить собственную базу дефолтов с отчетностями этих компаний и датами первых дефолтов. У меня это получилось вот так:
Теперь определимся с теми коэффициентами, которые мы будем использовать. Конечно, чем больше показателей мы возьмем для анализа тем, скорее всего, точнее будет результат, но ради примера ограничимся 4 коэффициентами. И 2 из них я намерено возьму похожих, чтобы показать, как я исключаю равносильные показатели. Вот эти 4 коэффициента:
EBIT / % к уплате. Или простым языком коэффициент покрытия процентов по кредитам. ICR.
Долг / EBITDA.
ROE. Рентабельность собственного капитала.
ROA. Рентабельность активов.
Теперь предстоит самый скучный шаг – это посчитать значения коэффициентов для каждой компании для каждого года отчета. У меня в Excel’е расчеты выглядят так (для ЮТэйр):
После того, как вы проделаете тоже самое со всеми эмитентами, получите базу данных по коэффициентам и годам.
Следующий шаг – проанализировать прогнозируемую способность каждого коэффициента. Каждый показатель имеет нормативные общепринятые значения, на которые нужно ориентироваться, в других случаях приемлемые значения можно выбрать руководствуясь здравым смыслом. Составим вот такую таблицу коэффициента покрытия процентов (EBIT / % к уплате):
Для всех других коэффициентов таблицы будут примерно такие же. Зеленые и желтая метки справа означают эффективность коэффициента для каждой конкретной компании. Например, если принять нормативное значение = 2 (логично, что компания должна зарабатывать хотя бы в 2 раза больше, чем ей нужно платить по кредитам, чтобы иметь возможность платить купоны и погашать облигации), то у РЖД этот коэффициент снижался 2 года перед наступлением дефолта и в 2013 году ICRсоставил 1,55. На следующий год РЖД объявила дефолт. Можно пометить желтым цветом, указывая на то, что коэффициент грубо спрогнозировал дефолт. В остальных случаях ICRна 100% показал слабость компаний перед их дефолтом, находясь в отрицательной зоне – помечаем зеленым цветом. Если коэффициент оказался >= 2 перед наступлением дефолта, то помечаем красным цветом, как свидетельство того, что показатель не сработал как прогнозный.
На этой ноте закончим 2ой урок. В следующих частях разберем: как отсеять коэффициенты, которые работают схожим образом, как определить веса каждого коэффициента для вынесения итоговой оценки, разберем живой пример анализа облигации и сравним полученные результаты с рейтингами топовых агентств.
В прошлый раз мы остановились на том, что проанализировали прогнозируемую способность коэффициента покрытия процентов и составили вот такую таблицу:
Я составил аналогичные таблицы для 3ех других коэффициентов, которые мы выбрали для модели. Соответственно Долг/EBITDA, ROE и ROA:
Теперь наша задача отсеять лишние коэффициенты, которые будут сильно пересекаться друг с другом. Ранее я упоминал, что мы намеренно взяли 2 похожих мультипликатора (ROE и ROA), чтобы показать, как исключается схожая динамика значений.
В этом нам поможет показатель корреляции. Корреляция определяется от -1 до 1. Если значение равно 0, то это означает, что данные не имеют общей динамики, т.е. не коррелируют друг с другом. И напротив, если корреляция равна, к примеру, 0.85, то данные ведут себя почти идентично. Пример:
Рассчитаем корреляцию для всех возможных пар наших коэффициентов. Таких пар у нас будет 6. Для примера, я посчитаю для пары ROA и ROE.
Итак, считаем корреляцию ROA и ROE для каждой компании. Для РЖД формула в Excel выглядит так (в соответствии со скрином): =КОРРЕЛ(B9:F9;B19:F19). После того, как посчитали каждую компанию, считаем средний показатель корреляции (ячейка H20): =СРЗНАЧ(H12:H19).
Корреляция между ROE и ROA равна 0,77. Это многовато, но не запредельно. Простым языком можно сказать, что ROE и ROA ведут себя схожим образом в 77% случаев.
Теперь составляем такую таблицу:
ICR или коэффициент покрытия процентов я взял, как главный, и не стал сравнивать его с другими. Теперь мы видим как показатели связаны друг с другом, и можем исключить те из них, которые имеют высокую корреляцию друг с другом, а именно ROA и ROE. Если вернуться к таблицам выше, то видно, что ROA ни разу не ошибся в прогнозе дефолта в отличии от ROE, который допустил ошибку с Балтийским берегом. Убираем ROE.
Таким образом, у нас осталось 3 коэффициента: ICR, debt/EBITDA и ROA.
В следующих частях: разберем, как определить веса для каждого выбранного параметра для итоговой оценки, разберем живой пример анализа облигации и сравним полученные результаты с рейтингами топовых агентств.
Итак, в предыдущих частях мы разобрались: как выбрать, посчитать и исключить коэффициенты, необходимые для анализа. Сейчас начнем с того, что постараемся придать корректные веса тем параметрам, которые мы выбрали.
Какой-нибудь научной методики присвоения весов у меня нет, я придумал её сам. У нас есть: ICR, debt/EBITDA и ROA. Давайте исходить из логики. Есть 3 коэффициента, веса в сумме должны давать 1. Значит базово, каждому коэффициенту будет присвоен вес равный 0,33. Можно на этом ограничиться, но улучшить модель не помешает. Снова обратимся к таблицам с компаниями:
ICR, долг/EBITDA, ROA:
Предлагаю делать так: за каждую желтую клетку будем отнимать у коэффициента 15% веса, а за красную 30%. Затем равномерно распределять между всеми коэффициентами освободившийся вес. Таким образом, у ICR есть 1 желтая клетка, значит вычитаем 15% из ее веса, получатся такие веса:
ICR – 0.28
Долг/EBITDA – 0.33
ROA – 0.33
В остатке – 0.05
Теперь распределим этот остаток между всеми коэффициентами:
ICR – 0.297
Долг/EBITDA – 0.347
ROA – 0.347
Получились параметры, которые взвешены по значимости, для оценки компаний.
Далее нужно составить таблицу, в которой каждому коэффициенту, а точнее его значению будет соответствовать кредитный рейтинг от AAA до ССС. Тут есть 3 варианта. Первый, руководствуясь здравым смыслом и общепринятыми нормативами построить свою шкалу. Второй, самый трудный путь – это оценить сотни компаний, анализируя её текущее состояние и какие коэффициенты ему соответствуют, и вывести свою эмпирическую таблицу. И третий – это подсмотреть. Компании вроде S&P иногда делятся некоторыми диапазонами коэффициентов для разных рейтингов. Опираясь на них, а также общепринятые нормативы, можно составить свою таблицу. Мы выберем третий путь для того, чтобы объяснить принцип, а дальше Вы сами :).
Итак, у меня есть следующие данные от S&P для ICR и долг/EBITDA:
Для ROA возьмем свои данные навскидку:
Данные для промежуточных рейтингов, например, BBB+ и т.д., можно получить с помощью интерполяции или просто считать среднее значение между теми, что есть.
Далее по плану: рассчитать рейтинг реальной облигации и сравнить результат с рейтинговым агентством.
Итак, мы подошли к заключительному этапу оценки – присвоению рейтингов. Думал
ограничиться только оценкой, но решил продолжить цикл статей. Следующая часть будет
о том, как определить справедливую цену облигации, согласно ее рейтингу.
После четырех частей статьи у нас есть вот такая модель (рейтинги в соответствии со
значениями показателей и веса):
Попробуем применить нашу модель для анализа НЛМК. Для простоты расчетов возьмем
отчетность за 2015 год. Результат расчетов:
ICR = 16,64
Debt/EBITDA = 1,94
ROA = 9,36
Теперь считаем рейтинг, представим, что AAA = 1, AA = 2 и т.д.:
1) ICR 16,64 соответствует AA = 2
2) Debt/EBITDA 1,94 соответствует BBB = 4
3) ROA 9,36 соответствует B = 6
Теперь, учитывая веса, считаем. Итоговый рейтинг = 2 * 0,297 + 4 * 0,347 + 6 * 0,347 =
0,594 + 1,388 + 2,082 = 4,064 ~ 4 = BBB.
Модель крайне проста и многого не учитывает, но принцип вам должен быть ясен.
Для сравнения, вот рейтинги топовых агентств:
Источник: nlmk.com/ru/investor-relations/debt-information/ratings/
Модель ориентируется на международные рейтинги, поэтому национальная шкала нас не
интересует. Как видите, оценка дана довольно точно, даже с учетом простоты
предлагаемой модели.
Причины, по которым может понадобиться такая модель, могут быть разные. Например, я хочу делать свои инвестиции, основываясь на собственном видении ситуации, даже, если мои результаты будут скромнее, чем при использовании чужого мнения (того же рейтингового агентства). Также, рейтинговые агентства могут ошибаться: если вспомнить 2007-8 год, то много людей доверились их мнению, а результат вы знаете. И наконец, есть компании, которые не покрываются рейтинговыми агентствами, и при этом их бумаги выглядят привлекательно – как быть в таком случае?
Наша модель будет строго количественной, т.е. использовать только цифры. В большинстве случаев их нужно корректировать, например, на величину прибыли по курсовым разницам, но это скорее уже тонкости.
Оценивать эмитент мы будем по финансовым коэффициентам, которые пройдут отбор и с учетом веса каждого параметра будет определяться итоговая оценка. Вот, пример того, какие основные коэффициенты (они дают большой вес в рейтинге) использует популярное рейтинговое агентство Standard & Poor’s:
Мы научимся выделять свои коэффициенты, которые оказывают наиболее сильное влияние на финансовое состояние эмитента.
Разработка модели – это прежде всего исследование. И как в любом исследовании нам необходимы сырые данные для анализа. Для этих целей возьмем дефолты с сайта rusbonds.ru/ (раздел дефолты) за последние годы. Нам интересны самые первые случаи дефолта, а не последующие, чтобы выявить момент, в который у компании начались серьезные проблемы с финансированием. Например, компания «Балтийский берег», дата первого дефолта – 25.12.2015.
Я советую самостоятельно найти все дефолты не финансового сектора и составить некую базу данных с отчетностями данных эмитентов. Возможно, некоторые отчеты вы найти не сможете ввиду того, что компании перестали существовать, тут ничего не поделаешь – придется работать с тем, что есть. Отчеты для первого раза достаточно брать годовые, чем больше, тем лучше.
На этом 1ая статья закончена, постараюсь выпускать статьи как можно чаще (каждые пару дней). Во 2ой части мы разберем: какие коэффициенты использовать, как отсеять лишние и как выявить коэффициенты, которые действительно значимы, т.е. определим их вес в итоговой оценке.
Продолжим учиться самостоятельно определять качество облигации. Если вы ещё не читали 1 часть, то лучше начать с неё: 1 часть. В предыдущей части я советовал составить собственную базу дефолтов с отчетностями этих компаний и датами первых дефолтов. У меня это получилось вот так:
Теперь определимся с теми коэффициентами, которые мы будем использовать. Конечно, чем больше показателей мы возьмем для анализа тем, скорее всего, точнее будет результат, но ради примера ограничимся 4 коэффициентами. И 2 из них я намерено возьму похожих, чтобы показать, как я исключаю равносильные показатели. Вот эти 4 коэффициента:
EBIT / % к уплате. Или простым языком коэффициент покрытия процентов по кредитам. ICR.
Долг / EBITDA.
ROE. Рентабельность собственного капитала.
ROA. Рентабельность активов.
Теперь предстоит самый скучный шаг – это посчитать значения коэффициентов для каждой компании для каждого года отчета. У меня в Excel’е расчеты выглядят так (для ЮТэйр):
После того, как вы проделаете тоже самое со всеми эмитентами, получите базу данных по коэффициентам и годам.
Следующий шаг – проанализировать прогнозируемую способность каждого коэффициента. Каждый показатель имеет нормативные общепринятые значения, на которые нужно ориентироваться, в других случаях приемлемые значения можно выбрать руководствуясь здравым смыслом. Составим вот такую таблицу коэффициента покрытия процентов (EBIT / % к уплате):
Для всех других коэффициентов таблицы будут примерно такие же. Зеленые и желтая метки справа означают эффективность коэффициента для каждой конкретной компании. Например, если принять нормативное значение = 2 (логично, что компания должна зарабатывать хотя бы в 2 раза больше, чем ей нужно платить по кредитам, чтобы иметь возможность платить купоны и погашать облигации), то у РЖД этот коэффициент снижался 2 года перед наступлением дефолта и в 2013 году ICRсоставил 1,55. На следующий год РЖД объявила дефолт. Можно пометить желтым цветом, указывая на то, что коэффициент грубо спрогнозировал дефолт. В остальных случаях ICRна 100% показал слабость компаний перед их дефолтом, находясь в отрицательной зоне – помечаем зеленым цветом. Если коэффициент оказался >= 2 перед наступлением дефолта, то помечаем красным цветом, как свидетельство того, что показатель не сработал как прогнозный.
На этой ноте закончим 2ой урок. В следующих частях разберем: как отсеять коэффициенты, которые работают схожим образом, как определить веса каждого коэффициента для вынесения итоговой оценки, разберем живой пример анализа облигации и сравним полученные результаты с рейтингами топовых агентств.
В прошлый раз мы остановились на том, что проанализировали прогнозируемую способность коэффициента покрытия процентов и составили вот такую таблицу:
Я составил аналогичные таблицы для 3ех других коэффициентов, которые мы выбрали для модели. Соответственно Долг/EBITDA, ROE и ROA:
Теперь наша задача отсеять лишние коэффициенты, которые будут сильно пересекаться друг с другом. Ранее я упоминал, что мы намеренно взяли 2 похожих мультипликатора (ROE и ROA), чтобы показать, как исключается схожая динамика значений.
В этом нам поможет показатель корреляции. Корреляция определяется от -1 до 1. Если значение равно 0, то это означает, что данные не имеют общей динамики, т.е. не коррелируют друг с другом. И напротив, если корреляция равна, к примеру, 0.85, то данные ведут себя почти идентично. Пример:
Рассчитаем корреляцию для всех возможных пар наших коэффициентов. Таких пар у нас будет 6. Для примера, я посчитаю для пары ROA и ROE.
Итак, считаем корреляцию ROA и ROE для каждой компании. Для РЖД формула в Excel выглядит так (в соответствии со скрином): =КОРРЕЛ(B9:F9;B19:F19). После того, как посчитали каждую компанию, считаем средний показатель корреляции (ячейка H20): =СРЗНАЧ(H12:H19).
Корреляция между ROE и ROA равна 0,77. Это многовато, но не запредельно. Простым языком можно сказать, что ROE и ROA ведут себя схожим образом в 77% случаев.
Теперь составляем такую таблицу:
ICR или коэффициент покрытия процентов я взял, как главный, и не стал сравнивать его с другими. Теперь мы видим как показатели связаны друг с другом, и можем исключить те из них, которые имеют высокую корреляцию друг с другом, а именно ROA и ROE. Если вернуться к таблицам выше, то видно, что ROA ни разу не ошибся в прогнозе дефолта в отличии от ROE, который допустил ошибку с Балтийским берегом. Убираем ROE.
Таким образом, у нас осталось 3 коэффициента: ICR, debt/EBITDA и ROA.
В следующих частях: разберем, как определить веса для каждого выбранного параметра для итоговой оценки, разберем живой пример анализа облигации и сравним полученные результаты с рейтингами топовых агентств.
Итак, в предыдущих частях мы разобрались: как выбрать, посчитать и исключить коэффициенты, необходимые для анализа. Сейчас начнем с того, что постараемся придать корректные веса тем параметрам, которые мы выбрали.
Какой-нибудь научной методики присвоения весов у меня нет, я придумал её сам. У нас есть: ICR, debt/EBITDA и ROA. Давайте исходить из логики. Есть 3 коэффициента, веса в сумме должны давать 1. Значит базово, каждому коэффициенту будет присвоен вес равный 0,33. Можно на этом ограничиться, но улучшить модель не помешает. Снова обратимся к таблицам с компаниями:
ICR, долг/EBITDA, ROA:
Предлагаю делать так: за каждую желтую клетку будем отнимать у коэффициента 15% веса, а за красную 30%. Затем равномерно распределять между всеми коэффициентами освободившийся вес. Таким образом, у ICR есть 1 желтая клетка, значит вычитаем 15% из ее веса, получатся такие веса:
ICR – 0.28
Долг/EBITDA – 0.33
ROA – 0.33
В остатке – 0.05
Теперь распределим этот остаток между всеми коэффициентами:
ICR – 0.297
Долг/EBITDA – 0.347
ROA – 0.347
Получились параметры, которые взвешены по значимости, для оценки компаний.
Далее нужно составить таблицу, в которой каждому коэффициенту, а точнее его значению будет соответствовать кредитный рейтинг от AAA до ССС. Тут есть 3 варианта. Первый, руководствуясь здравым смыслом и общепринятыми нормативами построить свою шкалу. Второй, самый трудный путь – это оценить сотни компаний, анализируя её текущее состояние и какие коэффициенты ему соответствуют, и вывести свою эмпирическую таблицу. И третий – это подсмотреть. Компании вроде S&P иногда делятся некоторыми диапазонами коэффициентов для разных рейтингов. Опираясь на них, а также общепринятые нормативы, можно составить свою таблицу. Мы выберем третий путь для того, чтобы объяснить принцип, а дальше Вы сами :).
Итак, у меня есть следующие данные от S&P для ICR и долг/EBITDA:
Для ROA возьмем свои данные навскидку:
Данные для промежуточных рейтингов, например, BBB+ и т.д., можно получить с помощью интерполяции или просто считать среднее значение между теми, что есть.
Далее по плану: рассчитать рейтинг реальной облигации и сравнить результат с рейтинговым агентством.
Итак, мы подошли к заключительному этапу оценки – присвоению рейтингов. Думал
ограничиться только оценкой, но решил продолжить цикл статей. Следующая часть будет
о том, как определить справедливую цену облигации, согласно ее рейтингу.
После четырех частей статьи у нас есть вот такая модель (рейтинги в соответствии со
значениями показателей и веса):
Попробуем применить нашу модель для анализа НЛМК. Для простоты расчетов возьмем
отчетность за 2015 год. Результат расчетов:
ICR = 16,64
Debt/EBITDA = 1,94
ROA = 9,36
Теперь считаем рейтинг, представим, что AAA = 1, AA = 2 и т.д.:
1) ICR 16,64 соответствует AA = 2
2) Debt/EBITDA 1,94 соответствует BBB = 4
3) ROA 9,36 соответствует B = 6
Теперь, учитывая веса, считаем. Итоговый рейтинг = 2 * 0,297 + 4 * 0,347 + 6 * 0,347 =
0,594 + 1,388 + 2,082 = 4,064 ~ 4 = BBB.
Модель крайне проста и многого не учитывает, но принцип вам должен быть ясен.
Для сравнения, вот рейтинги топовых агентств:
Источник: nlmk.com/ru/investor-relations/debt-information/ratings/
Модель ориентируется на международные рейтинги, поэтому национальная шкала нас не
интересует. Как видите, оценка дана довольно точно, даже с учетом простоты
предлагаемой модели.
Не является индивидуальной инвестиционной рекомендацией | При копировании ссылка обязательна | Нашли ошибку - выделить и нажать Ctrl+Enter | Жалоба