Рейтинг корпоративных облигаций

Существенную часть рынка ценных бумаг составляют корпоративные облигации - займы корпораций под фиксированный процент. Только на Нью-Йоркской Фондовой бирже в 1992 г. обращались облигации около 1500 компаний с общей номинальной стоимостью свыше $260 млрд. Для оценки риска невыплаты процентов или невозврата денег по облигации практически для всех таких корпораций существуют и периодически обновляются рейтинги, составляемые независимыми рейтинговыми агентствами.

В рейтинговом бизнесе доминируют две компании: Standard & Poor's и Moody's. Свыше 2000 долговых эмитентов поставляют свои финансовые отчеты этим двум организациям. Рейтинги этих агентств чрезвычайно авторитетны, от них напрямую зависят процентные ставки по облигациям: чем ниже рейтинг эмитента - тем дороже обходится эмитенту обслуживание своего долга, т.к. инвесторы желают получить плату за дополнительный риск. Более того, в США некоторым категориям инвесторов, таким, как банки и страховые компнии, законодательно запрещено покупать облигации с рейтингом Standard & Poor's и Moody's ниже определенного уровня. Так, в классификации Standard & Poor's (Error! Reference source not found.) бумаги с рейтингом ниже BBB считаются в основном спекулятивными. Их характеризует большая степень неопределенности в возможности выплаты процентов и возвращения основного долга (рейтинг России также принадлежит пока к этой категории[25]).

Таблица 10.1.Шкала рейтингов по классификации Standard & Poor's

Чтобы составить представление о степени риска, характерном для облигаций с различными рейтингами, в последнем столбце этой таблицы приведены данные исследований реальных неплатежей по корпоративным облигациям в течении двадцати лет (Altman, 1991), а именно: процент бумаг, по которым в течении первых пяти лет с момента их выпуска были отмечены неплатежи. Можно отметить действительно отчетливую границу между "надежными" и "рискованными" облигациями.

Алгоритм составления описанных выше рейтингов неизвестен, более того, агентства утверждают, что он не основан в чистом виде на статистическом анализе финансовой информации, а содержит еще оценки экспертов, например для таких трудно формализуемых параметров, как "качество менеджмента". Такая ситуация вполне устраивает сами рейтинговые агентства, превращая их продукцию в уникальный товар. Однако многие инвесторы заинтересованы в обладании своими собственными алгоритмами рейтингования, "эмулирующими" рейтинги большой двойки - по крайней мере по трем причинам.

n Во-первых, не для каждой облигации имеется официальный рейтинг. Многие бумаги, обойденные вниманием крупных рейтинговых агентств, могут в итоге оказаться весьма привлекательными для инвестиций, если суметь грамотно оценить степень их рискованности.

n Во-вторых, обновление официальных рейтингов происходит не столь часто, как хотелось бы. Умение загодя, до того как это станет общедоступной информацией, предугадать изменение рейтингов, очевидно, дает инвесторам дополнительные конкурентные преимущества.

n Наконец, разгадав стратегию "официального" рейтингования, инвесторы могут надеяться улучшить качество оценки финансового состояния эмитентов путем более интенсивного статистического анализа, получив, таким образом, преимущество над теми, кто пользуется официальными рейтингами.

Приведенные выше доводы обосновывают следующую постановку задачи для нейро-анализа: на основе общедоступной финансовой отчетности компаний-эмитентов постараться воспроизвести рейтинги Standard & Poor's и/или Moody's. Несмотря на наличие неформальной компоненты, представляется вероятным, что алгоритмическая составляющая этих рейтингов довольно велика. В конце концов, общая численность аналитиков в обоих ведущих агентствах вместе взятых не превышает 100 человек. Так что справиться с обработкой постоянно обновляемых данных о 2000 эмитентах они могут лишь используя в основном автоматизированные процедуры.

Попытки смоделировать алгоритм рейтингования облигаций предпринимались с 60-х годов (Horrigan, 1966) и базировались на методе линейной регрессии. Типичный процент угадывания рейтинга в этих моделях составляет примерно 60%. Поскольку возможности нелинейного нейросетевого моделирования шире, неудивительно, что первые же попытки применить нейросети показали существенно лучшие результаты - на уровне 88% для воспроизведения отдельной градации рейтинга (Dutta, Shekhar, 1988)[26]. Более сложные нейросетевые модели способны с приемлемой точностью воспроизводить широкий диапазон рейтингов облигаций по набору ключевых финансовых индикаторов фирм-имитентов. Например, в работе (Moody, Utans, 1993) 97% предсказаний нейросети расходятся не более чем на один пункт с классификацией Standard & Poor'sв интервале [AAA+AA, A, BBB, BB, B] .

Заметим, что несмотря на неплохие, в общем-то, результаты, подобные нейросетевые модели весьма компактны. В качестве входных переменных обычно используется от 6 до 10 финансовых индикаторов, являющихся отношением наиболее значимых статей балансов и отчетов о прибылях и убытках корпораций. Например, в последней из упомянутых выше работ первоначально использовались 10 финансовых индикаторов, отобранных аналитиками одного из крупных американских банков. Однако по результатам анализа чувствительности нейросетевых предсказаний к входным переменным два из этих индикаторов оказались незначимыми и не использовались в окончательной модели (8-3-1 персептрон с 3 нейронами на скрытом слое и 1 выходным линейным нейроном, дающим численный эквивалент рейтинга). Качество воспроизведения "тонких" градаций (с учетом субкатегорий, например AA+, AA-) рейтинга агентства Standard & Poor's, достигнутое этой моделью, иллюстрирует Error! Reference source not found..

Рис. 10.1. Воспроизведение 15-ти градаций рейтинга Standard & Poor's (штриховая линия) в работе (Moody, Utans, 1993)