تخمین زیان به شرط نکول با درنظرگرفتن ساختار بدهی شرکت و نقد شوندگی وثیقه: مطالعه موردی شرکتهای منتخب بازار سرمایه ایران | ||
| چشم انداز مدیریت مالی | ||
| دوره 14، شماره 45، 1403، صفحه 85-122 | ||
| نوع مقاله: علمی - پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/jfmp.2024.104890 | ||
| نویسندگان | ||
| سمیه محمدی1؛ محمود بت شکن* 2؛ علی فروش باستانی3 | ||
| 1دانشجوی دکتری مهندسی مالی، گروه مدیریت، دانشگاه اصفهان، اصفهان، ایران. | ||
| 2استادیار گروه مدیریت، دانشگاه اصفهان، اصفهان، ایران | ||
| 3دانشیار، گروه ریاضی، دانشگاه تحصیلات تکمیلی علوم پایه زنجان، ایران. | ||
| چکیده | ||
| هدف: ریسک اعتباری یا ریسک نکول وام گیرنده در بازپرداخت تعهدات خود مهمترین ریسکی است که بانکها با آن مواجه هستند. دو متغیر اصلی که برای مدلسازی این ریسک و تعیین زیان مورد انتظار ناشی از وامدهی که در رویکرد رتبه بندی داخلی پیمان بازل نیز مورد استفاده قرار میگیرند عبارتند از «احتمال نکول» و «زیان بهشرط نکول». با توجه به اهمیت متغیر زیان به شرط نکول در کاربردهای مختلف مدیریت ریسک اعتباری و همچنین در رتبهبندی اعتباری، در این پژوهش با استفاده از رویکرد مدلهای ساختاری به ارائه روشی برای تخمین این متغیر برای بدهیهای تضمینشده و تضمیننشده با تاکید بر ساختار بدهی و نقدشوندگی وثیقه پرداخته شده است. رویکرد موردنظر برای نمونه برای تخمین زیان به شرط نکول چند شرکت فعال در بازار سرمایه ایران مورد استفاده قرار گرفته است. روش: به منظور تخمین «زیان به شرط نکول مورد انتظار» و «زیان به شرط نکول در شرایط بحرانی» برای بدهیهای تضمین شده و تضمین نشده از یک مدل ساختاری و رویکرد شبیهسازی مونت کارلو استفاده شده است. در این مدل قیمت بازاری دارایی کل شرکت از یک فرآیند پرش-انتشار پیروی میکند و هریک از وثایق که خود از میان داراییهای مشهود شرکت هستند، دارای فرآیند تصادفی مجزا اما وابسته به دارایی کل شرکت هستند. بعلاوه برای وثیقه کمتر نقدشونده یک جریمه عدم نقدشوندگی نیز لحاظ شده است. همچنین برای نسبت دارایی مشهود به کل دارایی در شرایط نکول و عدم نکول مقادیر متفاوتی در نظر گرفته شده است. برای تخمین زیان به شرط نکول برای یازده شرکت منتخب، بعد از تخمین مولفههای تعیینکننده فرایند تصادفی دارائی هر شرکت و وثیقهها با استفاده از دادهها تا انتهای سال 1396، زیان به شرط نکول بدهیهای این شرکتها در انتهای سال 1397 با روش ساختاری و رویکرد شبیهسازی مونت کارلو برآورد گردید. در شبیهسازی مونت کارلو، 500 هزار مسیر برای دارایی کل و وثایق شبیهسازی شد و برای مسیرهای با رویداد نکول یافته، زیان به شرط نکولهای مورد انتظار، ابتدا در سطح بدهیها و سپس در سطح شرکت برآورد گردید. همچنین به منظور تحلیل حساسیت، متغیر مذکور در صورت انتخاب ساختارهای بدهی جایگزین برای همین شرکتها برآورد شده است. یافتهها: برای شرکتهایی که در ساختار بدهی خود یک بدهی تضمین شده با وثیقه نقدشونده دارند و بدهی صرفا از محل وثیقه بازیافت میگردد، مقادیر زیان به شرط نکول مورد انتظار برای بدهی وثیقهدار در بازه 14 درصد تا 5/14 درصد قرار میگیرد. با فرض تغییر نوع وثیقه به کمتر نقدشونده برای همین شرکتها، این عدد در بازه 30 درصد الی 33 درصد قرار میگیرد. مقادیر متغیر زیان به شرط نکول کل مورد انتظار بدهی تضمین شده (که بازیافت از محل دارائیهای باقیمانده شرکت نیز انجام می شود) در این دو ساختار بدهی برابر با 9 درصد و 12 درصد می باشد. برای شرکتهایی که در ساختار بدهی خود، دو بدهی تضمین شده داشتند، مقادیر متغیر مذکور برای هر دو بدهی در زمانی که بازیافت بدهی صرفا از محل وثیقه است، مشابه با شرکتهایی است که در ساختار بدهی خود فقط یک بدهی تضمین شده با همین نوع وثیقه دارند. اما میانگین مقادیر زیان به شرط نکول کل مورد انتظار برای بدهی تضمین شده با وثیقه نقدشونده برابر با 10 درصد و برای وثیقه کمتر نقد شونده برابر با 8/15 درصد است. همچنین با کاهش نسبت بدهیهای تضمین شده با وثایق نقدشونده نسبت به کل بدهیها، زیان به شرط نکول مورد انتظار در سطح شرکت به طور متوسط افزایش مییابد. بهعلاوه زیان به شرط نکول در بحرانی در بدهی تضمینشده با وثیقه نقدشونده کمتر از ساختار بدهی و بیشتر از دینامیک دارایی و وثیقه و مقادیرشان در شرایط بحرانی متاثر میگردد. نتیجهگیری: نتایج نشان میدهد نقدشوندگی وثیقه نقش مهمی در کاهش زیان به شرط نکول مورد انتظار تسهیلات تضمین شده دارد. نقش ساختار بدهی با توجه به اولویت پرداخت بدهیهای تضمین شده بر مقدار زیان به شرط نکول بدهی تضمین نشده و همچنین بر مقدار زیان به شرط نکول کل بدهیهای تضمین شده و نیز زیان به شرط نکول بدهی کل شرکت موثر است. | ||
| کلیدواژهها | ||
| زیان به شرط نکول؛ ساختار بدهی؛ نقدشوندگی وثیقه | ||
| عنوان مقاله [English] | ||
| Estimating Loss Given Default Considering Firm’s Debt Structure and Collateral Liquidity: A Case Study of Selected Firms Listed on the Iranian Capital Market | ||
| نویسندگان [English] | ||
| Somayeh Mohammadi1؛ Mahmoud Botshekan2؛ Ali Foroush Bastani3 | ||
| 1PhD candidate in Financial Engineering, Department of Management, University of Isfahan, Isfahan, Iran | ||
| 2Assistant Professor, Department of Management, University of Isfahan, Isfahan, Iran | ||
| 3Assistant professor, Department of Mathematics, Institute for Advanced Studies in Basic Sciences (IASBS), Zanjan, Iran. | ||
| چکیده [English] | ||
| Purpose: Credit risk, particularly the risk of borrower default on obligations, is a significant concern for banks. Two primary variables used in modeling this risk and determining the expected loss from lending are the "Probability of Default" (PD) and the "Loss Given Default" (LGD). Given the importance of LGD in credit risk management and credit rating applications, this study utilizes a structural model approach to estimate LGD for both secured and unsecured debts, emphasizing the roles of debt structure and collateral liquidity. The proposed methodology is applied to selected firms in the Iranian capital market. Method: To estimate "Expected LGD" and "Downturn LGD" for secured debts (with both liquid and less liquid collateral) and unsecured debts, a structural model and Monte Carlo simulation approach were employed. In this model, the market value of a firm’s total assets follows a Jump-Diffusion process, while each collateral, as part of the firm’s tangible assets, is modeled with a separate but dependent stochastic process relative to the firm's total assets. A liquidity penalty is applied for less liquid collateral. Additionally, different values were assigned to the ratio of tangible assets to total assets under default and non-default conditions. For eleven selected firms, the parameters of the stochastic processes for assets and collaterals were estimated using data up to the end of the 2017 fiscal year (1396 in the Iranian calendar). The LGD for these firms’ debts at the end of 2018 (1397) was then estimated using the structural model and Monte Carlo simulation. The simulation generated 500,000 paths for the firm's total assets and collaterals. For paths involving default, the LGD values were first estimated at the debt level and subsequently aggregated at the firm level. A sensitivity analysis was also conducted to assess the impact of alternative debt structures on LGD. Findings: For firms with a single secured debt backed by liquid collateral, where recovery is solely from the collateral, the expected LGD ranged from 14% to 14.5%. However, if the collateral type was changed to a less liquid one, the expected LGD increased to a range of 30% to 33%. For the total LGD (where debt recovery includes both collateral and other remaining assets), the average expected values under these two scenarios were 9% and 12%, respectively. For firms with two secured debts, the expected LGD values, when recovery is solely from collateral, were similar to those of firms with a single secured debt using the same type of collateral. However, the average total LGD for debts backed by liquid collateral was 10%, compared to 15.8% for less liquid collateral. At the firm level, as the proportion of secured debts backed by liquid collateral relative to total debts decreased, the expected LGD tended to increase on average. In downturn scenarios, LGD for secured debt with liquid collateral was less influenced by the debt structure and more affected by the dynamics of assets and collateral, as well as their values under critical conditions. Conclusion: The results highlight the significant role of collateral liquidity in reducing the expected LGD for secured debts. Additionally, the debt structure, particularly the priority of secured debt payments, impacts the LGD for unsecured debts, the total LGD for secured debts, and the overall LGD at the firm level. These findings emphasize the importance of considering collateral liquidity and debt structure in credit risk modeling to enhance financial decision-making and risk management. | ||
| کلیدواژهها [English] | ||
| Loss Given Default, Debt Structure, Collateral Liquidity | ||
| مراجع | ||
|
Altman, E. I., Resti, A., & Sironi, A. (2001). Analyzing and explaining default recovery rates. A report submitted to the International Swaps & Derivatives Association. Bafandeh imandoust, S., Shaterian, Z., & Fahimifard, S. M. (2017). The Effective Factors on Bank Loan Recovery Rate of Keshavarzi of Khorasan Razavi Province,-Iran (Application of Tobit Econometrics Model). Monetary & Financial Economics, 23(12), 189-216. doi: 10.22067/pm.v23i12.43326(in Persian) Barbagli, M., & Vrins, F. (2023). Accounting for PD-LGD dependency: A tractable extension to the Basel ASRF framework. Economic Modelling, 125, 106321. Black, F. and Cox, J. C. (1976). Valuing corporate securities: Some effects of bond indenture provisions. The Journal of Finance, 31(2):351–367. Basel Committee on Banking Supervision. (2006). International Convergence of Capital Measurement and Capital Standards. In Bank for International Settlements (Issue June 2006). http://www.bis.org/publ/bcbs128.pdf Bcbs. (2017). Basel Committee on Banking Supervision Basel III: Finalising post-crisis reforms. In Bank for International Settlements, https://www.bis.org/bcbs/publ/d424.pdf Brigo, D., Dalessandro, A., Neugebauer, M., & Triki, F. (2008). A stochastic processes toolkit for risk management. arXiv preprint arXiv:0812.4210. Carey, M., Gordy, M.,. (2007). The bank as grim reaper: debt composition and recoveries on defaulted debt. Preprint Chaiyapo, N., & Phewchean, N. (2017). An application of Ornstein-Uhlenbeck process to commodity pricing in Thailand. Advances in Difference Equations, 2017, 1-10. Dadashi, I., Kordmanjiri, S., Khoshnoud, Z., & Gholamnia Roshan, H. (2020). Investigating the Variables Affecting Banks’ Legal Customers Credit Risk, Using Support Vectors Machine and Decision Tree. Financial Management Perspective, 10(31), 53-73. doi: 10.52547/jfmp.10.31.53(in Persian) Ebrahimi Sarv Oliya, M. H., & Tamalloki, H. (2020). The Spillover Effects of Default Risk between Holding Companies and Their Subsidiaries (Case Study: Iran Khodro Investment Development Co.). Financial Management Perspective, 10(30), 99-120. doi: 10.52547/jfmp.10.30.99(in Persian) Eom, Y. H., Helwege, J., and Huang, J.-z. (2004). Structural models of corporate bond pricing: An empirical analysis. The Review of Financial Studies, 17(2):499–544.. Fabozzi, F. J., Shiller, R. J., and Tunaru, R. S. (2012). A pricing framework for real estate derivatives. European Financial Management, 18(5):762–789. Fermanian, J. D. (2020). On the dependence between default risk and recovery rates in structural models. Annals of Economics and Statistics, (140), 45-82. Frontczak, R. and Rostek, S. (2015). Modeling loss given default with stochastic collateral. Economic Modelling, 44:162–170. Ghasemi Armaky, A., Fallah, M., & Alborzi, M. (2022). Development and Explanation of Bank Customers' Credit System Based on Hybrid Learning Models: A Case Study of Bank Mellat. Financial Management Perspective, 12(37), 69-94. doi: 10.52547/JFMP.12.37.69(in Persian) Jacobs Jr, M. (2012). An option theoretic model for ultimate loss-given-default with systematic recovery risk and stochastic returns on defaulted debt. In Proceeding of the 2010 3rd Annual Joint Bank for International Settlements-World Bank-European Central Bank Public Investors Conference, BIS Paper (No. 58, pp. 257-285). Jokivuolle, E. and Peura, S. (2003). Incorporating collateral value uncertainty in loss given default estimates and loan-to-value ratios. European Financial Management, 9(3):299–314. Khoshtinat, M., & Alavi, S. N. (2017). Identification of Loss-Given-Default (LGD) Effective Factors by Using Tobit Regression Model (Case Study: Bank of Industry and Mine Corporate Clients). Quarterly Studies in Banking Management and Islamic Banking, 3(5), 1-29. (in Persian) Kijima, M., Suzuki, T., and Tanaka, K. (2009). A latent process model for the pricing of corporate securities. Mathematical Methods of Operations Research, 69(3):439–455. Longstaff, F. A. and Schwartz, E. S. (1995). A simple approach to valuing risky fixed and floating rate debt. The Journal of Finance, 50(3):789–819. Mason, S. P. and Bhattacharya, S. (1981). Risky debt, jump processes, and safety covenants. Journal of Financial Economics, 9(3):281–307. Merton, R. C. (1974). On the pricing of corporate debt: The risk structure of interest rates. The Journal of Finance, 29(2), 449-470 Merton, R. C. (1976). Option pricing when underlying stock returns are discontinuous. Journal of financial economics, 3(1-2):125–144. Moghadasi Nikjeh, M., Hejazi, R., Akbari, M., & Dehghan Dehnavi, M. A. (2018). Impact of Estimating Fair Values of Bank Loans Using the Approach of the International Financial Reporting Standards (Case Study: An Iranian Bank). Accounting and Auditing Review, 24(4), 597-621. doi: 10.22059/acctgrev.2018.242123.1007709 (in Persian) Nazemi, A., Fatemi Pour, F., Heidenreich, K., & Fabozzi, F. J. (2017). Fuzzy decision fusion approach for loss-given-default modeling. European Journal of Operational Research, 262(2),780–791. Navas, J. F. (2003). Calculation of volatility in a jump-diffusion model. Journal of Derivatives, 11(2). Peters, R. H. and Taylor, L. A. (2017). Intangible capital and the investment relation. Journal of Financial Economics, 123(2):251–272. Qi, M., & Zhao, X. (2013). Debt structure, market value of firm and recovery rate. Journal of Credit Risk, 9(1), 3-37.4 Rampini, A. A. and Viswanathan, S. (2020). Collateral and secured debt. Unpublished working paper, Duke University Seidler, J., & Jakubík, P. (2009). The Merton Approach to Estimating Loss Given Default: Application to the Czech Republic. Charles University, Prague, 7-24. Stulz, R. and Johnson, H. (1985). An analysis of secured debt. Journal of financial Economics, 14(4):501–521. Zhou, C. (1997). A jump-diffusion approach to modeling credit risk and valuing defaultable securities. SSRN Electronic Journal. Zhou, C. (2001). The term structure of credit spreads with jump risk. Journal of Banking & Finance, 25(11):2015–2040.
| ||
|
آمار تعداد مشاهده مقاله: 1,900 تعداد دریافت فایل اصل مقاله: 204 |
||