Konkursvarslingsprosess

Ettersom insolvensforutsigelsesmetoder er prosedyrer henvist til hva sannsynlighetene avgjør med disse selskapene, enkeltpersoner, stater eller andre institusjoner innen en spesifisert tidshorisont, vanligvis ett år insolvent . Følgende er prosedyrer for å forutsi konkurs.

Utvikling av bedriftsinsolvens i Tyskland

Mens det var rundt 10 000 bedriftsonkurser per år i Tyskland på begynnelsen av 1990-tallet, steg antallet til nesten 40 000 innen 2003/2004. Med en selskapsportefølje på rundt tre millioner tilsvarer dette en gjennomsnittlig insolvensrate på 1,3% per år. Avhengig av selskapssegmentet ble det registrert betydelig høyere verdier. De neste årene reduserte antallet konkurser igjen og utgjorde rundt 30 000 mellom 2007 og 2011. På begynnelsen av 1990-tallet var beløpet på de nylig oppståtte insolvenskravene rundt 6 milliarder EUR per år, men på 2000-tallet, hovedsakelig mellom 30 og 40 milliarder EUR, i enkelte år (2002 og 2009) til og med verdier på 62 og 85 milliarder euro nådde. Erfaringen har vist at 90 til 95% av insolvenskravene ikke kan gjenvinnes.

Motivasjon for utvikling

Evnen til å lage presise prognoser for bedriftens insolvens, men også evnen til å fastslå anbefalinger for tiltak for å unngå insolvens, er av stor betydning både fra et individuelt og et økonomisk perspektiv. På individnivå, i tillegg til eiere, ansatte, kunder, leverandører, revisorer og andre forretningspartnere i et selskap, er bankene spesielt interessert i nøyaktige insolvensprognoser, da de regelmessig må registrere betydelig skade i tilfelle selskapets insolvens. Administrasjonskostnadene ( konkursforvalter ) og kostnadene knyttet til avvikling av eiendelene til det insolvente selskapet alene bruker i gjennomsnitt mellom 15% og 20% ​​av brutto avviklingsprovenuet.

Fra et bankperspektiv er insolvensprognoser en viktig forutsetning for å kunne implementere risikobasert prising og strukturering av ikke-finansielle kredittforhold (rammer, obligatorisk sikkerhet ). Kredittprosesser skal utformes kostnadseffektivt (ved å identifisere kritiske tilfeller som krever mer omfattende støtte fra kreditteksperter ), øke egen likviditet ved å lage verdipapiriseringsalternativer , og bestemme og administrere de økonomiske og regulatoriske kapitalkravene . Fra et økonomisk synspunkt blir prosedyrer for insolvensprognoser sett på som en viktig forutsetning for stabiliteten i banksystemet . Overdreven kredittrisiko har vært den hyppigste årsaken til de over 100 bankinsolvensene i (Vest) Tyskland siden 1960-tallet. I tillegg er over 90% av regulatoriske kapitalkrav for banker knyttet til kredittrisikosikring. Videre er tilgjengeligheten av effektive prosedyrer for insolvensprognoser en nødvendig forutsetning for å motivere låntakere til å oppføre seg på en incitamentkompatibel , risikobevisst måte. Markedsvikt i betydningen fullstendig uttak av banker eller andre långivere fra finansiering av selskaper i risikosegmenter som er over gjennomsnittet, kan også unngås gjennom mer effektive insolvensprognoser .

klassifisering

Den nåværende vitenskapelige tilstanden i forskning på insolvensprognoser er preget av en rekke metoder. En av årsakene til dette mangfoldet er sannsynligvis mangelen på et generelt akseptert, omfattende teoretisk grunnlag for å forklare insolvens. Årsaken til de mange teknologiene for insolvensprognoser er også sannsynlig at mange prosedyrer, som ofte allerede har bevist seg i andre sammenhenger enn insolvensprognoser, kan avvises som uegnet eller dårligere. Avhengig av den grunnleggende tilgjengeligheten eller de aksepterte kostnadene ved å samle inn informasjon, kan et stort antall forskjellige datakilder og typer data brukes i forbindelse med insolvensprognosen, hvis sammenstilling noen ganger krever forskjellige prosedyrer eller gjør dem nyttige. av statistiske og tekniske grunner. Figuren nedenfor gir en oversikt over det store antallet metoder for insolvensprognoser som brukes i vitenskap og praksis.

Oversikt over insolvensprognoser

Fremgangsmåter for insolvensprognoser kan deles opp i formelle og uformelle prosedyrer for insolvensprognoser . I den uformelle prosessen spår menneskelige kreditorer konkursspådommer basert på deres intuisjon og personlige erfaring. Formelle prosedyrer er derimot basert på eksplisitt fastsatte prosessregler. De formelle prosedyrene skiller mellom induktive, (parametriske og ikke-parametriske) empirisk-statistiske og strukturelle prosedyrer. De induktive metodene inkluderer for eksempel poengmodeller og ekspertsystemer . I de parametriske empirisk-statistiske metodene er den multivariate lineære diskriminerende analysen og den logistiske regresjonsanalysen viktig. Blant de ikke-parametriske empirisk-statistiske metodene for insolvensprognoser, bør beslutningstreetmetodene og kunstige nevrale nettverk nevnes. De strukturelle insolvensprognosemodellene inkluderer obligasjonsspredningsbaserte og opsjonsprismodeller samt deterministiske og stokastiske simuleringsmetoder .

Den første formelle, multivariate beregningsmetoden for bedriftsinsolvens var Altmans (1968) Z-faktor-modell (Altmans Z-Score), en diskriminerende analysemodell .

Datakilder

Oversikt

Tallrike datakilder kan brukes til å forutsi konkurs. Avhengig av objektiviteten til undersøkelsen ("harde" mot "myke" data) og avhengig av om de tilsvarende dataene opprinnelig er målestokk eller ikke ("kvantitative" kontra "kvalitative" data), totalt fire grupper av input variabler kan identifiseres forskjellige for konkursprognoser, se følgende figur.

Datakilder for prosedyrer for prognoser for konkurs

Vanskelige kvantitative data

Harde kvantitative data er data som opprinnelig er målestokk og kan samles uavhengig av metoder og mennesker. Av særlig relevans i forbindelse med bedriftens insolvensprognose er årsregnskap , informasjon om kontoadferd og finansielle markedsdata (nivå og volatilitet i selskapets markedsverdi , nivå på risikopremien på selskapets børsnoterte gjeld ). Fordelene med kontoadministrasjon og markedsdata fremfor regnskapsdata er at de er mye mer oppdaterte. De kan oppdateres daglig, og det er praktisk talt ingen (ekstra) kostnader for å samle dem inn. De kan også knapt manipuleres av selskaper. En viktig fordel med markedsdata fremfor kontoadministrasjon og regnskapsdata sees i deres "fremtidsrettede natur". Det antas at markedsdata - via de rasjonelle forventningene til markedsdeltakerne - påvirkes av fremtidig utvikling i selskaper og ikke av fortiden - som det er tilfelle med kontoadministrasjon og bokføringsdata. Imidlertid er det bare svært få selskaper som har notert egenkapital eller lånte midler. Informasjon om kontoadministrasjonsatferd er eksklusivt tilgjengelig for de respektive utlånsbankene - og først etter at de har gitt lån til de respektive selskapene. Datasituasjonen er best for årsskiftet data, som inneholder informasjon om balanse , de resultatregnskap og kapitalforvaltning analyse . Årsregnskapsdata er preget av en relativt lav innsats. Undersøkelsen din krever ingen spesiell kunnskap. Din undersøkelse er ikke underlagt noen subjektive påvirkninger og tilbyr ikke noen muligheter for målrettet manipulering som ikke kan lett bli bestemt hinsides tvil ved senere kontroller. Inngangsfeil kan enkelt identifiseres og korrigeres på grunn av den overflødige datastrukturen. Systematiske evalueringer av årsregnskapsdokumentene, "der i tillegg til balanse og resultatregnskap, særlig tilleggsforklaringene i notene og styringsrapporten, skal brukes", avslører mange muligheter - og om nødvendig nøytraliserer dem senere - som selskapets inntjening og eiendeler bevisst er forvrengt med.

Harde kvalitative data

Harde kvalitative data er nominelt eller ordinert skalerte data som kan måles uavhengig av person og metode og kan derfor samles objektivt. I sammenheng med empirisk-statistiske prosedyrer avdekkes faktorer som har en empirisk sammenheng med fiaskosannsynligheten for selskapet (“statistisk klanansvar”). I denne sammenhengen er den juridiske formen og filialtilhørigheten av særlig betydning - fordi de ulike grenrettlige formgruppene er preget av betydelige og langvarige forskjeller med hensyn til insolvensgraden. For eksempel kan det ses at selskapene i den byggebransjen i Tyskland hadde omtrent femten ganger så høye insolvens priser som enkeltmannsforetak i den tjenesten bransjen over lange perioder av gangen .

Myke kvantitative data

Myke kvantitative data er metrisk skalerte data, hvis innsamling er gjenstand for personlige, subjektive vurderinger (fra respondentens eller intervjuers side). Typisk myk kvantitativ informasjon i sammenheng med insolvensprognosen er næringsvekstprognoser, kvantitativ informasjon om operasjonell risiko eller individuell informasjon fra selskapene om salg, kostnader eller fortjeneste planlagt for fremtidige perioder. Våre egne studier med mellomstore selskaper har imidlertid vist at flertallet av selskapene ikke lager (konsistente) flerårige økonomiske planer. Planinformasjonen som selskapene gir, er i gjennomsnitt betydelig forvrengt. De kan antagelig bare tolkes i betydningen "ønskede målverdier " , men representerer ikke forventede verdier i statistisk forstand. Runde verdier blir ofte gitt. Sannsynligheten for at det oppstår tap som truer selskapets eksistens er fullstendig undervurdert. Det er spesielt problematisk at plandetaljene viser betydelige motsetninger, avhengig av type undersøkelse. En annen ulempe er at innsamling av detaljerte planleggingsdata er tidkrevende og kostbart, siden en stor mengde data må samles i en form som er uvanlig for selskapet og krever forklaring i sammenheng med diskusjoner på stedet.

Det er heller ikke å forvente at selskaper sannferdig og omfattende vil utlevere sin plan og risikoinformasjon til tredjeparter, spesielt til banker eller kredittbyråer, hvis de må forvente at dette kan få negative økonomiske konsekvenser for dem. Senere sanksjoner av "feil" planlegging og risikoforutsetninger er tett begrenset. I ettertid kan det alltid fremføres plausible grunner for manglende planlagte salgs- eller inntjeningsmål som er utenfor selskapets kontroll. Bortsett fra i trivielle tilfeller kan stokastiske planleggingsforutsetninger aldri klassifiseres etterpå med sikkerhet som sanne eller falske. Sanksjonering av tapte planer vil også skape (ekstra) insentiver for økonomisk ubrukelig til skadelig oppførsel, for eksempel ved å flytte salg og / eller kostnader og inntekter til nærliggende perioder.

Myke kvalitative data

Myke kvalitative data er data som ikke opprinnelig er målestokk, og hvis samling er gjenstand for subjektive, dømmende påvirkninger. Dette inkluderer for eksempel spørsmål om selskapets potensial for suksess , som "kvaliteten på regnskap ", "profesjonell egnethet av ledelsen " eller "leverandøravhengighet". Fordelen med myke, kvalitative data i sammenheng med bedriftens insolvensprognose sees først og fremst i det faktum at det skal tillate at identifiseres negativ utvikling i bedriftene på et tidlig tidspunkt, dvs. før de manifesterer seg i "dårlige" årsregnskaper.

Imidlertid kan myke kvalitative faktorer bare registreres med et veldig lavt pålitelighetsnivå , noe som antyder at disse dataene bare har en liten (ekstra) prediktiv fordel.

Konklusjon om datakilder

Rangeringsprosedyrene til banker er vanligvis i stor grad basert på evaluering av hard kvantitativ informasjon, og særlig på statistisk analyse av nøkkeltall avledet fra årsregnskapet. Mange insolvensprognosemodeller presentert i vitenskapelige studier så vel som prognosemodellene for kommersielle leverandører, som ble utviklet for kostnadseffektiv kredittvurdering av mellomstore selskaper, er begrenset fra begynnelsen til analyse av slike finansielle indikatorer. I noen vurderingsmodeller er det også tatt hensyn til harde kvalitative variabler som industri, juridisk form eller regional opprinnelse.

Selv om de gir mange fordeler i teorien, er den praktiske bruken ("fremtidsrettet") av myke kvantitative og myke kvalitative data for prognoser for konkurser liten. Undersøkelsen deres medfører relativt høye kostnader og er utsatt for insentivproblemer fra respondentenes side.

Selv om vurderingsbyråene avviser at dommene de gir er i hovedsak basert på nøkkeltallanalyser, har empiriske studier i det minste vist at vurderingsvurderinger fra kjente byråer kan reproduseres eller prognoser relativt godt på grunnlag av (få) økonomiske tall. . Det er også interessant at de betydelige personalkostnadene de kommersielle vurderingsbyråene gjør for å utarbeide vurderingene (og de betydelige gebyrene de tar for dette) ikke reflekteres tilstrekkelig i kvaliteten på prognosene. Med enkle nøkkeltallmodeller - når de brukes på identiske datasett fra selskaper - kan insolvensprognoser opprettes med en kvalitet som tilsvarer prognosekvaliteten til vurderingsvurderinger fra anerkjente byråer eller til og med overgår dem.

Klassifisering av taksttiltak

I det følgende skal estimeringskvaliteten til en prosedyre for insolvensprognoser forstås som graden av samsvar mellom insolvensprognosene og insolvenshendelsene som faktisk har skjedd. Matematiske forståelige avklaringer av begrepet må ta hensyn til om insolvensprognosene som skal vurderes er kategoriske (= nominelle ), ordinære eller kardinaler (= metriske eller kvantitative ).

  • Som et kategorisk svikt blir kalt for insolvensspådommer, kjenn de eneste to mulige skjemaene for vurdering av selskaper som er vurdert "Bedrift A forventes (innen en angitt periode) mislykkes" kontra "Bedrift B forventes (innen ett skal spesifiseres periode) mislykkes ikke ".
  • Når det gjelder ordinære insolvensprognoser, blir det gjort vurderinger om de relative misligholdssannsynlighetene til de vurderte selskapene: "Bedrift B er mer sannsynlig (innen en periode som skal spesifiseres) til mislighold enn selskap A, men mindre sannsynlig enn selskap C". Ordinære insolvensprognoser kunne teoretisk differensieres etter ønske, men ordinære klassifiseringssystemer har rådt i praksis, som kommuniserer resultatene på diskrete, 7- eller 17-punkts skalaer i en notasjon vedtatt av Standard & Poor’s .
  • Kardinal insolvensprognoser gir hvert selskap en sannsynlighet som selskapet vil mislykkes med (innen en periode som skal spesifiseres).

De enkelte prosedyrene er kompatible nedover. Eventuelle, svakt monotont transformasjoner kan brukes til å generere ordinally tolkbare resultater verdier fra feilsannsynligheter , som også kan kombineres til et endelig antall klasser hvis det er nødvendig. Ved å kombinere poengsum eller intervallklasser, til bare to klasser gjenstår, kan ordinære insolvensprognoser konverteres til kategoriske insolvensprognoser. Måten insolvensprognoser er tilgjengelige på er blant annet prosessuell. For eksempel genererer diskriminerende analyser eller nevrale nettverk bare kategoriske insolvensprognoser som standard. I praksis blir imidlertid utdataene dine også tolket ordinært og kan også motta innhold av hovedinformasjon gjennom kalibrering til feildata.

Ordinære insolvensprognoser skyldes for eksempel anvendelse av subjektivt parametriserte poeng- eller nøkkeltallsmodeller, mens logit-modeller brukes til å lage kardinal insolvensprognoser. Måten insolvensprognoser må være tilgjengelige, resulterer fra den tiltenkte bruken av prognosene: brukeren har bare to handlingsalternativer - f.eks. B. Aksept eller avvisning av en kunde, positiv eller negativ bestemmelse av " sentralbankerettighet " for krav - i prinsippet er kategoriske insolvensprognoser tilstrekkelig. Den optimale utformingen av kategoriske prognoser er basert på en målkonflikt mellom (prognose) feil I. og feil II. Type (se estimerte kvalitetstiltak for kategoriske insolvensprognoser ). Dette avhenger igjen av subjektivt påvirkbare sekundære forhold, for eksempel den spesifikke utformingen av kredittvilkår ( renter , sikkerhet , garantier , ...) og av subjektivt ikke-påvirkbar, men variabel over tid, for eksempel av den gjennomsnittlige misligholdsrenten på befolkningen vurdert.

Det er her ordinære kvalitetstiltak for å vurdere insolvensprognoser kommer inn. Du evaluerer klassifiseringsytelsen for insolvensprognoser basert på totaliteten av alle mulige feil-I-II-kombinasjoner som kan genereres med prognoseprosedyren. De muliggjør en mer differensiert vurdering av kunder, for eksempel som grunnlag for å bestemme hvilken type og beløp sikkerheten som skal etterspørres, eller om overvåkingsinnsatsen skal bestemmes. Eksempler på ordinære målinger av estimering er nøyaktighetsforholdet (også Gini-indeks, Lorenz-Münzer-mål for konsentrasjon eller kraftstatistikk).

På den annen side brukes kardinal insolvensprognoser som grunnlag for kvantitative beslutninger, for eksempel for prising av lån, obligasjoner eller derivater eller for å bestemme økonomisk eller regulatorisk risikokapital. H. Feilsannsynlighet. I henhold til de nye kapitalkravene til Basel Committee on Banking Supervision, som vil gjelde fra begynnelsen av 2008, må bankinterne rangeringssystemer være basert på kardinal insolvensprognoser (standard sannsynlighet). Beregninger av kvaliteten på kardinal insolvensprognoser er for eksempel Brier-poengsummen , betinget informasjonsentropi , Rommelfanger-indeksen eller den grupperte Brier-poengsummen .

En stor ulempe ved kardinal takst er deres avhengighet av forventede eller realiserte misligholdsrenter. De er derfor ikke egnet for sammenligning på tvers av porteføljer - og selv med moderat korrelerte misligholdssannsynligheter, er en meningsfull validering av kardinal insolvensprognoser ikke lenger mulig, selv ikke med porteføljer av hvilken som helst størrelse.

Samlet sett er en god evne til å skille insolvensprognoser, målt ved ordinære kvalitetstiltak, også viktig for kvaliteten på kardinal insolvensprognoser - og enda viktigere enn riktig kalibrering. Ved vurdering av kvaliteten på insolvensprognoser, vil følgende derfor fokusere på ordinære kvalitetstiltak for prognoser.

litteratur

Individuelle bevis

  1. ↑ Denne artikkelen er basert på Bemmann (2005) og Bemmann (2007)
  2. ↑ Se Federal Statistical Office (2004, s. 31 og s. 44) for utvikling av antall og frekvenser av insolvens, samt eksistensen av og insolvens av insolvenskrav, for aktuelle data om insolvenshendelser, se https: // www.destatis.de/DE/ZahlenFakten /Indikatoren/LangeReihen/Insolvenzen/lrins01.html og https://www.destatis.de/DE/ZahlenFakten/Indikatoren/Konjendungindikatoren/Insolvenzen/ins110.html (20. september 2012)
  3. ↑ Se Dimitras, Zanakis, Zoponidis (1996, s. 488) og Balcaen, Ooghe (2004, s. 4) eller Hartmann-Wendels et al. (2005, s. 4f.) For en analyse av de som er interessert i prosedyrer for insolvensprognoser for selskaper.
  4. ↑ se Franks, Servigny, Davydenko (2004, s. 4), Basler Committee (2000b, s. 27f.), Basler Committee (2000b, s. 7f.), Moody's (2004, s. 13) og Gupton, Stein ( 2005).
  5. ↑ se Franks, Servigny, Davydenko (2004, s. 13)
  6. ↑ se engelsk, Nelson (1998, s. 11f.), Treacy, Carey (2000, s. 897), Basler Committee (2000a, s. 33), Escott, Glormann, Kocagil (2001a, s. 3) og Scheule ( 2003, s. 96ff.)
  7. ↑ se Fischer (2004, s. 13 og litteraturen sitert der)
  8. ↑ se Deutsche Bundesbank (2005, s.44)
  9. ↑ se Basler Committee (2004, §4), OeNB (2004b, s. 33)
  10. ↑ Se KfW (2005, s. 6): “Dette indikerer utbredt bruk av bankinterne ratingverktøy, som nå også brukes av små selskaper. [...] Tidligere førte de stort sett ensartede rentene for alle kunder i en bank til at spesielt mindre selskaper hadde vanskeligheter med å få lån i det hele tatt. I dag bruker banker og sparebanker ratingverktøy for å gjøre lånevilkår stadig mer risikorienterte. Dette vil gjøre det lettere for spesielt små bedrifter å få tilgang til banklån. "
  11. ↑ se Basler Committee (2000b, s. 109ff.), Altman, Saunders (1998, s. 1724), Keasey, Watson (1991, s. 90) eller Günther, Hübl, Niepel (2000, s. 347).
  12. ↑ se Frydman, Altman, Kao (1985, s. 270)
  13. ↑ se Bemmann (2007, s.6)
  14. Termin Terminologien brukt i det følgende ble adoptert fra Fischer (2004, s. 83), som skiller mellom harde vs. myke og kvantitative vs. kvalitative data. I litteraturen om konkursvarsling brukes disse begrepene stort sett synonymt og brukes derfor ofte inkonsekvent. For eksempel sier OeNB (2004a, s. 65): "Kvalitative spørsmål er alltid underlagt et subjektivt vurderingsrom", men beskriver også det utvilsomt objektivt identifiserbare "skyldnerens hjemland" som et "kvalitativt vurderingskriterium", se OeNB (2004a, s. 66).
  15. ↑ For nøkkeltall for kvantifisering av kontoadministrasjonsatferd, se Fritz, Hosemann (2000, s. 13ff.).
  16. ↑ Se for eksempel McQuown (1993, s. 1f.). Det er nettopp fordelen med den "fremtidsrettede" naturen til markedspriser sammenlignet med (historiske) regnskapsdata som blir stilt spørsmål ved i en studie av Chan, Karceski, Lakonishok (2003, s. 671). De noen ganger betydelige forskjellene i de observerbare pris-inntjeningsforholdene (P / E) for aksjeselskaper kan lett forklares med selskapets historiske resultatutvikling - en forventet fordel kan imidlertid knapt bevises.
  17. ↑ se Fischer (2004, s.91)
  18. ↑ Se Deutsche Bundesbank (1999, s. 54), Eigermann (2001, s. 523) og Küting, Weber (2004, s. 423ff). Målet til de nevnte forfatterne er imidlertid ikke å korrigere årsregnskapsdataene, men snarere å evaluere selskapets ”regnskapsadferd”, som deretter brukes som et uavhengig innspill i sammenheng med insolvensprognoser.
  19. ↑ se ULD (2006, s. 50)
  20. ↑ Se Bemmann (2005, s. 57). Gjennomsnittlig årlig insolvens for de to nevnte selskapene var 3,6% og 0,23% i perioden 1999–2003.
  21. ↑ Se Blum, Gleißner, Leibbrand (2005b). Se Fischer (2004, s. 97) for et utvalg av 150 eksempler fra 18 grupper av myke kvalitative faktorer.
  22. ↑ se Fischer (2004, s. 89)
  23. ↑ se Basler Committee (2000a, s. 17ff.) Og Romeike, Wehrspohn (2004, s. 9)
  24. ↑ se Bemmann (2005, s. 51ff.)
  25. ^ S&P (2003, s. 53). “Forhold er nyttige når det gjelder å definere selskapets posisjon i forhold til rangeringskategorier. De er ikke ment å være hindringer eller forutsetninger som skal oppnås for å oppnå en spesifikk gjeldsvurdering. [...]. " og S&P (2003, s. 17) “Det er ingen formler for å kombinere poeng for å komme til en vurderingskonklusjon. Husk at rangeringer representerer en kunst så mye som en vitenskap. "
  26. ↑ se Blume, Lim, Mackinlay (1998) og Amato, Furfine (2004)
  27. ↑ Se beskrivelsen på 100 sider av elementene i vurderingsprosesser i Standard and Poors i S&P (2003).
  28. ↑ I følge White (2001, s. 14) er " listeprisene " som skal bæres av selskapet for å bli vurdert for å opprette en rating av Moody's eller S&P 3,25 basispoeng for obligasjonsbeløp på opp til 500 millioner dollar. - med et minimumsgebyr på USD 25.000 og maksimalt USD 125.000 ( S&P ) eller USD 130.000 ( Moody's ). For obligasjonsbeløp som overstiger 500 millioner dollar, krever begge byråer 2 basispoeng. S&P setter summen på USD 200 000, men tar et tilleggsgebyr på USD 25 000 når den oppretter en vurdering for første gang.
  29. ↑ se Carey, Hrycay (2001), Altman, Rijken (2004) og Fons, Viswanathan (2004)
  30. ↑ se Bemmann (2005, s. 6f.)
  31. ↑ se Altman, Saunders (1998, s. 1737)
  32. ↑ Kalibreringen av et klassifiseringssystem basert på empiriske feildata er for eksempel beskrevet i Sobehart et al. (2000, s. 23f.) Og Stein (2002, s. 8ff.).
  33. ↑ se Deutsche Bundesbank (1999)
  34. ↑ se Bemmann (2005, s. 9ff. Og litteraturen sitert der)
  35. ^ “Det er ingen dårlige lån, bare dårlige priser.”, Se Falkenstein, Boral, Kocagil (2000, s. 5).
  36. ↑ se Baselkomiteen (2004, særlig punkt 461f.)
  37. ↑ se i detalj Bemmann (2005, s. 32ff.)
  38. ↑ se Bemmann (2005, s. 32ff.)
  39. ↑ se Huschens, Höse (2003, s. 152f.) Og Basler-komiteen (2005, s. 31f.)
  40. ↑ Den faktiske relevansen av denne teoretiske innsigelsen er fortsatt omstridt. Det er empiriske indikasjoner på at de tilsvarende segmentspesifikke korrelasjonsparametrene antatt innenfor rammen av Basel II er satt for høyt med en faktor på 15 til 120 (i gjennomsnitt rundt 50), se Scheule (2003).
  41. ↑ Blochwitz, Liebig, Nyberg (2000, s. 3): “Det er vanligvis mye lettere å kalibrere en kraftigere modell enn å legge statistisk kraft til en kalibrert modell. Av denne grunn er kraftprøver viktigere for å evaluere kredittmodeller enn kalibreringstester. Dette innebærer ikke at kalibrering ikke er viktig, bare at den er lettere å utføre. ”, Analogous to Stein (2002, s. 9)
  42. ↑ For ytterligere forklaringer og argumenter for bruk av ordinære parametere for å bestemme kvaliteten på insolvensprognoser, se Bemmann (2005, s. 12ff.).