رایج‌ترین مدل‌های اعتبارسنجی
در این قسمت الگوهای اعتبارسنجی معرفی می‌گردند و به بیان عملکرد و روش ارزیابی پرداخته می‌شود. منظور از ارائه مدل‌های رایج صرفاً این نیست که این مدل‌ها بهترین عملکرد را دارند و ممکن است مدل‌های ترکیبی نیز وجود داشته باشند. لازم به ذکر است مدل‌های شرح داده شده در اینجا در درجه اول برای رتبه‌بندی وام گیرندگان استفاده می‌شوند. در شکل زیر نمای کلی سیستم‌های مدل‌های اعتبارسنجی آورده شده است:
1- مدل‌های اکتشافی :
مدل‌های اکتشافی تلاش می‌کنند تا متدولوژی خود را بر اساس روشهای قبلی بدست آورند. این مدل‌ها ریشه در تجربه عملی و مشاهدات، حدسیات ارتباطات تجاری و تئوری‌های تجاری دارند. کیفیت مدل‌های اکتشافی به این بستگی دارد که چگونه این مدل‌ها می‌توانند عیناً ذهنیات یک کارشناس اعتباری را ترسیم کنند. در تدوین این مدل، فاکتورهای استفاده شده تحت تأثیر اعتبارسنجی و بهینه‌سازی آماری قرار نمی‌گیرند.
1-1- پرسشنامه رتبه‌بندی کلاسیک:
پرسشنامه‌های رتبه‌بندی کلاسیک بر اساس تجربه کارشناسان اعتبار طراحی شده است. برای این منظور وام‌دهنده یک‌سری سوالات قابل پاسخ که نشان‌دهنده ارزش اعتباری باشد را برای پرسش از وام‌گیرنده درنظر می‌گیرد و به تناسب پاسخ هر پرسش، عددی را به عنوان امتیاز برای وام‌گیرنده برآورد می‌نماید. نمودار زیر نمونه‌ای از پرسشنامه رتبه‌بندی کلاسیک در بخش خرد را نشان می‌دهد.
تجربه عملی کارشناسان اعتباری در جدول بالا مثلاً در زمینه جنسیت، نشان می‌دهد که در متقاضیان مرد احتمال نکول بیشتری نسبت به متقاضیان زن وجود دارد؛ بنابراین برای متقاضیان مرد امتیاز کمتری درنظر گرفته می‌شود. همچنین ملاحظات مشابه از نظر کارشناسان را می‌توان به عنوان سایر عوامل اثرگذار نیز معین نمود. هرچه تعداد امتیازات بیشتر باشد امتیاز اعتبارسنجی نیز بیشتر خواهد بود. در عمل پرسشنامه رتبه‌بندی کلاسیک هم در موارد خرد و هم شرکتی رایج است ولیکن در حال حاضر نهادهای وام‌دهنده به دنبال جایگزینی پروسه‌های آماری به جای پرسشنامه هستند.
1-2- سیستم‌های کیفی :
در سیستم‌های کیفی نیز دسته‌بندی اطلاعات مربوط به اعتبار براساس تجربه کارشناسان اعتباری تعریف شده‌اند. در مقایسه با پرسشنامه رتبه‌بندی کلاسیک، سیستم‌های کیفی عدد ثابت و مشخصی را به هر عامل موردنظر اختصاص نمی‌دهند و در عوض گرو‌های اطلاعات فردی باید با استفاده از واژه‌ها و اصطلاحات کیفی توسط نماینده خدمات مشتری مورد ارزیابی قرار گیرد. در این مورد از سیستم درجه‌بندی مانند خوب، متوسط و ضعیف استفاده می‌شود. در عمل، موسسات اعتباری مکرراً از سیستم‌های کیفی به ویژه در بخش ارزیابی مشتریان شرکتی و حقوقی استفاده می‌کنند. با این وجود، در سال‌های اخیر مدل‌های سیستم کیفی نیز هرچه بیشتر و بیشتر با پروسه‌های آماری جایگزین شده‌اند و از مدل‌های آماری به دلیل بهبود دسترسی به دادهها و توسعه مداوم روش‌ها بیشتر استفاده می‌شود. یک نمونه از سیستم کیفی، سیستم رتبه‌بندی BVR-I است که توسط انجمن فدرال بانک‌های آلمان استفاده می‌شود. این سیستم نیز در حال حاضر با روش رتبه‌بندی آماری BVR-II جایگزین شده است. مدل رتبه‌بندی اعتباری BVR-I که در زیر به آن اشاره می‌شود از 5 گروه اطلاعات که به طور کلی در 17 زیرمجموعه قرار می‌گیرد استفاده می‌نماید:
1-3- سیستم‌های خبره :
سیستم‌های خبره راه‌حل‌های نرم‌افزاری هستند که هدف از استفاده آنها بازآفرینی توانایی‌های حل مسئله مربوط به انسان در یک منطقه خاص از برنامه است. به عبارت دیگر، سیستم‌های خبره تلاشی برای حل مشکلات پیچیده و نتیجه‌گیری براساس رفتار هوشمندانه است. مولفه‌های اساسی یک سیستم خبره بر پایه دانش و استنتاج است. این دانش مبتنی بر اعداد، تاریخ، حقایق و قوانین موجود است. عناصر فرعی سیستم‌های خبره عبارتند از:
* مولفه کسب دانش: از آنجا که نتایج حاصل از بکارگیری سیستم‌های خبره به برخورداری از دانش تخصصی مناسب و به‌روز بستگی دارد، باید امکان گسترش دانش با همه بینش‌ها و در تمام زمان‌ها وجود داشته باشد. * مولفه گفتگو: شامل نمایش گرافیکی محتوا، عملکردهای راهنما و ساختار قابل فهم است. این مولفه در استفاده موثر کاربران تعیین‌کننده است. * مولفه توضیحی: این مولفه درک فرآیند حل مسئله را آسان‌تر می‌کند و شفافیت‌های لازم و افزایش پذیرش در میان کاربران را بالا می‌برد. یک نمونه از سیستم خبره‌ای که در عملیات بانکی مورد استفاده قرار می گیرد، سیستم کامرزبانک است. مدل CODEX در مشاغل کوچک و متوسط بومی استفاده می‌شود. CODEX عوامل زیر را برای تمام وام‌گیرندگان ارزیابی می‌نماید: – وضعیت مالی: ارقام مربوط به فعالیت مالی از قبیل وضعیت نقدینگی، درآمد و میزان درآمد سالانه از طریق بررسی ترازنامه – پتانسیل توسعه: ترکیبی از پتانسیل بازار، تولید و مدیریت می‌باشد. – چشم‌انداز صنعت در این فرایند، کاربر رتبه‌بندی‌ها را از مقیاس از پیش تعریف شده انتخاب می‌کند. هر امتیاز به میزان ریسک مربوطه و موجود بستگی دارد. در ادامه نمودار شماتیک از نحوه عملکرد این سیستم ارائه شده است:
این سیستم تمام خصوصیات اعتباری فرد را دگرگون کرده و آنها را به نمره و امتیاز تبدیل می‌کند تا در نهایت یک درجه کلی به وضعیت اعتباری هر فرد تعلق بگیرد. این فرآیند شامل دو مرحله است: این سیستم ابتدا گروه اطلاعات فردی را با استفاده از یک میانگین وزنی درجه‌بندی می‌نماید (وزن‌های استفاده شده در این سیستم براساس برآوردهای کارشناسان اندازه‌گیری شده‌اند). سپس سیستم ارزیابی‌های فردی را اجماع می‌کند تا یک ارزیابی کلی ایجاد نماید.
1-4- سیستم‌های منطق فازی :
در واقع می‌توان گفت سیستم منطق فازی را به نوعی در سیستم‌های خبره که در بالا ذکر شد می‌توان مشاهده کرد با این تفاوت که سیستم منطق فازی توانایی بسیار بالایی در ارزیابی دادهها دارد. در این سیستم مقادیر خاصی به عنوان معیارهای اعتبارسنجی مورد استفاده قرار می‌گیرد و نحوه بیان اعتبارسنجی به صورت درجه‌بندی است؛ مثلاً در سیستم‌های خبره کلاسیک کارشناس اعتباری ارزش اعتباری سهام را بسته به میزان بازدهی سهام ارزیابی می‌کند و سهامی که نرخ بازدهی بالاتر از 20% داشته باشد “بسیار خوب” و سهامی که نرخ بازدهی کمتر از 20% داشته باشد را “بسیار ضعیف” توصیف می‌نماید. در صورتی که در سیستم‌های منطق فازی، چنین حالات دوگانه‌ای با ارزیابی رفتارهای انسانی هم راستا نیست. یک انسان عقلایی به عنوان یک تصمیم‌گیرنده در صورتی که بازده سهام مورد نظرش 19.9 باشد هرگز آن را “بسیار ضعیف” تلقی نخواهد کرد و اگر در همان زمان بازده سهام 20% باشد نیز رتبه “بسیار خوب” به آن اختصاص نمی‌دهد. بنابراین سیستم‌های منطق فازی درجه‌بندی دقیق‌تری دارند که به رفتارهای یک انسان تصمیم‌گیرنده شباهت بیشتری داشته و در قالب متغیرهای زبانی مختلف توصیف می‌شوند. در نمودار زیر نحوه استفاده از این متغیرهای زبانی نمایش داده شده است:
نمودار فوق واژه‌های مختلف زبانی برای ارزیابی اعتباری بازده یک سهام (نشان‌دهنده وضعیت بازدهی کم، متوسط و بالا) و همچنین نحوه عملکرد دارندگان سهام را بیان می‌نماید. به عنوان مثال در نمودار بالا، اگر بازده سهامی 22 درصد باشد 0.75 درجه ارزشمند و بازده بالا داشته و به میزان 0.25 درجه با بازده متوسط تلقی می‌گردد و در مجموع درجه بازدهی کم 0% خواهد بود. در سیستم‌های منطق فازی، داده‌های متمایز و چندگانه با استفاده از متغیرهای زبانی تبدیل می‌شوند و سپس دادهها تحت پردازش‌های بعدی قرار می‌گیرند و در نهایت خروجی با مقادیر مشخص و روشن تولید می‌کنند. قوانینی که در این فرآیند پردازش به کار گرفته می‌شود از مبنای دانش بنیادی و تجربه کارشناسان اعتباری ناشی می‌شود. در ادامه معماری یک سیستم منطق فازی به تصویر کشیده شده است:
دادهها در سیستم منطق فازی بیشتر و منحصراً براساس اصطلاحات زبانی پردازش می‌شوند. وجود قیدهای اگر/سپس و قوانین دیگر در قسمت دانش بنیادی، بین داده‌های ورودی و خروجی مدل ارتباط برقرار می‌کند و نمایانگر تجربه کارشناسان اعتباری می‌باشد. یک مثال ساده برای به‌کار بردن قوانین بدین شکل است: اگر بازدهی سهام بالا باشد و نسبت بدهی به ارزش سهام پایین باشد آن‌گاه می‌توان گفت که ارزش اعتباری سهام خوب است. موتور استنباط یا استنتاج فازی مربوط به بخش اعتبارسنجی مبتنی بر کامپیوتر و بر پایه دانش بنیادی است. نتایج حاصل از فعالیت موتور استنتاج فازی یک ارزیابی کلی براساس متغیرهای زبانی است که به صورت روشن و واضح در مرحله خروجی ایجاد می‌گردد. ذکر مثال: بانک فدرال آلمان از سیستم منطق فازی به عنوان یک ماژول در اعتبارسنجی خود به منظور ارزیابی شرکت‌های وام‌گیرنده استفاده می‌کند. بانک از تجزیه و تحلیل خاص صنعت به منظور پردازش ارقام به‌دست آمده از صورت‌های مالی سالانه و مشخصات کیفی روشهای حسابداری شرکت وام‌گیرنده استفاده می‌نماید. شاخص کلی به‌دست آمده منطبق بر سیستم فازی است که داده‌های کیفی اضافی را پردازش می‌کند. در ذیل به سیستم فازی بانک فدرال آلمان اشاره می‌شود:
2- مدل‌های آماری :
در حالی‌که مدل‌های اکتشافی از تجربه ذهنی کارشناسان اعتباری به منظور ارزیابی استفاده می‌کنند، مدل‌های آماری سعی بر آن دارند تا فرضیات موجود را با استفاده از آمار و در یک پایگاه تجربی مورد تأیید قرار دهند. برای فرآیند اعتبارسنجی ، این مدل شامل فرمولاسیون فرضیات درخصوص معیارهای بالقوه اعتباری است: این فرضیه‌ها حاوی احکامی است که مشخص می‌کند آیا می‌توان مقادیر بالاتر یا پایین‌تر از میانگین برای متقاضیان خوش‌حساب در مقابل متقاضیان ورشکسته انتظار داشت؟ برای بررسی وضعیت پرداخت وام‌گیرندگان از مجموعه داده‌های تجربی شناخته شده استفاده می‌شود و براساس این دادهها می‌توان فرضیات را رد یا قبول کرد. از روشهای آماری می‌توان برای رسیدن به گزینه هدف استفاده کرد و همچنین وزن عوامل موثر در اعتبارسنجی را با استفاده از داده‌های موجود وضعیت پرداخت‌ها مشخص نمود. بنابراین تناسب هر مدل آماری به شدت به کیفیت مجموعه داده‌های تجربی مورد استفاده در توسعه آن بستگی دارد. ابتدا لازم است اطمینان حاصل شود که مجموعه دادهها به حد کافی بزرگ هست که بتوان براساس آن بیانیه‌های آماری قابل توجهی صادر نمود و یا خیر. مسئله مهم دوم، صحت وجود دادهها و نیز استفاده مناسب از آنها در شاخه موردنظر موسسه اعتباری است. اگر شرایط بالا فراهم نشود، مدل‌های آماری رتبه‌بندی توسعه‌یافته ممکن است طبقه‌بندی روشنی از مجموعه داده‌های تجربی ارائه دهند ولی نتایج حاصله برای بیان فرضیه کلی و اعلان‌ها قابل اعتماد نخواهد بود. مدل‌های آماری که در عمل بیشتر مورد استفاده قرار می‌گیرد، عبارتند از تحلیل‌های تفکیک‌شده و مدل‌های رگرسیونی که در ادامه به آنها پرداخته می‌شود و همچنین به مدل رتبه‌بندی شبکه‌های هوش مصنوعی نیز اشاره می‌گردد.
2-1- تحلیل‌های تفکیک‌شده چند متغیره :
هدف کلی از انجام تحلیل‌های تفکیک‌شده چندمتغیره، ایجاد تمایز و تشخیص قرض‌گیرندگان خوش‌حساب و بدحساب، با استفاده از یک عملیات که در نهایت دقت و با بکارگیری معیارهای مستقل و موثر در ارزشیابی اعتباری صورت می‌گیرد، می‌باشد. تجزیه و تحلیل تفکیک‌شده چند متغیره در اینجا به‌وسیله یک تابع خطی چند متغیره نمایش داده می‌شود و رویکردی است که عمدتاً مورد استفاده قرار می‌گیرد. اما در اصل از توابع غیرخطی نیز می‌توان استفاده نمود. در مدل خطی از ترکیب‌های وزنی شاخص‌ها به منظور ایجاد طبقه‌بندی مناسب برای تفکیک وام‌گیرندگان استفاده می‌شود. در زیر به نمونه‌ای از تابع خطی مورد استفاده در این مدل اشاره می‌گردد:
D = a0 + a1 . K1 + a2 . K2 + ….. + an . Kn
در تابع بالا، n نشان‌دهنده تعداد شاخص‌های مالی مورد استفاده در تابع رتبه‌بندی است. Ki به مقدار خاص شاخص اشاره دارد و ai ضریب هر شاخص در تابع رتبه‌بندی است. نمودار زیر قاعده کلی تحلیل‌های تفکیک‌شده چند متغیره خطی را نشان می‌دهد که در این مثال براساس دو معیار یا شاخص ترسیم شده است.
خط منفصل بهینه نشان‌دهنده یک ترکیب خطی از دو معیار موردنظر است که با هدف تفکیک صحیح متقاضیان خوش‌حساب و بدحساب با رعایت حداقل انحراف ترسیم گردیده است. یکی از مزایای استفاده از این مدل در مقایسه با سایر روش‌ها، تفسیر عملکرد خطی و ضرایب فردی به صورت مستقیم در شرایط اقتصادی است. تحلیل تفکیک‌شده چند متغیره خطی نیاز به توزیع نرمال در شاخص های مورد بررسی دارد. بنابراین، فرض توزیع نرمال برای شاخص‌های ورودی باید آزمایش شود و در مواردی که شاخص‌های استفاده شده در آنالیز فاقد توزیع نرمال باشند، نتایج مدل ممکن است دقیق و مورد استفاده نباشد. در نمودار فوق مربع‌های کوچک نشان‌دهنده مشتریان خوش‌حساب و دایره‌های مشکی بیانگر مشتریان بدحساب یا در معرض ورشکستگی است.
ذکر مثال: در عمل و غالباً از تحلیل تفکیک‌شده چند متغیره با هدف اعتبارسنجی استفاده می‌شود. وراینس بانک پنجمین موسسه مالی بزرگ در آلمان است که از تحلیل تفکیک‌شده چند متغیره خطی برای ارزیابی مالی سالانه استفاده می‌نماید. در مدل استفاده شده از سوی این بانک به طور کلی ده شاخص حائز اهمیت بوده و مورد استفاده قرار می‌گیرد. در جدول زیر انواع شاخص‌های به کار برده شده از سوی این بانک ذکر گردیده است:
2-2- مدل‌های رگرسیونی :
همانند تحلیل تفکیک‌شده چند متغیره، مدل‌های رگرسیونی برای مدل‌سازی متغیرهای وابسته (متغیرهایی که تنها دو وضعیت برای آنها درنظر گرفته می‌شود مثلاً قرمز یا آبی، خوب یا بد، شکست یا پیروزی) براساس دیگر متغیرهای مستقل، به کار گرفته می‌شوند. اگر این تعریف کلی از مدل‌های رگرسیونی را در رویه‌های اعتبارسنجی قبول کرده و به‌کار ببریم، در این صورت خوش‌حساب و یا بدحساب بودن قرض‌گیرندگان به عنوان متغیر وابسته دوگانه خواهد بود و سایر شاخص‌های ارزش اعتباری به عنوام متغیرهای مستقل عمل خواهند کرد. استفاده از توابع غیرخطی و همچنین روش حداکثر درست‌نمایی در مدل‌های رگرسیونی در محاسبه میزان دقیق متغیر وابسته موثر خواهد بود. به دلیل سهولت نسبی در نمایش ریاضی، غالباً از مدل‌های لجیت در مدل‌سازی‌های رتبه‌بندی استفاده می‌شود. در رگرسیون لجستیکی احتمال اینکه فرد موردنظر خوش‌حساب و یا بدحساب باشد به صورت فرمول زیر محاسبه می‌شود:
p=1/(1+exp[- (b_0+b_1∙k_1+b_2∙k_2+⋯+b_n∙k_n)] )
در تابع بالا، n نشان‌دهنده تعداد شاخص‌های مالی مورد استفاده در تابع رتبه‌بندی است. Ki به مقدار خاص شاخص اشاره دارد و bi ضریب هر شاخص در تابع رتبه‌بندی و b_0 مقدار ثابتی است که اثر تعیین‌کننده‌ای بر P دارد. P احتمال اعتبار متقاضی بوده که عددی بین صفر تا یک است و خوش‌حسابی و یا بدحسابی یک فرد را تعیین می‌کند. مدل رگرسیون لجستیکی نسبت به مدل تحلیل تفکیک‌شده چند متغیره دارای مزیت‌هایی است که در ادامه اشاره می‌گردد. در مدل رگرسیون لجستیک الزامی وجود ندارد که تمامی شاخص‌های مورد استفاده باید تابع توزیع نرمال داشته باشند. نتیجه مدل رگرسیون لجستیک خود به تنهایی و مستقیماً می‌تواند به عنوان نتیجه اعتبارسنجی تعبیر گردد و نیاز به تفاسیر و پردازش‌های دیگر ندارد. نتایج مدل رگرسیون لجستیک در مقایسه با تحلیل‌های تفکیک‌شده دقیق‌تر بوده و اعتبار بیشتری دارد. در سال‌های اخیر، مدل رگرسیون لجستیک هم در تحقیقات دانشگاهی و هم در عمل بیشتر مورد استفاده قرار گرفته است.
2-3- شبکه‌های هوش مصنوعی :
– ساختار شبکه‌های هوش مصنوعی: شبکه های هوش مصنوعی از فناوری اطلاعات به منظور شبیه‌سازی روشی با مغز انسان (که چگونه مغز اطلاعات را پردازش می‌کند)، استفاده می‌کنند. به زبان ساده، مغز انسان از تعداد بسیار زیادی سلول عصبی تشکیل شده است که از طریق شبکه گسترده‌ای از سیناپس‌ها با یکدیگر ارتباط دارند. سلول‌های عصبی از طریق سیناپس‌ها اطلاعات را دریافت کرده، پردازش می‌کنند و در مقابل سیگنال‌ها و اطلاعات جدید دیگری را به سایر سلول‌های عصبی منتقل می‌کنند. از این طریق اطلاعات می‌توانند به طور موازی در کل شبکه سلول‌های عصبی توزیع و پردازش شوند. شبکه‌های هوش مصنوعی نیز در تلاش برای دستیابی به این پردازش بیولوژیک هستند. یک شبکه عصبی مصنوعی از سه لایه که شامل لایه ورودی، لایه‌های درونی و لایه خروجی می‌باشد، تشکیل می‌شود.
لایه ورودی در راستای دریافت اطلاعات (در اینجا منظور مقادیر شاخص‌های ویژه و موردنظر است) و انتقال اطلاعات به سایر لایه‌های درونی است. لازم به ذکر است پیوندها (سلول عصبی) در شبکه عصبی مصنوعی به صورت وزنی اختصاص داده می‌شود و جریان اطلاعات از این طریق کنترل می‌گردد. در سلول‌های عصبی، کلیه اطلاعات وارد شده (i) با مقادیر خاصی (V) ارتباط داده می‌شوند. سپس به هر قسمت از اطلاعات وزن‌دهی خاصی تعلق می‌گیرد (W). تابعی که برای انجام فرآیند بالا انتخاب می‌شود بسته به نوع مدل و ویژگی‌های آن متفاوت است. در زیر به یک نمونه از تابع لجستیک غیرخطی اشاره می‌شود:
O= 1/(1+ e^(-v) )
در ادامه نحوه عملکرد یک سلول عصبی براساس فرمول فوق به صورت شماتیک نمایش داده می‌شود:
در حالت کلی سایر توابع غیرخطی نیز می‌توانند به جای توابع لجستیک مورد استفاده قرار گیرند.
– کاربرد شبکه‌های هوش مصنوعی:
شبکه های عصبی قادرند داده‌های کمی و کیفی را به طور مستقیم پردازش کنند. این امر باعث می‌شود آنها به ویژه برای نمایش مدل‌های رتبه‌بندی پیچیده که طیف‌های مختلف اطلاعاتی را دارند مناسب باشند. اگرچه در شبکه‌های هوش مصنوعی برخلاف مدل‌های تفکیک‌شده چند متغیره، دادهها نیازمند داشتن شرایط خاصی برای استفاده نمی‌باشند، با این وجود هنوز استفاده از شبکه‌های هوش مصنوعی در فرآیندهای رتبه‌بندی رایج نیست. یک نمونه از شبکه‌های هوش مصنوعی BBR است که برای رتبه‌بندی ترازنامه شرکت‌ها استفاده می‌شود. این شبکه هوش از 14 داده ترازنامه به عنوان پارامترهای ورودی استفاده می‌کند و در نهایت خروجی این شبکه N-Score می‌باشد. درعمل مدل‌های رتبه‌بندی که از شبکه هوش مصنوعی برای اعتبارسنجی استفاده می‌کنند دارای دقت و قدرت تفکیک بالایی هستند.
3- مدل‌های تصادفی :
مدل‌های تصادفی در فرآیندهای اعتبارسنجی ، پیوندهای تحلیلی مستقیمی به ارزش اعتباری بر پایه تئوری‌های مالی برقرار می‌سازند. توسعه چنین مدل‌هایی بدین معنی است که از روشهای آماری برای پذیرش فرضیه‌ها در مقابل مجموعه داده‌های تجربی استفاده نمی‌شود.
3-1- مدل‌های قیمت‌گذاری تصادفی :
رویکرد نظریه قیمت‌گذاری، ارزیابی ریسک نکول براساس معاملات فردی و بدون استفاده از پیش‌فرضیات جامع تاریخی است. بنابراین این رویکرد در مواردی که مجموعه کاملی از اطلاعات و دادهها برای توسعه مدل‌های آماری وجود نداشته باشد، مورد استفاده قرار می‌گیرد. با این حال، این مدل نیازمند اطلاعات مربوط به ارزش اقتصادی سهام، حقوق صاحبان سهام و به‌ویژه نوسانات آنها می‌باشد. ایده اصلی مدل‌های قیمت‌گذاری این است که ورشکستگی اعتباری و نکول زمانی پیش خواهد آمد که ارزش اقتصادی بدهی‌های یک وام‌گیرنده بیش از ارزش اقتصادی دارایی‌های وی باشد. پارامترهای موردنیاز برای محاسبه مدل قیمت به شرح زیر می‌باشد: – ارزش اقتصادی بدهی‌ها – ارزش اقتصادی سهام – نوسانات دارایی‌ها با توجه به داده‌های ورودی، مدل قیمت‌گذاری برای کسب و کارهای خرد مناسب نخواهد بود. با این وجود تولید داده‌های موردنیاز برای استفاده از مدل فوق مشکلات خاص خود را دارد. به عنوان مثال ارزش اقتصادی یک شرکت به طور واقعی و براساس اطلاعات در دسترس عموم قابل ارزیابی نمی‌باشد. برای حل این مشکل معمولاً داده‌های موردنیاز از خود شرکت درخواست می‌گردد. برای شرکت‌های ثبت شده در بورس، نوسانات دارایی‌های شرکت غالباً براساس نوسانات ارزش سهام محاسبه می‌گردد. در عمل، مدت قیمت‌گذاری در کشورهای آلمانی زبان و به طور محدود و به‌ویژه شرکت‌های ثبت شده در بورس اجرا شده است.
3-2- مدل‌های جریان نقدینگی (شبیه‌سازی) :
مدل‌های جریان نقدینگی، برای اعتبارسنجی به‌ویژه معاملات وام‌های تخصصی مناسب هستند. زیرا ارزش اعتباری در این معاملات در درجه اول به جریان نقدینگی آتی ناشی از دارایی‌های تأمین مالی شده بستگی دارد. در این حالت، خود معامله (و نه یک وام‌گیرنده خاص) به صراحت ارزیابی می‌شود و بنابراین نتیجه حاصل از این مدل با عنوان رتبه‌بندی معاملات ذکر می‌گردد. همچنین مدل‌های مبتنی بر جریان نقدینگی می‌تواند به عنوان تغییر در مدل قیمت‌گذاری تصادفی برای ارزیابی ارزش اقتصادی یک شرکت و براساس جریان نقدینگی مورد استفاده قرار گیرد. در اصل می‌توان مدل‌های جریان نقدینگی را از دیدگاه‌های مختلف مناسب توصیف نمود. در این مدل، منحصراً کل جریان آزاد پول نقد نشان‌دهنده ارزش است. به منظور ارزیابی شرکت در یازارهای سرمایه، جریان نقدی آزاد عبارتست از میزان درآمد به‌دست آمده قبل از کسر مالیات، پرداخت بهره، تنزیل دارایی و استهلاک ( EBITDA) منهای سرمایه‌گذاری‌ها. در این مدل متوسط جریان نقدینگی آزاد یک شرکت طی پنج سال معیار ارزش اعتباری آن می‌باشد. تقسیم متوسط جریان نقدینگی آزاد بر هزینه‌های سرمایه در بخش تأمین مالی سهام و بدهی، می‌تواند به عنوان پارامتر ورودی در مدل قیمت‌گذاری تصادفی باشد. دو نوع متد برای استقراء جریان پول نقدی آتی بر پایه اطلاعات جریان پول نقد در گذشته می‌تواند مورد استفاده قرار گیرد. روشهای تحلیلی بر پایه روشهای تحلیل سری‌های زمانی به دو شکل کلی صورت‌بندی می‌شوند:
– مدل‌های رگرسیون یک مدل عملکردی از سری زمانی ایجاد کرده و پارامترهای مدل را با به حداقل رساندن انحراف مشاهدات بهینه‌سازی می‌کنند. – مدل‌های سری زمانی تصادفی، سریال زمانی را به عنوان یک فرآیند تصادفی نشان داده و تخمین‌های بهینه را برای برآورد پارامترهای مدل محاسبه می‌نمایند. مدل‌های شبیه‌سازی میزان و وزن تحقق پول نقد در آینده را با استفاده از داده‌های تاریخی که مرسوم‌ترین روش است و همچنین به‌کارگیری متدهای اقتصاد کلان، محاسبه می‌نمایند.