مدل‌های کاهش اعتبار تقویت مدیریت ریسک و ثبات مالی

در طول دو دهه فعالیت من در مدیریت ریسک مالی و انطباق با مقررات، چندین حوزه به اندازه توسعه و کاربرد مدل‌های کاهش اعتبار به طور پویا تکامل نیافته یا به اندازه آن‌ها حیاتی نبوده است. این چارچوب‌های پیچیده دیگر تنها نیازهای حسابداری نیستند؛ بلکه ارکان اساسی برای مدیریت ریسک قوی، تخصیص سرمایه و تضمین ثبات مالی سیستماتیک هستند. از خط مقدم وام‌دهی تا اتاق‌های هیئت مدیره مؤسسات جهانی، درک و پیاده‌سازی مدل‌های مؤثر کاهش اعتبار برای پیمایش در چشم‌انداز اقتصادی پیچیده امروز بسیار مهم است.

مدل کاهش اعتبار یک ابزار مالی است که برای برآورد خسارات احتمالی آینده بر روی یک دارایی مالی به دلیل عدم توانایی وام‌گیرنده در برآورده کردن تعهدات قراردادی خود طراحی شده است. هدف اصلی آن این است که به مؤسسات مالی اجازه دهد تا به‌طور پیشگیرانه این خسارات پیش‌بینی‌شده را شناسایی و برای آن‌ها ذخیره‌گذاری کنند، به جای اینکه منتظر بمانند تا یک نکول واقعاً اتفاق بیفتد. این رویکرد آینده‌نگر به‌طور چشمگیری شفافیت و ثبات را در گزارشگری مالی افزایش می‌دهد.

شیفت به سمت این مدل‌ها با معرفی استانداردهای حسابداری جهانی مانند IFRS 9 (استاندارد گزارشگری مالی بین‌المللی 9) و CECL (زیان‌های اعتباری مورد انتظار جاری) در ایالات متحده به شدت شتاب گرفت. بر خلاف مدل‌های قبلی “زیان‌های تحقق‌یافته” که تنها در زمان وقوع یک رویداد کاهش ارزش، زیان‌ها را شناسایی می‌کردند، این چارچوب‌های جدید شناسایی زیان‌های اعتباری مورد انتظار (ECL) را الزامی می‌کنند.

در عمل، این به معنای ارزیابی ریسک اعتباری از لحظه‌ای است که یک ابزار مالی ایجاد می‌شود. به عنوان مثال، صورت‌های مالی تلفیقی گروه دولتی گورنسه به وضوح بیان می‌کنند که طبق IFRS 9، “زیان‌های اعتباری مورد انتظار یا به صورت زیان‌های اعتباری مورد انتظار ۱۲ ماهه یا زیان‌های اعتباری مورد انتظار عمرانی اندازه‌گیری می‌شوند” (گروه دولتی گورنسه، صورت‌های مالی تلفیقی، یادداشت ۲(ح)(ii)). این تمایز بنیادی دامنه و اندازه ذخایر را تعیین می‌کند.

ساخت یک مدل جامع نقص اعتبار شامل ادغام مفاهیم مختلف احتمالی و مالی است. تجربه من نشان داده است که دقت به کار رفته در هر جزء به طور مستقیم با قدرت پیش‌بینی و قابلیت اطمینان مدل مرتبط است.

• احتمال نکول (PD) این احتمال را برآورد می‌کند که یک وام‌گیرنده در طول یک دوره مشخص به تعهدات خود عمل نکند. مدل‌های PD معمولاً از داده‌های تاریخی، نمرات اعتباری، نسبت‌های مالی و عوامل کیفی استفاده می‌کنند. من اغلب دیده‌ام که مؤسسات از مقیاس‌های رتبه‌بندی داخلی استفاده می‌کنند، مشابه آنچه که توسط آژانس‌های رتبه‌بندی اعتباری مانند Fitch Ratings برای مالی ساختاری استفاده می‌شود، تا یک PD به هر وام‌گیرنده اختصاص دهند.

• زیان در صورت نکول (LGD)

  • LGD نمایانگر نسبت یک ریسک است که یک مؤسسه انتظار دارد در صورت وقوع نکول از دست بدهد، پس از در نظر گرفتن بازیابی‌ها از وثیقه یا منابع دیگر. محاسبه LGD پیچیده است و شامل نرخ‌های تاریخی بازیابی، ارزیابی‌های وثیقه و هزینه‌های قانونی مرتبط با حل و فصل نکول می‌باشد.

• مقدار در معرض نکول (EAD) EAD مبلغ کل معوقه‌ای است که یک مؤسسه مالی در زمان عدم پرداخت وام‌گیرنده با آن مواجه خواهد شد. برای وام‌های ساده، این ممکن است ساده باشد، اما برای خطوط اعتباری یا تسهیلات چرخشی، نیاز به برآورد برداشت‌های آینده دارد.

• گنجاندن اطلاعات آینده‌نگر یک تمایز حیاتی مدل‌های کاهش ارزش فعلی، ماهیت پیش‌بینی‌کننده آن‌هاست. این شامل ادغام پیش‌بینی‌های کلان اقتصادی—مانند رشد تولید ناخالص داخلی، نرخ بیکاری و تغییرات نرخ بهره—در برآوردهای PD، LGD و EAD است. از نظر من، اینجاست که هنر با علم ملاقات می‌کند، زیرا سناریوهای اقتصادی باید به دقت تنظیم شوند تا فشارهای آینده احتمالی را منعکس کنند.

چارچوب IFRS 9، که توسط نهادهایی مانند گروه ایالت‌های گورنس پذیرفته شده است، سه مرحله از کاهش اعتبار را تعریف می‌کند که بر نحوه اندازه‌گیری ECL تأثیر می‌گذارد:

• مرحله ۱: ۱۲ ماه ECL برای دارایی‌های مالی که از زمان شناسایی اولیه، افزایش قابل توجهی در ریسک اعتباری وجود نداشته است. مؤسسات یک ذخیره برای زیان‌های اعتباری مورد انتظار که ناشی از رویدادهای پیش‌فرض ممکن در ۱۲ ماه آینده است، شناسایی می‌کنند.

• مرحله ۲: ECL عمر مفید (غیر معیوب اعتباری) برای دارایی‌های مالی که از زمان شناسایی اولیه، افزایش قابل توجهی در ریسک اعتباری داشته‌اند، اما هنوز به عنوان دارایی‌های اعتباری معیوب در نظر گرفته نمی‌شوند. در اینجا، مؤسسات یک ذخیره برای زیان‌های اعتباری مورد انتظار در طول عمر مورد انتظار ابزار مالی شناسایی می‌کنند.

• مرحله ۳: ECL عمر (معیوب اعتباری) برای دارایی‌های مالی که به عنوان دارای اعتبار معیوب در نظر گرفته می‌شوند (به عنوان مثال، بیش از 90 روز تأخیر یا مشمول بازسازی، همان‌طور که توسط گروه ایالت‌های گورنس مشخص شده است، یادداشت 2(h)(ii))، مؤسسات یک ذخیره برای خسارات اعتباری مورد انتظار در طول عمر و درآمد بهره را بر اساس مبلغ خالص دفتری (مبلغ دفتری ناخالص منهای ذخیره کاهش ارزش) محاسبه می‌کنند.

کارایی هر مدل کاهش اعتبار به کیفیت و در دسترس بودن داده‌ها بستگی دارد. داده‌های تاریخی جامع و دقیق در مورد نکول‌ها، بازیابی‌ها و متغیرهای کلان اقتصادی ضروری است. به عنوان یک حرفه‌ای مالی، از نزدیک شاهد بوده‌ام که چگونه کمبود داده‌ها می‌تواند حتی بهترین مدل‌های نظری را فلج کند.

مؤسسات مالی به طور فزاینده‌ای به پلتفرم‌های فناوری پیشرفته برای مدیریت داده‌ها، انجام محاسبات پیچیده و تولید گزارش‌های لازم وابسته هستند. شرکت‌هایی مانند Moody’s راه‌حل‌های “مجموعه وام‌دهی ریسک و مالی” و “پلتفرم ریسک هوشمند” را ارائه می‌دهند که قابلیت‌های “مدیریت ترازنامه و پرتفوی” را فراهم کرده و در هدایت ریسک با اطمینان کمک می‌کنند (Moody’s, Insights). این پلتفرم‌ها بخش زیادی از ورود داده‌ها، اجرای مدل و گزارش‌دهی را خودکار می‌کنند که برای مدیریت پرتفوی‌های بزرگ و متنوع حیاتی است.

تنظیم‌کنندگان در سرتاسر جهان نقش محوری در شکل‌دهی و اجرای استانداردها برای مدل‌های کاهش اعتبار ایفا می‌کنند. به عنوان مثال، اداره بانک‌ها (DOB) در ماساچوست به عنوان “مرجع صدور مجوز و تنظیم‌کننده اصلی برای ارائه‌دهندگان خدمات مالی” عمل می‌کند، با مأموریت اصلی “اطمینان از یک محیط خدمات مالی سالم، رقابتی و قابل دسترسی” (Mass.gov, Division of Banks). این نظارت به طور طبیعی به نحوه ارزیابی و تأمین اعتبار ریسک توسط مؤسسات مالی گسترش می‌یابد.

یک کاربرد کلیدی نظارتی از مدل‌های کاهش اعتبار، آزمون استرس است. نهادهای نظارتی، مانند بانک انگلستان، “آزمون‌های استرس همزمان سیستم بانکی بریتانیا را به‌طور منظم برای حمایت از FPC و PRA در دستیابی به اهدافشان” انجام می‌دهند (بانک انگلستان، آزمون استرس سیستم بانکی بریتانیا، راهنمای آزمون استرس ۲۰۲۵ برای شرکت‌کنندگان، منتشر شده در ۲۴ مارس ۲۰۲۵). این آزمون‌ها سناریوهای اقتصادی نامطلوب را شبیه‌سازی می‌کنند تا تاب‌آوری مؤسسات مالی و کفایت ذخایر سرمایه آن‌ها را در شرایط بحرانی ارزیابی کنند. بینش‌های حاصل از آزمون‌های استرس اغلب الزامات سرمایه و اقدامات نظارتی را اطلاع‌رسانی می‌کند و پیوند حیاتی بین مدل‌سازی کاهش اعتبار و ثبات سیستمیک را برجسته می‌سازد.

علاوه بر این، نهادهای نظارتی به طور فزاینده‌ای بر روی خطرات نوظهوری که می‌توانند بر کیفیت اعتبار تأثیر بگذارند، تمرکز می‌کنند. به عنوان مثال، اداره بانک‌های ماساچوست بر روی “منابع خطر مالی و مرتبط با تغییرات اقلیمی” و “امنیت سایبری برای صنعت خدمات مالی” تأکید می‌کند (Mass.gov, Division of Banks). این نشان‌دهنده یک انتظار رو به رشد برای مدل‌های کاهش اعتبار است که باید عواملی مانند تأثیرات تغییرات اقلیمی (به عنوان مثال، خطرات فیزیکی و انتقالی در بانکداری، همانطور که توسط Moody’s Insights اشاره شده است) و تهدیدات سایبری را در ارزیابی‌های پیش‌بینی خود لحاظ کنند.

پیاده‌سازی و نگهداری مدل‌های کاهش اعتبار یک فرآیند پیچیده و مداوم است. از تجربه‌ی مستقیم من در رهبری تیم‌های مدل‌سازی، چالش‌های عملی اغلب به اندازه‌ی پیچیدگی‌های نظری مهم هستند.

• دسترس‌پذیری و کیفیت داده‌ها یک مانع مداوم باقی مانده است که تأمین داده‌های تاریخی تمیز و سازگار است. مؤسسات مالی اغلب با سیستم‌های قدیمی و تکه‌تکه مواجه هستند که نیاز به تلاش قابل توجهی در جمع‌آوری و اعتبارسنجی داده‌ها دارد قبل از اینکه توسعه مدل واقعاً آغاز شود.

• پیچیدگی مدل و اعتبارسنجی در حالی که از نظر مفهومی ساده به نظر می‌رسد، مدل‌های واقعی می‌توانند به طرز شگفت‌انگیزی پیچیده باشند و نیاز به تکنیک‌های آماری پیشرفته و منابع محاسباتی گسترده دارند. فرآیند تکراری اعتبارسنجی مدل، که مرحله‌ای حیاتی است که من شخصاً بارها بر آن نظارت کرده‌ام، اطمینان می‌دهد که مدل‌ها قوی، مناسب برای هدف و مطابق با انتظارات در شرایط اقتصادی مختلف عمل می‌کنند. این شامل آزمون‌های بازگشتی، مقایسه با همتایان صنعتی و تحلیل حساسیت است.

• ادغام با فرآیندهای کسب و کار ارزش واقعی یک مدل کاهش ارزش زمانی مشخص می‌شود که خروجی‌های آن به‌طور یکپارچه در تصمیمات استراتژیک کسب‌وکار گنجانده شوند - از آغاز و قیمت‌گذاری وام تا مدیریت پرتفوی و برنامه‌ریزی سرمایه. این امر نیازمند همکاری نزدیک بین واحدهای ریسک، مالی و کسب‌وکار است تا خروجی‌های پیچیده مدل به بینش‌های قابل اقدام تبدیل شوند.

طبیعت تکراری تصحیح مدل نیز بسیار مهم است. شرایط اقتصادی به طور مداوم تغییر می‌کنند، داده‌های جدید در دسترس قرار می‌گیرند و انتظارات نظارتی تکامل می‌یابند. مدلی که سال گذشته به طور کامل کالیبره شده بود، ممکن است امسال نیاز به تنظیمات قابل توجهی داشته باشد تا مرتبط و دقیق باقی بماند.

چشم‌انداز مدل‌های کاهش اعتبار به طور مداوم در حال تحول است. چندین چالش و روند کلیدی در حال شکل‌دهی به آینده آن‌ها هستند:

• محیط کلان اقتصادی پویا عدم قطعیت‌های ناشی از درگیری‌های جهانی، تورم و تغییر سیاست‌های پولی پیش‌بینی سناریوهای اقتصادی آینده را از همیشه دشوارتر می‌کند. مدل‌ها باید قابل انعطاف باشند و بتوانند به سرعت اطلاعات جدید را در خود جای دهند.

• ریسک‌های نوظهور تمرکز فزاینده بر عوامل زیست‌محیطی، اجتماعی و حاکمیتی (ESG) به همراه خطراتی مانند تغییرات اقلیمی و امنیت سایبری، نیازمند ادغام منابع داده جدید و رویکردهای مدل‌سازی در چارچوب‌های موجود است. همان‌طور که در تمرکز Mass.gov و Moody’s بر این حوزه‌ها مشاهده می‌شود، این دیگر اختیاری نیست.

• پیشرفت‌های فناوری ظهور هوش مصنوعی (AI) و یادگیری ماشین (ML) هم فرصت‌ها و هم چالش‌هایی را به همراه دارد. در حالی که این فناوری‌ها وعده قابلیت‌های پیش‌بینی پیچیده‌تری را می‌دهند، همچنین سوالاتی را در مورد قابلیت تفسیر مدل، تعصب و حاکمیت مطرح می‌کنند.

تکامل مدل‌های کاهش اعتبار نشان‌دهنده تعهد مداوم صنعت مالی به شفافیت بیشتر، تاب‌آوری و مدیریت ریسک پیشگیرانه است. با نگاه به آینده، توانایی سازگاری سریع این مدل‌ها با اطلاعات جدید و ریسک‌های نوظهور، موفقیت مؤسسات مالی در حفظ یک محیط سالم و رقابتی را تعریف خواهد کرد.

مدل‌های کاهش اعتبار ابزارهای ضروری هستند که فراتر از صرفاً رعایت قوانین عمل می‌کنند و به عنوان پایه‌ای برای مدیریت مالی محتاطانه و ثبات سیستماتیک عمل می‌کنند. از طریق ارزیابی پیش‌بینی‌شده زیان‌های اعتباری مورد انتظار (ECL)، که توسط زیرساخت داده‌ای قوی پشتیبانی می‌شود و از طریق فرآیندهای دقیق مانند آزمون استرس سرمایه بانک ۲۰۲۵ (بانک انگلستان، منتشر شده در ۲۴ مارس ۲۰۲۵) تأیید شده است، این مدل‌ها به مؤسسات مالی قدرت می‌دهند تا به طور مؤثر ریسک اعتباری را در یک اقتصاد جهانی در حال تغییر پیش‌بینی، اندازه‌گیری و کاهش دهند. بهبود مستمر آن‌ها، با در نظر گرفتن بینش‌هایی از نهادهایی مانند اداره بانک‌های ماساچوست (Mass.gov) و استفاده از پلتفرم‌های پیشرفته‌ای که توسط مودیز (Insights) ارائه می‌شود، برای حفظ سلامت مالی و تقویت اعتماد بسیار حیاتی است.