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)
- This estimates the likelihood that a borrower will default on their obligations over a specified period. PD models typically leverage historical data, credit scores, financial ratios and qualitative factors. I’ve often seen institutions use internal rating scales, akin to those used by credit rating agencies like Fitch Ratings for structured finance, to assign a PD to each borrower.
-
زیان در صورت نکول (LGD)
- LGD represents the proportion of an exposure that an institution expects to lose if a default occurs, after accounting for recoveries from collateral or other sources. Calculating LGD is complex, involving historical recovery rates, collateral valuations and legal costs associated with default resolution.
-
مقدار در معرض نکول (EAD)
- EAD is the total outstanding amount that a financial institution would be exposed to at the time a borrower defaults. For simple loans, this might be straightforward, but for credit lines or revolving facilities, it requires estimating future drawdowns.
-
گنجاندن اطلاعات آینده‌نگر
- A critical differentiator of current impairment models is their forward-looking nature. This involves integrating macroeconomic forecasts-such as GDP growth, unemployment rates and interest rate movements-into the PD, LGD and EAD estimates. From my perspective, this is where the art meets the science, as economic scenarios must be carefully calibrated to reflect potential future stresses.
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
- For financial assets where there has been no significant increase in credit risk since initial recognition. Institutions recognize a provision for expected credit losses that result from default events possible within the next 12 months.
-
مرحله ۲: ECL عمر مفید (غیر معیوب اعتباری)
- For financial assets where there has been a significant increase in credit risk since initial recognition, but they are not yet considered credit-impaired. Here, institutions recognize a provision for expected credit losses over the entire expected life of the financial instrument.
-
مرحله ۳: ECL عمر (معیوب اعتباری)
- For financial assets that are deemed credit-impaired (e.g., more than 90 days past due or subject to restructuring, as noted by the States of Guernsey Group, Note 2(h)(ii)). Institutions recognize a provision for lifetime expected credit losses and interest revenue is calculated on the net carrying amount (gross carrying amount less the impairment allowance).
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
- A persistent hurdle remains securing clean, consistent historical data. Financial institutions often contend with fragmented legacy systems, requiring significant effort in data aggregation and validation before model development can truly begin.
-
پیچیدگی مدل و اعتبارسنجی
- While conceptually straightforward, the actual models can be incredibly complex, requiring advanced statistical techniques and extensive computational resources. The iterative process of model validation, a critical step I’ve personally overseen countless times, ensures that models are robust, fit for purpose and perform as expected under various economic conditions. This involves back-testing, benchmarking against industry peers and sensitivity analysis.
-
ادغام با فرآیندهای کسب و کار
- The true value of an impairment model is realized when its outputs are seamlessly integrated into strategic business decisions-from loan origination and pricing to portfolio management and capital planning. This requires close collaboration between risk, finance and business units, translating complex model outputs into actionable insights.
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
- Uncertainties stemming from global conflicts, inflation and shifting monetary policies make forecasting future economic scenarios more challenging than ever. Models must be adaptable and able to quickly incorporate new information.
-
ریسک‌های نوظهور
- The increasing focus on environmental, social and governance (ESG) factors, alongside risks like climate change and cybersecurity, necessitates integrating new data sources and modeling approaches into existing frameworks. As seen with the Mass.gov and Moody’s focus on these areas, this is no longer optional.
-
پیشرفتهای فناوری
- The rise of artificial intelligence (AI) and machine learning (ML) offers both opportunities and challenges. While these technologies promise more sophisticated predictive capabilities, they also introduce questions around model interpretability, bias and governance.
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.
منابع
اجزای کلیدی یک مدل کاهش اعتبار چیست؟
اجزای کلیدی شامل احتمال نکول (PD)، زیان در صورت نکول (LGD) و مواجهه در صورت نکول (EAD) می‌باشد.
IFRS 9 چگونه بر مدلهای کاهش اعتبار تأثیر میگذارد؟
IFRS 9 الزامات شناسایی زیانهای اعتباری مورد انتظار (ECL) را تعیین میکند و سه مرحله از کاهش ارزش که بر ذخایر تأثیر میگذارد را تعریف میکند.