Episode 3: Bankruptcy rating

Zdroj
ručne priradené
Pridané

Pozrieť na YouTube →

Preber si túto prednášku so svojou AI

Skopíruj pripravený podklad a vlož ho do ChatGPT, Claude alebo inej AI — bude ťa učiť alebo skúšať len z tejto prednášky.

Otvoriť AI: ChatGPT · Claude · Gemini

Zhrnutie prednášky

Prednáška ukazuje praktické zostavenie modelu pravdepodobnosti bankrotu v Exceli pomocou Ohlsonovho O-score pre francúzsku firmu na päťročnom horizonte. Najprv sa z výkazov doplnia vstupné dáta (celkové aktíva, záväzky, pracovný kapitál, zisk pred zdanením, hrubý národný produkt Francúzska) a odvodia sa pomerové ukazovatele ako veľkosť firmy, zadlženosť, pomer pracovného kapitálu k aktívam či zmena čistého zisku. Tieto ukazovatele sa vynásobia regresnými koeficientami s použitím zafixovaných odkazov v Exceli, sčítajú s konštantou a výsledné O-score sa logistickou funkciou prevedie na pravdepodobnosť zlyhania. Na záver sa rieši problém nejasných kategórií „other“ v aktívach a záväzkoch, ktoré skresľujú výsledky a je nutné ich ošetriť a prekalibrovať bilanciu.

  • - Model sa skladá najprv z komponentov a pomerov, až potom z celej funkcie O-score.
  • - Veľkosť firmy sa meria logaritmom podielu celkových aktív a HNP (nie HDP, aby sa ignorovali odpisy a zahraničné firmy).
  • - Zadlženosť (záväzky/aktíva) nad 1 signalizuje problém a záporný pracovný kapitál naznačuje agresívne krátkodobé financovanie.
  • - Binárna premenná strát za posledné dva roky je v prvých rokoch rovná 1, neskôr pri konsolidácii klesá na 0.
  • - Súčin koeficientov a ukazovateľov sa v Exceli rieši zafixovaným odkazom (znak dolára pred stĺpcom) a sčítaním s konštantou −1,32.
  • - Pravdepodobnosť zlyhania sa počíta ako exp(O)/(1+exp(O)); pôvodný zápis so znamienkom mínus bol chybný.
  • - Kategórie „other“ v aktívach a záväzkoch sú neprehľadné a veľké, preto sa musia vynulovať a bilancia prekalibrovať.

Zhrnutie pripravené s pomocou AI z prepisu videa.