Kreditanalyse med Morten Seitz

Velkommen til Rih på Reinskepsalala-lysne. Podcasten, hvor vi gjerne at overblik over pensum, inden for fadreinskepsalala-lysne. Mitt navn, André Trommand. Velkommen til inden uden episode er Rih på Reinskepsalala-lys, hvor jeg er igen om 18 sites med mig, som er prostået ved igen på CVS. Tak fordi du er med. Det er meget at tak, andre. Vi skal i dag tale om gennede siden i virkelheden. Vi har også gennede siden i virkelheden. Det er en vigtig betale, den gennede siden i virkelheden. Og det skal vi også forholde til den risiko, som Reinskepsalala-lysne. Så det er sådan en andet, den her visere. Ja, jeg kan snakke om kreditrisiko. Hvordan kan vi de som oversku det her imellem ordent? Ja, det er jo et kæmpe kæmpe stort. Når jeg skal starte med at se, der er faktisk et helt fad, og trofvejstigheder kreditrisiko. Det er jo et kæmpe stort fad, så vi begår over en basics, kan man se. Og man tænker på kreditrisiko, er der sådan to faktorer, to ordentligt faktorer, vi skal prøve at stå den en. Det er sådan synetet for betalingstansning, sådan synet for at det går galt. Og den anden faktisk er, hvor meget tager vi, hvis noget det går galt. Det er de to faktorer, vi skal prøve at stå i vores kreditanalys. Perfekt. Hvis vi starter med det mys benen i det hænge, hvordan kan vi analysere os frem til om det går galt i en virksomhed? Ja, det er det, der er flere todere til, hvis vi skal prøve at holde det renskæps, relateret, så kan vi jo kigge på nojletal-analyset, men der kan nojletalne stikke i alle mulige retninger, der begrænsninger valg, nojletalner de svære oversku og sådan noget. Så man kan bruge og komme ud, når den er udfordring ved at kigge på ratings, eller så kan man kigge på statistiske modeller eller konkursmodeller. Hvis vi starter med det med nøjletalt, er det ikke nogen vigtige småkæng gonne? Nøjletal, vil jeg som skal have hurtigere? Jo, det er der, man kan sige for lidt returen, at der er få nøjletal, der er forklare langt det mest, der er vejationen i konkursrisikoren for virksomheder. Det betyder sagt vi en lidt mere nede på jorden måde, at der er nogle få nøjletal, der fanger det mest. Så sidder jeg eller vende at penge på, hvad det er for nogle? Og hvad er det, så kan du have noget nøjletal? Det er tre nøjletal. Det er en det profilibilitet, når jeg er talt. Så var mange penge tener, vi. Det andet er en giængsnøjletal. For eksempel, er en kapital i forhold til totalaktiver eller gældeforhold til totalaktiver. Er så meget lån, har vi i forhold til, hvor meget vi ejer. Og det tre nøjletal, det er en stagst. Indtil en enig sådan ene nøjletal, casflø og nøjletal i forhold til, hvor meget gæld vi har. Lad os prøve at tænke over det tre nøjletal, en gang. Det er en det profilibilitet, hvor mange penge tener vi. Det er selvfølgelig det virkelig nøjletal for om virkepitalversrejninger, frem som vi skal tænne nogle penge. Det andet nøjletal, hvor meget gæld har vi forhold til, hvor meget vi ejer. Det er selvfølgelig også vigtigt. Og det tre dager, hvor meget tæner, ved det, hvor meget casfløskaber vi. I forhold til, hvor meget gæld vi har. Det er betydende for, hvor hurtig vi kan betale gældene. Det betydende for, hvor meget mange penge vi har til betale gældene. Og hvis vi skal prøve at relatere de her nøjletal til sådan en vores privat økonomie, så passer de næsten perfekt på den måde, det bliver dit på der, når du går i banken. Når du går i banken, jeg skal spørre med det lån til en bolig for eksempel. Så vil de kigge på, hvor mange penge tener du. Altså de rådhedsbolø, de vi kigge på, hvor meget gæld optager du i forhold til det hus eller den lejlighed du gerne vil købe. De belundningsgrad. Og så vil de kigge på, hvor meget gæld optager du i forhold til din løn. Og det har også et navn, som jeg ikke kan huske lige nu. Det er sådan et gældsfaktorhed af det. Præcis. Og det er vælg et gældsfaktor. Det talt er mindre utrolig meget om det talt du ikke nævnte net interest bearing depth to EBDA. Ja, men det er sådan den her lidt i det tredje når i det talt. Det er sådan, det er jo bare den omvend, der kan man sige, det er selvfølgelig rigtig. Det er lige det her, at vi er snakker om, der bruger de viste EBDA i forhold til Gæld. Du kan vente, når man sige Gæld i forhold til EBDA i du måle det sammen. Men det er bare talt, som med møde rigtig meget der udtryngere af engere. Både, hvis vi ikke så måde skabe banken, kigger de på bogingens faktor. Vi ikke så måde også kreditænene, at du skal gøre næset. Og hvor meget de gik i herede. Og hvor meget gæld her har de forhold til, hvor meget indgængige de driver som EBDA. Så ja, de her tre nøgle talt er de central. Det er et lade en fedt, når man renskaps, man, at tænke det passer med, at det er nok til det sammen, vi bliver modbåde, når vi gør i banken, skal det lønse over spålige. Perfekt. Så er det de her statistisk modeller til et ord. Eller springer noget om? Ja, jeg ved ikke om vi skal have rating modeller først. Jo, der er så rating modeller. Rating modeller, ja. Dem kan man jo gå ind og finne for. Hvis vi har en virksomhed, den bør jeg snå til at virksomhånden, kan vi faktor gå ind og finne deres rating. Du kan gå ind og finne for Karlsberg, for eksempel. Bare Google Karlsberg er så rating, og så kan du finne den på deres hjem. Det kredt dit rating, vi tænker det om her. Det kredt dit rating, så er der pæmoudies, det er det til færdige. All of the idea, yes. Ja. Så dem kan vi finne selv, for de virksomhed over, de ikke er offentlig gørte. Da kan vi også godt bruge ratings, for de kan hende data på, for eksempel for Bloomberg, de er rating berover, de opgiv er møs i nogle af borte. Der kan vi finne rating, så der kan vi finne nøjletal med de a-nøjletal inden for hvad rating. Hvis du har en triple A, hvis du er s.s.np, så skal du ha en free operating cash flow to gel, der skal være sådan noget 4,4 procent, så det vil sige, du skal skabe en masse cash flow i forhold til gel for at ligge op i triple A. Den kan vi finne for alle mulige nøjletal, for alle de forskellige ratings, og så kan vi utage den virksomhed, vi gerne vil analysere, prøver inden det er deres nøjletal inden rating, og så kan vi set lave en vækning, og til sige kan vi komme frem til en beregnede rating. Så alle de her virksomheder, de fleste, de betaler for de der rating strøg, og det er jo sådan der, der er en terrasse. Det er så, at de her rating fungerer på den måde, at der er nogle virksomheder, og det er typisk på A, det virksomheder har satset noget beslutet, så for at den her sammensetning er nøjletal. For en virksomhed, den svare til, at virksomheder får rigtig go, kreditskor, eller der er i daglig kreditskor. Og det vil noget de selv beslutter. Det er noget de selv beslutter, ja, så på nene side har det nogle interesse konflikter. Det er klart, at man vil gi en dogl rating til en virksomheder, der betaler for det. Jeg vil ikke så meget betale os for deres egen revisorer. Fæssig. Resil, så man har de her konflikter, alle mulighederede. I bund og grøn kan man sige, at de her rating droer bliver nødt til at gi nogle emelig korrekte ratings for de der, så der er ikke som vester de utrovertigheder, så der er ikke nogle der betale for dem. Så der er sådan disciplineren effekter. Så noget inputter til deres rating, det er regnskapstale. Kan man sige i forosingssilatorer, når man kan forklaar sig, at 30-40 % der de her rating sur for regnskapstale, resten det er noget som ikke er regnskapstale. Så det er noget, det er noget forståelse af market. Og det er størrelsen på virksomheder, og det er fremtid usikter. Lige som når vi laver en verdien, har de her rating droer lavet en helt fundamental annelys af virksomhederne. Jeg virksomhederne har på market niveau, på brængsenevere og på virksomhedernevere. Det får sørge de sig og opsummere af de her rating. Man kan gå ind og sige et eksempel, hvis man går ind på kærespefaksempel, at der finder den her rating. Kan man sige et eksempel på, hvad der er for nogle faktorer, der går ind i den her rating for den her virksomheder? Så kan man sige, hvordan de blev vægt, og man kan se den enleisk gode. Precis. Og de virksomheder, typisk, hvad er så nogle her rating, det er, hvis de er udstet nogle obligationer, og engene, de så er der din bestegingsform. Nes. Så er der de statistiske modeller, som jeg var ved at hoppe til, lidt forholdigt. Hvad er, hvad kan de, at det er noget, der har malt mand eller var? Det er noget, der har malt mand. Det har faktisk en gang, der er været til et fordraum af malm. Er det rigtigt? Nå, hvor rejf. Nej, men det var affinert for en, der er noget, der har man på besvig. Er det rigtigt? Ja, en stor oplevelse. Det er der for vil. Ja. Nej. Ja. Ja, ja, ja, ja. Det er jo bare flex. Jeg får du en lille præng på, og jeg spikker dig, jeg kan så om det, han der er der gør du. Nå, fastsje. Hvad, hvad, hvad, hvad kan jeg de, der modeller? Jo, altså tilbage, la du prøve til at den heltbage i 1979, hvor der er en god dag, biver. Der er begønt, der kigger på nogle, nogle noylertal og sagde, he, kan vi bruge? He, kan vi bruge nogle de her noylertal til at forekaste konkurser? En to, så er det enkelt noylertal gang, og fandt ud af he, der er nogle forskel, fordi jeg virksomheder går konkurser, nemt at jeg ikke går konkurser. Det er ikke overrassende for os i dag, men det er som sådan, det starter ting på, på svært. Det var at være et med dag til den gang. Så det er jo kæmpe betraft, og vis, empirisk, at der er nogle noylertal, der er for konkursviksomhed, er doglige selv fem år før. Og de udvikler sig også på en doglige måde, så de bliver indodorligere i det, og de sidste fem år før det går konkurs. Det er ligesom første step i det her. Det er så biver, så træst, der kommer vi til alt man sæt skor, som der er rigtig mange i praksisterkender. Den er så udviklede ned den året og træst, og den er virkelig virkelig gamle, så to år efter biver her. Han gik så stæppe vedere og sagde, hvad nu hvis vi ikke kigger på et enkeltal af gang, men hvad nu hvis vi slå dem sammen i den skor? Så han er fem noylertal, som han testede af, og prøv at se, at han kunne forekaste, hvad er for nogle viksomhed, der gik konkurs, og det kunne han så. Så for denne måde, om man ladder en statistisk modell, og det er jo imponerende, fordi det er brændt lige samlet her i alt mannens det er, så noget. Jeg tror det er træst viksomhed, eller sådan. Det er virkelig virkelig et lille samme, og det lavet for meget meget lang tid siden, og de her par meter, der bliver estimeret den her gang, altså den ganges i året og træst, de bliver stryk på den datet. Og det er det mere kommet førsting. Jo, jo, jo, jo, jo. Det er jo blevet udviklede og blevet soffisit kæret rigtig meget siden, og banker for eksempel ser jo selv og gør det her. Og udvikler dem løbende, fordi en af, altså fordelen, hvad det her er, at du kan ta en stor gruppe, når eller talt overskuben på den måde du får en skor. Den ene for en af den fordel er, at empirisk er de også bare overrattende for sige. Ja. Det er de bare, og selv den her allemands skor er der saladet nogle vendsmarking på tid, og det viser sig så, at den holder sådan rimelige. Den holder rimelige, hvor? Nu har jeg data fremt til 1999, men det er veldig støk for året og 39,5. Den er sådan rimelige præcis over tid, selvom den er estimeret på større et lille samme været og den estimeret på så langsæt siden. Så fordelen er, at du kan overskuben en stor mande når eller talt vil jeg kigge og slå dem sammen til en skor, ulempe mere, at for at du får den mest præcisemodel, så skal du re-estimer den løbende. Og så kigger det også for historisk et tal til at du har ikke din byssetering med, for eksempel. Perfekt. Og det der ville være den overrattende idé i det, at man lige som tænker, "OK, der er aldrig de har nøjlet alt, men nu skal vi prøve sådan statistisk og se, hvad virger I?" Hvis vi sammense, at det er nøjlet alt på en af det eller nysgeratio, på den mest optimale måde, hvad vigtere så? Hvad skal vi vigtigt mest for, at vi på den mest præcisemodet kan få ud sig i en konkurs? Og det er der en kæmpe forstningstilatur omkring, altså prøver ind, at de her inputs til konkursmodellen, hvor den forgør, at vi kan mest præcis. Det er så de her 3 nøjletal, jeg nævnte lærer profilibilitet, gien og så en IBDA-forhold til, eller en IBDA- eller et Caspermål i forhold til Gell, og så vinden om, som forklare dank demeste. Det betyder ikke at du ikke godt kan gøre modellerne bedre med, måske, noget interest coverage, eller alle mulige andre inputs til din konkursmodelle. Du kan sagtens køre, at de her modeller bedre, men de 3 de fanger langt demeste av aktion. Perfekt. Og hvad så hvis en virksomhed så kan konkurs? Og hvis jeg skal tale om den ande del af emnede her, altså hvad man kan få ud, vil jeg ikke så meget, hvis den går konkurs. Hvad tænker du her moden? Ja, altså nu har vi så, laz vi, at vi har lavet rating, så vi har kigget på konkursmodeller. Prøvder estimerier, og måske har vi en dag gået skrivet ved at lave en et besjæt og prøv at lave nogle scenereierne lyser. Og ud for det, vi vil så gerne prøve at finde en sådan tyngede for konkurs. Det er det første sted. Denneeste sted er, at hvis nu, at det ikke er og all, hvor mange penge tager, hvor vi så. Der skal man jo kigge på, altså noget så simpelthen, hvor mange penge har vi lovn ud. Det er ikke altid bare klere godt, laz sig, du har en caske, du har en caske, det er til en virksomhed. Og den caske, at det er på 100.000, man lige nu bliver der kun 20.000. Hvad fattes, at du så bruger i din expo-cher? Det er, som man typisk være konservativ og se, vi bruger vi an, til at hvis det går gaf, den er virksomh, så har de nok brugt hele, der er caske, at det er så vi tager de 100.000. Den ene faktisk, at det her er, at det er andet er, at hvis det går galt, hvor mange penge kan vi så hevejern, at de 100.000. Er der nogle aktiver, vi kan sælge, er der nogle aktiver, vi har pandi, eller har vi nogle gart tier fra måske i den måde, selvfølgelig, eller hvis den ejerlede virksomhed kan det være, at vi har en gart t for ejerlede, som var stillet sideret at holde huset pand. Så så nogle ting skal vi have med, når vi skal prøve at bedre hvor mange penge tager vi. Og selv hvis vi så har pand skal vi prøve at bedre kvaliteten der pand, hvis du har pand i gutt vil, for en virksomhed der ikke er leveddygtig, så er det måske ikke helt vil meget være. Hvis du har gutt vil de meget specielisere produktionen, så styrer som der ikke er nogle andre der kan bruge, andre virksomhed der kan bruge, så det er ikke noget vi kan sælge fra, så den er kællet af kællet af kællet meget være. Hvis du har pand i et varer lærer, som er meget standardiserede varer som allerede sælge, så kan du nok godt sælge det fra. Så man skal nødvå det, hvor mange penge har vi ud svemm, hvad for nogle sikkerheder har vi, og hvad kvaliteten er den sikkerhed vi så har. Perfekt. Hvis vi lige skal søge dem op, det er vigtigste her at huset på, når man har hørt den her episode, eller der noget, der mangler selvfører. Jeg tror vi er i gang. Det vigtigste jeg huset på, er, når vi skal sige noget om en virksomhed den går konkurs, så er der forskellige modeller vi kan kigge på. Vi kan kigge på sådan en af min i nøjletal, hvor mården har nødt en dårende, der er vigtigst en. Så kan vi kigge på ratings fra nogle af de her kredit rating virksomheder, S og B i modigtale de her, eller så kan man bruge de her statistiske modeller vort mest kænd, den nok er den vi kalder Alpmans sætsgod. Det er den ene del af det. Den anden del er, hvis en virksomhed går konkurs, så skal vi prøve at vi der, hvor meget kan vi få ud i det tilfældre, hvis den går konkurs. Og det er i virkelhedet et udtryk for, hvad hedder det, hvor meget har vi lån til virksomheden, og hvad hedder det, og hvor meget kan vi så for ikennel og hvad der får sikrede eller hvad er der noget der mangler her? Ja, lige for sikker, hvor meget det lån kan vi så få tilbage, ved at sælge aktivet ud i virksomheden. De præcis. Det er jo sådan vores egen voldet, om vi så tager ta i den risiko i frahold til risikoen der er frahold. Vi prøv os lov de ting sammen, og det er sådan noget, der hedder "expected law", så er saks for vinded tape. Kurs risikoen gange "logske vinded fol", og meget tape, hvor vi vil viste et gogel, det giver sig ekspectat laws. Og det er sådan noget banker side at lave, for eksempel. Det er jo kærne opgave for banker og sidder og lave ekspectat lawsmodeller. Præcis. Sked godt. Jeg vil sige, tak fordi du er med i gennemål. Ja, men tak for en station ind af. Tak fordi du lyder noget med til Ri på rejnskepsanalyse. Hvis du lige hvad du hørt, så gør jeg mig en tjenstæl. Og rate os ind på Spotify eller iTunes eller hvor lyttertiden podcast. Du kan også føle dig en retomand, men i min småfem inden på LinkedIn, eller Ri på videen, som er vores anpodkasse i. Inden på både LinkedIn eller hvor du lyttertiden podcast på gennemål.