Kondisi ekonomi makro dan Teka-teki dari Penyebaran Kredit dan Struktur Modal

Hui Chen 2010

ABSTACT

Saya membangun sebuah model struktur modal dinamis yang menunjukkan bagaimana siklus bisnis bervariasi dalam tingkat pertumbuhan yang diharapkan, ketidakpastian ekonomi, dan premi risiko mempengaruhi kebijakan pembiayaan dan default perusahaan. fluktuasi kontra siklus harga risiko, probabilitas kerugian, dan kerugian bawaan timbul secara endogen melalui tanggapan perusahaan 'dengan kondisi ekonomi makro. pergerakan ini menghasilkan besar premi risiko kredit untuk perusahaan tingkat investasi, yang membantu mengatasi "teka-teki penyebaran kredit" dan "pengaruh dibawah teka-teki" dalam kerangka terpadu. model menghasilkan dinamika yang menarik untuk pembiayaan dan kerugian, termasuk "penularan kredit" dan waktu pasar penerbitan utang. Hal ini juga menyediakan prosedur baru untuk memperkirakan pernyataan-tergantung kerugian-kerugian.

HASIL

Kinerja saya kini giliran kuantitatif model. Saya pertama kali mengkalibrasi parameter model menggunakan data tentang konsumsi agregat, keuntungan perusahaan, saat-saat pasar ekuitas, tarif default perusahaan, dan tingkat pemulihan obligasi. Lalu, saya menghitung rasio optimal pengaruh dan penyebaran kredit, serta variabel kebijakan pembiayaan lainnya. Karena penyebaran kredit dari konsol dalam model tidak langsung sebanding dengan orang-orang dari jatuh tempo obligasi terbatas, saya juga menghitung penyebaran dari hipotesis kupon obligasi 10-tahun dengan waktu default yang sama dan tingkat pemulihan sebagai konsol.

Seperti yang Huang dan Huang (2003) jelaskan, tantangan utama dari teka-teki penyebaran kredit adalah untuk menjelaskan penyebaran antara obligasi tingkat investasi (Baa di atas) dan treasury obligasi. Ada sangat sedikit perusahaan non finansial dinilai dalam data, dan mereka cenderung memiliki pengaruh yang sangat rendah yang tidak mungkin dijelaskan oleh perdagangan antara manfaat pajak dan biaya kesulitan keuangan saja. Jadi, saya fokus analisis terutama pada perusahaan-perusahaan Baa. Duffee (1998) menjelaskan bahwa rata-rata penyebaran kredit antara obligasi 10-tahun Baa-dinilai di sektor industri dan treasury adalah 148 bps, sedangkan penyebaran Aaa-Treasury adalah 47 bps. Banyak penelitian berpendapat likuiditas itu dan menjelaskan pajak untuk bagian dari penyebaran kredit tersebut, yang tidak dimodelkan dalam makalah ini. Hal ini penting untuk mengoreksi komponen bukan kerugian ini menyebar, karena jika tidak model yang cocok menyebar ini akan menghasilkan terlalu banyak premi risiko kredit, dan rasio leverage akan bias ke bawah. Longstaff, Mithal, dan Neis (2005) memperkirakan bahwa rekening komponen kerugian untuk 51% dari penyebaran obligasi AAA-rated dan 71% untuk obligasi BBB-rated. Dengan asumsi bahwa BBB (AAA) peringkat dari S & P adalah sebanding dengan Baa (Aaa) peringkat dari Moody, saya mengatur penyebaran target obligasi Baa-dinilai 10 tahun menjadi 105 bps, yang sebenarnya cukup dekat dengan Baa rata penyebaran -Aaa (101 bps). Almeida dan Philippon (2007) membuat penyesuaian yang mirip dengan kredit menyebar ketika menghitung probabilitas bawaan risiko-netral.

Untuk rasio leverage, Chen, Collin-Dufresne, dan Goldstein (2009) memperkirakan pengaruh pasar rata-rata untuk perusahaan Baa menjadi 44%. Namun, karena model dapat berpotensi meningkatkan utang dan / atau ekuitas, mungkin akan lebih tepat untuk menggunakan langkah-langkah berbasis non-pasar leverage untuk membandingkan hasil di model. Untuk itu, saya menggunakan interest coverage (EBIT lebih beban bunga). Dalam data, cakupan bunga rata-rata untuk perusahaan BBB-dinilai adalah sekitar 4.

A. Kalibrasi

Saya mengkalibrasi rantai Markov yang mengontrol saat bersyarat dari pertumbuhan konsumsi berdasarkan model risiko jangka panjang dari Bansal dan Yaron (2004), yang pada gilirannya dikalibrasi dengan data konsumsi tahunan dari tahun 1929 sampai 1998. Lampiran C memberikan rincian kalibrasi ini. Saya pilih 9 negara untuk rantai Markov (Tabel AI-I melaporkan nilai-nilai negara-negara ini), mempertahankan model sementara memungkinkan untuk dinamika lebih realistis di saat-saat bersyarat konsumsi dari Simulasi model.6 dua negara menunjukkan bahwa rantai Markov menangkap sifat utama dari konsumsi baik. Beberapa statistik median dari simulasi (dengan perkiraan empiris dilaporkan dalam kurung) adalah: Rata-rata tingkat pertumbuhan tahunan 1,81% (1,80%), volatilitas 2,64% (2,93%), urutan pertama autokorelasi 0,42 (0,49), dan urutan kedua Autokorelasi 0,18 ( 0,15). Panel A dari Gambar 3 plot distribusi stasioner dari rantai Markov. Dalam jangka panjang, perekonomian menghabiskan 54% dari waktu di negara dengan tingkat menengah pertumbuhan dan volatilitas (state 5).

Premi ekuitas dihitung untuk klaim dividen leverage-up seperti di Bansal dan Yaron (2004). Dengan parameter preferensi γ = 7,5, ψ = 1,5, dan ρ = 0,015, model menghasilkan momen untuk harga aset yang konsisten dengan data. model memprediksi bahwa tingkat bebas risiko nyata adalah procyclical, yaitu, lebih tinggi di masa pertumbuhan yang diharapkan tinggi (Panel B dari Gambar 3), dan bahwa kurva imbal hasil sebenarnya adalah miring ke bawah rata-rata. Hasil ini konsisten dengan temuan empiris dari Chapman (1997) dan model Piazzesi dan Schneider (2006). Model ini juga menghasilkan premium melewati-risiko yang cukup besar terkait dengan rantai Markov (didefinisikan dalam (16)), seperti yang ditunjukkan pada Panel C. Misalnya, probabilitas risiko-netral beralih dari negara menengah (state 5) ke "terburuk "negara (state 9, dengan pertumbuhan yang rendah dan volatilitas tinggi) adalah sekitar 2,5 kali lebih tinggi probabilitas sebenarnya.

Untuk mengkalibrasi proses arus kas (persamaan (10)) untuk sebuah perusahaan Baa-dinilai, saya memperbaiki tingkat pertumbuhan rata-rata jangka panjang dari arus kas perusahaan 'θf menjadi sama dengan konsumsi agregat. Lalu, saya mengkalibrasi koefisien af, bf, dan rata-rata sistematis volatilitas σf, m agar sesuai dengan saat-saat berderet dari keuntungan perusahaan untuk perusahaan non keuangan (dari LAN). Volatilitas istimewa σf diperkirakan bersama-sama dengan α tingkat pemulihan perusahaan (st) untuk mencocokkan saat-saat tingkat pemulihan dan 10 tahun kumulatif probabilitas kerugian perusahaan Baa-dinilai. Saya membahas rincian estimasi ini nanti.

Saya menggunakan perkiraan tingkat pajak Graham (2000), yang memperhitungkan efek yang manfaat pajak dari utang pada tingkat korporasi sebagian diimbangi oleh kerugian pajak individu pendapatan bunga. parameter inflasi dikalibrasi menggunakan indeks harga untuk ketahanan dan layanan dari LAN. Biaya emisi pinjaman berasal dari Altinkilic dan Hansen (2000). Tabel II merangkum parameter kalibrasi.

Memperkirakan kerugian bawaan negara-dependent

Ada biaya langsung dan tidak langsung bagi perusahaan-perusahaan dalam melalui kesulitan keuangan. Contoh biaya langsung termasuk biaya dan kerugian akibat penjualan aset hukum. Contoh biaya tidak langsung termasuk ketergantungan utang (Myers (1977)), substitusi aset (Jensen dan Meckling (1976)), serta kerugian modal manusia.

Dalam model dengan siklus bisnis, sangat penting untuk mengakui bahwa bukan hanya tingkat rata-rata kerugian kegagalan, namun distribusi kerugian bawaan atas negara-negara yang berbeda dari materi ekonomi untuk struktur modal dan penyebaran kredit. Shleifer dan Vishny (1992) berpendapat bahwa likuidasi aset akan menjadi sangat mahal ketika banyak perusahaan yang dalam kesusahan, yang menyiratkan bahwa kerugian bawaan cenderung kontra. Namun, kerugian bawaan sulit untuk diukur, karena sulit untuk membedakan antara kerugian akibat kesulitan keuangan dan ekonomi (lihat Andrade dan Kaplan (1998)). Sebaliknya, kebanyakan model struktural menanggung kerugian yang default sebagai fraksi konstan nilai aset default.

Saya menggunakan pendekatan baru untuk memperkirakan kerugian default. Dalam model ini, nilai pemulihan obligasi korporasi adalah sama dengan nilai perusahaan di net default kerugian default. Tidak seperti kerugian default, tingkat pemulihan obligasi yang diamati, dan memiliki serangkaian waktu yang relatif lama (seri tingkat pemulihan agregat Moody mencakup 1982-2008). Sejak model endogen menentukan batas-batas default (dan nilai perusahaan di default), kita dapat kembali kerugian default tersirat untuk tingkat pemulihan yang diberikan. Demikian, model struktural ini memungkinkan untuk mengidentifikasi variasi waktu kerugian default dari variasi tingkat pemulihan obligasi. Secara khusus, saya model perusahaan tingkat pemulihan α (st) sebagai fungsi dari θm tingkat pertumbuhan yang diharapkan (st) dan volatilitas σm (st) output agregat: α (st) = a0 + a1θm (st) + a2θ2 (st) + a3 σm (st). (25) Istilah kuadrat dalam (25) memungkinkan α akan meningkat dan cekung di tingkat pertumbuhan yang diharapkan, yang konsisten dengan data (Internet Lampiran memberikan bukti empiris yang mendukung spesifikasi ini). Dalam estimasi, saya memaksakan kendala yang a (st) meningkat di θm (st) (memegang σm (st) tetap).

Saya memperkirakan koefisien untuk α (st) dan volatilitas istimewa arus kas bersama-sama dengan menggunakan metode simulasi momen (SMM). Model prediksi saat dihitung dengan simulasi panel 1000 perusahaan (dengan parameter arus kas yang sama namun guncangan istimewa yang berbeda) selama 100 tahun. Panel A dari Tabel III melaporkan momen sasaran. Tingkat pemulihan rata obligasi 41,4%. Tingkat pemulihan yang kuat berkorelasi negatif dengan tingkat default (dengan korelasi -0,82), dan berkorelasi positif dengan tingkat pertumbuhan laba perusahaan (dengan korelasi 0.58). Panel B melaporkan hasil estimasi. Nilai untuk α tingkat pemulihan di masing-masing negara berdasarkan estimasi diplot di Panel D dari Gambar 3. Bagi kebanyakan negara, nilai α adalah sekitar 0,6. Untuk negara-negara di mana tingkat pertumbuhan yang rendah, tingkat pemulihan turun secara signifikan, terutama di negara dengan ketidakpastian ekonomi yang tinggi.

Bagaimana model mengidentifikasi kerugian bawaan kontra? Sementara nilai aset cenderung turun dalam resesi karena rasio harga-pendapatan yang lebih rendah, mereka tidak turun sebanyak tingkat pemulihan obligasi. Selain itu, perusahaan cenderung ke default pada tingkat arus kas yang lebih tinggi dalam resesi, yang selanjutnya mengurangi variasi dalam nilai perusahaan default. Kemudian, kerugian bawaan harus lebih tinggi dalam resesi agar model agar sesuai dengan tingkat pemulihan yang rendah pada waktu tersebut. Kerugian default rata tersirat oleh perkiraan α sekitar 2% dari nilai perusahaan awal, yang masuk akal dibandingkan dengan perkiraan Andrade dan Kaplan (1998).

B. Modal Struktur dan Penyebaran Kredit

Untuk menggambarkan kesulitan dalam model struktural default untuk menghasilkan penyebaran kredit wajar dan rasio leverage, saya pertama kali belajar kasus khusus dari model dengan menutup risiko siklus bisnis. Tingkat pertumbuhan yang diharapkan dan volatilitas sistematis arus kas tetap pada cara tanpa syarat mereka. Faktor diskon stochastic dalam persamaan (5) digantikan oleh satu dengan konstan tingkat nyata bebas risiko (r = 1,5%, yang berarti tanpa syarat dari model siklus bisnis), konstan Sharpe ratio η, dan tidak ada lompatan. Kemudian, saya menggunakan perusahaan tingkat pemulihan α dan volatilitas istimewa arus kas σf untuk sesuai dengan tingkat pemulihan rata-rata dan probabilitas default 10-tahun dari perusahaan Baa-dinilai.

Untuk sebuah perusahaan Baa-dinilai, dengan rasio pasar Sharpe dari 0,3, model menghasilkan rasio leverage 50,1%, 7 sedangkan 10 tahun penyebaran kredit hanya 57 bps, jauh dari penyebaran dalam data (148 bps) atau target setelah menyesuaikan likuiditas dan pajak (105 bps). Manfaat pajak bersih, didefinisikan sebagai persentase kenaikan nilai perusahaan ketika dibutuhkan pada leverage optimal, adalah 11,9%. Di satu sisi, menurunkan pasar rasio Sharpe 0,15 muncul untuk membantu menurunkan leverage pasar, tapi penyebaran kredit turun menjadi 37,4 bps, dan perusahaan yang benar-benar mengambil pada utang yang lebih banyak, seperti yang disarankan oleh cakupan bunga jauh lebih rendah (0,5). Bahkan, leverage pasar yang lebih rendah ini disebabkan oleh mispricing ekuitas - premi risiko terlalu rendah (tersirat oleh ekuitas rasio Sharpe), yang meningkatkan nilai ekuitas lebih dari utang. Di sisi lain, menaikkan pasar Sharpe ratio yang cukup tinggi (0,5) dapat membantu model akhirnya mencocokkan tersebar di data (101,1 bps), tetapi rasio Sharpe untuk ekuitas naik ke 0,31, yang merupakan counterfactually tinggi sebagaimana dijelaskan oleh Chen, Collin-Dufresne, dan Goldstein (2009), dan naik leverage untuk 52,5%. perbedaan ini menyoroti teka-teki ganda penyebaran kredit dan leverage.

Selanjutnya, saya memecahkan masalah struktur modal perusahaan dengan risiko siklus bisnis di semua sembilan negara awal. Untuk setiap keadaan awal, saya menghitung tingkat kupon optimal dan default / restrukturisasi batasan-batasan. Saya juga menghitung tarif 10 tahun default, 10 tahun frekuensi restrukturisasi, dan penyebaran kredit dari obligasi 10-tahun dengan waktu default identik dan tingkat pemulihan sebagai konsol perusahaan melalui simulasi. Panel A dari Tabel V melaporkan hasil. Tingkat pemulihan utang rata-rata dan probabilitas default 10-tahun sesuai data erat sebagai hasil dari estimasi SMM dari α dan σf. Rata-rata, perusahaan merestrukturisasi utang 0,5 kalinya dalam 10 tahun. Rata-rata 10 tahun kredit penyebaran 104,5 bps, hampir dua kali lipat nilai dalam hal tanpa risiko siklus bisnis (untuk rasio Sharpe ekuitas sebanding), dan sangat dekat dengan penyebaran sasaran (105 bps, yang merupakan komponen default Baa menyebar dalam data). Ada variasi yang signifikan dalam menyebar 10 tahun dari waktu ke waktu. Volatilitas dari penyebaran kredit 35 bps, dekat dengan default deviasi dari Baa-Aaa menyebar dalam data (41 bps).

Model ini juga menghasilkan leverage yang lebih rendah. Leverage pasar rata-rata adalah 37,4%, dibandingkan dengan 50,1% dalam kasus tanpa risiko siklus bisnis. Cakupan bunga rata-rata 2.2, masih rendah dibandingkan dengan data, namun jauh lebih tinggi daripada dalam kasus tanpa risiko siklus bisnis (1,3). Manfaat pajak bersih adalah rata-rata 6,2%, sejalan dengan perkiraan empiris Graham (2000) dan Korteweg (2009) 0,8 Rasio Sharpe rata-rata ekuitas adalah 0,19, yang konsisten dengan perkiraan untuk Baa-dinilai perusahaan (0,22) di Chen, Collin-Dufresne, dan Goldstein (2009). Hasil ini menunjukkan bahwa risiko siklus bisnis pergi jauh dalam menjelaskan penyebaran kredit yang diamati dan leverage. model menghasilkan variasi besar dalam tingkat pemulihan utang, mulai dari 15% (jika bawaan terjadi di negara bagian 9) menjadi 52,5% (dalam keadaan 1). Kebijakan pembiayaan perusahaan juga bervariasi secara signifikan di seluruh negara. Ketika tingkat pertumbuhan yang diharapkan adalah tinggi dan ketidakpastian ekonomi rendah (state 1), perusahaan lebih agresif dalam mengambil hutang, memilih cakupan yang lebih rendah bunga (1.1) dan leverage yang lebih tinggi (50,1%). Akibatnya, perusahaan juga memiliki probabilitas yang lebih tinggi bersyarat default (10,5%) dan penyebaran kredit (142,7 bps). Karena telah mengeluarkan lebih banyak utang, perusahaan kurang cenderung meningkat utang dalam 10 tahun ke depan (0,25 kali rata-rata) dibandingkan dengan negara-negara lain. Manfaat pajak bersih juga naik menjadi 7,3%. Sebaliknya, perusahaan secara signifikan lebih konservatif saat menerbitkan utang di negara 9, di mana tingkat pertumbuhan yang diharapkan rendah dan ketidakpastian ekonomi yang tinggi. ketidakpastian ekonomi yang lebih tinggi (volatilitas sistematis) tidak hanya menimbulkan harga risiko guncangan Brown, tetapi membuat arus kas perusahaan lebih berkorelasi dengan pasar, yang menyebabkan risiko rata-rata perusahaan menjadi lebih sistematis. Akibatnya, leverage optimal turun menjadi 32,1%, dan manfaat pajak bersih turun menjadi 4,7%. Perhatikan bahwa probabilitas default 10-tahun benar-benar menjadi lebih rendah (4,2%) meskipun tingkat pertumbuhan yang rendah dan volatilitas tinggi arus kas. Hal ini menunjukkan bahwa, bila memungkinkan, perusahaan secara agresif akan menyesuaikan kebijakan pembiayaan untuk mengurangi risiko rata-rata selama masa buruk.

Karena perusahaan kurang peduli dengan risiko default pada kali yang baik, kupon optimal (Panel A) dan leverage pasar yang optimal (Panel B) keduanya procyclical, dalam arti bahwa mereka lebih tinggi di negara-negara dengan volatilitas yang rendah dan pertumbuhan yang tinggi. Namun, meskipun leverage yang optimal adalah procyclical, leverage yang sebenarnya dalam time series adalah kontra dalam model ini. Aku menyelidiki sifat dinamis leverage pada bagian berikutnya. Panel C plot batas-batas default di negara-negara yang berbeda untuk sebuah perusahaan yang mengeluarkan utang di negara 5 (volatilitas menengah dan pertumbuhan). Batas default adalah kontra - meningkat dengan volatilitas agregat dan menurun dengan tingkat pertumbuhan yang diharapkan, yang menyiratkan bahwa ekuitas pemegang sukarela akan default sebelumnya (pada tingkat arus kas yang lebih tinggi) di saat buruk. Batas-batas default yang lebih tinggi, dikombinasikan dengan tingkat pertumbuhan yang diharapkan lebih rendah dan volatilitas yang lebih tinggi, menghasilkan probabilitas default tinggi dalam resesi.

Mengapa perusahaan memilih batas default yang lebih tinggi di masa yang buruk? Keputusan untuk rata-rata dapat dilihat sebagai kumpulan pilihan olahan. Pada setiap titik waktu, ekuitas pemegang dapat mempertahankan klaim mereka pada dividen masa depan dan pilihan untuk default dengan melakukan pembayaran bunga. Mereka juga dapat menggunakan pilihan default, menyerahkan perusahaan, dan berjalan pergi. Pada zaman buruk, premi risiko (diskon tarif) yang lebih tinggi (sebagian disebabkan oleh volatilitas yang sistematis yang lebih tinggi), sementara tingkat pertumbuhan yang diharapkan arus kas yang lebih rendah. Kedua efek akan menurunkan nilai sekarang dari arus kas masa depan. Hal ini mengurangi nilai kelanjutan untuk ekuitas pemegang, membuat mereka lebih enggan untuk menjaga perusahaan tetap hidup. Saya merujuk pada efek pertama sebagai "efek tingkat diskonto", yang kedua sebagai "efek arus kas". Selanjutnya, volatilitas yang lebih tinggi di masa yang buruk juga membuat pilihan ke default lebih berharga, yang cenderung untuk menunda waktu default. Ini adalah "efek volatilitas". Dalam model, efek tingkat diskonto dan efek arus kas mendominasi efek volatilitas, yang menyebabkan perusahaan-perusahaan untuk gagal sebelumnya di saat buruk.

intuisi serupa menunjukkan bahwa perusahaan lebih enggan untuk meningkatkan utang mereka di saat yang buruk, yang dikonfirmasi oleh batas-batas restrukturisasi kontra di Panel D. Perbandingan antara Panel C dan D menunjukkan bahwa batas restrukturisasi lebih sensitif terhadap perubahan volatilitas dari batas-batas default. Secara intuitif, efek tingkat diskonto menunjukkan bahwa volatilitas sistematis yang lebih tinggi menyebabkan premi risiko yang lebih tinggi, yang menurunkan nilai sekarang dari manfaat pajak masa mendatang, dan mengurangi insentif perusahaan untuk berkembang. Efek volatilitas menunjukkan bahwa volatilitas yang lebih tinggi membuat pilihan untuk berkembang lebih berharga, yang menyebabkan perusahaan untuk menunggu lebih lama sebelum melakukan opsi ini. Tidak seperti dalam kasus rata-rata di mana dua efek ini mengimbangi satu sama lain, di sini mereka bekerja dalam arah yang sama untuk mendorong batas-batas restrukturisasi.

Panel E plot nilai aset pada saat default sebagai sebagian kecil dari nilai aktiva awal di negara bagian5, yang memberikan nilai aktiva batas default. Karena tingkat pertumbuhan yang lebih rendah diharapkan dan premi risiko yang lebih tinggi, aset batas nilai rata-rata adalah lebih rendah di saat buruk (procyclical), meskipun batas-batas default berdasarkan arus kas yang lebih tinggi di saat buruk. Hasil ini menyoroti perbedaan antara pengukuran batas default dengan nilai aset dan oleh arus kas ketika rasio dari dua tidak konstan. Ini harus menjadi pertimbangan penting ketika mengkalibrasi model struktural dengan batas-batas default eksogen.

Akhirnya, Panel F plot kerugian default di negara-negara yang berbeda sebagai sebagian kecil dari nilai perusahaan awal. Untuk menghitung kerugian default, pada batas rata-rata setiap negara, saya pertama kali menghitung nilai perusahaan dengan asumsi itu secara optimal leverage. Perbedaan antara nilai ini dan nilai kembali oleh pemegang utang adalah kerugian default. Dalam enam dari sembilan negara, kerugian rata-rata bawah 1,7% dari nilai perusahaan awal, dan tanpa syarat rata-rata 2,3%. Namun, kerugian menjadi lebih tinggi secara signifikan di tiga negara dengan tingkat pertumbuhan yang rendah, mencapai 10% di negara bagian dengan ketidakpastian ekonomi yang tinggi. Untuk melihat apakah ukuran kerugian default ini secara ekonomi masuk akal, menganggap bahwa Andrade dan Kaplan (1998) memperkirakan biaya kesulitan keuangan menjadi antara 10 ~ 20% dari pre-distress nilai perusahaan, yang akan menerjemahkan untuk 2 ~ 4% dari nilai perusahaan awal dengan asumsi bahwa nilai perusahaan telah menurun 80% dari kondisi normal untuk timbulnya kesulitan keuangan.

Variasi kontra kerugian bawaan sangat penting untuk menghasilkan leverage yang rendah. Meskipun kerugian bawaan rata tampil cukup kecil, besar kerugian pada mereka "buruk" negara-negara dengan premi risiko yang tinggi akan menghalangi perusahaan-perusahaan dari memilih leverage yang tinggi. Untuk menunjukkan efek ini, saya melakukan latihan statis komparatif dengan memperbaiki perusahaan tingkat pemulihan α pada rata tanpa syarat nya. Kemudian, kerugian default di setiap negara akan proporsi konstan dari nilai aset pada default. Hasil berada di Panel B dari Tabel V. Rata-rata, leverage optimal melompat ke 53,6%, bahkan lebih tinggi dari kasus tanpa risiko siklus bisnis (dengan ekuitas rasio Sharpe sebanding), sedangkan cakupan bunga rata-rata turun menjadi 1,3. Manfaat pajak bersih juga naik secara signifikan. Selain itu, probabilitas default 10-tahun menjadi jauh lebih tinggi (17%). Jika kita mengkalibrasi ulang model untuk menurunkan probabilitas default (dengan mengurangi istimewa volatilitas σf), perusahaan akan mengeluarkan lebih utang. Bagian dari alasan untuk leverage yang lebih tinggi dalam hal ini adalah bahwa, ketika α konstan, variasi procyclical di nilai aktiva pada laju default untuk menurunkan kerugian rata-rata pada saat buruk, yang kemudian menghasilkan premi risiko negatif pada klaim defaultable untuk ekuitas pemegang. Namun, efek ini cenderung kecil karena variasi terbatas dalam nilai aset rata-rata (lihat Panel E dari Gambar 4). Dibandingkan dengan perusahaan benchmark, perusahaan dengan tingkat pemulihan konstan juga restrukturisasi lebih sering untuk mengambil keuntungan dari manfaat pajak.

Hasil ini menyoroti peran sentral bahwa kerugian bawaan kontra bermain dalam menjelaskan teka-teki leverage. Perusahaan enggan untuk mengambil leverage yang bukan karena kerugian default tinggi rata-rata, tetapi karena kerugian yang sangat tinggi di negara-negara di mana kegagalan lebih mungkin dan kerugian lebih sulit untuk menanggung. Selain kerugian bawaan kontra, saya juga menyelidiki efek dari risiko melompat dan secara sistematis risiko Brown tematik pada struktur modal dan kredit menyebar.

Pertama, bagian dari premi risiko perusahaan menghadapi dalam perekonomian ini adalah premium melompat-risiko: lompatan dalam nilai aset harga karena mereka bertepatan dengan melompat di diskon stochastic faktor, baik didorong oleh guncangan besar dalam perekonomian . Panel A dari Tabel VI menunjukkan berapa banyak dari penyebaran kredit yang tinggi dan leverage yang rendah di perusahaan patokan dicatat oleh premi risiko loncat-. Aku mengatur volatilitas sistematis σX, m (st) = 0 (yaitu, bf = σf, m = 0), sehingga menghilangkan paparan perusahaan untuk risiko Brown sistematis. Pada saat yang sama, saya menaikkan volatilitas istimewa σf ke 0,29 sehingga tingkat default rata-rata 10 tahun masih 4,9%. Dengan hanya risiko melompat, ekuitas rasio Sharpe turun menjadi 0,09 rata-rata. Rata-rata 10 tahun penyebaran kredit adalah 65 bps, yang 40 bps kurang dari perusahaan benchmark, tapi 28 bps lebih tinggi dari kasus tersebut tanpa risiko siklus bisnis (untuk rasio yang sama ekuitas Sharpe), atau 36 bps lebih tinggi dibandingkan model tanpa risiko sistematis sama sekali. Dengan demikian, dalam model ini, premi melompat-risiko menyumbang sekitar setengah dari premi risiko kredit obligasi baa-dinilai. Karena rasio ekuitas Sharpe rendah, kita tidak bisa langsung membandingkan leverage pasar perusahaan ini dengan perusahaan benchmark. Sebaliknya, cakupan bunga adalah ukuran yang lebih baik leverage dalam kasus ini. Cakupan bunga untuk perusahaan dengan hanya risiko melompat adalah rata-rata 1, dibandingkan dengan 2,2 untuk perusahaan benchmark, tetapi menggandakan nilai dalam kasus ini tanpa risiko siklus bisnis. Hasil ini menyiratkan bahwa baik risiko melompat dan risiko Brown sistematis sangat penting untuk model untuk menghasilkan penyebaran kredit yang wajar dan rasio leverage.

Kedua, jika arus kas suatu perusahaan yang lebih berkorelasi dengan pasar, perubahan dalam tingkat pertumbuhan yang diharapkan dan volatilitas agregat di negara yang berbeda akan memiliki dampak yang lebih besar pada arus kas. Kemudian, waktu default perusahaan akan menjadi lebih sistematis, misalnya, default lebih mungkin terjadi di negara-negara dengan pertumbuhan rendah dan ketidakpastian ekonomi yang tinggi, yang akan meningkatkan penyebaran kredit dan mengurangi insentif perusahaan untuk mengambil utang. Ada dua cara untuk membuat kas perusahaan arus lebih berkorelasi dengan pasar: (1) meningkatkan hubungan sesaat antara tingkat pertumbuhan arus kas perusahaan dan output agregat; (2) mengurangi total volatilitas guncangan Brown, sehingga membuat tingkat pertumbuhan yang diharapkan sumber yang lebih penting dari variasi masa depan arus kas. Kita bisa mencapai kedua efek bersamaan dengan menurunkan volatilitas istimewa dari arus kas σf sambil memegang parameter lain yang sama seperti dalam kasus patokan. Cara yang menarik untuk mengkalibrasi ulang σf adalah untuk mencocokkan 10 tahun probabilitas default perusahaan dengan yang dari Aaa-dinilai perusahaan dalam data (0,6%), yang memberikan σf = 0,153. Memang, Tabel VI Panel B menunjukkan bahwa baru masalah perusahaan kurang utang relatif terhadap perusahaan benchmark, yang diukur dengan interest coverage, meskipun arus kas yang lebih stabil. Risiko sistematis yang lebih tinggi meningkatkan rasio ekuitas Sharpe 0,24 rata-rata. Rata-rata 10 tahun penyebaran kredit adalah 38 bps, yang mungkin muncul sangat tinggi mengingat probabilitas rendah rata-rata. Seperti Gambar 5 menunjukkan, dibandingkan dengan perusahaan benchmark, default dari perusahaan yang lebih berkorelasi dengan pasar lebih cenderung terjadi pada mereka "buruk" negara-negara dengan premi risiko yang tinggi dan kerugian default yang tinggi. default sistematis seperti membuat ikatan seperti "ekonomi bencana obligasi ", yang menjelaskan penyebaran yang tinggi. Namun, leverage pasar perusahaan ini (37% rata-rata) masih jauh lebih tinggi dari perusahaan Aaa dalam data, yang cenderung memiliki kas yang tinggi dan sedikit utang. Dalam model trade-off, ada ketegangan antara menghasilkan probabilitas default rendah dan leverage yang rendah. Menurunkan volatilitas arus kas akan cenderung menurunkan, tapi menaikkan terakhir. Selain itu, perusahaan Aaa dalam data yang cenderung kurang berkorelasi dengan pasar daripada tersirat oleh kalibrasi di atas, yang selanjutnya akan meningkatkan leverage optimal dalam model. Dengan demikian, model penjualan sederhana seperti yang ada di kertas ini tidak mungkin untuk menjelaskan rasio leverage yang rendah untuk perusahaan Aaa dalam data.

Berdasarkan hasil ini, kita dapat menyimpulkan apa yang akan terjadi jika kita meningkatkan volatilitas istimewa dari arus kas perusahaan sebaliknya, mungkin untuk mencocokkan probabilitas default perusahaan -dinilai. Korelasi kas perusahaan mengalir dengan pasar akan turun, membuat risiko rata-rata perusahaan kurang sistematis. Akibatnya, ekuitas rasio Sharpe dan risiko premi kredit akan jatuh, dan perusahaan akan mengambil leverage yang lebih tinggi.

C. Dinamika Leverage dan Default

Sejauh ini, kami telah sebagian besar terfokus pada keputusan pembiayaan optimal perusahaan dan harga obligasi korporasi pada t = 0. Untuk menggambarkan sifat dinamis leverage pasar, tingkat default kontra, dan pengelompokan default, saya mensimulasikan sebuah kohort 1000 perusahaan lebih 200 tahun. Perusahaan-perusahaan ini memiliki parameter arus kas sama dengan perusahaan patokan dan menerima guncangan agregat yang sama, tetapi mereka mengalami guncangan istimewa yang berbeda. Untuk mempertahankan panel seimbang, saya berasumsi bahwa setiap kali default perusahaan yang ada, sebuah perusahaan baru lahir dan mewarisi arus kas dari perusahaan gagal bayar. Pada akhir setiap bulan, saya menghitung harga pasar leverage dan default agregat.

Panel A dari Gambar 6 plot time series leverage pasar agregat. daerah yang diarsir menunjukkan saat-saat ekonomi dalam keadaan 7, 8, atau 9, di mana pertumbuhan konsumsi yang diharapkan adalah negatif, yang dapat diartikan sebagai resesi. Meskipun optimal (target) rasio leverage adalah procyclical dalam model ini (lihat Gambar 4 Panel B), leverage yang sebenarnya adalah kontra. Perusahaan tidak dapat menyesuaikan pengaruh mereka ke bawah masuk ke dalam keadaan buruk. Sebaliknya, ketika resesi tiba, mereka terjebak dengan utang yang diterbitkan di masa baik, dan rasio leverage kemungkinan akan meningkat karena nilai ekuitas jatuh lebih dari utang selama waktu tersebut.

Panel B menunjukkan bahwa tingkat gagal bayar juga kontra. Bahkan, sebagian default terjadi pada saat-saat ketika perekonomian berada dalam resesi. Selain itu, ada beberapa lonjakan tarif default yang terjadi tepat pada saat ekonomi sedang memasuki resesi. paku ini adalah contoh dari gelombang default: sejumlah perusahaan default pada saat yang sama. Ini default berkerumun disebabkan penurunan tiba-tiba kondisi ekonomi, yang menyebabkan batas default perusahaan 'melompat. Kemudian, perusahaan-perusahaan dengan arus kas di bawah batas default baru akan default secara bersamaan.

Berikut ini default berkerumun, probabilitas default bersyarat dan menyebar kredit untuk sisa perusahaan bangkit. fenomena seperti menyerupai "penularan kredit": penyebaran kredit perusahaan lain melompat menyusul gelombang default. Namun, dalam model ini, itu adalah guncangan ekonomi makro besar yang sama yang menyebabkan sekelompok perusahaan ke default bersama-sama sekaligus meningkatkan risiko default dari perusahaan lain.

Model ini juga menghasilkan gelombang emisi utang. Tarif bulanan penerbitan utang (tidak dilaporkan di sini) yang procyclical, dan mereka sering lonjakan ketika ekonomi beralih dari keadaan buruk ke keadaan yang baik, menyiratkan bahwa banyak perusahaan yang menerbitkan utang pada waktu yang sama. Sejak penyebaran kredit (biaya pinjaman) drop pada saat yang sama ketika negara perubahan ekonomi, perusahaan-perusahaan ini berperilaku seperti pasar waktu, mengeluarkan lebih banyak utang ketika suku bunga menjadi lebih rendah.

D. Restrukturisasi Downward dan Cash Holdings

Sebuah batasan penting dari model ini adalah asumsi bahwa perusahaan tidak bisa memegang uang tunai atau mengurangi utang bila dalam kesulitan keuangan. Saya menyimpulkan bagian ini dengan membahas apa efek fitur ini mungkin memiliki hasil utama dari model ini. Secara intuitif, memungkinkan perusahaan untuk menyimpan uang tunai "untuk hari hujan" atau mereorganisasi utang sementara dalam kesusahan (melalui penjualan aset atau utang-untuk-ekuitas penukaran) akan memudahkan perusahaan untuk menghindari default. Apakah ini berarti bahwa model akan menghasilkan leverage yang lebih tinggi setelah menambahkan fitur ini? Belum tentu. Setelah memperluas model dengan fitur baru ini, kita masih perlu untuk mengkalibrasi ulang parameter untuk mencocokkan probabilitas default dan tingkat pemulihan utang dalam data. Dengan demikian, setelah re-kalibrasi, ke bawah restrukturisasi atau uang tunai kepemilikan tidak akan menurunkan default rata-rata perusahaan kemungkinan. Sebaliknya, yang penting adalah bagaimana mereka mengubah distribusi default di negara yang berbeda, yang tergantung pada biaya restrukturisasi dan uang tunai kepemilikan di seluruh negara.

Dalam kasus restrukturisasi bawah, biaya restrukturisasi cenderung secara signifikan lebih tinggi di saat buruk. Jika perbedaan dalam biaya restrukturisasi di negara yang cukup besar, pilihan untuk merestrukturisasi benar-benar dapat meningkatkan perbedaan dalam probabilitas default di negara (mempertimbangkan kasus ekstrim di mana restrukturisasi adalah gratis di masa yang baik tetapi tidak diperbolehkan dalam saat buruk). Memegang probabilitas default rata-rata tetap, ini berarti probabilitas default akan meningkat di masa yang buruk dan jatuh di masa yang baik. Kemudian, risiko default perusahaan akan menjadi lebih sistematis, dan perusahaan akan menerbitkan utang kurang.

Argumen yang sama berlaku untuk kepemilikan uang tunai. Sementara perusahaan tidak memiliki insentif untuk menimbun uang tunai untuk menurunkan probabilitas default (terutama di saat buruk), apakah kas yang membantu perusahaan lebih dalam mengurangi probabilitas default di masa yang baik atau buruk kali tergantung pada penjualan antara manfaat marjinal (menurunkan kerugian default) dan biaya memegang uang tunai di negara-negara yang berbeda. Di saat-saat buruk, biaya marjinal tunai akan lebih tinggi, karena tingginya biaya pendanaan eksternal dan profitabilitas rendah membuat lebih sulit bagi perusahaan untuk mempertahankan saldo kas yang tinggi. Dengan demikian, adalah mungkin bahwa perusahaan akhirnya memegang lebih banyak uang di masa yang baik, yang membantu menurunkan probabilitas default di masa yang baik relatif terhadap di saat buruk. Dalam hal ini, leverage lagi akan menjadi lebih rendah.

Argumen ini tidak berarti menyiratkan bahwa kita dapat mengabaikan efek dari bawah restrukturisasi dan uang tunai kepemilikan dalam menentukan struktur modal. Sebaliknya, mereka melayani untuk menyoroti mekanisme kunci dari model ini, yaitu, probabilitas default kontra dan kerugian bawaan yang timbul secara endogen dari keputusan perusahaan, yang harus juga menjadi pertimbangan penting ketika kita meneliti dampak sebenarnya dari bawah restrukturisasi dan uang tunai kepemilikan atas lainnya,dimensi kebijakan keuangan dalam konteks model penjualan yang dinamis.

PENUTUP

Kondisi makro ekonomi mempengaruhi keputusan perusahaan, yang pada gilirannya mempengaruhi resiko dari perusahaan. Dengan demikian, pemahaman yang lebih baik dari keputusan perusahaan dan friksi dalam lingkungan ekonomi makro yang realistis akan membantu kita lebih menilai risiko obligasi korporasi. Saya membangun sebuah model struktur modal dinamis untuk mengkaji bagaimana perusahaan mengambil keputusan pembiayaan selama siklus bisnis. keputusan endogen perusahaan 'pada leverage, restrukturisasi, dan default, dalam menanggapi variasi waktu dalam tingkat yang diharapkan pertumbuhan, ketidakpastian ekonomi, dan premi risiko, membantu menjelaskan pergerakan kontra antara harga risiko, probabilitas default, dan kerugian default. Perusahaan yang lebih berkorelasi dengan pasar memiliki default dan kerugian bawaan lebih terkonsentrasi di saat buruk ketika utilitas marjinal tinggi, dan investor akan menuntut premi risiko tinggi untuk memegang klaim defaultable mereka, termasuk obligasi korporasi dan perusahaan leverage. Premi risiko kredit secara kuantitatif dapat menjelaskan penyebaran kredit yang tinggi dan rasio leverage yang rendah dari perusahaan Baa-dinilai dalam data. Model ini menghasilkan perilaku dinamis menarik pembiayaan dan default. Sebagai contoh, ia menyediakan mekanisme rasional untuk "kredit penularan" dan market timing penerbitan utang. Makalah ini juga menyediakan prosedur baru untuk memperkirakan kerugian default negara-dependent.

Untuk menyoroti dampak dari kondisi ekonomi makro dan premi risiko pada pembiayaan keputusan-keputusan perusahaan ', saya menggunakan pengaturan model penjualan yang sangat sederhana, yang abstrak jauh dari banyak keputusan yang dihadapi perusahaan, seperti kepemilikan kas, restrukturisasi bawah, investasi , biaya agensi, layanan utang strategis, dll akan berguna untuk mempelajari bagaimana ekonomi makro kondisi berinteraksi dengan elemen-elemen yang berbeda di perusahaan keuangan. Saya meninggalkan pertanyaan-pertanyaan ini untuk penelitian masa depan.

Share this post