Анализ рынка фитнес услуг. сУПЕР. 1 солодов а. К. Основы финансового риск менеджментa издание
 Скачать 3.6 Mb.
|
|
ГЛАВА 2. ПОДХОДЫ К ОЦЕНКЕ РИСКА 2.1. Вероятность и риск Известно, что вероятность – это отношение, выражающее то, насколько возможно данное событие по отношению к другим исходам. Вычисление вероятности дает возможность логически оценивать и анализировать события, даже если в задаче есть большая мера неопределенности. Это положение прямо связывает вероятность и риск через понятие неопределенности. Вероятность – есть мера неопределенности в рисковой ситуации. Для того, чтобы к сим простым выводам и сформировать подход к оценке уровня рисков на основе методов теории вероятностей и математической статистики истории было необходимо, чтобы произошел ряд событий, хронология которых дана ниже. 1654 – Паскаль и Ферма дают формальное математическое обоснование теории вероятности на примере игры в кости 1696 – Эдмунд Галлей показывает, как рассчитать стоимость страхового возмещения на основе данных об ожидаемой продолжительности жизни 1713 – «Закон больших чисел» Бернулли 1733 – вводится понятие нормального распределения, на основе которого строится концепция среднеквадратического отклонения 1738 – нужно учитывать не только решения, связанные с риском, но и цену последствий (1777-1855) - Карл Гаусс ввел в научную практику термины: вероятность, математическое ожидание, дисперсия, стандартное отклонение, коэффициент вариации и другие. 1944 – «Теория игр и экономического поведения» фон Неймана Итогом научных изысканий стал математический инструментарий позволяющий оценить уровни риска с точки зрения вероятности их реализации. Главными инструментами расчета уровня риска явились: математическое ожидание М(х), например, такой случайной величины, как результат финансовой операции 3 k: М(х) = Е{k}; дисперсия как характеристика степени вариации значений случайной величины k вокруг центра группирования М(х) (напомним, что дисперсия – это математическое ожидание квадрата отклонения случайной величины от своего математического ожидания ); стандартное отклонение ; 3 Под результатом финансовой операции k чаще всего понимают ее доходность (норму дохода), т.е. сумму полученных доходов, исчисленную в процентном отношении к сумме произведенных затрат. 2 k σ 2 2 k ) ( σ k E k σ 22 коэффициент вариации , который имеет смысл риска на единицу среднего дохода. Чем выше уровни отклонений от значения математического ожидания, которое мы видим, исследуя значения дисперсии и коэффициента корреляции, тем выше вероятность, того что рисковой событие произойдёт. В экономике данный подход используется для оценки вероятности ожидаемого ущерба. В этом случае степень риска определяется как произведение ожидаемого ущерба на вероятность того, что этот ущерб произойдет. Наилучшим является решение с минимальным размером рассчитанного показателя. Математически суть этого метода можно выразить в виде формулы: R = A * p1 + (A + B) * p2 А и В – ущерб при принятии различных решений; р 1 и р 2 – степень вероятности получения ущерба. Однако обратим внимание, что этот метод не применим к единичным операциям или объектам. 2.2. Риск и неопределённость Неопределенность – это невозможность определить, то есть придать строго фиксированный смысл чему-либо. Различают 4 рода неопределенности: неопределенность среды (1-го рода); неопределенность принятия решений (2-го рода); неопределенность последствий принятых решений (3-го рода); вариационная неопределённость связана с изменением параметров и условий функционирования организационно-экономической системы, или иначе «правил игры», где известная неопределённость среды, принятия решений и их последствий принимает совсем иные черты (4-го рода). В социально-экономическом аспекте принято различать ряд терминологических групп, взаимосвязанных друг с другом, характеризующих категорию «неопределённость» с различных позиций, например: Как меру полноты информации. Это самое распространённое и утвердившееся в научной общественности понимание неопределённости. Достаточность информации об условиях, ограничениях и параметрах социально-экономических систем, в том числе организационно-экономических образований, свидетельствует об определённости ситуации. Как отражение состояния системы по отношению к «идеальным условиям», когда знание полностью детерминировано. Как возможность выбора альтернатив из их множества (вариативность выбора). Как меру качества информации (достоверность, полнота, ценность, актуальность, ясность). Как атрибутивный источник риска. Априори риск действительно находится в прямой зависимости от неопределённости, то есть при росте неопределённости k 23 возрастает и риск. Величина прироста может изменяться, и обусловлена эластичностью рисков по отношению к неопределённости. Как причину неоднозначности результатов реализации событий (исходов решений), рождаемых факторами неизвестной природы. Как естественный ограничитель управляемости и стабильности организационно-экономической системы. Измеряют уровень (степень) неопределенности показателями вероятности. То есть, повторимся, вероятность есть мера неопределенности. Возможность такого измерения нам дала теория вероятностей, одним из авторов которой является Карл Гаусс (1777-1855). Он ввел в научную практику термины: вероятность, математическое ожидание, дисперсия, стандартное отклонение, коэффициент вариации и другие. Дисперсия – это математическое ожидание квадрата отклонения случайной величины от своего математического ожидания, характеризует степень вариации значений случайной величины k вокруг центра группирования. Стандартное отклонение(среднеквадратичное отклонение), в техническом анализе - волатильность, показатель изменчивости (рассеяния). Коэффициент вариации, имеет смысл риска на единицу среднего дохода. Неопределенность порождает риск неэффективного управления бизнесом. Так решение об инвестициях, которое ранее признали экономически обоснованным, перестаёт быть таковым. По причине: ухудшения конъюнктуры рынка; снижения фактической выручки по сравнению с плановой; роста затрат и многого другого. Поэтому задача минимизации риска неэффективного управления финансами замыкается на задачу всемерной борьбы с неопределенностью. Исторически первым способом учета неопределенности было изобретение вероятностей. Успешное применение вероятностных методов в статистике конца XIX века сделало их широко распространенными во всех сферах жизни, особенно с развитием технической кибернетики во второй половине XX века. Тогда же, в академической науке появились работы, ставящие под сомнение тотальную применимость вероятностной теории к учету неопределенности. Их авторы закономерно отмечали, что классическая вероятность аксиоматически определена как характеристика генеральной совокупности статистически однородных случайных событий. Это значит, что если статистической однородности нет - применение классических вероятностей в анализе оказывается незаконным. В качестве выхода из данного «затруднения» стали фундаментальные работы Сэвиджа, Пойа, Кайберга, Фишберна, де Финетти и других. В них были введены неклассические вероятности. Субъективные или аксиологические. Они не имели частотного смысла, а выражали познавательную активность исследователя случайных процессов, вынужденного решать в условиях дефицита информации. При этом подавляющее большинство научных результатов из классической теории вероятностей перекочевало в теорию аксиологических вероятностей. В частности: логико-вероятностные схемы дедуктивного вывода интегральных 24 вероятностей сложных событий на основе перебора полного множества исходных гипотез о реализации простых событий, входящих составными частями в исследуемое сложное событие. Эти схемы были названы импликативными. Их проявление – «весовой подход». Но появление неклассических вероятностей не было единственной реакцией на возникшую проблему. Был также всплеск интереса к минимаксным (матричным) подходам и зарождение теории нечетких множеств. Начиная с конца 70-х годов, методы теории нечетких множеств начинают применяться в экономике - от оценки эффективности инвестиций до кадровых решений и замены оборудования. Ожидаемый эффект оценивается экспертом так же, как нечеткое число со своим расчетным разбросом (степенью нечеткости). Здесь применима известная практика интервального подхода к проектным оценкам. 2.3. Связь риска и доходности Общее и относительно универсальное правило связи риска и прибыли гласит: чем выше доходность, тем выше риск! И наоборот! Это правило вытекает из следующего: 1. Концепции финансового менеджмента о взаимосвязи риска и доходности: чем больше инвесторов в проекте, тем меньшая доля общего возможного дохода будет приходиться на каждого из них. Это с одной стороны. С другой стороны чем больше участников тем меньше вложений потребуется с каждого инвестора, следовательно меньше будут и потери с случае неблагоприятного развития событий. 2. Риск тем больше, чем больше разброс значений доходности от некоего наиболее вероятного его значения (математического ожидания). Такой разброс характеризуется показателями дисперсии и волатильности. Если абстрагироваться от методологии расчета этих показателей. То есть превышение показателя над его наиболее вероятным значением характеризует возможность получения повышенного дохода, а значения ниже этой величины характеризуют уровень возможных потерь или уровень риска по возможному ущербу. Можно сказать, что разброс (дисперсия) доходности и волатильность цены дает принципиальную возможность получать значительные доходы, например от активной торговли акциями. Для оценок таких возможностей применяются различные модели оценки финансовых инвестиционных инструментов. Весьма наглядновзаимосвязь между нормой доходности и риском финансового инструмента демонстрирует модель оценки долгосрочных активов (англ. capital asset pricing model, CAPM), или модель определения стоимости капитала (МОДА). Взаимосвязь риска и доходности в этой модели описывается следующим образом: D = D б/р +β (D p – D б/р ) где D - ожидаемая норма доходности; D б/р - безрисковый доход; D р - доходность рынка в целом; β - специальный коэффициент «бета». Коэффициент «бета» - угол наклона прямой из линейного уравнения типа Y = kx +b = β (D p – D б/р ) + D б/р Эта прямая линия - линия регрессии двух массивов данных: доходности индекса и акции. 25 ГЛАВА 3. МОДЕЛИ ОЦЕНКИ СОВОКУПНОГО РИСКА 3.1. Общие вопросы моделирования Модели – это инструмент прогнозирования рисков, позволяющий снизить степень неопределенности знаний о рисках изучаемого объекта. Моделирование сопровождает ряд проблем. Например, при статистическом моделировании часто не бывает достоверных данных о виде и параметрах распределения случайных величин, влияющих на исход единичного жребия. Поэтому, важно проверять результат моделирования на робастность – устойчивость модели к возможным ошибкам в определении вида и параметров распределения случайных величин, характеризующих входные и выходные параметры модели. Если результат моделирования не будет робастным, то это может свидетельствовать о высоком риске при принятии решения по формированию облика системы или проведения операции. В этих условиях необходимо рассмотреть возможность предупреждения, снижения или страхования этого риска. Обратим внимание, что при снижении затрат на диагностику или прогноз всегда есть соблазн использовать в процессе прогнозирования по возможности простые модели, что ведёт к риску принятия неправильного решения. Для снижения такого риска оценивают адекватность простой модели к более сложной модели. Обеспечение точности и достоверности результатов моделирования, снижения возникающих при этом рисков, достигается проверкой адекватности или верификация прогнозной модели. Такая проверка выполняется с использованием формальных статистических критериев, например, путём статистической проверки гипотез о принадлежности и оригинала и модели к одному классу объектов. Такая проверка возможна только при наличии надежных статистических оценок параметров - и оригинала и модели. Если по каким-то причинам таких оценок нет и они не могут быть получены, то с достаточной для практического использования точностью это делают путём сравнения отдельных свойств оригинала и его модели. Если осуществляется моделирование не существующих процессов и систем, или при отсутствии достоверной информации, то судят о сходстве свойств прогнозной модели и оригинала посредством процедур верификации. Верификация модели - это оценка достаточной полноты функциональности, точности и достоверности модели с использованием всей доступной информации в тех случаях, когда проверка адекватности невозможна. В прогнозировании, когда реальный объект отсутствует, разрабатываются новые, еще не существующие функции объекта прогнозирования. Поэтому в прогнозировании более часто используют верификацию. При планировании, при наличии реальных объектов чаще, чем в прогнозировании, есть условия для проверки адекватности моделей. Наиболее популярны следующие методы верификации: прямой – оценка реализуется путем разработки модели того же объекта с использованием иного математического инструментария; косвенный – оценка осуществляется путем сопоставления результатов, полученных с использование данной модели, с аналогичными данными, полученными из других источников; 26 консеквентный – это оценка результатов моделирования путем аналитического или логического выведения прогноза из ранее полученных прогнозных данных; инверсный – оценка путем проверки адекватности прогнозной модели и объекта в ретроспективном периоде; верификация модели оппонентом – оценка путем опровержения замечаний оппонента по прогнозу; верификация модели экспертом – это сравнение прогноза с мнением эксперта; Заметим, что использование моделей помогает снижать риски только при их корректном практическом применении. Неадекватные или не верифицированные модели, модели не обладающих свойством робастности, могут приводить к возрастанию риска. 3.2. Программные продукты для моделирования рисков Сегодня российские разработчики не предлагают специализированного программного обеспечения для управления рисками. Но есть возможность использования не специализированных отечественных пакетов программных средств, например: Project Expert, Альт-Инвест, МАСТЕР ПРОЕКТОВ, Воронов&Максимов, Инвестор 3.0, ТЭО-ИНВЕСТ, FOCCAL-UNI и т.д. Специализированные программные продукты, как правило иностранные, достаточно сильно различаются. Ниже, для примера, дан краткий обзор программ EGAR Risk Systems, SAS® Risk Dimensions, Pertmaster. EGAR Risk Systems - это функционирующие в режиме реального времени системы, включающие консалтинговые услуги по организации управления рыночным, кредитным и операционным финансовыми рисками, которые построены на основе комплексного подхода, по методологии согласованной с требованиям Basel II и Basel III и удовлетворяющие требованиям Банка России. EGAR Risk Systems позволяет интегрировать процесс управления рисками в общую технологию проведения операций в финансовой организации. Она является составной частью процесса обработки транзакций (STP), чем обеспечивает его максимальнуюрезультативность. Интеграция EGAR Risk Systems с внешними системами осуществления транзакций и платежей позволяет получать информацию относительно исполнения обязательств организации в режиме реального времени и, как следствие, адекватно идентифицировать рисковую позицию в любое временя. EGAR Risk Systems обеспечивают оперативный сбор информации из разных источников, консолидированно контролирует лимиты, применяет адекватные математические модели оценки рисков и проверенные пратикой технологии сквозной обработки транзакций. Именно такие современные комплексные системы способны обеспечить эффективный контроля и управления финансовыми рисками различных организаций. Принципиальная структура системы позволяет менеджеру управлять рыночными, кредитными и другими видами финансовых рисков в соответствии со своими специфическими условиями итребованиями. Pertmaster - программный продукт более простой, отвечающий на вопрос «что – если?», просчитывающий развитие событий по проекту уже на стадии его инициации. Pertmaster не на много превосходит российский Project Expert, который включает подобную опцию. Он позволяет проводить динамический анализ проекта 27 по срокам и затратам разных ресурсов, используя оценки исполнителей, оценивать возможные риски, инициированные внешней средой проекта. Pertmaster позволяет получить реалистичный сценарий реализации проекта, моделировать его стоимость посредством определения критерия IRR (внутренней нормы рентабельности) и NPV (чистой приведенной стоимости), синхронизации затрат по проекту с графиком платежей, формирования отчета по уровням влияния различных работ на стоимость проекта, а также использовать реестр рисков с целью их идентификации, качественной и количественной оценки; для назначения менеджеров, ответственных за риски; разработки плана реагирования на риски, мониторинга и контроля. Существует немало программ для моделирования методом Монте-Карло. Инструмент Кем разработан Описание @Risk Palisade Corporation, Итака, штат Нью- Йорк Достаточно совершенный инструмент для работы на основе Excel; описывает большое число распределений; широкая база пользователей, предоставляется техническая поддержка AIE Hubbard Decision Research, Глен-Эллин, штат Иллинойс Набор макросов на основе Excel; также позволяет рассчитывать стоимость информации и оптимальный портфель; подчеркивает приоритетность методологии над инструментарием; предоставляются консалтинговые услуги по практическим вопросам внедрения Crystal Ball Decisioneering, Inc, Денвер, штат Колорадо Еще один инструмент на базе Excel. Продукт, успешно конкурирующий с @Risk. Много пользователей, предоставляется техническая поддержка Risk Solver Engine Frontline Systems, Инклин-Вилладж, штат Невада Уникальная платформа разработки на базе Excel, позволяющая выполнять моделирование методом Монте-Карло с беспрецедентной скоростью. Поддерживает форматы SIP и SLURPs, необходимые для управления вероятностями SAS SAS Corporation, Роли, штат Северная Каролина Пакет программ высшей степени сложности, используемый многими профессиональными статистиками и далеко выходящий за рамки метода Монте-Карло SPSS SPSS Inc., Чикаго, штат Иллинойс Также выходит за пределы метода Монте-Карло; весьма популярен среди ученых XLSim Профессор Стэнфордского университета Сэм Сэвидж, AnalyCorp Недорогой пакет программ, предназначенный для легкого изучения, удобен в применении. Сэвидж проводит в организациях семинары по методу Монте- Карло Программа AnyLogic — стандарт в области имитационного моделирования. AnyLogic повышает эффективность и снижает риски при решении сложных бизнес- задач за счёт объединения нескольких методов моделирования. В каждом продукте компании присутствует непревзойденная гибкость: пользователи отражают в моделях как простые, так и сложные системы с необходимым уровнем детальности, проникают в суть процессов внутри организации и вокруг нее. Компания является партнёром Национального Общества Имитационного Моделирования (НОИМ). Можно создавать модели с помощью всех трех современных подходов: 28 дискретно-событийного; агентного; системной динамики. Эти три метода могут использоваться в любой комбинации на базе одного ПО, чтобы смоделировать бизнес-систему любой сложности. В AnyLogic есть разные визуальные языки моделирования: диаграммы процессов, диаграммы состояния, блок-схемы и диаграммы потоков и накопителей. AnyLogic – инструмент, который предлагает возможность многоподходного имитационного моделирования. Мощный набор готовых алгоритмов решений поможет исследовать модель под разными углами, как-то: Модели “Монте Карло”, “Анализ чувствительности” и “Варьирование параметров” помогут вам узнать, как случайные факторы и изменение параметров влияют на поведение модели. Оптимизация поможет найти лучшие решения для бизнес-задач на основе заданных ограничений и требований. Все модели могут быть выполнены с использованием высокопроизводительных вычислений в AnyLogic Cloud. Программа SAP GRC - система, которая обеспечивает управление рисками и контроль над ними. Основные компоненты: Risk Management + Process Control. Позволяет: документировать риски и осуществлять внутренний контроль, а также оценивать его эффективность и выполнять мониторинг. Ключевые пользователи: внутренние аудиторы, владельцы бизнес-процессов, организационные контролеры; Access control. Основные функции программы: Документирование СВК: - назначение ответственных; - пределение организационной структуры; - определение структуры бизнес-процессов; - определение регуляторных требований и политик СВК; - формирование матрицы рисков и контрольных процедур. Определение объема СВК: - определение существенных статей финансовой отчетности; - определение покрытия статей финансовой отчетности контрольными процедурами; - выявление новых статей финансового учета, не включенных в объем СВК. Тестирование СВК: - оценка эффективности контрольных процедур при помощи опросов по самооценке и ручных тестов - планирование и реализация мероприятий по снижению рисков эффективности контрольных процедур. Непрерывный мониторинг: - автоматическое выявление отклонений в системе SAP ERP в соответствии с настройками автоматизированных КП; 29 - проведение корректирующих мероприятий по итогам выявленных отклонений. Отчетность: - отчеты по определению объема СВК; - результаты опросов и тестирования эффективности контрольных процедур; - отчеты автоматизированного непрерывного мониторинга. Преимущества внедрения пакетов прикладных программ: Автоматизация процессов внутреннего контроля. Позволяет вовлечь бизнес-подразделения в процессы управления рисками и передать им ответственность за управление рисками. Позволяет владельцам рисков немедленно отражать изменения в реестре рисков и документировать предпринятые меры по снижению рисков Централизованное ведение документации процессов внутреннего контроля. Позволяет существенно снизить трудозатраты на контроль версий и поддержание документации в актуальном состоянии. Позволяет вовлечь бизнес-подразделения в деятельность по поддержанию информации о рисках организации. Автоматизация процессов согласования изменений системы внутреннего контроля. Позволяет идентифицировать негативные события на ранних стадиях и своевременно предпринимать меры по снижению рисков. Планирование тестирования контрольных процедур и непрерывный мониторинг автоматизированных КП. Позволяет специалистам внутреннего контроля оказывать своевременную методологическую поддержку и обеспечивать корректное применение методологии управления рисками. Оперативная отчетность. Позволяет обеспечить своевременное формирования актуальных отчетов о рисках организации с нужной детализацией с минимальными трудозатратами. |