Алексей Лобанов - Энциклопедия финансового риск-менеджмента

• Название: Энциклопедия финансового риск-менеджмента
• Автор: Алексей Лобанов
• Жанр: Управление, подбор персонала
• Год: 2019
• ISBN: 978-5-9614-2284-9

Эта книга – первое в России издание учебно-энциклопедического характера, в котором в соответствии с международными стандартами освещаются основные вопросы финансового риск-менеджмента. Издание дополнено новыми материалами по организационным аспектам риск-менеджмента, моделям эволюции процентных ставок, рискам страхования банковских вкладов и анализу макроэкономических рисков. Рассмотрены современные методы количественной оценки и управления финансовыми рисками, теория экстремальных значений, соглашения о форвардной процентной ставке и др. Дан систематизированный обзор методов количественного анализа, используемых в риск-менеджменте, моделей ценообразования и стратегий применения производных финансовых инструментов. Приведен обзор основных положений Нового базельского соглашения по капиталу 2004 г., выполненных на основе последней редакции соглашения от ноября 2006 г. Книга предназначена для профессионалов, непосредственно занимающихся оценкой и управлением рисками, преподавателей, студентов и аспирантов экономических факультетов вузов. Она также может использоваться для подготовки к сдаче международных экзаменов по финансовому риск-менеджменту на получение сертификатов Financial Risk Manager (FRM®) и Professional Risk Manager (PRM®).

---

Если годовая волатильность доходности достаточно мала, то можно считать, что доходность финансового инструмента через год распределена приблизительно нормально с параметрами r и rσгод.

Пример 1.62. Текущая доходность 10-летних казначейских облигаций с нулевым купоном равна 8 %, а годовая волатильность этой доходности равна 15 %.

Можно предположить, что доходность 10-летних облигаций с нулевыми купонами через год будет приблизительно распределена нормально с ожидаемым значением 0,08 и стандартным отклонением 0,08-0,15 = 0,012. Отсюда, в частности, следует, что с вероятностью 95,5 % доходность через год окажется между 0,08-2 • 0,012 = 0,056 и 0,08 + 2 • 0,012 = 0,104, т. е. будет принимать значение между 5,60 и 10,40 %.

1.24. Элементы регрессионного анализа

Во многих случаях требуется установить зависимость между двумя случайными величинами. Чаще всего предполагается линейная зависимость. Например, при обмене облигаций использовалась линейная зависимость между изменениями доходностей двух облигаций.

Рассмотрим две случайные величины ξ и η и предположим, что когда случайная величина ξ принимает значения X1, X2…., Xn, то случайная величина η принимает соответственно значения Y1, Y2…., Yn.

Линейной регрессионной моделью называют уравнение следующего вида:

При построении линейной регрессионной модели коэффициенты а и b необходимо подобрать так, чтобы влияние случайной погрешности ξ на случайную величину η было как можно меньше.

Из уравнения (1.64) следует, в частности, что

Коэффициенты регрессии а и b чаще всего подбираются методом наименьших квадратов (least squares), который сводится к отысканию значений а и b так, чтобы достигалось наименьшее значение функции

Нетрудно проверить, что наименьшее значение функции (1.65) достигается при

При выборе коэффициентов регрессии указанным выше способом будут выполняться следующие соотношения:

Пример 1.63. Построение линейной регрессионной зависимости доходности среднесрочных корпоративных облигаций одного и того же кредитного рейтинга (η) от доходности 10-летних казначейских облигаций (ξ). Исходная информация и предварительные расчеты приведены в таблице ниже.

Коэффициенты регрессии находят следующим образом:

Уравнение регрессии в данном случае имеет вид:

Из соотношения (1.66) следует, что

Отношение суммы квадратов, объясняемой регрессией, к полной сумме квадратов называют коэффициентом детерминации и обозначают R2. Таким образом,

Коэффициент детерминации всегда находится между 0 и 1, причем чем ближе коэффициент детерминации к единице, тем выше качество регрессионной модели.

Пример 1.64. Оценим качество регрессионной модели, построенной в примере 1.63.

В данном случае коэффициент детерминации может быть найден следующим образом:

Так как коэффициент детерминации очень близок к единице, то качество регрессионной модели достаточно высокое.

Оценка коэффициентов регрессии получена нами в зависимости от выборки значений X1, X2…., Xn независимой случайной величины ξ и соответствующих им значений зависимой случайной величины η. Для другой выборки значений случайной величины ξ будут получены, вообще говоря, другие оценки коэффициентов регрессии и другая случайная погрешность. В связи с этим возникает задача построения доверительных интервалов для коэффициентов регрессии.

Если предположить, что случайные погрешности не коррелируют между собой (т. е. отсутствует автокорреляция), то доверительные интервалы для коэффициентов регрессии с надежностью 95 % строятся следующим образом:

Если случайная величина ξ принимает значение Х, то согласно линейной регрессионной модели:

а ожидаемое значение случайной величины η равно

При отсутствии автокорреляции[17] и гетероскедастичности[18] доверительный интервал для значения случайной величины η при заданном уровне надежности может быть найден в виде:

Пример 1.65. Инвестор считает, что через месяц доходность 10-летних казначейских облигаций окажется равной 8 %. Тогда согласно регрессионной модели, построенной в примере 1.63, ожидаемое значение доходности корпоративных облигаций будет равно

Для определения доверительного интервала для доходности корпоративных облигаций с надежностью 95 % найдем:

Следовательно, искомый доверительный интервал: (8,87 %; 8,95 %).

1.25. Метод Монте-Карло

Случайная величина γ, принимающая 10 значений: 0, 1, 2, 3, …, 9 с одинаковой вероятностью, называется случайной цифрой.

Предположим, что мы произвели N независимых опытов, в результате которых получили N случайных цифр. Записав эти цифры (в порядке их появления) в таблицу, получим то, что называется таблицей случайных цифр. Например, таблица из 150 случайных цифр может иметь следующий вид (цифры разбиты на группы для удобства чтения таблицы):

Случайным числом (random number) называется случайная величина

Иными словами, случайное число – это случайная величина, равномерно распределенная на промежутке [0, 1).

Если задана таблица случайных цифр, то можно строить различные случайные числа, как, например:

В настоящее время существуют специальные компьютерные программы для построения случайных чисел в любом количестве. Такие программы называют генераторами случайных чисел.

Рассмотрим теперь дискретную случайную величину ξ, распределение которой имеет вид:

Равенство (1.68) позволяет каждому случайному числу приписать определенное значение случайной величине ξ. Такой процесс приписывания значений случайной величине ξ часто называют разыгрыванием этой случайной величины.

Пример 1.66. Случайная величина ξ принимает значения 1 и 2 с вероятностью 0,6 и 0,4 соответственно. В данном случае

Значения этой случайной величины, приписываемые случайным числом из последовательности (1.67), приведены ниже:

Частоты появления 1 и 2 соответственно равны и близки к их вероятностям. Чтобы получить лучшую модель, необходимо рассмотреть большее количество случайных чисел.

Предположим, что даны две случайные величины ξ и η, совместное распределение которых имеет вид:

Равенство (1.69) позволяет каждому случайному числу приписать определенную пару значений случайных величин ξ и η. Такой процесс приписывания значений паре случайных величин (ξ, η) называют разыгрыванием этой пары.

Если случайные величины ξ и η независимы, то для разыгрывания пары (ξ, η) достаточно разыграть каждую случайную величину в отдельности. Для разыгрывания непрерывной случайной величины можно вначале найти дискретную случайную величину, близкую к данной случайной величине, а затем разыграть эту дискретную случайную величину.

Метод Монте-Карло позволяет численно находить различные вероятностные характеристики случайной величины η, зависящей от большого числа других случайных величин ξ1, ξ2…., ξn. Этот метод сводится к следующему: разыгрывается последовательность случайных величин (ξ1, ξ2…., ξn), для каждого розыгрыша определяется соответствующее значение случайной величины η, а по найденным значениям строится эмпирическое распределение вероятностей этой случайной величины.

Пример 1.67 [5]. Инвестор владеет портфелем, состоящим из одной казначейской облигации и двух корпоративных облигаций одного и того же кредитного рейтинга. Основные параметры портфеля указаны в таблице:

Инвестора интересует реализуемая доходность портфеля облигаций за 6 месяцев. По его мнению, реализуемая доходность портфеля будет определяться следующими двумя факторами: кривой доходностей казначейских облигаций через 6 месяцев и спредом между доходностями корпоративных и казначейских облигаций. Предположим, что инвестор располагает еще и следующей информацией:

Для определения реализуемой доходности портфеля облигаций можно использовать метод Монте-Карло.