Выдержка из книги «Анализ кредитных рисков».

Существуют различные методологии оценки возможных потерь по финансовым инструментам и портфелям., отметим основные из них:

- VaR (Value-at-Risk - «стоимость под риском»);
- Shortfall;
- Аналитические подходы (например, дельта-гамма подход);
- Stress Testing (новая методика).

Рассмотрим наиболее распространенный метод количественной оценки величины рыночного риска торговых позиций - VaR :

VaR - это выраженная в денежных единицах базовой валюты оценка величины, которую не превысят ожидаемые в течение данного периода времени (временной горизонт) потери с заданной вероятностью (уровень доверия). Базой для оценки VaR является динамика курсов и цен инструментов за установленный период времени в прошлом.

Временной горизонт часто выбирается исходя из срока нахождения финансового инструмента в портфеле или его ликвидности, исходя из минимального реального срока, на протяжении которого можно реализовать на рынке данный инструмент без существенного убытка. Временной горизонт измеряется числом рабочих или торговых дней.

Уровень доверия, или вероятность, выбирается в зависимости от предпочтений по риску, выраженных в регламентирующих документах банка. На практике часто используется уровень в 95% и 99%. Базельский комитет по банковскому надзору рекомендует уровень в 99%, на который ориентируются надзорные органы.

Величина VaR рассчитывается тремя основными методами:

• параметрическим;
• методом исторического моделирования;
• методом Монте-Карло.

Параметрический метод расчёта VaR

Данный метод может использоваться для оценки рыночного риска финансовых инструментов, по которым банк имеет открытую позицию. Стоит отметить, что параметрический метод плохо подходит для оценки риска активов с нелинейными ценовыми характеристиками. Основным недостатком данного метода является предположение о нормальном распределении доходностей финансовых инструментов, которое, как правило, не соответствует параметрам реального финансового рынка. Для параметрического расчёта VaR необходимо регулярно рассчитывать волатильность котировок ценных бумаг, валютных курсов, процентных ставок или иных риск-факторов (переменная, от которой в наибольшей степени зависит изменение стоимости открытых банком позиций).

Базовая формула для определения VaR с учетом стоимости позиции актива имеет следующий вид:

VaR = V* λ *σ,

Где:
λ - квантиль нормального распределения для выбранного доверительного уровня. Квантиль показывает положение искомого значения случайной величины относительно среднего, выраженное в количестве стандартных отклонений доходности портфеля. При вероятности отклонения от среднего, равного 99%, квантиль нормального распределения составляет 2,326, при 95% - 1,645;
σ - волатильность изменения риск-фактора. Волатильность - это стандартное (среднеквадратическое) отклонение изменения риск-фактора относительно его предыдущего значения;
V - текущая стоимость открытой позиции. Под открытой позицией понимается рыночная стоимость финансовых инструментов, купленных или проданных банком для получения прибыли или иных целей таким образом, что количество финансовых инструментов, находящихся в рассматриваемый момент на балансовых или забалансовых счетах, не равно нулю.

Пример
Инвестор владеет акциями компании стоимостью 10 млн.руб. Заданный уровень доверия 99% с временным горизонтом в один день. Однодневная волатильность цены акций (σ) = 2,15.
VaR = 10 * 2,33* 2,15 = 50,09 млн.руб.

Другими словами, вероятность того, что убытки инвестора превысят 50 млн.руб. в течение ближайших суток, равна 1 %. Убытки, превышающие 50 млн.руб. ожидаются в среднем один раз в 100 дней торгов.

Метод исторического моделирования расчета VaR

Данный метод основан на предположении о стационарности поведения рыночных цен в ближайшем будущем.

Сначала выбирается период времени (число рабочих или торговых дней), за который отслеживаются исторические изменения цен всех активов, входящих в портфель. Для каждого периода времени моделируются сценарии изменения цены. Гипотетическая цена актива рассчитывается как его текущая цена, умноженная на прирост цены, соответствующий данному сценарию. Затем производится полная переоценка всего текущего портфеля по ценам, смоделированным на основе исторических сценариев, и для каждого сценария вычисляется, насколько может измениться стоимость текущего портфеля. После этого полученные результаты ранжируются по номерам в порядке убывания (от самого большого прироста до самого большого убытка). И, наконец, в соответствии с желаемым уровнем доверия величина VaR определяется как такой максимальный убыток, который равен абсолютной величине изменения с номером, равным целой части числа (1- квантиль при заданном уровне доверия) * число сценариев.

В отличие от параметрического метода, метод исторического моделирования позволяет наглядно и полно оценить риск, он хорошо подходит для оценки риска активов с нелинейными ценовыми характеристиками. Преимущество исторического моделирования заключается в том, что он исключает высокое влияние модельного риска и основан на реально наблюдавшейся в прошлом модели, без учета предположений о нормальном распределении или какой-либо другой стохастической модели динамики цен на рынке. Стоит отметить, что при расчете VaR данным методом присутствует высокая вероятность ошибок измерения при малом периоде исторической выборки. Кроме того, из выборки не исключаются наиболее старые наблюдения, что резко ухудшает точность модели.

Пример:
В 400 сценариях оказалось 300 случаев убытка и 100 случаев прироста. VaR (95%) - это абсолютная величина 21-го по величине убытка (400+1-1(1-0,05)*400=21, где 0,05 - квантиль при уровне доверия 95%), т.е. изменения под номером 380.

Метод Монте-Карло расчета VaR

Метод Монте-Карло, или метод стохастического моделирования, является самым сложным методом расчета VaR, однако его точность может быть значительно выше, чем у других методов. Метод Монте-Карло очень схож с методом исторического моделирования, он также основан на изменении цен активов, только с заданными параметрами распределения (математическим ожиданием, волатильностью). Метод Монте-Карло подразумевает осуществление большого количества испытаний - разовых моделирований развития ситуации на рынках с расчетом финансового результата по портфелю. В результате проведения данных испытаний будет получено распределение возможных финансовых результатов, на основе которого путем отсечения наихудших согласно выбранной доверительной вероятности может быть получена VaR-оценка. Метод Монте-Карло не подразумевает свертывания и обобщения формул для получения аналитической оценки портфеля в целом, поэтому и для результата по портфелю и для волатильностей и корреляций можно использовать значительно более сложные модели. Метод заключается в следующем. По ретроспективным данным (периоду времени) рассчитываются оценки математического ожидания и волатильность. С помощью датчика случайных чисел данные генерируются с помощью нормального распределения и заносятся в таблицу. Далее вычисляется траектория моделируемых цен по формуле натурального логарифма и производится переоценка стоимости портфеля.

Так как оценка VaR методом Монте-Карло практически всегда производится с использованием программных средств, данные модели могут представлять собой не формулы, а достаточно сложные подпрограммы. Таким образом, метод Монте-Карло позволяет использовать при расчете рисков модели практически любой сложности. Преимущество метода Монте-Карло заключается еще и в том, что предоставляется возможность использовать любые распределения. Кроме того, метод позволяет моделировать поведения рынков - трендов, кластеров высокой или низкой волатильности, меняющихся корреляций между факторами риска, сценариев "что-если" и т.д. При этом стоит отметить, что данный метод требует мощных вычислительных ресурсов и при простейших реализациях может оказаться близок к историческому или параметрическому VaR, что приведет к наследованию всех их недостатков.

Недостатком метода оценки рисков VaR является то, что он игнорирует очень многие значительные и интересные детали, необходимые для реального представления рыночных рисков. VaR не учитывает, какой вклад в риск вносит рынок, какие структурные изменения портфеля увеличивают риск, а также какие инструменты хеджирования контролируют специфический риск. Модель не дает информации о наихудшем возможном убытке за пределами значения VaR (при заданном уровне доверия 95% остается неизвестным, какими могут быть потери в оставшихся 5% случаев).

В качестве альтернативной меры оценки рыночного риска может использоваться методология Shortfall, которая представляет собой среднюю величину потерь, превышающих VaR. Shortfall - более консервативная мера риска, чем VaR. Для одного и того же уровня вероятности Shortfall требует резервировать больший капитал. Таким образом, он позволяет учитывать большие потери, которые могут произойти с небольшой вероятностью. Он также более адекватно позволяет оценить риск в таком распространенном на практике случае, когда распределение потерь имеет «толстые хвосты» функции распределения (отклонения на краях распределения плотности вероятностей от нормального распределения).

Расчет риска в соответствии с Положением ЦБ РФ № 313-П

Величина рыночного риска включается в расчет норматива достаточности собственных средств (капитала) банка в соответствии с Инструкцией Банка России от 16.01.2004 г. № 110-И «Об обязательных нормативах банков». Порядок расчета кредитными организациями размера рыночных рисков предусмотрен Положением ЦБ РФ «О порядке расчета кредитными организациями величины рыночного риска» от 14.11.2007 г. N 313-П. Совокупная величина рыночного риска рассчитывается по формуле:

РР = 12,5 * (ПР + ФР) + ВР,

Где:
РР - совокупная величина рыночного риска;
ПР - величина рыночного риска по финансовым инструментам, чувствительным к изменениям процентных ставок (далее - процентный риск);
ФР - величина рыночного риска по финансовым инструментам, чувствительным к изменению текущей (справедливой) стоимости на долевые ценные бумаги;
ВР - величина рыночного риска по открытым кредитной организацией позициям в иностранных валютах и драгоценных металлах.

Если разделить факторы, подлежащие анализу, на первичные и вторичные, окажется, что в каждом бизнесе есть великое множество как тех, так и других. Понятное дело, что все их мало кто знает. Поэтому в начале 1990-х гг. руководство банка J. P. Morgan дало своим «рисковикам» задание найти некий формат, который легко понять и который агрегировал бы и унифицировал первичные и вторичные риски в разных областях бизнеса. Так и возникла оценка Value-at-Risk, более известная как VaR. Сегодня это стандартный инструмент контроля за риском.

Профиль доходов и риска у некоторых финансовых инструментов распределяется линейно. Допустим, вы купили акцию, и на единицу изменения ее цены результат вашей позиции будет меняться на одно и то же количество единиц. Это пример первичного риска. Изменения цен производных инструментов тоже в основном зависят от изменения цен базовых активов (в нашем примере акций). Однако они также чувствительны к изменениям и других переменных, которые мы обсуждали в главе по опционам, например к изменениям волатильности и процентных ставок, а также изменениям времени. Это некие вторичные переменные. Из-за них цены производных инструментов не изменяются линейно по отношению к цене базового актива.

Наверное, перед менеджментом не встал бы вопрос о создании VaR, если бы не появились производные инструменты, например опционы, цена которых нелинейно зависит от определяющих ее переменных. Важно, чтобы читатель поверил, что портфель кредитов - это тот же портфель опционов, только на кредиты. Детали мы обсудим позже, а в этой главе продемонстрируем принципы работы, возможности и ограничения модели на более простом активе.

Следует отметить роль корреляции в построении отчетов. Менеджменту крупного банка нужно два-три простых отчета об огромном количестве разных позиций в разных продуктах. Если «загнать» их все в одну модель, то даже при сегодняшних компьютерных скоростях обработка данных займет слишком много времени. Проще отталкиваться от неких базовых активов и дополнять их матрицей корреляций с другими активами, даже если позиций мало, как в примере, где вы купили акции «ЛУКОЙЛа» и продали акции «Роснефти». Система должна оценить корреляцию и предположить, сколько вы можете потерять, если цены поведут себя не так, как вы ожидали. Если корреляцию не оценить и рассматривать риски двух акций как независимые, вы фактически завысите их, так как на практике большую часть времени они движутся в одном направлении. Нахождение статистически обоснованного размера потенциальных максимальных потерь как раз и является основной задачей Value-at-Risk. Этот термин переводится как стоимостная мера риска.

Точнее, VaR - это максимальная сумма:

• неизменной позиции;
• в течение данного периода времени (стандартный горизонт составляет от одного до десяти дней);
• для заданной предполагаемой волатильности;
• для заданного уровня доверия (количества стандартных отклонений от средней величины).

Основными вариациями в построении VaR являются оценка ожидаемой волат ильности и количество стандартных отклонений. Первый параметр нужен, чтобы понять наиболее вероятную оценку потерь, которую можно ожидать в течение 2/3 заданного отрезка времени. Второй - максимум отклонения в течение 1/3 времени.

Волатильность, или изменчивость цен, в статистике называют «стандартным отклонением». В моделях используют нашего старого знакомца ожидаемую волатильность, которая рассчитывается как предполагаемый (ожидаемый) разброс между ценами закрытий в течение данного периода времени.

Примеры расчета VaR

Предположим, что вы продали опцион на повышение цены акции Х (опцион колл на акцию Х). Теперь ваш портфель состоит из одного проданного колла, цена акции - 100,0, цена исполнения - 100,0, ожидаемая волатильность - 19,1%, исполнение колла (заданный период) через 30 дней. Волатильность 19,1% предполагает, что в течение одного дня отклонение рыночной цены акции (однодневное стандартное отклонение) составит примерно ±1% в течение 2/3 рассматриваемого периода (30 дней).

Сколько же стандартных отклонений правильно использовать для подсчета VaR? Иными словами, как уловить движение цен в оставшейся 1/3 временного горизонта, которое превысит ожидаемую рынком волатильность? Большинство изучавших статистику знают, что представляет собой кривая нормального распределения, и тот факт, что при нормальном распределении под три стандартных отклонения подпадает 99% событий. Но на практике это значение скорее составляет четыре стандартных отклонения (таблица. 1), поэтому именно их стоит использовать для улавливания движений, необъясненных нормальным распределением.

Таблица 1. Переоценка опциона (см. пример) при изменении цены базового актива (на следующий день)

Стоимость базового актива - не единственное значение, меняющееся в пределах временного горизонта. Цена ожидаемой волатильности опциона может падать или подниматься. Соответственно, модель должна тестироваться для разных уровней ожидаемой волатильности.

Например, модель может ограничить изменения волатильности в размере 15%. Это означает, что если на данный момент ожидаемая волатильность составляет 19,1%, то на следующий день она будет в пределах {16,61%, 21,97%}. Давайте переоценим наш портфель, учитывая новые ограничения (таблицы 2 и 3).

Таблица 2. Переоценка опциона при изменении волатильности (на следующий день)

Сопоставляя эти данные, можно осуществить поиск по сетке значений, которая определяет стоимость портфеля в интервалах, начиная от неизменных и заканчивая экстремальными за рассматриваемый период (на следующий день).

Таблица 3. Переоценка опциона при изменении как цены базового актива, так и волатильности

Вычитая нынешнюю стоимость портфеля из полученных результатов, мы получаем ряд переоценок для всех вариаций за рассматриваемый период (таблица 4).

Таблица 4. Финансовый результат переоценки опциона при изменении как цены базового актива, так и волатильности

Переоценка, показывающая максимальную потерю (–2.81), является VaR на срок один день и с уровнем доверия 98% (при стоимости базового актива 104 пункта и волатильности 21,97%). Многие продукты имеют не только цену спот, но и форвардные кривые, т. е. цены на тот же продукт с его поставкой в будущем, колеблющиеся даже при устойчивом споте. На валютном рынке, например, форвардные кривые являются результатом соотношения процентных ставок двух валют. В случае с товарными фьючерсами форвардные кривые - итог прогноза будущей конъюнктуры рынка. Например, форвардная кривая видоизменяется при изменении ожиданий о дефиците предложения товара на дату истечения контракта. Кроме форвардных кривых базового актива (структуры срочных цен) существуют форвардные кривые волатильности (структура волатильности). Для упрощенного расчета VaR рекомендуется видоизменить форвардную цену каждого периода при помощи соответствующего стандартного отклонения.

По аналогии варьируется волатильность вдоль всей форвардной кривой.

Комбинируя кривые базового актива и волатильности, мы получим искомую матрицу риска исходя из колебаний цен базового актива, его волатильности и форвардных кривых.

Вариации моделей

Обратите внимание, что все расчеты для торговых подразделений ведутся на заданный период - как правило, на один день. На практике рынок может двигаться в одном направлении гораздо дольше. Следовательно, максимальные значения потерь могут следовать одно за другим на протяжении нескольких дней, количество которых, как показала динамика цен осенью 2008 г., может быть значительным. Поэтому для менеджмента готовятся расчеты на период десяти дней. Однако это достаточно консервативный подход, так как при негативной динамике позиция тоже способна меняться, т. е. трейдеры могут сократить позиции, а кредитные подразделения - продать часть портфеля. В этом случае прогнозируемые убытки могут уменьшиться.

Поскольку есть разные формулы оценки волатильности и необходимых стандартных отклонений, когда вы слышите, что, скажем, данная позиция может потерять $10 млн, это вовсе не значит, что она в 10 раз меньше или несет в 10 раз меньше риска, чем позиция, которая может потерять $100 млн. Это не тривиальное замечание: так, на конец второго полугодия 2011 г. объявленная банком Goldman Sachs величина VaR составляла $100 млн на все позиции во всех офисах мира. В то же время в некоторых российских банках среднего размера она превышала $15 млн. Наверное, неправильно предположить, что их уровень риска составлял шестую часть риска крупнейшего в мире трейдера. Скорее формулы, заложенные при определении риска, были гораздо консервативнее.

В начале августа 2011 г., в разгар кризисных явлений, связанных с понижением кредитного рейтинга США и банковского кризиса в Европе, появилось сообщение, что по результатам двух торговых сессий у Goldman Sachs возникли убытки в размере $100 млн. Иными словами, правильность расчета VaR подтвердилась.

Однако скандал в J. P. Morgan из-за потерь в портфелях производных инструментов, произошедший в мае 2012 г., еще раз показал, что модели VaR тоже можно «покручивать» и занижать показатели риска.

Стресс-тесты

VaR - способ вероятностного измерения возможных результатов, включая максимальные убытки, в заданный отрезок времени («временной горизонт»). При его расчетах исходят из того, что состав исходного портфеля и с определенным уровнем доверия (в терминах статистики) не меняются. В стресс-тестах мы не рассматриваем наихудшее состояние нынешнего рынка, а создаем сценарии стрессовых ситуаций, основанных на наихудших исторических сценариях развития рынков. Иначе говоря, потери вашего портфеля рассчитываются по параметрам пережитого рынком за последние 30–40 лет. Если в вашем портфеле в основном купленные позиции, при создании стресс-теста вы берете худшее их движение. Если у вас в основном проданные позиции, то в основе стресс-теста - моменты безудержного роста. В обеих ситуациях стресс-тест показывает сценарии ночного кошмара.

Значительная разница между стресс-тестами и расчетами VaR состоит в отношении к корреляциям. При расчетах VaR предполагается наблюдаемый уровень корреляции между различными позициями в портфеле. Рассматривая сценарии стресстеста, мы можем отказаться от наблюдаемых корреляций, что приводит к возрастанию возможных потерь. Так, наши позиции в акциях «ЛУКОЙЛа» и «Роснефти» будут рассматриваться как абсолютно независимые.

Более того, может учитываться не текущая, а максимальная историческая волатильность, например 30%-ное падение или 40%-ный рост одной из этих акций в один из дней кризисов 1998 г. или 2008 г. по выбору риск-менеджера.

Идея отсутствия корреляции между аналогичными проданными и купленными активами можно сравнить с тем, что, например, стоимость молока и стоимость коров может идти в разных направлениях: цена молока (акций «ЛУКОЙЛа») удвоится, а цена коров (акций «Роснефти») упадет в два раза. Иными словами, что при одной и той же цене нефти подобная динамика цен будет невелика. Если принимать его за основу, то все российские банки должны закрыться, так как колебания процентных ставок, продемонстрированные в 2008 г., указывают на колоссальный риск их текущих операций.

Чтобы не закрывать банки, выбирают какие-то «разумные» сценарии. В результате подобного «сглаживания» худших сценариев, как показывают кризисы, случившиеся в России (1998 г.) и на Западе (2007–2009 гг.), в докризисных стресстестах были занижены максимальные потери. Указывая на это, риск-менеджер скажет, что «в результате такой недооценки большинство банковских руководителей были недостаточно обеспокое ны предлагаемыми сценариями и не смогли своевременно закрыть рискованные позиции». Он порекомендует при проведении стресс-тестов лучше ошибаться в сторону консервативности оценок и завышения риска сценариев. На практике это означает, что в докризисные времена менеджеры должны были делать бизнес в гораздо меньших объемах. Правилен этот вывод или нет, но именно посредством осовремененных стресс-тестов западные регуляторы добиваются снижения левереджа банков.

Взаимодействие волитарности, корреляции и ликвидности

Нужно отметить, что «привычная (историческая) корреляция» - весьма непрактичный термин. Корреляции активов за 10 лет и за год могут быть очень разными. Поэтому приходится выбрать период за который берется историческая корреляция для использования ее в моделях. Однако чем выше волатильность рынка, тем труднее сохраняются привычные взаимосвязи. Иными словами, возрастание волатильности сопровождается зменением корреляций.

Одной из причин их нарушения являются разрывы в ликвидности. Возросшая волатильность приводит к тому, что участники рынка сокращают размер позиций. Поскольку число покупателей тоже уменьшается, при продажах рынки сталкиваются с «разрывами ликвидности», т. е. цены движутся не плавно, а скачками. Более того, так как разные группы активов имеют разную клиентскую базу, разрывы ликвидности воздействуют на их цены по-разному.

Поэтому именно она является основным врагом стабильности корреляций. Подобные «разрывы» сложно выразить математически. Поэтому, повторимся, опционные трейдеры закладываются на возможность появления этих разрывов, завышая ожидаемую волатильность. Учитывая ценность такой экспертной корректировки в VaR-моделях активов, на которые торгуются опционы, используют не фактическую, а ожидаемую волатильность. Однако для некоторых активов нет интенсивно действующего опционного рынка. Какую волатильность нужно использовать в расчетах VaR?

Если опционы не торгуются на нужный актив, модели могут использовать ожидаемую волатильность похожего актива с учетом некоего коэффициента корреляции между изменениями цен этих активов. Таким образом, относительно небольшая группа трейдеров, которые торгуют опционами на ликвидные активы и определяют на них ожидаемые волатильности, неожиданно для себя поставляет этот критический параметр расчета максимальных потерь значительной части рынка.

Любопытная деталь, еще раз демонстрирующая ограничения возможностей даже таких «навороченных» логических построений, которые лежат в основе современной системы измерения рисков: как мы уже говорили, ожидаемая волатильность сама является товаром, и ее цена подвержена колебаниям из-за спроса и предложения. Получается, что один крупный покупатель или продавец может исказить волатильность на определенном рынке, а это повлияет на оценку потерь целого сегмента рынка!

Взаимосвязь между кредитным и рыночным риском

Как мы увидим в следующей части книги, процентные ставки на кредитные продукты состоят из безрисковых ставок и платы за кредитный риск (кредитный спред). Кредитные спреды, как правило, «запакованы» в процентные ставки по кредитным продуктам, но их можно просто вычленить (см. главу 8). Более того, эти очищенные кредитные спреды существуют в качестве финансовых продуктов. Коммерческие банкиры называют их гарантиями (фактически продажей нефондируемого кредитного риска клиента), а инвестиционные - кредитными свопами (CDS). Цены на гарантии меняются редко. А вот кредитные свопы торгуются на рынке, и потому их цены часто подвержены изменениям.

Большинство крупных компаний и банков имеют публичные долги. А раз они существуют, значит, из средств, предназначенных для их погашения, можно выделить плату за кредитный риск, т. е. купить или продать кредитный своп.

В таком случае лимит кредитного риска на контрагентов становится подверженным рыночной волатильности, а значит, его можно рассчитать посредством VaR. Если эта методология принимается, то, как и везде, подобная оценка искажается при изменении ликвидности кредитных рынков. Дело в том, что хотя изначально кредитные спреды рассчитывались на основании цен облигаций, теперь эти рынки существуют параллельно. Поскольку ликвидность облигаций и кредитных свопов одного и того же эмитента отличаются, выходит, что теоретически на двух рынках сосуществуют различные оценки кредитного риска. В связи с этим риск-менеджеры могут принять за основу любую из них. Их предпочтения влияют на размер лимитов на контрагента, а также на изменение сроков их пересмотра: чем нестабильнее рынок, взятый ими за основу, тем чаще могут пересматриваться лимиты вслед за изменением волатильности. Этот процесс может внести ненужную волатильность в уже стандартизированный банковский бизнес, стабильность которого риск-менеджеры, наоборот, должны защищать.

Дополнительные сложности, вызванные избыточным контролем, могут быть следствием отношения риск-менеджеров к «несимметричному риску». С точки зрения статистики отклонение цены способно привести к одинаковому риску и в случае ее роста, и в случае уменьшения. Однако падение рубля ассоциируется с падением надежности российской банковской системы, как и в случае других развивающихся стран. Таким образом, если российский банк продаст долгосрочный форвардный контракт на укрепление рубля, то, если рубль укрепится и при продаже возникнут потери, банк сможет расплатиться, так как укрепление рубля, как правило, связано с ростом российской экономики и благоденствием в мире в целом. А вот если банк продаст доллары на долгий срок, то в кризисной ситуации ему будет сложно возместить потери, поскольку на финансовом рынке они совпадут с ростом дефолтов в кредитном портфеле, вызванных сложной экономической ситуацией. Таким образом, риск, симметричный с точки зрения рыночного риска, может быть несимметричным для расчетов кредитного риска по тем же сделкам.

Чем больше деталей мы упоминаем, тем более очевидно, что процесс анализа рисков сложно жестко регламентировать. Он должен учитывать несимметричные ситуации, которые часто выявляются при анализе жизненных реалий. Еще один пример.

В начале 2007 г. проводился анализ кредитного риска, который возникал у российского банка по отношению к Citibank в случае покупки у последнего опциона колл на акции Сбербанка. Фактически кредитный риск появлялся в случае его резкого подорожания, если одновременно Citibank становился неспособным исполнить свои обязательства. Поскольку опцион был краткосрочным, такая ситуация могла возникнуть только при внезапном банкротстве Citibank.

На тот момент еще никто не подозревал, что мир стоит на пороге серьезного кризиса. Позиция бизнеса заключалась в том, что лишь неожиданный крах мировых финансовых рынков может привести к банкротству международного банка - такого как Citibank. Следовательно, какие бы хорошие результаты ни показывал Сбербанк, в ситуации мирового кризиса его акции тоже упадут. В этом случае опцион исполнен не будет, а потому и кредитный риск при покупке у Citibank опциона колл был небольшим. А вот при приобретении Сбербанком у Citibank опциона пут этот анализ не работал. Однако специалисты по рискам считали, что при покупке опционов колл и пут кредитный риск был симметричным. Опцион подлежал исполнению в ноябре 2007 г., и фактические события подтвердили правильное понимание бизнесом концепции несимметричности кредитного иска сделки.

Управление рисками - одна из ключевых областей банковского бизнеса. Модели риск-менеджмента позволяют финансистамуправленцам, т. е. специалистам широкого профиля быстро оценить риск малоизвестных продуктов в едином формате для всех разноплановых бизнесов, находящихся в их ведении. Именно это является основной ценностью таких моделей. Поэтому функциональная область деятельности банка под названием «рискменеджмент» становится все более важным инструментом при унификации методологии принятия решений о разных формах риска, т. е. об объеме доступных банкам ресурсов риска.

Однако, как и в случае любого инструментария, пользоваться моделями, измеряющими риск, нужно осмысленно, не отдавая их на откуп узкоспециализированным специалистам по моделированию, а самостоятельно разбираясь в предположениях, заложенных в расчетах. Мы продемонстрировали это на примере разницы в подходах к вопросу о симметричности рисков. Подобные ситуации напоминают известный анекдот про динозавра: когда у мужчины спрашивают, какой шанс встретить такого зверя на улице, он говорит, что никакого: «Они же вымерли!» Следующей отвечает на вопрос блондинка, между прочим, дипломированный специалист в области статистики. По ее мнению, шансы 50 на 50: «То ли встречу, то ли нет». В ситуациях, когда менеджеры (причем не только риск-менеджеры) используют количественный анализ без учета практической логики, каждый риск превращается в абсолютный, т. е. не взвешенный на вероятность возникновения анализируемой критической ситуации. Тогда и динозавра не встретишь, и бизнеса не сделаешь. Поэтому использование моделей типа VaR или стресс-тест должно носить осмысленный характер.

Выводы

Банк владеет определенными ресурсами, которые представляют собой объемы нескольких видов риска, который он может принять. Из них ключевые - риск ликвидности, кредитный риск, процентный риск и валютный риск.

Объем рисков ликвидности - это ресурс, неправильное управление которым представляет для банка наибольшую угрозу. При этом он является и основным источником доходов, возникающим благодаря разнице между стоимостью привлечения и размещения активов, а расчет этих показателей субъективен и связан с методикой трансферного ценообразования, которая является наиболее политизированным вопросом. Сложность способов наращивания средств и их размещения известна всем. Высший менеджмент и в развитых, и в развивающихся странах постоянно оказывается вовлеченным в ту или иную форму дискуссии об избыточной и недостаточной ликвидности. Кредитный риск - более конкретная категория по сравнению с ликвидностью, но и он подвержен влиянию политики. Сильные в этом смысле подразделения «зажимают» более слабые, перекрывая им доступ к лимитам. Однако за такой политикой часто скрывается непонимание возможностей других продуктов.

Иначе говоря, все изучили только тот из них, которым конкретно занимаются, а менеджмент не знает в достаточной степени всю линейку продуктов, чтобы способствовать эффективному диалогу между продуктовыми подразделениями. Валютный и процентный риски, которые многие включают в анализ ликвидности, проще анализировать как разные темы, хотя, посвященной форвардам, и эти два ресурса тесно переплетаются.

Важность разделения кажется всем понятной, но на практике является очень сложной, например, из-за разницы в отражении разных операций в учете. В результате таких переплетений банк может иметь достаточно ликвидности, но движение валютных курсов или процентных ставок способно свести его прибыль к нулю.

На практике резервы валютного и процентного риска - тоже предмет какой-то утвержденной внутренней политики. Как и риск ликвидности, коммерческие подразделения предпочитают их не рассматривать. Оптимизируя прибыль по кредитной кривой, т. е. получая максимальную прибыль за кредитный риск в абсолютном выражении (без привязки к кредитной кривой заемщика), они полностью игнорируют вопрос об оптимальном распределении этих ресурсов, считая, что управление ими принадлежит «кому-то» в казначействе банка.

Таким образом, в банках изначально размыта ответственность за все важнейшие ресурсы. Проблема усугубляется тем, что и ресурсами они, кроме ликвидности, не считаются. Их называют «лимитами». В этой книге мы попытаемся показать, что изменение терминологии может привести к изменению идеологии. А в контексте рассмотрения потенциалов принятия разного типа рисков, воспринимаемых как ресурсы, а не как лимиты, покажем пути повышения эффективности их использования.

Процедура расчета Value-at-Risk (VaR) по облигациям процесс довольно не простой, особенно если подходить к этому вопросу комплексно, как например расчёт стоимости под риском портфеля облигаций в целом.

Оценку степени риска портфеля облигаций целесообразней проводить посредством расчета показателя процентного риска DV01, но порой, для расчета совокупного показателя риска диверсифицированного портфеля активов, возникает потребность в использовании универсальной её величины, как для долевых финансовых инструментов (акций), так и для долговых (облигаций). В этом случае как раз и прибегают к расчету VaR по облигациям.

Ниже представлен максимально упрощенный комплексный вариант-пример процедуры расчета Value-at-Risk по рублевым облигациям, торгуемым на Московской бирже в среде Excel*:

Схема процесса расчета стоимости под риском (VaR) по облигациям

На первом этапе (см. на схеме <СБОР ДАННЫХ >) требуются рыночные данные, на базе которых будет происходить анализ и непосредственно расчет данных.

В качестве источника рыночных данных, использованы месячные данные, формируемые Московской Биржей по итогам ежедневных торгов . Информация, увы, доступна только на платной основе (по крайне мере, о наличии бесплатных альтернативных вариантов - неизвестно).

Для расчета целесообразно использовать данные минимум за 12 месяцев.

На следующем этапе <БАЗА РЫНОЧНЫХ ДАННЫХ > происходит процедура автоматического объединения, консолидации месячных данных за последний год.

Представленный на схеме независимый процесс <ПОРТФЕЛЬ ДАННЫХ > это возможный к использованию вспомогательный элемент автоматической подгрузки данных о конкретном портфеле облигаций (в представленном ниже примере для скачивания этот процесс не поддерживается, но при желании не составит большого труда организовать автоматическую его подкачку).

Скачать приложения Вы можете здесь:

Приложение « Расчет VaR по облигациям » .

Скачать

Краткая процедура к использованию*:

2. Разархивированные месячные данные поместить в папку:

...\РАСЧЁТ VAR ОБЛИГАЦИЙ\РАСЧЁТ VAR\А. БИРЖА КОТИРОВКИ\ОБЛИГАЦИИ\12 МЕС

4. Запустить файл <РАСЧЕТ VAR ОБЛИГАЦИЙ.xlsm>.

4.1. На листе "Сводный" файла ниже таблицы укажите дату расчета (последний рабочий день скаченных с биржи данных), перечисленные ниже параметры предлагается оставить без изменения (по умолчанию).

4.3. Затем нажмите на кнопку "Сводные таблицы", расположенную в верхнем левом углу на листе "Сводный" файла.

Всё расчет готов!

а) На листе "Service" файла в соответствующей таблице заполните данные о собственном портфеле.

Помимо стандартного отклонения, инвестиционные кампании рассчитывают такой показатель риска как VaR (Value at Risk). Этот показатель характеризует величину возможного убытка с выбранной вероятностью за определенный промежуток времени. Value-at-Risk рассчитывается 3-мя методами:

1. Вариация/ ковариация (или корреляция или параметрический метод)
2. Историческое моделирование (дельта нормальный метод, «ручной рассчет»)
3. Расчет при помощи метода Монте -Карло

Для расчета параметра риска Value at Risk с помощью дельта нормального метода , необходимо сформировать выборку фактора риска, необходимо, что бы количество значений выборки было больше 250 (рекомендация Bank of International Settlements), для обеспечения репрезентативности. Возьмем данные котировок акции Газпрома за период с 9 января 2007 года по 31 июля 2008 года.

Для котировок акции Газпрома рассчитаем дневную доходность по формуле:

Где: Д – дневная доходность;
Рi- текущая стоимость акции;
Рi-1 – вчерашняя доходность акции.

Правильность использования метода Value at Risk при дельта нормальном способе расчета, достигается при использовании только факторов риска подчиненным нормальному (Гауссовому) закону распределения. Для проверки нормальности распределения доходностей акции можно воспользоваться критериями Пирсона или Колмогорова -Смирнова.
Формула в Excel будет выглядеть следующим образом:

LN((C3)/C2)
В итоге получилась следующая таблица.

После этого необходимо рассчитать математическое ожидание доходности и стандартное отклонение доходности за весь период. Воспользуемся формулами Excel.
Математическое ожидание =СРЗНАЧ(D2:D391)
Стандартное отклонение =СТАНДОТКЛОН(D2:D391)

На следующем этапе необходимо рассчитать квантиль нормальной функции распределения. Квантиль – это значения функции распределения (Гауссовой функции) при заданных значениях, при которых значения функции распределения не превышают это значение с определенной вероятностью. Квантиль сообщает то, что убытки по акции Газпром не превысят с вероятностью 99%.

Квантиль рассчитывается по формуле:
=НОРМОБР(1%;F2;G2)

Для расчета стоимости акции с вероятностью 99% на следующий день, необходимо перемножить последнее (текущее) значение стоимости акции на квантиль сложенный с единицей.


Xt+1 –значение доходности в следующий момент времени.

Для расчета стоимости акции на несколько дней вперед с заданной вероятностью, воспользуемся следующей формулой.

Где: Q- значение квантиля для нормального распределения акции Газпрома;
Xt- значение доходности акции в текущий момент времени;
Xt+1 –значение отклонения доходности в следующий момент времени;
n - количество дней вперед.

Формулы расчета VAR на один день VAR(1) и на пять VAR(5) дней вперед производится по формулам:
X(1) =(F5+1)*C391
X(5) =(КОРЕНЬ(5)*F5+1)*C391

Расчет значения цены акции с вероятностью 99% при убытках показан на рисунке ниже.

Полученные значения Х(1) = 266.06 говорит о том, что в течение следующего дня, курса акции Газпрома не превысят значения в 226.06 руб. с вероятностью 99%. И Х(5) говорит о том, что в течение следующих пяти дней с вероятностью 99% курс акции Газпрома не опустится ниже 251.43 руб.

Для расчета самого Var (величина возможных убытков), рассчитаем абсолютное значение убытков и относительное. Формулы в Excel будут следующими:
=C392-G7 =G11/C392
=C392-G8 =G12/C392

Эти цифры говорят следующее: убыток по акции Газпрома с вероятностью 99% не превысит 7.16 руб. на следующий день и убыток по акции Газпрома с вероятностью 99% не превысит 21.79 руб. за следующие пять дней.

Расчет показателя Value at Risk «ручным способом»
Создадим новый рабочий лист в Excel. Для того что бы определить значения Value at Risk «ручным способом», необходимо найти:

1. Максимум доходностей за весь временной диапазон =МАКС(Лист1!D3:D392)
2. Минимум доходностей за весь временной диапазон =МИН(Лист1!D3:D392)
3. Количество интервалов (N) = 100
4. Интервал группировки (Int) =(B1-B2)/B3

Ниже показан расчет этих параметров.

После построим гистограмму накопительной вероятности. Для этого выберем Сервис ->Анализ Данных -> Гистограмма.

Входной интервал включает в себя значения доходностей акции Газпром. Интервал карманов это интервалы доходностей. Так же поставим галочки на флаге «Интегральный процент» и «Вывод графика». После проделанной операции получится следующий график и таблица накопительной вероятности.

В таблице накопительной вероятности найдем значения вероятности 1% (Это соответствует колонке «Интегральный %») и определим значения квантиля. Первая колонка это значения квантилей для распределения доходности акций Газпрома, вторая колонка частота появления таких значений на исторической выборке и третья колонка это вероятность появления таких убытков.

Значения квантиля будут равняться -0,0473, при подсчете первым методом значение квантиля равнялось 0,0425. Далее расчет делается аналогично дельта нормальному методу.
В таблице ниже представлен расчет VaR. Возможные убытки с вероятностью 99% не превысят на следующий день 8,47 руб. и в течение пяти дней не превысят 24,72 руб.

Выводы
Мера риска Value at Risk позволяет оценить величину возможных убытков в количественных показателях, что является эффективным методом управления финансовыми рисками.