Рассылка закрыта
При закрытии подписчики были переданы в рассылку "Секреты инвестирования" на которую и рекомендуем вам подписаться.
Вы можете найти рассылки сходной тематики в Каталоге рассылок.
Управление рисками: новости, технологии, моделирование
| Информационный Канал Subscribe.Ru |
 |
О компании
КоллективПресс-релизы Статьи наших специалистов Контакты |
Услуги
Управление рискомУправление доходностью Аналитика Обучение |
|
События Регулярные семинары от компании Франклин&Грант. Методологические проблемы оценки рисков в коммерческом банке и пути их решения. Семинар подготовлен на основе курса лекций по риск-менеджменту, прочитанных сотрудниками компании для служащих ЦБ РФ, отвечающих за надзор за коммерческими банками (программа профессиональной переподготовки "Куратор коммерческого банка. Банковский менеджер" АНХ при Правительстве РФ).
| |||
"Управление рисками: новости, технологии, моделирование"
Технологии риск-менеджмента. Хирургия российского рынка ЮКОСом. Инструкция по применению. Надулся ли русский фондовый пузырь? Если да, то когда "взрыв"? Практика риск-менеджмента. Интегрированный подход к управлению рисками - дань моде или насущная необходимость… Моделирование. Что такое "корректный" прогноз. Нейронные сети. Различные критерии точности как целевые функции обучения адаптивных систем. | |||
|
Хирургия российского рынка ЮКОСом. Инструкция по применению.Является ли фраза "торговли не будет!" и предшествующие ей события причиной обвала российского фондового рынка?
Данный вопрос отнюдь не праздный. Так ли неожидан был обвал акций "ЮКОСА" на российским фондовом рынке и, вслед за ним, рынка в целом. В данном обзоре мы предлагаем рассмотреть рыночные риски российского фондового рынка в "лице" RTSI и риски компании ЮКОС (YUKO) до начала "конфликта" компании с Генеральной прокуратурой и после в сравнении с индексом наиболее волатильного, на американском фондовом рынке, индекса NASDAQ Composite. Для сравнительного анализа мы "разбили" историческую динамику на три интервала: "спокойная" история до начала "конфликта" между Михаилом Борисовичем и Владимиром Васильевичем - с 2001 года до первого "конфликта" 07/02/2003 (преддверие "конфликта"), с 07/03/2003 по 10/17/2003 - вторая фаза "конфликта" с наказанием менеджеров принудительным отдыхом и, наконец, после последнего указанного числа последняя и завершающая фаза конфликта, закончившаяся арестом главы компании "ЮКОС". Наша цель - показать, что риск по акциям компании "ЮКОС" возрастал уже в течение достаточно продолжительного времени и последние события лишь прорвали "раздувающийся пузырь" как рынка, так и стоимости акций компании. На рисунках представлены графики цен закрытия индексов NASDAQ Composite, индекса RTSI и акций компании "ЮКОС". В качестве данных брались дневные приращения цен указанных ценовых рядов. В качестве меры риска мы рассчитывали оценку VaR, которая строилась без каких либо предположений о виде функции плотности распределения реальных ценовых данных. Эта мера риска оценивает величину резервного капитала, который не используется при игре и необходим для покрытия возможных убытков. Надулся ли русский фондовый пузырь? Если да, то когда "взрыв"?Весной, когда российский фондовый рынок в лице индекса РТС перевалил через психологически важную отметку в 400 пунктов, интернет пестрел жизнерадостными сообщениями, что "русские акции традиционно растут по весне". Широкие слои "инвестиционной общественности" были уверены в завтрашнем дне настолько, что при обсуждении пенсионной реформы "просили" только новых средств для вливаний в российский фондовый рынок. При этом они говорили о том, что для рынка нужны только деньги, а уж инструменты они "нарисуют". К осени рынок вырос вообще до 600 пунктов и отдельные выступления, пытавшиеся привлечь внимание к его рискованности вообще потонули во всеобщей эйфории, пока не случился "конфликт между Иван Ивановичем и Иваном Никифоровичем", закончившийся обвалом российского рынка.Данная статья посвящена попытке оспорить эйфоричные рассуждения апологетов "бесконечной доходности" путем простейших моделей, описывающих маржинальность доходности фондового рынке. Эти модели показывают, что уже достаточно длительный период времени риск вложений в национальный фондовый рынок в "разы" превышает таковую на американском рынке, который, по всеобщему убеждению, продолжает оставаться более рискованным, чем наш, отечественный рынок. В силу приведенных доказательств не верно утверждение, что причиной недавнего обвала служит арест известного олигарха. Говорить так, это все равно, что утверждать, что причиной разлива жидкости из переполненной чаши является последняя капля, приведшая непосредственно к переливу жидкости через край. Причиной является не последняя капля, а общая переполненность сосуда. Инструмент для измерения фондовых "пузырей". В качестве инструмента для измерения риска нами будут использованы простейшие регрессионные модели. В теории рынка широко известна модель CAPM, которая измеряет риск какого-либо актива относительно рыночного индекса. По аналогии мы выберем в качестве зависимой переменной динамику рыночного индекса, а в качестве независимой переменной - темп роста валового национального продукта (ВВП), отнесенный к базовому году. Обе переменных модели будут представляться в %, как отношение разности между значением переменной в текущем и базовом году к ее значению в базовом году. Такое задание (в %) переменных по осям позволит проводить сравнения как между различными рыночными индексами для одной страны, так и между рыночными индексами разных стран. Для опробования работоспособности этого инструмента нам необходимо выбрать страну с более долгой фондовой историей, в которой были и "пузыри" и "взрывы" фондового рынка. В качестве такой страны мы выбрали США. Переменные, откладываемые по обеим осям, могут быть и отрицательными, что определяется выбором в качестве базового 1995 года - года, когда был создан индекс РТС. Например, для расчета по такому алгоритму нормированного темпа роста ВВП для 1980 года в США нам необходимо из данных по ВВП для 1980 вычесть данные по ВВП для 1995 года, что дает отрицательную величину, и провести нормировку полученной разности на данные для 1995 года. Мерой риска в модели является наклон линии регрессии темпов роста того или иного рыночного индекса к темпам роста ВВП рассматриваемой страны. Модели типа CAPM относятся к "равновесным" моделям, описывающим движение рынка после того, как его вывели из состояния равновесия, и определяющим положение равновесия для рынка - линию регрессии или линию рынка. При равенстве темпов изменения рынка и ВВП наклон равен 1. При превышении наклоном значения, равного 1, рынок считается рискованным; чем больше это превышение, тем более рынок подвержен риску внезапного изменения динамики. При наклоне, меньшем 1, можно говорить о неодоцененности рынка, и о том, что с течением времени наклон будет стремиться к 1. Перед тем, как применить описанный выше инструмент к рынкам США и России, объясним смысл выбора в качестве зависимой переменной ВВП страны. Этот выбор объясняется тем, что основной причиной возникновения рисков при вложении в ценные бумаги является маржинальность доходов на фондовом рынке. В силу того, что фондовый рынок не генерирует "новые" деньги, а только перераспределяет финансовые средства, его суммарная доходность должна быть ограничена общей эффективностью экономики. В тех случаях, когда маржинальность фондового рынка нарушается (темпы его роста превышают темпы роста экономики), такое нарушение маржинальности "оплачивается" внешними, по отношению к экономике страны, средствами. При реализации такого сценария рынок становится спекулятивным, что и определяет его повышенную рискованность. |
||
|
Интегрированный подход к управлению рисками - дань моде или насущная необходимость…
Системы управления риском в рамках всей организации становятся стандартом. Почему? Сразу дадим ответ. Управление риском на уровне всей организации становится стандартом, потому что традиционный подход к управлению риском, когда каждый вид риска управляется отдельно, не дает эффективных результатов. И, что еще более важно, уже понято, что организации, которые начали внедрять у себя интегрированный подход к управлению рисками всего предприятия, получили существенные выгоды. Ранее управление риском было фрагментировано и зависело от организационной структуры бизнеса. Например:
В целом тенденция к управлению рисками всего предприятия обусловлена как внутренним спросом на нее внутри организации, так и внешними событиями, а, кроме того, успехами, достигнутыми на пути развития методологии и методов управления рисками. |
||
|
Что такое "корректный" прогноз.Для принятия успешных управленческих решений в любой сфере человеческой деятельности необходимо предвидеть дальнейшее развитие ситуации. Это особенно актуально в такой сложной и многогранной области, как бизнес. Перед руководителями банков, корпораций, инвестиционных и страховых компаний постоянно возникают задачи, успешное решение которых во многом зависит от их способности предугадывать дальнейшие события. Если говорить более формальным языком, для успеха в бизнесе необходим прогноз. Естественно, для рационального подхода к задаче прогноза (ведь речь не идёт о мистической интуиции!) необходим предварительный анализ, то есть изучение исторического опыта. Это и является сутью работы любого аналитика: анализ прошлого и текущего экономического состояния компании с целью выработки рекомендаций на будущее. И всё бы у нас было правильно и хорошо, если не одно НО.Проблема заключается в том, что традиционные методы финансового и экономического анализа, применяемые на практике, не используют в полной мере достижений точных наук. В результате как анализ, так и прогноз носят субъективный характер, отражающий мнение конкретного человека. Другой аналитик в тех же условиях мог дать другой вариант развития. Налицо недостаточность объективности. Например, можно услышать прогнозы приблизительно такого содержания: "Проанализировав тенденции развития экономически развитых стран с учётом сегодняшней политической обстановки, мы пришли к заключению, что индекс РТС в скором времени будет находиться вблизи отметки 320, что не вселяет оптимизм…" Налицо некорректность подобного прогноза. Признаком корректного прогноза является наличие нескольких атрибутов. Во-первых, должен быть указан срок, на который даётся прогноз: "… индекс РТС к концу месяца (недели, квартала)…" Во-вторых, должен быть указан интервал неопределённости, в который значения индекса попадают с определённой вероятностью: "… индекс РТС к концу недели составит 320 10…". Ведь слово "вблизи" может иметь совершенно разную трактовку. Так, например, если к указанному сроку индекс РТС будет равен не 320, а 350, то всегда можно сказать, что именно такой разброс и подразумевался. В-третьих, должна быть указана вероятность попадания в этот интервал: "… индекс РТС к концу недели составит 320 10 с вероятностью 70% (по уровню доверия 0.7)…". Ведь если будет сделан очень точный прогноз (например, 320 1), вероятность выполнения которого 3% , это вряд ли представляет интерес. При наличии всех трёх составляющих прогноз можно считать корректным. А точным его можно назвать, если реальные значения действительно попадают в указанные интервалы неопределённости с заданной вероятностью. При этом, если кого-то не будет устраивать величина разброса (большой он, так сказать), то нужно чётко понимать, что такова природа прогнозируемой величины. Уменьшение величины разброса в этом случае возможно лишь ценой уменьшения вероятности выполнения прогноза... Нейронные сети. Различные критерии точности как целевые функции обучения адаптивных систем.Точность одного и того же прогноза можно измерять различными критериями. При этом получать различные оценки. Так, неточный прогноз с точки зрения численного значения может быть весьма точен с точки зрения прогноза направления. Какую практическую пользу из этого можно извлечь? Другими словами, что даёт или может дать применение различных критериев точности?Для ответа на эти вопросы рассмотрим сначала схему обучения моделей прогнозирования, хорошо известную в теории нейронных сетей. Задача состоит в том, чтобы получить с помощью какой-нибудь модели не только прогноз, но и сразу возможную его ошибку. Это позволяет сформировать степень доверия к прогнозируемому значению ещё до того момента, когда станут известны будущие реальные значения. Особенностью адаптивных систем является способность подстраивать свои внутренние параметры под динамику прогнозируемого ряда. Процесс подстройки параметров называется обучением модели. Обучение может проводиться "без учителя" и "с учителем": в первом случае изменение параметров модели происходит в соответствии с внутренним алгоритмом, заложенным в модель, а во втором случае нужно явное указание, какое изменение лучше или хуже. Часто в качестве "мнения учителя" выступает величина ошибки прогноза, называемая целевой функцией, и цель обучения - настроить параметры таким образом, чтобы она была минимальна. Множество данных, на котором происходит минимизация, называется тренировочным или обучающим множеством. При таком способе обучения возникает одна очень серьёзная проблема - "overfitting". Явление это связано со случайным выбором самого тренировочного множества. Сначала, при первых шагах обучения, модель начинает улавливать искомую зависимость, что приводит к уменьшению ошибки - целевой функции. Однако, при дальнейшем обучении, стремясь уменьшить ошибку, параметры подстраиваются под особенности наблюдаемого тренировочного множества. При этом модель уже описывает не закономерность динамики значений ряда, а особенности конкретного его подмножества, выбранного в качестве тренировочного множества. Естественно, в этом случае точность прогноза вперёд (за пределы тренировочного множества) падает. Существуют разные способы борьбы с этим явлением. Один из них заключается в том, что всё множество данных разбивается на два подмножества. На одном из них происходит обучение модели, другое, называемое тестовым множеством, служит для проверки работоспособности модели за пределами тренировочного множества. На каждом шаге обучения происходит изменение параметров модели, уменьшающее значение целевой функции именно на обучающем множестве. Однако, помимо этого, вычисляется ошибка прогноза при текущих параметрах и на тестовом множестве. Какое-то время ошибки уменьшаются на обоих множествах. После определённого шага ошибка на тестовом множестве снова начинает возрастать, в то время как ошибка на обучающем множестве продолжает падать. Считается, что на этом шаге заканчивается "настоящее" обучение и наступает "overfitting". |
||
|
119034, г. Москва, ул. Остоженка, д.7/15, "Франклин&Грант. Финансы и аналитика". Тел.: +7 (095) 782-7182 E-mail: info@franklin-grant.ru |
| http://subscribe.ru/
E-mail: ask@subscribe.ru |
Отписаться
Убрать рекламу |
| В избранное | ||
