- Свой Бизнес - https://mybiz.ru -

MIT Sloan Management Review

mit45Корпоративный мир обычно использовал неправильный подход к управлению рисками. Сейчас у компаний есть выбор получше. За предыдущие 10 лет — особенно в последние годы — потерпели крах многие из самых уважаемых компаний в мире. Аналитики объясняли эти катастрофы давно известными причинами, виня во всем «традиционных подозреваемых» — жадность, некомпетентный (и слишком высокооплачиваемый) менеджмент, нечеткую нормативную базу. Реже упоминали еще одну ключевую характеристику, которая, похоже, отличает все потерпевшие крах компании от их продолжающих работу конкурентов, — всеобъемлющий и глубокий подход этих компаний к управлению рисками.

Предположение о том, что хорошо поставленный риск-менеджмент мог оказаться главной (хоть и не единственной) причиной краха, возможно, покажется парадоксальным. Но, к примеру, испытывавшая трудности страховая компания American International Group Inc. была лидером в области управления рисками. У нее даже была «дочка», работавшая в данной сфере. Бывший глава AIG Морис Гринберг хвастал, что у него «лучший риск-менеджмент во всей отрасли».

В Bear Stearns Cos. говорили о «самой лучшей аналитике и самом лучшем управлении рисками» — даже газета New York Times писала о том, что компания «бережно выстроила себе репутацию организации с надежным риск-менеджментом».  Инвестиционный банк Lehman Brothers Holdings Inc. гордился «культурой управления рисками на всех уровнях компании».

Между тем судьба всех этих и других компаний со схожей «культурой» оказалась печальной. Как же такое могло произойти? Мы считаем, что ответ следует искать в самой концепции традиционного риск-менеджмента, который искал угрозы вообще не там, где следовало бы. Все кончилось крахом отнюдь не потому, что работа по управлению рисками выполнялась формально или ненадлежащим образом, как полагали многие. Наоборот, причиной катастрофы стало управление слишком большими рисками, причем с использованием подхода, который давал ложное чувство безопасности, но на самом деле оказался несостоятельным. На наш взгляд, чем больше сотрудники полагаются на традиционный риск-менеджмент, тем большему риску, пусть и неосознанно, они подвергают компанию. И тем больше вероятность катастрофы.

Избежать ошибок традиционного риск-менедж­мента можно с помощью более продвинутой альтернативы — байесовского метода.

Не статистикой единой

Существует два совершенно разных подхода к тому, как оценивать риски. Приверженцы так называемого объективистского (или частотного) подхода рассматривают риск как объективное свойство материального мира, которое является «истинной вероятностью» — точно так же, как является истинным атомное число кислорода.

Такая вероятность определяется с помощью длительных повторяющихся наблюдений. Классические примеры частотного подхода — бросание монеты, костей или построение метеорологической модели. Основываясь на таких наблюдениях, приверженец частотного подхода скажет, что вероятность выпадения «решки» при бросании обычной монеты составляет 0,5. А согласно долгосрочным метеонаблюдениям, вероятность того, что 4 июля 2011 года воздух в Нью-Йорке прогреется до 35 градусов по Цельсию, составляет 0,3.

Второй подход называется субъективистским, или же байесовским (по имени английского математика XVIII века Томаса Байеса, внесшего основной вклад в разработку данного метода). Последователи Байеса рассматривают риск как часть суждения наблюдателя или как свойство самого процесса наблюдения, а не как функцию материального мира.То есть статистические данные существенно дополняются другой информацией.

Проиллюстрировать различия между двумя подходами можно при помощи все того же приема с подбрасыванием монеты. Представьте фокусника, который вытаскивает из кармана обычную на первый взгляд монету и дает ее вам подбросить 10 раз. 5 раз выпадает «решка». Затем фокусник предлагает заключить пари на то, что при следующем подбрасывании монеты снова выпадет «решка». Какова вероятность того, что фокусник выиграет? Сторонник частотного подхода, по-видимому, будет полагаться на «статистические данные» об этой монете (и любых других монетах) и определит вероятность в 0,5. Приверженец же байесовского подхода будет учитывать не только статистические данные, но также и собственное суждение о способностях фокусника, доверие к нему и финансовое положение предлагающего пари. Таким образом, он может определить другую вероятность — даже со значением 1,0. А кто-то другой, точно так же основываясь на собственных суждениях, определит совсем другую вероятность.

Различия между двумя походами станут очевидными и при построении метеорологической модели, когда мы имеем дело с гораздо более длительной историей наблюдений. Данные, полученные за несколько десятилетий, укажут приверженцу частотного подхода на то, что вероятность прогрева воздуха в Нью-Йорке до 35 градусов 4 июля 2011 года составляет 0,3. Сторонник же байесовского подхода, принимая во внимание глобальное потепление, может определить вероятность со значением больше чем 0,3. В обоих случаях статистические данные материального мира одни и те же, однако разнородные суждения по поводу настоящего и будущего нашего мира приводят к различным степеням вероятности.

mit40

Несмотря на то что байесовский подход давно завоевал признание, в риск-менеджменте он популярностью не пользуется. Традиционный риск-менеджмент, наоборот, полагался на частотную теорию, несмотря на три ее главных врожденных дефекта. Во-первых, этот подход слишком полагается на статистические данные, поэтому он просто не будет работать, когда таких данных нет или они неверные. Во-вторых, объективистский подход не оставляет пространства для суждений, основанных на опыте и знаниях. И, наконец, в-третьих, он дает чувство ложной защищенности, поскольку исповедующий такой подход считает, что все его действия отражают научную истину. Многие из самых важных и рискованных решений принимаются без оглядки на более продвинутый и всеобъемлющий байесовский подход.

Необычный четвертый квартал

Стоимостная мера риска (VaR) — пожалуй, главный элемент традиционного риск-менеджмента — наглядно иллюстрирует ограниченность частотного подхода и излишнюю уверенность его приверженцев в непогрешимости статистики. VaR придумали для подсчета объема потенциальных убытков за определенный период времени — обычно  за один рабочий день. Получив эти данные, можно свести потери до приемлемого уровня. Допустим, компания определила, что максимальный размер убытков, которые она может себе позволить, составляет $15 млн. в день, а на носу начало четвертого квартала. Какова вероятность, что размер убытков, которые компания понесет в предстоящие три месяца, не превысит этот уровень?

mit42

На основе информации о результатах деятельности за первые три квартала 2008 года (примерно 200 дней) сторонник частотного подхода представит эти данные в виде нормального распределения вероятностей со средним значением $1 млн. и со стандартным отклонением (волатильностью) $5 млн. Исходя из этих данных, вероятность потерять за день более $15 млн. намного меньше 0,1%.А вероятность потерь более $25 млн. вообще бесконечно мала.

Байесовский подход, наоборот, предполагает рассматривать ежедневную доходность как совокупность рисков, основанных на статистике, но обусловленных не только этими данными. Сторонник этого подхода четко осознает: несмотря на то что данные за три (или более) квартала демонстрируют волатильность в $5 млн., предстоящий квартал не обязательно будет точно таким же, как предыдущие: на результатах могут сказаться «эффект конца года» или другие социоэкономические факторы.

Более того, сторонник субъективистского подхода может оценить свои суждения, даже когда статистических данных мало или их нет вообще. Например, аналитик может выявить два противоположных процесса: ухудшающиеся рыночные условия способны привести к росту волатильности в четвертом квартале и даже удвоить ее значение, но одновременно с этим новые регулирующие нормы могут способствовать снижению волатильности. Скажем, приверженец байесовского подхода определит вероятность того, что волатильность в четвертом квартале останется прежней, на уровне 30%; во столько же он оценит шанс того, что стандартное отклонение составит $10 млн., а вероятность его снижения до $2,5 млн. оценит в 40%.

Соединение этой субъективной информации с частотными данными в единое целое приводит к расширенному распределению вероятностей, более глубокому по сравнению с методом, который основан только на статистических данных. Исходя из этого распределения вероятностей сторонник байесовского подхода скажет, что вероятность ежедневной отрицательной доходности, превышающей $15 млн., составляет 2% — это в 20 раз выше показателя, выведенного с помощью объективистского подхода. Вероятность потери более $25 млн. в день останется небольшой, но уже отнюдь не бесконечно малой.

Следует отметить, что рост вероятности убытков, предполагаемый байесовским подходом, обусловлен вовсе не тем, что приверженец этого метода считает, будто дела пойдут хуже. Это происходит потому, что байесовский подход четко и недвусмысленно отражает тот факт, что наши представления о мире ограничены, а роль частотных данных важна, но не исключительна. Байесовский метод дает пространство для суждений, позволяет измерять эти суждения и интегрировать их со статистическими данными, признавая при этом неизбежность сохранения неопределенностей.

В реальности ежедневная отрицательная доходность в четвертом квартале 2008 года при использовании частотного и субъективистского методов составит $15 млн. и $27 млн. соответственно. Если вероятности определены верно, то шанс выйти в какой-либо из дней за эти рамки составляет один к тысяче. А в течение 50 дней четвертого квартала лимит вообще не будет превышен.

Однако, как известно, последние три месяца 2008 года оказались очень неспокойными. Убытки значительно возросли, и их размеры более согласовывались с байесовским, а не объективистским подходом. Лимит убытков, установленный с помощью частотного метода, был превышен в 15 раз, а более осторожный субъективистский прогноз — в 6 раз. Конечно, мы смоделировали этот пример, чтобы показать, что байесовский метод более реалистичен и всеобъемлющ. Но даже несмотря на искусственность модели, мы полагаем, что субъективистский подход является более действенным. Управление рисками, построенное на реальности суждения, более эффективно по сравнению с риск-менеджментом, базирующемся на воображаемых фактах.

Другое распределение осадков?

Еще один пример, демонстрирующий различия двух методик в оценке рисков, можно привести, обратившись к метеорологии. Предположим, существует компания, чей успех зависит от количества выпавших осадков, — поставщик питьевой воды, гидроэлектростанция, компания, производящая сельскохозяйственную продукцию. Допустим, для этой компании критически важно, чтобы годы, в течение которых выпадает по 1000 мм осадков, повторялись по крайней мере каждые 5-10 лет. Как можно рассчитать риск отсутствия необходимого количества дождей?

Частотный метод сосредоточивается только на статистических данных. Использующие его менеджеры обычно применяют широко распространенные статистические модели. В нашем случае модель выпадения осадков может быть представлена нормальным распределением вероятности со средним значением 880 мм осадков в год и стандартным отклонением, равным 166 мм осадков в год. Если основываться на этих данных, то вероятность выпадения осадков в количестве, превышающем 1000 мм в год, за рассматриваемый период составит около 23%.

Вероятность выпадения меньшего, чем 1000 мм в год, количества влаги на протяжении 5 лет составит (1,0–0,23)5, или около 27%: на протяжении 10 лет — 7%, для периода с 1976-го по 2005 год — менее 0,004%. Иначе говоря, частотный метод позволяет предположить, что риски, связанные с дождем, чрезвычайно малы.

Байесовский подход, как обычно, совмещает имеющиеся данные с суждениями по более широкому кругу вопросов. В нашем примере к таким факторам относится влияние изменения климата на количество осадков. Поэтому сторонник субъективистского метода начнет с оценки экспертных мнений относительно глобального потепления.

mit41

Принимая во внимание большую степень не­определенности, наш аналитик придет к выводу, что изменение климата может привести как к сокращению количества осадков на 200 мм в год, так и к увеличению этого показателя на 100 мм. Совместив эту экспертную оценку со статистическими данными, мы получим более широкое распределение вероятностей по сравнению с первой моделью. В частности, среднее значение составит 830 мм осадков в год, а стандартное отклонение — 200 мм.

При таких условиях вероятность выпадения осадков в количестве, превышающем 1000 мм в год за рассматриваемый период, сократится уже до 16%. Это значит, что вероятность выпадения меньшего, чем 1000 мм в год, количества влаги будет существенно отличаться от показателя, рассчитанного с помощью частотного подхода. За 5 лет такая вероятность составит около 42%, на протяжении 10 лет — 17%, а для периода с 1976-го по 2005 год — менее 0,5%. Риск за последний из этих промежутков времени, рассчитанный с помощью байесовского метода, мал. Однако он в 10 раз выше риска, рассчитанного по объективистскому методу.

Как оказалось на самом деле, в период с 1976-го по 2005 год выпало значительно меньше осадков, чем в предшествующие 100 лет: не было ни одного года, когда бы количество влаги превысило уровень в 1000 мм. Неудивительно, что байесовский метод и в данном случае оказался более реалистичным. Оценка риска с помощью интеграции данных и суждений приносит более точные результаты.

Приобретение знаний и их постоянная корректировка

Еще одним ограничением, свойственным традиционному (частотному) риск-менеджменту, является не методика определения или оценки рисков, а подход к их предотвращению и нивелированию. Поскольку риски оцениваются только с помощью статистических данных (а они меняются постепенно и едва заметно), деятельность риск-менеджера является по большей части статичной. Он либо корректирует свою работу очень медленно, либо вообще не вносит в нее никаких корректив. Частотные данные собирают для выявления «фактов». Имея на руках факты, компания разрабатывает различные правила и систему регулирования. Эта система остается неизменной до первого сбоя — или вплоть до катастрофы, когда менять что-либо уже поздно. Процесс остается неизменным, такой подход не предусматривает ни создания системы наблюдения за потенциально важными событиями, ни разработки аналитических материалов на основе данных событий и принятия адекватных мер.

Байесовский метод, наоборот, основан на естественной корректировке деятельности риск-менеджера. Поскольку подход предполагает совмещение данных и суждений, в него по законам внутренней логики встроен метод скрупулезной оценки поступающей информации или новых суждений. Не менее важно, что субъективистский подход предлагает естественный способ корректировки работы риск-менеджмента под влиянием новых данных.

В этом смысле хорошим примером, показывающим различия между двумя подходами к управлению рисками, является ценовая модель сырьевых товаров — таких как нефть. (См. «Рыночные цены на нефть за последние 20 лет».) Эта модель последние несколько лет демонстрирует волатильность. Предположим, компания заинтересована в снижении зависимости от данной волатильности. Сторонник частотного подхода начнет собирать как можно больше информации о ценах на нефть и займется параметризацией этих данных. Такая модель может быть простой (броуновское движение) или более сложной (например, процесс Орнштейна — Уленбека). Выбрав ту или иную модель, компания оценивает будущую волатильность и вырабатывает стратегию хеджирования. Байесовский метод учитывает не только статистические данные о ценах на нефть, но и основополагающие факторы, которые влияют на колебания цены. В частности, приверженец байесовского подхода может полагать, что в долгосрочной перспективе на динамику цены влияют два ключевых фактора — состояние глобальной экономики и «климатическая» политика. По мере поступления информации об этих факторах суждения о рисках, связанных с ценами на нефть, будут меняться. Это, в свою очередь, автоматически ведет к изменениям в стратегии хеджирования. (См. «Познание на основе текущего опыта».) Организация начинает выстраивать стратегию по компенсации рисков, основанную на наблюдениях и собственных суждениях относительно ситуации в будущем. Появляются суждения относительно состояния экономики в текущем году, регулирующих норм в сфере экологии и цен на нефть. Информация о текущем годе используется для уточнения суждений о состоянии экономики, регулировании и ценах на будущий год. Затем компания корректирует стратегию хеджирования на будущий год, исходя из ситуации текущего года и уточненного суждения о следующем годе. Когда станет ясно, как на самом деле сложилась ситуация в прогнозируемом году, можно будет скорректировать стратегию еще на год вперед в соответствии с полученными данными. Этот процесс корректировки и обновления информации будет продолжен и в последующие годы.

mit43

Отметим еще раз, что частотный и субъективистский подходы существенно отличаются друг от друга. Первый полагается на большой массив статистической информации. Он предусматривает лишь медленную, постепенную подстройку под меняющиеся условия, причем эта корректировка и составляет в значительной степени суть работы риск-менеджера. Второй метод использует как данные, так и суждения. Его приверженцы быстро корректирует свою стратегию в зависимости от меняющихся условий и новых суждений. Этот подход по своей природе является динамичным — он изначально основан на приобретении знаний и их корректировке, и эти процессы происходят автоматически.

Дорогу байесовскому методу!

Частотный метод, согласно которому решения должны основываться исключительно на данных наблюдений (а не на информации, дополненной экспертными суждениями и опытом), вполне мог привести к ошибкам, допущенным компаниями-неудачниками, и их последующему краху.
Почему же различие в использовании голых фактов и фактов, дополненных суждениями, так важно? Во-первых, потому, что одни лишь факты не позволяют выработать эффективную методику решения целого ряда вопросов (от которых зачастую зависит очень многое), если частотных данных недостаточно или они отсутствуют вовсе. Это тот случай, когда человек ищет ключи не там, где потерял, а под фонарем — где светлее. Во-вторых, беспредельная вера в статистические данные приводит к излишней самоуверенности и взятию на себя слишком больших рисков.

Наконец, система, основанная только на наблюдениях, неизбежно будет давать сбои от кризиса к кризису.

Байесовский метод дает более точные и впечатляющие результаты. Он признает, что сущность риска зависит одновременно и от информации, и от суждений. Он неукоснительно использует эту комбинацию для определения рисков, их оценки и управления ими. Если имеется большой объем релевантных данных, то эта информация играет доминирующую роль, а суждения существенно дополняют традиционный подход. Если релевантных данных мало или их нет вообще, то доминирующую роль начинает играть суждение.
Используя субъективистский подход, риск можно измерить количественно независимо от объема и качества информации. Вместо того чтобы полностью сосредоточиваться на наблюдаемом мире, байесовский метод отражает еще и логичность, надежность и точность наблюдателя. Признание важной роли суждения может стать результатом более осмысленной и практичной работы. Большей частью потому, что мы признаем, что суждение не является безупречным и может быть дополнено по мере накопления опыта.

Как известно, расчет вероятностей на основе субъективного суждения, в отличие от объективистского метода, требует более тщательного подхода.

Когнитивные (неумышленные) и мотивационные (намеренные) искажения, лежащие в основе вероятностного суждения, хорошо известны. Например, менеджеры обычно слишком сильно полагаются на свою оценку вероятности — другими словами, распределение вероятностей получается слишком узким. Существуют также искажения, порожденные тем, что человек переоценивает важность информации, которая доступна и быстро запоминается. К счастью, уже существующие и разрабатываемые методы расшифровки вероятностей помогают уменьшить эти искажения. Недостатки частотного подхода — узость мышления, нежелание рассматривать возможность ошибки и отказ от адаптации к изменившимся обстоятельствам — явно сыграли значительную роль в недавнем крахе финансового сектора. Такие компании, как Citigroup Inc. и Merrill Lynch & Co, продолжали наращивать зависимость от высокорискованных ипотечных кредитов, несмотря на все признаки ухудшения ситуации на рынке жилья. На первом этапе жилищного бума процент дефолтов по всем видам ипотечного кредитования был необычайно низок. Это привело к тому, что банки и рейтинговые агентства начали выдвигать в своих оценочных моделях нереальные предположения об уровне дефолтов в будущем. Эти компании проигнорировали первые тревожные сигналы, а нереалистичные прогнозы не корректировались, пока не стало слишком поздно.

При использовании байесовского метода такие проблемы, возможно, и не были бы решены полностью, но их последствия можно было бы сгладить. Сейчас принимаются разнообразные меры, направленные на то, чтобы оправиться от кризиса и выстроить более жизнеспособную систему, которая бы не допустила подобных катаклизмов в будущем. Переход от традиционного риск-менеджмента к байесовскому методу должен стать одной из таких мер.

mit46


Copyright © Massachusetts Institute of Technology. All rights are reserved.

Текст: Адам Борисон, Грегори Хэмм
Перевод с английского: Андрей Филатов