Управление финансовыми рисками

· определить вероятность каждого из этих сценариев.

С точки зрения теории вероятностей это означает, что нужно определить распределение вероятностей для соответствующего множества сценариев. Как только распределение вероятностей найдено, можно определить конкретную количественную меру неопределенности. В ряде случаев вполне приемлемой мерой неопределенности является стандартное отклонение, которое и характеризует "разброс" сценариев.

Для иллюстрации основных проблем, возникающих при попытке буквального применения вероятностной модели для измерения рисков, предположим, что мы выдали кредит некоторому банку. Оказывается, даже в этом простейшем случае перечислить все возможные сценарии -- задача далеко не простая. Так, банк может вообще не вернуть кредит, вернуть его частично, вернуть с опозданием, возвращать его по частям и т.д.; строго говоря, количество возможных сценариев бесконечно. Можно было бы выбрать, скажем, 5--10 наиболее типичных сценариев. Но и в этом случае не вполне понятно, как определить вероятность каждого выбранного сценария. Для упрощения ситуации можно ограничиться рассмотрением всего двух возможных исходов: вернет - не вернет, и тогда задача сведется к определению одной-единственной вероятности - вероятности невозврата кредита.

С учетом отмеченных трудностей, в зависимости от особенностей конкретных рисков, можно рекомендовать следующие три метода измерения рисков:

· вероятностный метод. Этот метод является наиболее предпочтительным, когда имеется достаточно надежная информация о всех сценариях и их вероятностях;

· приближенный вероятностный метод. Если по каким-либо причинам не удается определить искомое распределение вероятностей для множества всех сценариев, то можно попытаться сознательно упростить это множество сценариев в расчете на то, что полученная (хотя и грубая) модель окажется все-таки практически полезной;

· косвенный (качественный) метод. Если применение точной или приближенной вероятностной модели оказывается практически невозможным, значит "прямое" (количественное) измерение рисков невозможно. В этом случае следует ограничиться измерением каких-либо других показателей, косвенно характеризующих рассматриваемый риск и в то же время доступных для практического измерения. Этот метод дает лишь качественную оценку риска, но за неимением лучшего такой подход в ряде случаев оказывается единственно возможным.

Основой для количественного описания операционных рисков является наличие ожидаемых величин операционных потерь, а также возможность измерения вероятности наступления событий и эффективный размер потерь. На практике из теоретических соображений и из-за нехватки информации нет возможности осуществить полное количественное измерение.

Теоретические соображения:

· Неограниченное число возможных операционных потерь/ошибок;

· Часто субъективный процесс оценки риска;

· Недостаток информации об экстремальных потерях

· Экстремальная аккумуляция рисков на основе неудачного стечения комбинации определенных факторов;

· Малая прогнозная очевидность прошлых событий.

Таблица 3

Подходы к оценке операционных рисков

	Количественное измерение	Качественное измерение
Top down	· Подход на основе затрат и прибыли · Общие ожидаемые значения · на годовой основе · Анализ чувствительности · Метод трех стоимостей · CAPM подход · Распределение вероятности · База данных потерь	· Ключевые индикаторы · Анализ полезности
Bottom up	· Теория сложности · Анализ сценариев	· Процессный анализ рисков · Опрос экспертов / интервью

Каждый подход top-down или bottom-up имеют свои недостатки и преимущества. Так для методов bottom-up:

· можно быстро внедрить и концепция простая;

· получаемые значения относятся ко всем категориям операционных рисков, т.е. рассматривают их в целом без конкретизации отдельных операционных рисков и без возможности оценки конкретных мероприятий контроля;

· существует стимул, расходы и доходы в отдельных областях деятельности сохранять на прежнем уровне (отказ на улучшение процессов);

· учитываются только влияние операционных рисков на отчет о прибылях и убытках. влияние на рыночную стоимость банка, например, потери репутации не принимаются во внимание;

· существует проблема признания методов со стороны сотрудников из-за непрозрачного результата.

В свою очередь bottom-up подход:

· работает с отдельными рисками через детальный анализ процессов;

· количественная оценка с учетом существующего контроля и мероприятий;

· связь агрегированного риска с отдельными рисками, его составляющего и соответственно лучшее признание результатов сотрудниками;

· стимул к работе с признанными слабыми местами;

· признание самих операционных рисков в самом банке, их причин и последствий;

· однако, по сравнению с подходом top-down большие трудозатраты и расходы.

Несмотря на проблемы с операционными рисками банки разрабатывают различные подходы для количественного измерения.

Признанной мерой количественной оценки риска является Value at Risk (VaR). Важным преимуществом расчета операционных рисков на основе Value at Risk является включение операционных рисков в аллокацию экономического капитала на основе методов аллокации по концепции Value at Risk , рассчитывая риски на одной основе с рыночными и кредитными рисками. На сегодняшний день еще нет признанного метода расчета на основе Value at Risk.

При расчете Value at Risk необходимо знать вид распределения случайной величины и принять определенный уровень доверительного интервала и период рассмотрения. Как правило, уровень доверительного интервала выбирают в ±3у или в 99,87%. Период рассмотрения также влияет на величину VaR. Чем больше интервал рассмотрения, тем естественно больше вероятность того, что случится большая ошибка.

Для расчета большинства операционных рисков лучше и естественней принять период в 1 год.

Для некоторых операционных рисков, например, ошибок при обработке торговых документарных операциях, можно принять меньший период рассмотрения. Значения VaR затем «растягивают» на период 1 год. Можно использовать, например, упрощенный подход на основе «закона квадратного корня».

, где Т₁ и Т₂ - периоды

Все здесь зависит от конкретного случая и нет какого-либо стандартного подхода.

Для расчета общего риска необходимо знать еще и корреляцию рисков. Знание корреляционных данных очень трудоемкая и затратная работа.

Одним из важных ограничений при использовании подавляющего числа методов расчета рисков на основе Value at Risk является нормальное распределение случайной величины. Данное требование не существенно для одного самого распространенного симуляционного метода Монте Карло. Но для него также необходимо также знать вид распределения случайных величин.

Сложностью для расчета операционных рисков на основе Value at Risk помимо нехватки статистических данных является высокая степень асимметрии распределения вероятности потерь, т.е. не нормальное распределение случайной величины.

Следующей сложность является знание значений корреляции для агрегации рисков на уровне портфеля и всего банка. Некоторые операционные риски могут иметь корреляцию между собой и это надо обосновать наблюдениями и расчетами. Также для агрегации рисков на уровне банка надо знать и корреляцию между рыночными, кредитными и операционными рисками. Естественно, такую агрегацию можно производить корректно только между значениями, имеющими одну основу в виде одной единицы измерения, одинакового периода рассмотрения и одной величины доверительного интервала.

Существуют несколько широко употребляемых методов расчета операционного риска как величины Value at Risk (VaR):

· Базы данных по операционным рискам;

· Симуляционные методы;

· Актуарный метод;

· Расчет на основе отклонения от стандартных величин.

Но на сегодняшний день можно сказать, что в Казахстане использование моделей количественного расчета на основе VaR не дадут требуемого уровня доверия из-за отсутствия надежных данных. Такие модели требуют много временных ресурсов и трудозатрат, которые не оправдаются.

Можно использовать методы количественного расчета операционных рисков не на основе Value at Risk , но и для них есть проблема с данными и, главное, результат в виде величины показателя риска получается с отсутствием статистически обоснованного значения вероятности.

Поэтому на сегодняшний день лучше всего сконцентрироваться на задачах правильного внедрения, качественных оценках и внедрении культуры риска в банке, созданию и ведению базы данных по операционным рискам.

В самом деле, как можно опираться на данные, если банки имеют небольшую современную историю. К тому же на заре своей деятельности никто не вел сбора информации по операционным рискам. Хватит ли данных для того, чтобы сказать, что они твердо дают закономерный характер поведения изучаемой величины? Для этого нужны полные данные за длительный период и также же данные других банков. Дадут ли банки информацию о своих ошибках, например, о взломах своих информационных систем, воровстве клиентских денег нечистоплотными сотрудниками банка и т.д.? Трудно поверить, что кто-то просто так желает «подмочить» свою репутацию, за которую так упорно борется, но существуют некоторые межбанковские соглашения по сбору подобной информации.

Создание ведение базы данных операционных рисков рекомендуется по следующим полям:

· Вид потерь;

· Место события;

· Время и частота событий;

· Объем потерь;

· Связь между различными причинами, местами и случаями.

Через некоторое время у Вас будет возможность проведения расчета операционных рисков на основе Value at Risk и включения их в аллокацию капитала.

Нужно собирать и анализировать информацию о случаях в других банках.

Наиболее простыми методами количественной оценки величины операционных рисков могут быть:

· Метод оценки на основе ожидаемых случаев потерь, приведенных к году(не как VaR);

· Метод отклонения стандартных результатов (как VaR).

Первый метод также очень прост в использовании. Вы составляете таблицу, в которой вы оцениваете операционные потери банка за период, например, неделю в размере 500 тенге. За 20 лет, вы оцениваете, может произойти случай, когда банк потеряет 20 млн. тенге. Ну а за период в 100 лет может произойти случай, когда банк потеряет 100 млн. тенге. Затем, все это приводится к 1 году.

Таблица 4

	Период
Характеристики	> 100 лет	100 лет	20 лет	5 лет	1 год	квар	мес	нед	ден
Реалистичные крупные потери		100 млн.
Средние потери			2 млн.					500
Мелкие потери

500*56 недель = 28 тыс. тенге.

2 млн. / 20 лет = 100 тыс. тенге.

100 млн./100 лет = 1 млн.

Всего получается 1 128 тыс. тенге за один год.

Проблема для полученного значения в том, что невозможно указать величину доверия. Какую величину вероятности вы даете 60%, 80%, 90% или 99%? Если Вы все же включите в расчет аллокации капитала, то будут ли эти расчеты иметь интеллектуальную честность для самих себя, как советует это господин Ханс Ульрих Дёринг?

Второй метод требует знаний стандартных затрат и следовательно наличия детального планирования в банке. Подразумевается, что результаты операционных ошибок отражаются в отклонении от запланированных стандартных значений. Как упоминалось выше, распределения операционных рисков носят асимметрический характер. Но за счет используемого подхода в виде разницы плановых и фактических значений мы получаем распределение близкое к нормальному распределению и можем использовать аналитический расчет Value at Risk.

Таблица 5

t	Стандартные расходы (в млн.ед.)	Фактические расходы (в млн.ед.)	Фактический результат (в млн.ед.)	Аккумул-е результаты (в млн.ед.)	Постоянная доля отклонения факт/стандарт
	(1)	(2)	(3)=(1)t -(2)t	(4)=(3)t-1+(3)t	(5)=LN[(2)/(1)]
0	5150	5250	-100	-100	+1,92%
1	6800	6600	200	100	-2,99%
2	6060	6100	-40	60	+0,66%
3	6480	6300	180	240	-2,82%
4	4995	5150	-155	85	+3,06%
5	6470	6500	-30	55	+0,46%
6	6365	6400	-35	20	+0,55%
7	4265	4400	-135	-115	+3,12%
8	6530	6500	30	-85	-0,46%
9	6990	7000	-10	-95	+0,14%
10	5965	5750	215	120	-3,67%
Ожидаемая величина	0,00%
Стандартное отклонение	2,2%

При этом следует отметить, что аналитические модели подходят только для расчетов нормально распределенных случайных величин. В ином случае, результаты вычислений будут некорректными по отношению к реальности.



Рис. 8. Графическое отображение оценки риска

Размещено на Allbest.ru