Моделирование рисков в коммерческом банке

Предпосылка о полной определенности приводит к значительному упрощению действительности при моделировании. На практике нельзя быть полностью уверенным, что при реализации инвестиционного проекта все денежные потоки будут в точности соответствовать прогнозным. Наоборот, с момента реализации проекта на каждом этапе будет возникать все большее и большее расхождение между прогнозными и реальными денежными потоками. Может даже возникнуть ситуация, что задержки в оплате продукции, рост цен на импортные материалы в связи с изменением валютного курса, изменение налоговых ставок или другие негативные события приведут к полному краху проекта или, как минимум, к существенным дополнительным издержкам. Возникают вопросы: Как оценить устойчивость проекта к изменениям внешней среды? Как количественно измерить риск, связанный со всем проектом в целом? Применение имитационного моделирования по методу Монте-Карло в инвестиционных расчетах позволяет ответить на эти вопросы.

Следует отметить, что проведение риск-анализа по методу Монте-Карло не исключает осуществления на предыдущем этапе стандартных инвестиционных расчетов. Данный метод скорее является инструментом, который улучшает их результаты. Наличие хорошей исходной модели инвестиционного проекта - это необходимая база для проведения значимого, результативного имитационного моделирования. Результаты сравнительного анализа стандартных инвестиционных расчетов и риск-анализа по методу Монте-Карло приведены в табл. 1.

Таблица 1.

Стандартные инвестиционные расчеты и риск-анализ по методу Монте-Карло

Критерии сравнения	Стандартные инвестиционные расчеты	Риск-анализ по методу Монте-Карло
Переменные	Детерминированные (значения точно определены)	Являются случайными величинами с заданными законами распределения
Модель	Модель денежных потоков	Модель денежных потоков
Процесс	Расчет одного прогнозного варианта (сценария) реализации проекта	Расчет большого количества случайных вариантов (сценариев) реализации проекта
Результат	Единственное значение интегрального показателя эффективности проекта	Распределение вероятностей интегрального показателя эффективности проекта

---

Быстрый поиск по Банку Рефератов:

---

Уже указывалось, что метод Монте-Карло, являясь одним из наиболее сложных методов количественного анализа рисков, преодолевает недостатки анализа чувствительности и анализа сценариев. Оба этих метода показывают воздействие определенного изменения в величине одной или нескольких переменных на показатель эффективности проекта (например, NPV).

Основные недостатки этих методов и способы их устранения с помощью метода Монте-Карло указаны в табл. 2.

 
Таблица 2.

Устранение недостатков анализа чувствительности и анализа сценариев при использовании для риск-анализа метода Монте-Карло

Метод	Недостаток	Решение с помощью имитационного моделирования
Анализ чувствительности	Не учитывается наличие корреляции между различными составляющими проекта	Корреляция моделируется различными методами и учитывается в модели
	Рассматривается влияние только одной варьируемой переменной при остальных неизменных составляющих проекта	Появляется возможность одновременно моделировать случайные изменения нескольких составляющих проекта с учетам условий коррелированности
Анализ сценариев	Требуется проведение серьезных подготовительных работ по отбору и аналитической переработке информации для создания нескольких сценариев	Сценарии являются случайными и формируются автоматически при реализации алгоритма метопа Монте-Карло
	Границы сценариев размыты, а построенные оценки значений переменных для каждого сценария в некоторой степени произвольны	Сценарии формируются исходя из диапазонов возможных изменений случайных величин и подобранных законов распределения
	Рассматривается эффект ограниченного числа возможных комбинаций переменных; рост числа сценариев и рост числа изменяемых переменных усложняет моделирование	Количество случайных сценариев может быть сколь угодно велико, так как процесс имитации реализован в виде компьютерной программы, существует метод выбора необходимого числа сценариев, гарантирующего с определенной вероятностью надежность результатов моделирования

 
2. Схема реализации метода Монте-Карло  в инвестиционных расчетах

В общем случае методом Монте-Карло называют численный метод решения математических задач при помощи моделирования случайных величин.

Теоретическое описание метода появилось в 1949 г. в статье «The Monte Carlo method». Создателями данного метода считают американских математиков Дж. Неймана и С. Улама. Название метопу дал известный своими казино город Монте-Карло в княжестве Монако, так как именно рулетка является простейшим механическим прибором по реализации процесса получения случайных чисел, используемого в данном математическом методе. Область применения метода Монте-Карло достаточно широка. В качестве примеров можно привести расчет систем массового обслуживания, расчет качества и надежности изделий, вычисление определенного интеграла и др.

Схема использования метода Монте-Карло в количественном анализе рисков такова: строится математическая модель результирующего показателя как функции от переменных и параметров. Переменными считаются случайные составляющие проекта, параметрами — те составляющие проекта, значения которых предполагаются детерминированными. Математическая модель пересчитывается при каждом новом имитационном эксперименте, в течение которого значения основных неопределенных переменных выбираются случайным образом на основе генерирования случайных чисел. Результаты всех имитационных экспериментов объединяются в выборку и анализируются с помощью статистических методов с целью получения распределения вероятностей результирующего показателя и расчета основных измерителей риска проекта.

Применение метода Монте-Карло в инвестиционных расчетах требует создания специального программного обеспечения.

---

Быстрый поиск по Банку Рефератов:

---

Разработка компьютерного обеспечения необходима по следующим причинам:

1) осуществляется многократное повторение  имитационных экспериментов (более 100 повторений);

2) используемые модели сложны (большое  количество переменных, учет функций  распределения, условий корреляции  и т.д.);

3) обработка результатов имитации  значительно упрощается;

4) облегчайся демонстрация метода  в процессе обучения.

Процесс риск-анализа по методу Монте-Карло может быть разбит на три этапа: математическая модель, осуществление имитации, анализ результатов.

Прежде чем перейти к подробному рассмотрению данных этапов, хотелось бы отметить, что применение метода Монте-Карло возможно для расчета различных характеристик проекта: интегральных показателей эффективности проекта, показателей рентабельности осуществляемой в рамках проекта деятельности, исследования сетевого графика реализации проекта со случайными длительностями этапов, моделирования запасов продукции и материалов на складе и т.д. Но в данном случае речь идет о конкретном примере имитационного моделирования эффективности проекта.

Таким образом, под базовым вариантом инвестиционного проекта понимается таблица денежных потоков данного проекта (степень ее детализации зависит от желания исследователя), под результирующим показателем — какой-либо из интегральных показателей эффективности.

2.1 Построение математической модели

Первым этапом в процессе риск-анализа является создание математической модели. Так как для проведения собственно имитационного моделирования по методу Монте-Карло применяется компьютерная программа, самым главным процессом в имитационном моделировании является именно формулировка модели проекта. Каждый инвестиционный проект требует создания своей уникальной модели. Поэтому ее конкретный вид — полностью продукт творчества разработчика.

Основная логика процедуры построения модели состоит в следующем: определение переменных, которые включаются в модель; определение типа распределения, которому эти переменные подвержены; определение взаимозависимости (функциональной и вероятностной зависимости между переменными).

Соблюдение такой процедуры необходимо для создания модели, которая будет выглядеть следующим образом:

NPV =f(x1,..., хi,..., xn; a1,..., aj,..., am),

где хi — риск-переменные (составляющие денежного потока, являющиеся случайными величинами);

n — число риск-переменных;

aj — фиксированные параметры модели, т.е, те составляющие денежного потока, которые в результате предыдущего анализа были определены как независимые или малозависимые от внешней среды и поэтому рассматриваются как детерминированные величины;

m — количество параметров модели.

Определение переменных, которые включаются в модель, является самостоятельным этапом риск-анализа, отражающим прежде всего результаты исследования рисков на качественном уровне. Например, проведение опросов экспертов позволяет выделить наиболее «узкие» места проекта.

Кроме того, важную роль в отборе «ключевых» переменных играет анализ чувствительности, осуществляющийся путем расчета рейтинга эластичностей. На основании рейтинга эластичностей отбираются наиболее подверженные риску переменные, т.е. те, колебания которых вызывают наибольшие отклонения результатов проекта. Они и могут быть включены в модель.

Однако решение о включении переменной в модель должно приниматься на основании нескольких факторов, в частности:

---

Быстрый поиск по Банку Рефератов:

---

1) чувствительности результата проекта к изменениям переменной;

2) степени неопределенности переменной (т.е. возможным диапазонам ее  изменения).

При формировании модели необходимо стараться выделить в качестве риск-переменных только наиболее важные, значимые переменные. Причины ограничения количества риск-переменных в модели таковы:

1) увеличение количества зависимых  переменных модели увеличивает  возможность получения противоречивых  сценариев из-за сложности в  учете и контроле зависимости  и коррелируемости;

2) с ростом числа переменных возрастают издержки (финансовые и временные), необходимые для корректного и аккуратного определения их распределения вероятностей и условий коррелируемости.

Если не оговорено условие вероятностной зависимости риск-переменных, то считается, что переменные являются независимыми и подчиняющимися некоторому закону распределения.

Закон распределения задает вероятность выбора значений в рамках определенного диапазона. Стандартные инвестиционные расчеты используют один вид распределения вероятностей для всех проектных переменных, включенных в расчетную модель — детерминированное распределение, когда конкретное единственное значение переменной выбирается с вероятностью, равной единице (р = 1). Следовательно, базовая модель инвестиционного проекта может рассматриваться как детерминированный анализ и частный случай имитационной модели для детерминированных риск-переменных.

Для каждой риск-переменной, являющейся случайной величиной, в процессе создания модели необходимо подобрать вид распределения.

Задача подбора закона распределения сложна прежде всего из-за ограниченности статистических данных. На практике чаще всего используют следующие законы распределения вероятностей: нормальный, треугольный, равномерный, дискретный.

Алгоритм решения задачи подбора закона распределения:

1) определить возможные границы  изменения риск-переменной (границы  диапазона);

2) выбрать общий вид закона распределения;

3) с учетом диапазона изменения  переменной и общего вида оценить  основные числовые характеристики  закона распределения (непрерывный случай) или приписать возможным значениям риск-переменной вероятности их реализации (дискретный случай).

Как следует из вышеизложенного, процесс подбора законов распределения является в значительной степени творческим процессом, требует анализа различного вида информации и плохо поддается формализации.

Необходимо отметить, что проблема выбора типа распределения вероятностей очень важная, так как точность подбора закона распределения при заданных границах изменения риск-переменных непосредственно влияет на качество модели и точность оценки .распределения вероятностей NPV и другие результаты моделирования.

Отсутствие учета вероятностной зависимости переменных, в частности, коррелированное, может привести к заметным искажениям результатов статистического моделирования. Включение вероятностно зависимых риск-переменных в математическую модель инвестиционного проекта может привести к серьезным искажениям характеристик устойчивости проекта, если условие зависимости не будет учтено в математической модели. Степень смещения результатов зависит от важности вероятностно зависимых переменных по отношению к проекту. Поэтому проводится специальный этап установления наличия вероятностной зависимости, в частности, корреляции между переменными и поиска возможностей ее учета в модели. Это касается как парной, так и множественной корреляции.

2.2 Осуществление имитации

Основным этапом имитационного моделирования, в рамках которого с помощью компьютерной программы и реализован алгоритм метода Монте-Карло, является этап осуществления имитации. Он выполняется следующим образом:

1. Генерирование случайных чисел  производится путем компьютерной  операции получения псевдослучайных  чисел, независимых и равномерно  распределенных на отрезке [0; 1]. Каждое  новое полученное случайное число рассматривается как значение функции распределения для соответствующей риск-переменной.

2. Значение каждой независимой  риск-переменной восстанавливается  как аргумент функции распределения  вероятностей данной риск-переменной. При этом учитывается существование вероятностной зависимости.

---

Быстрый поиск по Банку Рефератов:

---

3. Значения переменных величин  подставляются в модель и рассчитывается  интегральный показатель эффективности  проекта (NPV или другой показатель, например, IRR, PI и т.д.)

4. Изложенный в пп. 1—3 алгоритм  повторяется n раз. Результаты моделирования (т.е. NPV проекта или другой показатель), таким образом, рассчитываются и  сохраняются для каждого имитационного  эксперимента.

Каждый имитационный эксперимент — это случайный сценарий. Количество имитационных экспериментов или случайных сценариев должно быть достаточно велико, чтобы сделать выборку репрезентативной по отношению к бесконечному числу возможных комбинаций.

Размер случайной выборки n зависит от количества переменных в модели, от диапазона значений риск-переменных и от желаемой точности получения результатов.

На этом же этапе возникает проблема определения погрешности результатов моделирования в зависимости от количества выполненных имитационных экспериментов. Выбор (n) имеет огромное значение для оценки качества модели, т.е. точности подбираемого закона распределения NPV и его характеристик.

2.3 Анализ результатов

Финальным этапом процесса риск-анализа являются анализ и интерпретация результатов, полученных на этапе имитации.

Анализ результатов имитационного моделирования можно разделить на два типа: графический анализ и анализ количественных показателей.

Результатом проведения имитационных экспериментов является выборка из n значений NPV (или другого результирующего показателя). Вероятность каждого случайного сценария равна:

P(i) = 1/n,

где n - количество имитационных экспериментов.

Следовательно, вероятность того, что проектный результат будет ниже определенного значения равна количеству результатов, при которых значение показателя было ниже этого значения, умноженному на вероятность реализации одного наблюдения.

Построив график кумулятивного распределения частот появления результатов, можно рассчитать значение вероятности того, что результат проекта будет ниже или выше заданного значения.

Для проведения графического анализа необходимо построить функции распределения вероятностей и плотности распределения вероятностей результирующего показателя (NPV или другого). В проектном анализе они называются соответственно кумулятивным профилем риска и профилем риска.

Таким образом, необходимо построить гистограмму NPV. Построение гистограммы является важным моментом в анализе результатов имитационного моделирования, так как она позволяет подобрать закон распределения результирующего показателя. По полученному массиву NPV строится вариационный ряд, т.е. значения NPV ранжируются от минимального до максимального.

Гистограмма строится путем разбиения вариационного ряда на k интервалов группирования. Выбор k осуществляется в соответствии с рекомендациями математической статистики. Далее оценивается согласованность эмпирических данных с подбираемым законом распределения с помощью критерия согласия х2.

Стандартные дисконтированные критерии принятия инвестиционного решения, обычно применяемые в детерминированном анализе, сохраняют свое значение и для данного метода. Однако, поскольку риск-анализ предоставляет лицу, принимающему решение, дополнительную информацию о проекте, инвестиционное решение может быть соответствующим образом изменено. Финальное решение, поэтому, субъективно и принимается почти всегда в зависимости от отношения (склонности) инвестора к риску.

Общее правило состоит в том, что выбирается проект с таким распределением вероятностей дохода, которое больше соответствует предрасположенности к риску лица, принимающего решение (ЛПР). Если ЛПР является «склонным к риску», оно с большей степенью вероятности выберет для инвестирования проекты с относительно высоким значением NPV, обращая меньше внимания на связанный с этим риск (разброс относительно среднего значения, значительную вероятность реализации неэффективного проекта и т.д.). Если ЛПР очень «нерасположенное к риску», то скорее всего оно выберет для инвестирования проекты с небольшим, но достаточно безопасным значением (менее рисковым) NPV.

Предполагая, что ЛПР нейтрально по риску, рассмотрим ситуации, связанные с принятием решения в случае единственного и в случае альтернативных (взаимоисключающих) проектов. Решение принимается, исходя из графического отображения распределения вероятностей (частот) NPV. Функция распределения вероятностей NPV чаще применяется для принятия решений, касающихся взаимоисключающих проектов, в то время .как плотность распределения вероятностей лучше применять для выявления моды распределения и для анализа показателей, использующих ожидаемое значение.

Как было отмечено, анализ количественных измерителей риска проводится для такого показателя эффективности инвестиционного проекта, как NPV, но аналогичные расчеты могут быть проведены и для других показателей эффективности.

---

Быстрый поиск по Банку Рефератов:

---

Ожидаемое значение. Показатель ожидаемого значения представляет собой агрегирование в виде единственного числа всей информации, имеющейся в распределении вероятностей NPV.

Этот показатель является одним из формальных измерителей риска и суммирует информацию, содержащуюся в распределении вероятностей. Это взвешенная средняя значений всех возможных результатов. Веса являются вероятностями, приписываемыми каждому результату:

EV (expected value) = (NPVi, × рi).

Ожидаемое значение может быть надежной оценкой риска (то есть использоваться как индикатор риска) только в ситуации, которая повторяется достаточно большое количество раз. Одним из примеров являются риски страховых компаний, которые обычно предлагают одинаковый контракт (страховой полис) большому числу клиентов. В расчетах имитационных проектов (являющихся уникальными по самой своей сути) показатель ожидаемого значения должен всегда использоваться в комбинации с показателем вариации, таким, например, как стандартное отклонение, или, для обеспечения сопоставимости при оценке альтернативных проектов, с коэффициентом вариации.

Ожидаемые потери. Показатель ожидаемых потерь определяется как сумма «взвешенных по вероятностям» отрицательных значений NPV:

EL (expected losses) = (, × рi).

где — отрицательные значения NPV;

m - число отрицательных значений NPV в полученной выборке.

Ожидаемый выигрыш. Показатель ожидаемых потерь определяется как сумма «взвешенных по вероятностям» положительных значений NPV:

EG (expected gains) = (, × рi).

где — положительные значения NPV;

k — число положительных значений NPV в полученной выборке.

Таким образом, ожидаемое значение, безусловно, является суммой ожидаемого выигрыша и ожидаемых потерь:

EV = EG + EL.

Дисперсия и среднее квадратическое отклонение. Дисперсия и среднее квадратическое отклонение показывают насколько велик разброс значений NPV относительно ожидаемого значения.

Дисперсия рассчитывается по формуле:

 

Среднее квадратическое отклонение определяется как корень из дисперсии:

 

Дисперсия и среднее квадратическое отклонение являются абсолютными измерителями риска.

---

Быстрый поиск по Банку Рефератов:

---

Коэффициент вариации. Коэффициент вариации (Var) является широко применяемым показателем проектного риска. Коэффициент вариации определяется по формуле:

 

Коэффициент вариации является относительной мерой риска, так как абсолютное значение среднего квадратического отклонения нормируется на значение ожидаемого дохода. При положительном математическом ожидании, чем ниже коэффициент вариации, тем меньше разброс показателя эффективности имитационного проекта относительно его ожидаемого значения. К недостаткам этого показателя следует отнести то, что он учитывает и положительные и отрицательные отклонения от ожидаемого значения.

Коэффициент ожидаемых потерь. Показатель коэффициент ожидаемых потерь является показателем, измеряющим величину ожидаемых потерь по отношению к сумме ожидаемых выигрыша и взятых по модулю ожидаемых потерь.

 

Коэффициент ELR, определенный таким образом, может изменяться от 0 (отсутствие ожидаемых потерь) до 1 (отсутствие ожидаемого выигрыша).

Этот показатель можно считать хорошим измерителем риска, так как он является безразмерной величиной и измеряет риск как возможность потерь.

Вероятность реализации неэффективного проекта.

 

где m — число отрицательных значений NPV в полученной выборке;

n —число проведенных имитационных экспериментов, (размер выборки).

Вероятность реализации неэффективного проекта вычисляется на основе результатов испытаний, полученных после проведения имитации. Этот показатель также является хорошим критерием оценки рискованности проекта, так как является безразмерным и определяет риск как возможность потерь. В то же время вероятность реализации неэффективного проекта может рассматриваться как измеритель устойчивости проекта. Чем меньше его значение, тем проект устойчивее, и в целом менее рискован.

Таким образом, на основе имеющейся характеристики измерителей риска инвестиционного проекта, можно сделать вывод, что наилучшими показателями являются вероятность неэффективного проекта и коэффициент ожидаемых потерь. Оба этих индикатора риска обладают свойством безразмерности, что позволяет с их помощью сравнивать рискованность альтернативных проектов, обеспечивает сопоставимость сравнения уровней риска для различных проектов. Кроме того, они измеряют риск как возможность получения негативных результатов, что соответствует задачам риск-анализа.

 
Заключение

Метод имитационного моделирования Монте-Карло является развитием сценарного подхода к анализу рисков и одновременно может быть отнесен к группе теоретико-вероятностных методов анализа риска. На основе статистических данных и экспертных оценок аналитиками подбираются законы распределения некоторых из составляющих проекта, а на основании повторяющихся имитационных экспериментов с заданным уровнем точности можно подобрать закон распределения результирующего параметра и вычислить его основные характеристики: математическое ожидание, дисперсию, среднее квадратическое отклонение.

Имитационное моделирование состоит из трех этапов: построение математической модели, осуществление имитации, анализ результатов.

На этапе построения математической модели выбираются риск-переменные (случайные составляющие денежных потоков проекта) на основе рейтинга эластичностей и оценки прогнозируемости переменной, по имеющимся статистическим данным и экспертной информации для каждой риск-переменной подбирается закон распределения, учитываются условия вероятностной зависимости переменных.

Имитация осуществляется с использованием специально разработанных компьютерных программ, число проводимых имитационных экспериментов может быть выбрано с помощью методов математической статистики.

Комплексный подход к оценке риска, реализуемый при применении метода Монте-Карло, заключается в том, что аналитик получает различные показатели: распределение вероятностей результирующей проектной переменной; оценки среднего значения, среднего квадратического отклонения и коэффициента вариации результирующего показателя; любые другие специальным образом сконструированные измерители риска (коэффициент ожидаемых потерь, вероятность реализации неэффективного проекта).

Принятие инвестиционных решений может основываться на результатах визуального анализа, т.е. изучения профиля риска и кумулятивного профиля риска, полученных в результате имитационного моделирования.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Содержание

Вступление

1. Метод корректировки ставки дисконтирования

2. Метод достоверных эквивалентов (коэффициентов определенности)

3. Анализ точки безубыточности

4. Анализ чувствительности критериев  эффективности

5. Метод сценариев

6. Деревья решений

7. Имитационное моделирование рисков (метод монте-карло)

 

Вступление

В рыночных условиях любые формы инвестиционной деятельности неразрывно связаны с риском. Будет ли устойчивым спрос на новые продукты и услуги? Какой будет стоимость проекта через определенный промежуток времени? Окупятся ли вложенные средства? Точные ответы на эти и многие другие вопросы, как правило, не могут быть известны заранее.

Объективность существования риска обусловливает вероятностная сущность большинства природных, экономических, социальных, политических, технологических и других процессов, которые оказывают значительное влияние на инвестиционную деятельность хозяйствующего субъекта.

Инвестиционные проекты, осуществляемые в реальном секторе экономики и представляющие собой сложные комплексы технических, организационных, финансовых, кадровых и других решений, принимаемых в условиях неопределенности и изменяющейся внешней среды, могут быть подвержены самым различным видам риска, в том числе рискам, характерным и для других областей человеческой деятельности.

Применительно к инвестиционным проектам, предполагающим реализацию конкретных интересов их основных участников (собственников, кредиторов, заказчиков, подрядчиков, поставщиков, покупателей продукции и т.д.), риск понимается как вероятность потерь или неполучения ожидаемых результатов.

Если есть вероятность наступления ситуации риска, то при принятии решений будущие события не могут быть определены достоверно и однозначно. Как и в любой другой области, в инвестиционной деятельности приходится взвешивать и сопоставлять шансы на получение положительных и нежелательных результатов, анализировать их возможные последствия.

Поэтому одним из наиболее важных и сложных разделов инвестиционного менеджмента по праву считается анализ и оценка потенциальных рисков.

В практике инвестиционного менеджмента используются как качественные (неформализованные), так и количественные (формализованные) методы анализа рисков. При этом оба класса методов взаимно дополняют друг друга. Как правило, качественные методы используются для выявления видов и факторов риска, количественные - для определения их числовых характеристик.

Выбор того или иного метода зависит от различных факторов. К числу наиболее существенных из них следует отнести:

вид инвестиционного риска;

степень полноты и достоверности имеющейся информации;

возможность привлечения опытных экспертов;

квалификация разработчиков и менеджеров проекта;

наличие современных информационных технологий, возможность их применения и др.

Следует отметить, что универсального, или пригодного для всех случаев, метода оценки инвестиционных рисков не существует. В связи с этим выбор адекватного метода и эффективность его реализации во многом зависят как от характеристик инвестиционного проекта, так и от компетентности соответствующих специалистов.

К группе качественных методов принято относить следующие: метод экспертных оценок, аналогии, анализа уместности затрат и др. Общая особенность данных методов заключается в том, что все они базируются на практическом опыте, накопленных знаниях, а зачастую и интуиции специалистов в соответствующих областях. Таким образом, полученные результаты являются субъективными. Однако привлечение к оценке опытных специалистов позволяет проанализировать с разных сторон различные аспекты рассматриваемой проблемы, определить наиболее значимые в данном контексте факторы и возможные способы решения этой проблемы, подготовить информацию для ее последующей формализации и построения математических моделей.

Подобные методы применяются в инвестиционном анализе, когда:

необходима субъективность явлений или исследуемых характеристик;

отсутствует необходимая информация или ее недостаточно;

невозможно провести анализ с помощью объективных или приемлемых методов;

отсутствует непосредственно объект исследования (т.е. его еще только предстоит создать в ходе реализации инвестиционного проекта) и т.п.

Количественные методы предполагают оценку конкретных видов риска по одному или нескольким показателям, которые могут быть как "безразмерными" (вероятность, коэффициент вариации и др.), так и выраженными в соответствующих единицах (рублях, процентах, штуках и т.п.). К ним относится широкий класс аналитических, статистических и математических методов, а также ряд методов искусственного интеллекта.

К наиболее популярным количественным методам оценки инвестиционных рисков следует отнести:

метод корректировки ставки дисконтирования;

метод достоверных эквивалентов (коэффициентов достоверности);

анализ точки безубыточности (метод барьерных точек);

анализ чувствительности критериев эффективности;

метод сценариев;

анализ вероятностных распределений потоков платежей;

деревья решений;

имитационное моделирование и др.

Выделенные методы анализа риска представляют особый интерес с точки зрения экономической оценки эффективности инвестиций, поскольку в целом позволяют оценить:

чувствительность интегрального критерия (NPV, IRR, PI[1] и др.) к изменениям значений ключевых показателей;

величины диапазонов возможных изменений интегральных критериев и ключевых показателей, а также их вероятностные характеристики.

Каждый из указанных методов имеет свои преимущества и недостатки, которые будут рассмотрены далее.

 

1. Метод корректировки ставки дисконтирования

Метод корректировки ставки дисконтирования с учетом риска является наиболее простым и поэтому широко применяемым на практике. Основная идея метода заключается в корректировке некоторой базовой ставки, которая считается безрисковой или минимально приемлемой (например, ставка доходности по государственным ценным бумагам, предельная или средняя стоимость капитала для фирмы). Корректировка осуществляется путем прибавления величины требуемой премии за риск, после чего производится расчет критериев эффективности инвестиционного проекта (NPV, IRR) по полученной таким образом норме. Решение принимается согласно правилу выбранного критерия.

Наиболее часто предлагается учитывать поправки трех типов: поправки, связанные со страновым риском, риском надежности участников проекта и риском неполучения предусмотренных проектом доходов.

В общем случае, чем больше риск, ассоциируемый с проектом, тем выше должна быть величина премии, которая может определяться экспертным путем, по внутрифирменным процедурам, формальным или официальным методикам.

Например, фирма может установить премию за риск, равную 5% (при расширении уже успешно действующего проекта), 10% (в случае если реализуется новый проект, связанный с основной деятельностью фирмы) и 15% (если проект связан с выпуском продукции, производство и реализация которой требуют освоения новых видов деятельности и рынков). Пусть средняя стоимость капитала для фирмы равна 10%, тогда для перечисленных типов проектов ставка дисконтирования будет равна 15%, 20% и 25% соответственно.

Известным формальным подходом к определению премии за риск при доступности соответствующей информации является применение модели САРМ2.

Примером официальной методики может служить постановление Правительства РФ от 22 ноября 1997 г. N1470 "Об утверждении Порядка предоставления государственных гарантий на конкурсной основе за счет средств Бюджета развития Российской Федерации и Положения об оценке эффективности инвестиционных проектов при размещении на конкурсной основе централизованных инвестиционных ресурсов Бюджета развития Российской Федерации" с последующими изменениями и дополнениями, предлагающее следующие поправки на риск (табл.1).

Независимо от того, какой способ определения поправок на риск выбран, к числу главных достоинств рассматриваемого метода можно отнести простоту расчетов, а также доступность.

Вместе с тем данный метод имеет существенные недостатки. По сути, он позволяет привести будущие потоки платежей к настоящему моменту времени (обыкновенное дисконтирование по более высокой ставке), но не несет никакой информации о степени риска (возможных отклонениях результатов). При этом полученные результаты существенно зависят только от величины надбавки за риск.

В рамках этого метода предполагается, что со временем риск увеличивается и коэффициент роста - величина постоянная, что вряд ли может считаться корректным, т.к для многих проектов наличие рисков характерно в начальные периоды, а к концу реализации риски сокращаются. Таким образом, прибыльные проекты, не предполагающие существенное увеличение риска со временем, могут быть оценены неверно и отклонены.

Данный метод не содержит информацию о вероятностных распределениях будущих потоков платежей и не позволяет получить их оценку. Наконец, простота метода существенно ограничивает возможности моделирования различных вариантов - все действия сводятся к анализу зависимости критериев (NPV, IRR и др.) от изменений только одного показателя - ставки дисконтирования.

2. Метод достоверных эквивалентов (коэффициентов определенности)

Суть данного метода, в отличие от предыдущего, состоит в том, что осуществляется корректировка не ставки дисконтирования, а ожидаемых значений потока платежей CFt путем введения специальных понижающих коэффициентов а, для каждого периода реализации проекта. Теоретически, значения коэффициентов а, могут быть определены из следующего соотношения:

где RFCFt - величина чистых поступлений от безрисковой операции в период t (например, периодический платеж по долгосрочной государственной облигации, ежегодная сумма процентов по банковскому депозиту и др.); CFt - ожидаемая (запланированная) величина чистых поступлений от реализации проекта в период t; t - номер периода. Тогда достоверный эквивалент ожидаемого платежа может быть определен как:

Таким образом осуществляется приведение ожидаемых поступлений к величинам платежей, вероятность получения которых практически не вызывает сомнений и значения которых могут быть определены более или менее достоверно.

Однако в действительности на практике для определения значений коэффициентов чаще всего прибегают к методу экспертных оценок. В этом случае коэффициенты отражают степень уверенности специалистов-экспертов в том, что поступление ожидаемого платежа осуществится, или, другими словами, в достоверности его величины.

После того как определили значения коэффициентов, рассчитывают критерий NPV или IRR для откорректированного потока платежей. При этом денежные потоки дисконтируются по безрисковой ставке rF. Например, критерий NPV может быть определен по следующей формуле:

где CFt - суммарный поток платежей за период t; rF - ставка доходности по безрисковой операции; at - корректирующий множитель; IC0 - начальные инвестиции; n - срок проекта.

Предпочтение отдается проекту, скорректированный поток платежей которого обеспечивает получение большей величины NPV. Используемые при этом множители аt получили название коэффициентов достоверности или определенности.

Пример 1. Предприятие рассматривает инвестиционный проект, первоначальные затраты по которому составят 100 тыс. руб. Ожидаемые чистые поступления от реализации проекта равны 50 тыс. руб., 60 тыс. руб. и 40 тыс. руб. Необходимо оценить проект с учетом того, что в результате опроса экспертов были получены такие значения коэффициентов достоверности, как 0,9, 0,85 и 0,6 соответственно. Ставка по безрисковой операции равна 8%.

Расчет скорректированного потока платежей для данного случая приведен в табл.2.

Из полученных результатов следует, что чистая текущая стоимость потока платежей, скорректированного с учетом риска, почти в три раза меньше.

Если известна величина безрискового дохода, коэффициенты достоверности можно определить по формуле (1).

Предположим, что в предыдущем примере в качестве источника такого дохода приняты платежи по купонной облигации с периодом обращения 3 года или ставка по депозиту в банке на такой же срок, генерирующие ежегодный доход в 40 тыс. руб.

Расчет скорректированного потока платежей для этого случая приведен в табл.3.

Из полученных результатов видно, что чистая текущая стоимость потока платежей, скорректированного с учетом риска, меньше почти в 17 раз.

Нетрудно заметить, что в отличие от метода корректировки ставки дисконтирования данный метод не предполагает увеличение риска с постоянным коэффициентом, сохраняя при этом простоту расчетов, доступность. Таким образом, учет риска в этом случае осуществляется более корректно.

Вместе с тем исчисление коэффициентов достоверности, адекватных риску каждого шага реализации проекта, представляет определенные трудности и часто содержит значительную долю субъективизма. Кроме того, этот метод также не позволяет провести анализ вероятностных распределений ключевых параметров.

3. Анализ точки безубыточности

Важнейшим параметром любого инвестиционного проекта является предполагаемый объем продаж соответствующих продуктов и услуг.

Анализ точки безубыточности (Break-even Point Analysis - BEP) [2] призван определить минимально допустимый объем производства или продаж продукта, при котором покрываются все расходы на его выпуск (т.е. проект не приносит ни прибыли, ни убытка). Чем ниже будет этот уровень, тем выше вероятность того, что проект будет жизнеспособен в условиях непредвиденного снижения сбыта, и тем ниже будет его риск.

Анализ точки безубыточности базируется на понятии "операционный рычаг" и условном разделении всех издержек на переменные (variable costs - VC) и постоянные (fixed costs - FC).

Под переменными понимаются издержки, которые зависят непосредственно от объема производства. К числу важнейших переменных издержек следует отнести затраты на сырье и материалы, заработную плату рабочих-сдельщиков, оплату силовой энергии и других ресурсов, используемых в технологическом процессе, и т.п. Зависимость переменных издержек от объема производства обычно является более или менее пропорциональной.

Поэтому в целях упрощения анализа часто предполагается, что данная взаимосвязь является линейной. Тогда VC = V x Q, где V - переменные затраты на единицу продукции; Q - объем производства (количество единиц).

Постоянными называются издержки, которые не меняются в течение определенного времени при изменении объема производства. Примерами таких издержек могут служить арендная плата, амортизационные отчисления, зарплата административного персонала, плата за коммунальные услуги, проценты по кредиту и т.п. Следует особо отметить, что постоянные издержки могут меняться (и меняются достаточно часто), но, как правило, их увеличение или сокращение не связано с изменением объема производства. Таким образом, они являются условно постоянными относительно заданного объема производства.

Необходимо обратить внимание на то, что любые постоянные издержки безвозвратны, т.к они должны покрываться независимо от финансово-хозяйственного состояния предприятия и результатов его деятельности.

Полные издержки (total costs - TC), связанные с данным объемом производства, равны сумме переменных и постоянных затрат:

 (4)

Графически данная взаимосвязь представлена на рис.1.

 

Нетрудно заметить, что при нулевом уровне производства / продаж полные издержки равны постоянным. Повышение объема производства / продаж на одну единицу влечет за собой увеличение полных издержек на величину V. Другими словами, согласно (4) предельные, или приростные, затраты на единицу продукции равны V.

Учитывая все вышесказанное, рассмотрим процесс формирования операционной прибыли (до вычета налогов и процентов) от проекта. Ее величина будет равна:

где SAL - выручка от реализации; Р - цена единицы продукции. Тогда отчет о прибылях и убытках примет следующий вид (табл.4).

Как уже было отмечено, уровень безубыточности достигается при условии равенства выручки полным затратам (т.е. при нулевой прибыли):

ЕВIT = SAL-TC = (PxQ) - (VxQ) -FC = 0 (6)

Тогда:

откуда следует:

где Q* - критический (безубыточный) объем выпуска / реализации продукции.

Из полученного соотношения нетрудно определить критический объем продаж:

Графическая интерпретация точки безубыточности представлена на рис.2.

Обратимся к следующему примеру.

Пример 2. Фирма рассматривает инвестиционный проект, связанный с выпуском продукта А. Полученные в результате опроса экспертов данные о проекте приведены в табл.5. Необходимо определить точку безубыточности.

 

Поскольку общий объем постоянных затрат составляет 600,00 (500 + 100), согласно формулам (7) и (8) получаем:

Отчет о прибылях и убытках для рассматриваемого примера будет выглядеть следующим образом (табл.6).

Полученная точка безубыточности (30 единиц) намного меньше запланированного объема выпуска. Таким образом, проект имеет значительный запас прочности, и его риск невысок.

Рассмотрим взаимосвязь между точкой безубыточности и величиной потока платежей CF, поступающих от основной деятельности проекта.

В общем случае величина CF включает в себя операционную прибыль и сумму амортизации, т.е.:

CF = EBIT + DA = (SAL - VC - FC) + DA.

 

Откуда:

Поскольку в точке безубыточности прибыль равна 0, величина потока платежей CF при таком уровне производства будет равна амортизации, т.е.:

Предположим, что мы инвестируем в проект (пример 2) сумму, равную 2 тыс. руб., длительность проекта - 5 лет.

При линейном способе начисления амортизации поток платежей по проекту при безубыточном уровне выпуска будет равен 2000/5 = 400,00. Нетрудно заметить, что суммарный поток платежей за 5 лет будет равен: 5х400 = 2000,00. Таким образом, срок окупаемости проекта будет равен сроку его реализации.

Важнейшим элементом анализа является определение значения величины CF потока платежей, при котором NPV = 0. Полученный результат может быть использован для определения точки безубыточности в единицах денежного потока, которая приблизительно характеризует запас финансовой прочности проекта.

Предположим, что в рассматриваемом примере стоимость капитала для фирмы равна 10%. Тогда его NPV = 0 при приведенной стоимости CF, равной 2000,00. В целях упрощения будем считать, что поток платежей по проекту имеет вид аннуитета, для которого дисконтный множитель будет равен:

Тогда из IС = CF х k, следует:

CF = IС/k = 2000/3,79 = 527,70.

Таким образом, для обеспечения безубыточности необходим ежегодный поток наличности в 527,70. Согласно (9) безубыточный объем продаж в этом случае составит:

Обратите внимание, что полученный уровень финансовой безубыточности (52 изделия) значительно выше ранее определенной точки безубыточности (30 единиц). Это наглядно показывает, что недостаточно использовать в инвестиционном анализе только базисный уровень безубыточности. Данный пример может быть расширен с учетом налогообложения и других выплат.

Рассмотрим более детально факторы, определяющие критерии безубыточности. Одним из важнейших факторов безубыточности является операционный рычаг (operating leverage - OL), или доля постоянных издержек в полных издержках. Этот показатель характеризует зависимость проекта или предприятия в целом от постоянных издержек и используется для измерения делового или производственного риска.

Действие операционного рычага проявляется в том, что любое изменение выручки от реализации всегда порождает более сильное изменение прибыли.

Если доля постоянных расходов велика, говорят, что предприятие имеет высокий уровень операционного рычага, а следовательно, и высокий риск. Для такого предприятия даже незначительное увеличение объемов производства может привести к существенному изменению операционной прибыли.

В практических расчетах для определения силы воздействия операционного рычага применяют отношение маржинальной прибыли (результата от реализации после возмещения переменных затрат) к операционной прибыли. С учетом ранее принятых обозначений уровень, или силу, воздействия операционного рычага DOL можно выразить таким образом:

Уровень операционного рычага позволяет определить величину процентного изменения прибыли в зависимости от изменения объема продаж на 1%.

Если величина DOL > 0, с возрастанием продаж на 1% прибыль будет увеличиваться на DOL%, и наоборот.

Определим величину DOL для нашего примера (см. табл.5):

Таким образом, изменение объема выпуска / продаж на 1% вызовет изменение прибыли на 1,176%. Проверим наше предположение. При изменении выпуска на 1%, его объем увеличится на 2 единицы - 200 х 0,01 = 2.

Тогда прибыль составит:

До увеличения выпуска величина прибыли была равна:

Уровень рычага в денежном выражении может быть определен таким образом:

В заключение рассмотрим совместное влияние рычагов на доходы предприятия. Уровень финансового рычага с учетом принятых обозначений может быть выражен так:

где I - сумма выплачиваемых процентов по займам. Показатель DFL имеет наглядную интерпретацию и дает представление о том, во сколько раз прибыль до вычета процентов и налогов (EBIT) превосходит налогооблагаемую (EBT). Совместное влияние операционного и финансового рычагов DTL представляет собой произведение их уровней:

Этот показатель дает представление о том, как изменение объема продаж повлияет на изменение размера чистой прибыли предприятия. Другими словами, он показывает, на сколько процентов изменится чистая прибыль при изменении объема продаж на 1%.

Показатель DTL характеризует совокупный риск предприятия, т.е. его производственной и финансовой деятельности.

Несмотря на безусловную полезность подобного анализа, в целом его возможности ограничены. Анализ точки безубыточности позволяет увидеть только один "срез" устойчивости инвестиционного проекта, т.е. его чувствительность к объему продаж.

Линейное представление кривой издержек предполагает, что цены материальных и трудовых ресурсов постоянны и такова же природа экономии на масштабах производства. Однако в реальных условиях могут существовать нелинейные зависимости, и тогда подобный анализ дает лишь приблизительные результаты.

4. Анализ чувствительности критериев  эффективности

Анализ чувствительности показателей широко используется в практике инвестиционного менеджмента. В общем случае он сводится к исследованию зависимости некоторого результативного показателя от вариации значений показателей, участвующих в его определении. Другими словами, этот метод позволяет получить ответы на вопросы вида: что будет с результативной величиной, если изменится значение некоторой исходной величины? Отсюда его второе название - анализ "что будет, если".

Как правило, проведение подобного анализа предполагает выполнение следующих шагов:

1. Задается взаимосвязь между исходными  и результирующим показателями  в виде математического уравнения  или неравенства.

2. Определяются наиболее вероятные  значения для исходных показателей  и возможные диапазоны их изменения.

3. Путем изменения значений исходных показателей исследуется их влияние на конечный результат.

Проект с меньшей чувствительностью критерия эффективности (NPV, IRR) считается менее рискованным.

Обычная процедура анализа чувствительности предполагает изменение одного исходного показателя, в то время как значения остальных считаются постоянными величинами.

Пример 3. Фирма рассматривает инвестиционный проект, связанный с выпуском продукта А. Полученные в результате опроса экспертов данные о проекте приведены в табл.7. Необходимо провести анализ чувствительности NPV к изменениям ключевых исходных показателей.

Первым этапом анализа согласно сформулированному выше алгоритму является определение зависимости результирующего показателя от исходных.

В данном случае с учетом приведенных в табл.7 обозначений подобная зависимость может быть задана следующим соотношением:

Диапазоны возможного изменения исходных показателей были определены ранее (см. табл.7), поэтому можно приступать к анализу.

 

Выберем параметр, влияние которого будет исследоваться. Предположим, что таким параметром является цена. Диапазон ее изменений составляет 35-55. Вычислим критерий NPV по формуле (14), варьируя значения цены (например, от 50 до 30 с шагом, равным 5), при этом остальные параметры неизменны.

Результаты проведенных расчетов представлены ниже.

Из результатов анализа следует, что при условии постоянства значений остальных показателей падение цены менее чем на 30% приведет к отрицательной величине чистой приведенной стоимости проекта. Тогда как, например, снижение объемов выпуска Q более чем на 30% при прочих равных условиях все еще обеспечивает положительную величину NPV (проверьте это самостоятельно).

Анализ чувствительности проекта к другим параметрам проводится аналогичным способом.

Метод анализа чувствительности является хорошей иллюстрацией влияния отдельных исходных показателей на результат. А также можно определить направления дальнейших исследований: если установлена сильная чувствительность результирующего показателя к изменениям конкретного исходного показателя, последнему следует уделить особое внимание.

Вместе с тем данный метод обладает и рядом недостатков, наиболее существенными из которых являются:

жесткая детерминированность моделей, используемых для связи ключевых переменных;

данный метод не позволяет получить вероятностные оценки возможных отклонений исходных и результирующих показателей;

данный метод предполагает изменение одного исходного показателя, в то время как остальные считаются постоянными величинами, однако в действительности показатели взаимосвязаны, и изменение одного из них автоматически приводит к изменению остальных.

Следует отметить, что применение современных компьютеров и специальных пакетов прикладных программ позволяет преодолеть последний из перечисленных недостатков. В частности, в MS Excel можно проводить подобный анализ одновременно по двум параметрам, а в пакетах прикладных программ Project Expert - более чем по двум.

 

 

5. Метод сценариев

Метод сценариев (в отличие от методов, рассмотренных ранее) позволяет совместить исследование чувствительности результирующего показателя с анализом вероятностных оценок его отклонений. В общем случае процедура использования данного метода в процессе анализа инвестиционных рисков включает выполнение следующих шагов.

Определяют несколько вариантов изменения ключевых исходных показателей (например, пессимистический, наиболее вероятный и оптимистический).

Каждому варианту изменения приписывают его вероятностную оценку.

Для каждого варианта рассчитывают вероятное значение выбранного критерия, а также оценки его отклонения от среднего значения.

Проводится анализ вероятностных распределений полученных результатов.

При прочих равных условиях проект с наименьшим стандартным отклонением о считается менее рискованным.

Пример 4. Предположим, что по результатам анализа проекта (пример 3) был составлен ряд сценариев его развития и были определены вероятности их осуществления (табл.8). Необходимо провести анализ собственного риска проекта при условии, что все остальные параметры считаются постоянными (см. табл.7).

Прежде всего необходимо определить значение NPV для каждого сценария, например, с помощью соотношения (14). С целью сокращения необходимых вычислений эти значения представлены в табл.8.

Полученные данные свидетельствуют о том, что разброс возможных результатов достаточно велик.

Определим среднее ожидаемое значение чистой приведенной стоимости NPV - величину Е (NPV):

Для того чтобы вычислить стандартное отклонение, можно воспользоваться следующим соотношением:

 

Зная основные характеристики распределения NPV, мы можем приступать к проведению вероятностного анализа. Для удобства будем полагать, что величина NPV имеет нормальное распределение вероятностей. Этот закон распределения широко используется на практике. Кроме того, он полностью описывается двумя рассмотренными выше параметрами и обладает рядом замечательных свойств, существенно упрощающих проведение анализа. В частности, следствием одного из таких свойств, известного как правило "трех сигм", является утверждение, что вероятность попадания нормально распределенной случайной величины в интервал приблизительно равна около 68% (рис.3).

Таким образом, с вероятностью 68% можно утверждать, что NPV проекта будет находиться в интервале 4502,30 ± 4746,02 (от -243,72 до 9248,32). Следовательно, вероятность отклонения от ожидаемого значения в меньшую или большую сторону на величину  будет равна примерно 34%.

Теоретически, зная параметры нормального распределения Е и у, мы можем определить вероятность того, что случайная величина NPV будет меньше (больше) любого заданного значения Х из следующего соотношения:

где Ф - функция Лапласа. Значения функции Лапласа приводятся в специальных справочных статистических таблицах. Для выполнения подобных расчетов можно также использовать стандартные офисные программы типа MS Excel. Ниже приведен фрагмент электронной таблицы MS Excel с результатами вероятностного анализа для рассматриваемого примера (рис.4).

Полученные результаты в целом свидетельствуют о наличии определенного риска применительно к этому проекту. Несмотря на то, что среднее значение NPV (4502,30) превышает прогноз экспертов (3658,73), величина этого показателя меньше стандартного отклонения. Вероятность получения нулевого результата равна 17%, таким образом, существует один "шанс" из шести, что вы понесете убытки.

В целом метод сценариев позволяет получить достаточно наглядную картину результатов для различных вариантов реализации проектов. Он обеспечивает менеджера информацией как о чувствительности выбранного критерия эффективности, так и о возможных отклонениях последнего.

Применение программных средств типа MS Excel позволяет значительно повысить эффективность и наглядность подобного анализа путем практически неограниченного увеличения числа сценариев, введения дополнительных (до 32) ключевых переменных, построения графиков распределения вероятностей и т.д. Вместе с тем использование данного метода направлено на исследование поведения только результативных показателей, таких как NPV или IRR. Метод сценариев не обеспечивает пользователя информацией о возможных отклонениях потоков платежей и других ключевых показателей, определяющих в конечном итоге ход реализации проекта. Несмотря на ряд присущих ему ограничений, данный метод успешно применяется во многих разделах инвестиционного и финансового анализа.

6. Деревья решений

Деревья решений обычно используются для анализа рисков проектов, имеющих обозримое или разумное число вариантов развития. Они особо полезны в ситуациях, когда решения, принимаемые в момент времени t, сильно зависят от решений, принятых ранее, и в свою очередь определяют сценарии дальнейшего развития событий.

Дерево решений имеет вид графа. Его вершины представляют ключевые состояния, в которых возникает необходимость выбора, а дуги (ветви дерева) - различные события (решения, последствия, операции), которые могут произойти в ситуации, определяемой вершиной. Каждой дуге могут быть приписаны числовые характеристики (нагрузки), например величина платежа и вероятность его осуществления. Графический вид дерева решений для рассматриваемого ниже примера приведен на рис.5.

В общем случае использование данного метода предполагает выполнение следующих шагов.

Для каждого момента времени t определяют проблему и все возможные варианты дальнейшего развития событий.

Отмечают на дереве соответствующую конкретной проблеме вершину и исходящие из нее дуги.

Каждой исходящей дуге приписывают ее стоимостную и вероятностную оценку.

Исходя из значений всех вершин и дуг рассчитывают вероятное значение критерия NPV (либо IRR, PI).

Анализируют вероятностные распределения полученных результатов.

Пример 5. Рассматривается двухлетний проект, требующий первоначальных вложений в объеме 200 тыс. руб. Согласно экспертным оценкам, приток средств от реализации проекта в первом году с вероятностью 0,3 составит 80 тыс. руб., с вероятностью 0,4 - 100 тыс. руб. и с вероятностью 0,3 - 150 тыс. руб. Показатели притока средств во второй период зависят от результатов, полученных за первый период (табл.9).

Ставка дисконтирования равна 12%. Необходимо построить дерево решений с целью оценки рисков проекта.

Значения NPVi были рассчитаны исходя из дисконтных множителей, равных 0,893 для первого и 0,797 для второго периода соответственно, т.е.:

Значения рi здесь представляют собой совместные вероятности двух событий, т.е. вероятность того, что произойдет и событие 1, и событие 2:

Суммарная ожидаемая NPV рассчитана как сумма произведений NPVi на совместные вероятности рi:

Поскольку суммарная ожидаемая NPV положительна (19024,40), при отсутствии других альтернатив проект можно принять. В общем случае предпочтение следует отдавать проектам с большей ожидаемой NPV (табл.10).

Следует отметить, что с ростом числа периодов реализации проекта (даже при неизменном количестве альтернатив) структура дерева сильно усложнится.

Например, для трехлетнего проекта число анализируемых путей будет равно уже 27. Весьма полезным и уместным здесь может оказаться шуточный совет: "Деревья решений подобны виноградной лозе: продуктивны только в том случае, если их тщательно и регулярно подрезать".

Быстрый рост сложности вычислений, а также необходимость применения специальных программных средств для реализации подобных моделей - это основные причины невысокой популярности данного метода оценки рисков.

Преодолеть многие ограничения, присущие всем рассмотренным методам, позволяет имитационное моделирование - одно из наиболее мощных средств анализа экономических систем. Вместе с тем его использование требует применения современных компьютеров и соответствующих программных средств.

7. Имитационное моделирование рисков (метод монте-карло)

Имитационное моделирование представляет собой серию численных экспериментов, призванных дать эмпирические оценки степени влияния различных факторов (исходных величин) на некоторые зависящие от них результаты (показатели). В общем случае проведение имитационного эксперимента можно разбить на следующие этапы. Устанавливается взаимосвязь между исходными и результирующими показателями в виде математического уравнения или неравенства. Задаются законы распределения вероятностей для ключевых параметров модели. Проводится компьютерная имитация значений ключевых параметров модели. Рассчитываются основные характеристики распределений исходных и результирующих показателей.

Проводится анализ полученных результатов и принимается решение.

Результаты имитационного эксперимента могут быть дополнены статистическим анализом, а также их можно использовать для построения прогнозных моделей и сценариев. Осуществим имитационное моделирование анализа рисков инвестиционного проекта на основании данных уже рассмотренного примера. Первым этапом анализа, согласно сформулированному выше алгоритму, является определение зависимости результативного показателя от исходных. При этом в качестве результативного показателя обычно выступает один из критериев эффективности (NPV, IRR, PI). Предположим, что используемым критерием является чистая текущая стоимость проекта NPV:

где CFt - величина чистого потока платежей периода t.

По условиям примера, значения нормы дисконта r и первоначального объема инвестиций IC0 известны и считаются постоянными в течение срока реализации проекта.

В целях упрощения будем полагать, что генерируемый проектом поток платежей имеет вид аннуитета. Тогда величина потока платежей CF для любого периода t одинакова и может быть определена из следующего соотношения:

Вторым этапом проведения анализа является выбор законов распределения вероятностей ключевых переменных.

По условиям примера ключевыми варьируемыми параметрами являются переменные расходы V, объем выпуска Q и цена P. Диапазоны возможного изменения варьируемых показателей известны. При этом будем исходить из предположения, что все ключевые переменные имеют равномерное распределение вероятностей.

Третий этап может быть реализован только с применением ЭВМ, оснащенной специальными программными средствами. В частности, имитационные эксперименты в среде MS Excel можно провести двумя способами - с помощью встроенных функций и путем использования инструмента "Генератор случайных чисел" дополнения "Анализ данных" (Analysis Tool Pack).

Фрагменты электронных таблиц с результатами имитационного моделирования для данного примера приведены на Рис.6 и рис.7.

Сравним полученные результаты с данными анализа, проведенного ранее в соответствии с методом сценариев.

Нетрудно заметить, что по результатам имитационного анализа риск проекта значительно ниже. Величина ожидаемой NPV меньше результата предыдущего анализа (3361,96 и 4502,30 соответственно). Однако величина стандартного отклонения также существенно ниже (2271,31 и 4673,62) и не превышает значения NPV. Коэффициент вариации (0,68) меньше 1, таким образом, риск данного проекта в целом ниже среднего риска инвестиционного портфеля фирмы. Результаты вероятностного анализа показывают, что "шанс" получить отрицательную величину NPV не превышает 7%.

Еще больший оптимизм внушают результаты анализа распределения чистых поступлений от проекта CF. Величина стандартного отклонения здесь составляет всего 42% от среднего значения. Таким образом, с вероятностью более 90% можно утверждать, что поступления от проекта будут положительными величинами.

Сумма всех отрицательных значений NPV в полученной генеральной совокупности может быть интерпретирована как чистая стоимость неопределенности для инвестора в случае принятия проекта. Аналогично сумма всех положительных значений NPV может трактоваться как чистая стоимость неопределенности для инвестора в случае отклонения проекта. Несмотря на всю условность этих показателей, в целом они представляют собой индикаторы целесообразности проведения дальнейшего анализа.

 

В данном случае они наглядно демонстрируют несоизмеримость суммы возможных убытков по отношению к общей сумме доходов (-11691,92 и 1692669,76 соответственно).

На практике одним из важнейших этапов анализа результатов имитационного эксперимента является исследование зависимостей между ключевыми параметрами. Как было показано ранее, количественная оценка вариации напрямую зависит от степени корреляции между случайными величинами. Ограничимся визуальным (графическим) исследованием.

На рис.8 приведен график распределения значений ключевых параметров V, P и Q, построенный на основании 75 имитаций.

 

Нетрудно заметить, что в целом изменение значений всех трех параметров носит случайный характер, что подтверждает принятую ранее гипотезу об их независимости.

В заключение отметим, что современные табличные процессоры (Excel, Lotus, Quattro Pro), математические программы (MathCAD, MatLab, Maple и др.) и пакеты прикладных программ для оценки инвестиционных проектов (Project Expert и др.) содержат готовые встроенные средства, позволяющие быстро и эффективно автоматизировать проведение и моделирование анализа рисков инвестиционных проектов с использованием рассмотренных выше методов. Кроме того, в настоящее время доступны и специальные программные средства (например, @RISK), ориентированные на количественный анализ рисков в финансовой сфере. В настоящее время в области оценки инвестиционных рисков все большее применение находят такие методы искусственного интеллекта, как нейронные сети, нечеткие множества и др.