Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Crib.doc
Скачиваний:
13
Добавлен:
17.11.2019
Размер:
3.78 Mб
Скачать

Практика анализа экономических рисков

При реализации доходного подхода к оценке в условиях неопре­деленности прогнозируются будущие доходы и изменения нормы отдачи на капитал. В связи с этим погрешность, с которой может быть рассчитана величина рыночной стоимости, будет определяться ошибками предсказания темпов изменения ставок арендной платы, потерь от недозагрузки и неплатежей, всех видов операционных расходов, темпа инфляции и норм доходности финансовых инстру­ментов. Количество параметров задачи оказывается весьма большим и в практике оценки первоочередной оказывается задача исключе­ния из рассмотрения тех факторов риска, влияние которых на конечный результат оказывается пренебрежимо малым. Дифферен­циация факторов риска обеспечивается использованием упомянутой выше техники анализа чувствительности.

Анализ чувствительности к изменению факторов

Анализ чувствительности искомого показателя F к изменениям отдельных факторов fi сводится к ранжированию факторов данного типа риска по величине отношения φ=δFfj (здесь δfj =Δfj /fj, δF=ΔFj /F, ΔFj - изменение F при максимально возможном измене­нии Δfj величины фактора fj). Влияние фактора считается значимым, если φ≥1. При φ<<1 влиянием фактора можно пренебречь.

Многофакторный анализ рисков

Для измерения чувствительности изучаемого показателя к изме­нениям не единичного фактора (как было рассмотрено выше), а группы факторов риска применяется техника вариации сценариев. Обычно анализируются три альтернативных сценария - пессими­стический («pes»), вероятный («most likely» - «ml») и оптимисти­ческий («opt»).

При моделировании пессимистического сценария предполагает­ся, что с определенной (не стопроцентной) вероятностью Wpes= Wpesi, могут проявиться одновременно (равновероятно) самые неблагопри­ятные варианты каждого риска из всей совокупности рисков - с максимально возможными из мыслимых значений показателями опасности ΔFmaxi. Очевидно, что в этом случае величина искомой характеристики окажется минимально возможной Fmin=Fpes.

Оптимистический сценарий, напротив, «собирает» вместе наи­более благоприятные варианты развития событий, исходя из пред­положения, что все риски из совокупности минимальны (вариант безрисковый, с минимально возможными из мыслимых значений показателя опасности ΔFmini≈0) и равновероятны (с одинаковой вероятностью Wopt=Wopti). Можно ожидать, что в этом случае потери минимальны и искомый параметр может характеризоваться макси­мально возможной («безрисковой») величиной Fopt=Fmax.

Наконец, базовый (вероятный) сценарий, реализующийся с экспертно определяемой вероятностью Wml=Wmli, моделирует вариант прогноза развития ситуации с умеренной степенью опасности всей совокупности рисков (показатели опасности ΔFmidi) и соответствую­щей средней величиной искомой характеристики Fml=Fmid. Учитывая случайный характер каждого из прогнозных сценариев, можно рассчитать математическое ожидание Fw искомого результата, дисперсии σ2(Fw) и стандартного отклонения σ обработкой резуль­татов, получаемых в результате анализа трех сценариев: Fw=WpesFmin+WmlFmid+WoptFmax.

Возможно уточнение приведенного выше варианта техники многофакторного анализа рисков с привлечением экспертов. Здесь вероятность сценария определена на основании обработки мнений экспертов, полученных с использованием алгоритма «балльных» оценок:

  • эксперты определяют перечень наиболее важных критериев оценки сценариев;

  • каждому критерию присваивают вес Gi в баллах (пятибалльная шкала);

  • для оценки каждого критерия выбирается шкала;

  • эксперты оценивают каждый сценарий по каждому критерию;

  • вычисляется балл для каждого критерия, средний по группе экспертов.

На основании этих результатов вычисляется средневзвешенный балл Xj сценария j. Предполагается, что вероятность сценариев пропорциональна полученным баллам и сумма вероятностей равна 100%. Тогда вероятность j-го сценария Wj равна Wj=Xj /ΣXj.

Пара слов о методе имитационного моделирования Монте-Карло. Этот метод, позволяющий рассмотреть максимальное число сочетаний исходных данных (Ipgs, Kv&l, Koe, Ro), и оценить диапазон изменения результирующей переменной (Vo), реализуется стандартным алго­ритмом. При этом, учитывая недостаток рыночных данных для объекта, рассмотренного в предыдущем примере, предполагает­ся, что все факторы распределены равномерно.

После проверки генерируемой последовательности случайных факторов на мультиколлинеарность (по матрице парных коэффици­ентов корреляции), исследуется зависимость качества достижения заданного (равномерного) распределения и величины рыночной стоимости от числа испытаний. Установлено, что величи­на рыночной стоимости практически не изменяется с ростом числа испытаний после 10000 испытаний, а распределение для ставок арендной платы, близкое к равномерному, достигается только при числе испытаний, равном 20000. Полученное при этом распределение плотности вероятности для значений рыночной стоимости оказалось близким к нормальному.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]