Риск снижения доходности
включает в себя следующие разновидности: процентные риски и кредитные риски.
К процентным рискам относится
опасность потерь коммерческими банками, кредитными учреждениями,
инвестиционными институтами, селенговыми компаниями в результате превышения
процентных ставок, выплачиваемых ими по привлеченным средствам, над ставками по
предоставленным кредитам. К процентным рискам относятся также риски потерь,
которые могут понести инвесторы в связи с изменением дивидендов по акциям,
процентных ставок на рынке по облигациям, сертификатам и другим ценным бумагам.
Рост рыночной ставки
процента ведет к понижению курсовой стоимости ценных бумаг, особенно облигаций
с фиксированным процентом. При повышении процента может начаться также массовый
сброс ценных бумаг, эмитированных под более низкие фиксированные проценты и, по
условиям выпуска, досрочно принимаемых обратно эмитентом. Процентный риск несет
инвестор, вложивший средства в среднесрочные и долгосрочные ценные бумаги с
фиксированным процентом при текущем повышении среднерыночного процента в
сравнении с фиксированным уровнем. Иными словами, инвестор мог бы получить
прирост доходов за счет повышения процента, но не может высвободить свои
средства, вложенные на указанных выше условиях.
Процентный риск несет
эмитент, выпускающий в обращение среднесрочные и долгосрочные ценные бумаги с
фиксированным прцентом при текущем понижении среднерыночного процента в
сравнении с фиксированным уровнем. Иначе говоря, эмитент мог бы привлекать
средства с рынка под более низкий процент, но он уже связан сделанным им
выпуском ценных бумаг.
Этот вид риска при
быстром росте процентных ставок в условиях инфляции имеет значение и для
краткосрочных бумаг.
Кредитный риск –
опасность неуплаты заемщиком основного долга и процентов, причитающихся
кредитору. К кредитному риску относится также риск такого события, при котором эмитент,
выпустивший долговые ценные бумаги, окажется не в состоянии выплачивать
проценты по ним или основную сумму долга.
Кредитный риск может быть
также разновидностью рисков прямых финансовых потерь.
Риски прямых финансовых
потерь включают в себя следующие разновидности: биржевой риск, селективный
риск, риск банкротства, а также кредитный риск.
Биржевые риски
представляют собой опасность потерь от биржевых сделок. К этим рискам
относятся: риск неплатежа по коммерческим сделкам, риск неплатежа комиссионного
вознаграждения брокерской фирмы и т.п.
Селективные риски – это
риски неправильного выбора способа вложения капитала, вида ценных бумаг для
инвестирования в сравнении с другими видами ценных бумаг при формировании
инвестиционного портфеля.
Риск банкротства
представляет собой опасность в результате неправильного выбора способа вложения
капитала, полной потери предпринимателем собственного капитала и неспособности
его рассчитываться по взятым на себя обязательствам. В результате
предприниматель становится банкротом.
Итак, риском можно управлять,
т.е. использовать различные меры, позволяющие в определенной степени
прогнозировать наступление рискового события и принимать меры к снижению
степени риска. Эффективность организации управления риском во многом
определяется классификацией риска. Научно обоснованная классификация рисков
позволяет четко определить место каждого риска в их общей системе. Она создает
возможности для эффективного применения соответствующих методов и приемов
управления риском. Каждому риску соответствует свой прием управления риском.
1.2 Проблема выявления и
согласования предпочтений по рискам
Проблемы поведения в
условиях неопределенности и риска давно занимали умы ученых. Предложенный Б.
Паскалем принцип «regle des partis», фактически означающий оценку решения величиной
ожидаемого от его принятия выигрыша, лежит в основе властвовавшей длительное
время теории ожидаемого выигрыша. Однако знаменитый Санкт-Петербургский
парадокс, предложенный Д. Бернулли и решенный в 1732 г. Д. Бернулли, стал символом новой теории – теории ожидаемой полезности[3].
Парадокс заключался в том, что участники так называемой честной азартной игры
готовы бесконечно платить за нее, но не желают заключать пари насчет будущего
выигрыша или проигрыша, как бы ни была велика предлагаемая им сумма. Д.
Бернулли объяснил участие в этих играх увеличением ожидаемой полезности
богатства.
Аппарат функций
полезности и кривых безразличия широко используется в современных
экономико-математических моделях для описания склонности к риску
соответствующими предельными величинами. Для представителей этой школы очень
важен вывод, сделанный Дж. Тобином: если имеется возможность выбирать не только
между заданным рисковым портфелем и безрисковыми ценными бумагами, но и
одновременно выбирать структуру рискового портфеля, то оптимальной окажется
только одна структура рискового портфеля, не зависящая от склонности инвестора
к риску. В этом контексте проблема предпочтений по риску сводится к выбору доли
безрисковой составляющей портфеля.
Вновь осмысленная Д. Фон
Нейманом и О. Моргенштерном теория Д. Бернулли, подхваченная М. Фридменом, Л.
Сэвэджем, П. Самуэльсоном и другими экономистами, в свою очередь подверглась
критике со стороны М. Алле (так называемый Парадокс Алле, заключающийся в
несоответствии эмпирических данных о поведении самих необернуллианцев аксиомам
провозглашаемой ими теории) и др. среди «новых» альтернативных теорий и моделей
принятия решений в условиях риска и неопределенности хотелось бы обратить
внимание на модель функции полезности – модель трех моментов полезности. Одним
из способов выражения этого взгляда является утверждение, что функция
предпочтения имеет в качестве аргументов моменты распределения различного
порядка.
Наиболее верным подходом
является использование индивидуальных или коллективных предпочтений самого
экономического агента в качестве критерия управления, в связи с чем ставится
вопрос о выявлении предпочтений. Две категории экономических агентов могут
иметь предпочтения по риску: индивидуумы и коллективы. Принадлежность объекта
исследования к одной из этих категорий определяет особенность выявления
предпочтений по риску.
Проблема выявления
индивидуальных предпочтений по риску очень сложна. Она нелегко формализуется,
хотя различные приемы помогают в той или иной степени решать эту задачу.
Например, слабая попытка выяснить склонность к риску неявно предпринята в
известном медицинском и профессионально-ориентационном супертесте MMPI при описании психологического
портрета респондента. Интересы в этой связи исследования психолога В.А.
Петровского с игровыми экспериментами, суть которых сводилась к исследованию
бескорыстной, «чистой» психологической склонности к риску, проявлявшейся в ходе
игры у представителей различных профессиональных и социальных групп.
Проблема выявления и
учета предпочтений по риску при управлении требует рассмотрения психологических
аспектов восприятия риска. Два ключевых вопроса составляют предмет
исследований: как люди оценивают риск и как люди приемлют риск.
Результаты психологов
показывают, что суждения о риске зависят от обстановки, в которой они имеют
место. Риск является аспектом варианта решения, и вес, который он получает в
окончательном решении, зависит от выгоды этого варианта так же, как от оценки
деятельности как таковой. Экспертные оценки часто ориентируются на
катастрофические последствия, но это только один из аспектов, влияющих на
принятие риска, и поэтому приемлемый риск не всегда согласуется с риском,
рассчитанным инженерами. Б. Бремер из Упсальского университета пишет: «эти
различия не означают, что люди иррациональны в своих оценках риска, или что
эксперты не правы, просто это часто разные вещи». Согласно Тверски и Канеману,
люди основывают свои суждения о вероятности на легкости, с которой нечто
приходит на ум. Вещи, которые легче приходят на ум, считаются более вероятными
и наоборот. Поэтому, когда спрашивают о безопасности авиапутешествий, мы ее
оцениваем высоко, если мы не помним ни одной катастрофы, и низко – если мы
вспоминаем много катастроф или если мы очень быстро начинаем думать о них. Это
полезный путь вынесения суждений, т.к. одна из причин заключается в том, что
вещи, легко приходящие на ум, имели высокую частоту в нашем позднейшем опыте.
Однако воспоминания также подвержены влиянию иных факторов, таких, как свежесть
и яркость. Поэтому легче вспомнить катастрофы, случившиеся вчера, чем
случившиеся год назад, и наглядное описание катастрофы облегчает воспоминание
по сравнению с коротким бледным замечанием в газете. Субъективные оценки риска
могут быть произведены различными способами. Они могут основываться на
непосредственно личном опыте, на суждениях, высказываемых в прессе и т.п.,
наконец, на интуиции.
Основные трудности, с
которыми приходится сталкиваться при решении проблемы выявления индивидуальных
предпочтений по риску, заключаются в нечеткости, противоречивости данных о
поведении исследуемого индивидуума в условиях неопределенности, в отсутствии
обоснованных предположений о конкретных закономерностях этого поведения, в его
постоянном изменении, что делает практически малоэффективными (неадекватными и
дорогостоящими) попытки построения функций полезности и другие способы
моделирования.
Компьютеризация процессов
управления все чаще позволяет опираться в таких случаях на искусственный
интеллект. В этой связи уместно поставить задачу создания таких инструментов
искусственного интеллекта, которые могли бы предложить некоторое приемлемое
решение, исходя из предпочтений различных лиц, т.е. фактически моделировать
индивидуальные предпочтения. Разработанным инструментом искусственного
интеллекта являются различные экспертные системы. Они накапливают знания
экспертов, сформулированные в виде правил. Однако применение экспертных систем
в условиях риска требует, чтобы они были совместимы с нечетной логикой.
Изменчивость поведения также приводит к необходимости полностью изменять
систему правил экспертной системы, что сказывается на ее эффективности.
Способность обобщить предпочтения присуща только очень гибкому обучающемуся
инструменту искусственного интеллекта. В этой роли могут выступить нейронные
сети, построенные по аналогии со строением мозга. В человеческом мозге процесс
обработки информации происходит посредством взаимосвязанных между собой клеток
– нейронов. Каждый нейрон независим, работают они асинхронно. Особенностью
нейронных сетей является способность решать проблемы, которые не подлежат
алгоритмизации, при отсутствии полных данных, при большом «шуме» (случайных
возмущениях) данных, подобно тому, как это делает человеческий мозг при попытке
распознать мелькнувшее в толпе лицо. Нейронная сеть – это совокупность
вычислительных элементов (нейронов), распределенных в нескольких слоях, и
взаимосвязанных друг с другом связями (синапсами), которым присваиваются
положительные или отрицательные веса. Помимо входного и выходного слоев, между
ними могут находиться внутренние слои, обратная связь, в соответствии с
топологией сети. Модификация весов составляет процесс обучения нейросети. Обучение
нейронной сети сводится к построению разделяющей поверхности в пространстве
компонент входного вектора. Принятие решения – это определение принадлежности
данной точки (входного вектора) к кластеру, ограниченному разделяющей
поверхностью. Достоверность решения пропорциональна расстоянию точки от границы
кластера. При обучении некоторых парадигм сетей ошибка распространяется обратно
по сети, производится коррекция весов связей, предотвращая повторное этой
ошибки. Для сетей обратного распространения существует регулярная процедура их
обучения. В настоящее время существует мнение, что сети обратного
распространения наиболее универсальны и лучше других обобщают факты. В
нейронной сети с обратным распространением ошибок существует слой (или
несколько слоев) скрытых (внутренних) нейронов, представляющих «абстрактные
понятия». Такая нейросеть имеет внутренние представления, относящиеся к
объектам внешнего мира, и может реализовать логическую функцию «исключающего
или». Метод обратного распространения погрешностей позволил получить ряд результатов:
компьютерный эксперимент показал, что нейросеть создает «абстрактные понятия»,
выделяя для их внутреннего представления определенные элементы. Обрабатывая
наборы самых различных данных с целью обучения распознаванию объектов,
нейронная сеть, таким образом, пытается выделить их категории, формируя
внутреннее представление.
Основные преимущества
нейронных сетей:
-
способность
обучаться на множестве примеров в тех случаях, когда неизвестны закономерности
развития ситуации и зависимости между входными и выходными данными, когда
пасуют как традиционные математические методы, так и экспертные системы;
-
способность
успешно решать задачи, опираясь на неполную, искаженную, зашумленную и
внутренне противоречивую входную информацию;
-
легкость в
эксплуатации обученных сетей;
-
удобный доступ
нейросетевых пакетов к базам данных, электронной почте и т.д., что позволяет
автоматизировать процесс ввода и первичной обработки данных.
Все эти качества позволяют сделать осторожное
предположение об эффективности использования аппарата нейронных сетей для
имитационного моделирования индивидуальных предпочтений по риску. Процесс
моделирования индивидуальных предпочтений по риску с помощью нейронных сетей
обратного распространения состоит из следующих этапов:
1.
Проведение деловой игры респондента – лица, принимающего решения, – с
использованием компьютера, в ходе которой последовательно реализуются различные
сценарии, воспроизводящие ситуации неопределенности, требующие принятия
решений. Важно соответствие имитируемым событиям мотиваций и сложность
сценариев игры. Другим требованием является возможность проявления предпочтений
– адекватные игровые ходы, доступные участнику. Также необходимо учесть
наглядность ситуаций, ясность инструкций и возможность выбора.
2.
Составление файлов примеров для обучения и тестирования нейронной сети.
Фиксируемые в памяти компьютера параметры ситуаций и ходов игрока представляют
собой соответственно входные и выходные данные примеров для обучения нейронной
сети. Число примеров, равное числу ходов игрока, должно быть достаточным для
обучения нейронной сети и одновременно не слишком большим, чтобы не утомить
игрока чрезмерной продолжительностью игры и не исказить результаты. Для
последующего тестирования сети выделяется некоторое число примеров.
3.
Построение нейронной сети обратного распространения погрешности с числом
нейронов входного слоя, соответствующим числу ключевых параметров игровой
ситуации, числом нейронов выходного слоя, соответствующем числу параметров хода
игрока, а также некоторым числом нейронов скрытого слоя, предназначенных для
формирования внутренних представлений нейронной сети о ситуациях
неопределенности, соответствующих индивидуальным предпочтениям участника в той
мере, в которой эти предпочтения зависят от параметров ситуации и проявляются в
действиях играющего.
4.
Обучение и тестирование нейронной сети с подбором оптимального (в смысле
качества обучения) числа скрытых нейронов (и слоев) и возможным исключением
несущественных параметров и связей. При обучении задается относительно высокий
уровень требуемой точности (толерантности), понижаемый до рационально
приемлемого значения при тестировании сети.
Страницы: 1, 2, 3, 4, 5, 6
|