31. Основные методы оценки уровня рисков инвестиционного проекта.

Методы оценки инвестиционных рисков подразделяются на качественный метод, то есть описание всех предполагаемых рисков проекта, оценка их последствий и мер по снижению, а так же количественный, заключающийся в расчетах изменений эффективности проекта в связи с рисками.

Качественная оценка рисков - процесс представления качественного анализа идентификации рисков, требующих быстрого реагирования. Такая оценка рисков определяет степень важности риска и выбирает способ реагирования.

В качественной оценке выделяют экспертный метод, метод анализа уместности затрат, метод аналогий.

Экспертный метод представляет собой обработку оценок экспертов имеющих опыт реализации инновационных проектов по каждому виду рисков и определение интегрального уровня риска. К числу наиболее распространенных методов экспертных оценок относят метод Дельфи, метод бальных оценок, ранжирование, попарное сравнение. Метод анализа уместности затрат ориентирован на выявление потенциальных зон риска и используется лицом, принимающим решение об инвестировании средств, для минимизации риска, угрожающего капиталу.

Метод аналогии представляет собой разработку стратегии управления риском конкретного инновационного проекта на основе анализа базы данных о реализации аналогичных проектов и условий их реализации. Метод анализа иерархий – методологическая основа для решения задач выбора альтернатив посредством их многокритериального рейтингования.

Метод позволяет провести анализ проблемы, провести сбор данных по проблеме, оценить противоречивость данных и минимизировать ее, провести синтез проблемы принятия решения, позволяет организовать обсуждение проблемы, способствует достижению консенсуса, оценить важность учета каждого решения и важность учета каждого фактора, влияющего на приоритеты решений, оценить устойчивость принимаемого решения.

-К недостаткам метода относят тот факт, что сбор данных для поддержки принятия решения осуществляется, главным образом, с помощью процедуры парных сравнений.

В качестве методов количественного анализа рисков инвестиционных проектов используют: метод корректировки нормы дисконта; анализ чувствительности критериев эффективности; метод сценариев; анализ вероятностных распределений потоков платежей; деревья решений; метод Монте-Карло (имитационное моделирование); нечетко-множественный анализ и др.

метод сценариев. Данный метод предполагает прогнозирование вариантов развития внешней среды и расчет оценок эффективности инвестиций для каждого сценария. Если сценариям приписываются определенные вероятности, то можно построить профиль риска, оценить стандартное отклонение и асимметрию распределения. Часто разрабатывают так называемые "пессимистический", "наиболее вероятный" и "оптимистический" сценарии, позволяющие приближенно оценить разброс результатов проекта и его прибыльность (убыточность) при ухудшении экономической ситуации.

Метод построения "дерева решений" сходен с методом сценариев и основан на построении многовариантного прогноза динамики внешней среды. В отличие от метода сценариев он предполагает возможность принятия самой организацией решений, изменяющих ход реализации проекта (осуществление выбора) и особую графическую форму представления результатов ("дерево решений"). "Дерево решений" может применяться как в условиях риска, так и в условиях неопределенности или полной определенности. Аналитик подсчитывает значения выбранного критерия эффективности вдоль каждой "ветви" дерева, а при анализе рисков – также и вероятность каждого значения [1,2].

32. Показатели количественного анализа риска: вероятность, ожидаемое значение величины, дисперсия, стандартное отклонение, коэффициент вариации. Среднее ожидаемое значение связано с неопределенностью ситуации, оно выражается в виде средневзвешенной величины всех возможных результатов [Е (х)], где вероятность каждого результата (А) используется в качестве частоты или веса соответствующего значения (х). В общем виде это можно записать так:

Е (х) =А1х1 + А2х2+ ... + Аnхn,.

Средняя величина представляет собой обобщенную количественную характеристику и не позволяет принять решение в пользу какого-либо варианта вложения капитала. Для окончательного решения необходимо измерить колеблемость (размах или изменчивость) показателей, т.е. определить меру колеблемости возможного результата. Колеблемость возможного результата представляет собой степень отклонения ожидаемого значения от средней величины. Для ее определения обычно вычисляют дисперсию или среднеквадратическое отклонение.

Дисперсия представляет собой среднее взвешенное из квадратов отклонений действительных результатов от средних ожидаемых:

где 2 – дисперсия; х – ожидаемое значение для каждого случая наблюдения; х – среднее ожидаемое значение; А – частота случаев, или число наблюдений.

Среднее квадратическое отклонение определяется по формуле:

Дисперсия и среднее квадратическое отклонение являются мерами абсолютной колеблемости. Они измеряются в тех же единицах, что и варьирующий признак, Для анализа степени отклонения обычно используется коэффициент вариации.

Коэффициент вариации – это отношение среднего квадратического отклонения к средней арифметической. Он показывает степень отклонения полученных значений.

где V– коэффициент вариации, %; от– среднее квадратическое отклонение; х – среднее арифметическое.

Коэффициент вариации позволяет сравнивать колеблемость признаков, имеющих разные единицы измерения. Чем выше коэффициент вариации, тем сильнее колеблемость признака. Установлена следующая оценка коэффициентов вариации:

• до 10% – слабая колеблемость;

• 10–25% – умеренная колеблемость;

• свыше 25% – высокая колеблемость1.

Метод экспертных оценок основан на обобщении мнений специалистов-экспертов о вероятностях риска.

33. Анализ сценариев проекта. Анализ сценариев представляет собой развитие метода анализа чувствительности проекта: одновременному непротиворечивому (реалистическому) изменению подвергается вся группа переменных (факторов). Важным преимуществом метода является тот факт, что отклонения параметров задают с учетом существующих между ними зависимостей.

Сценарием может быть любое в достаточной степени вероятное событие или состояние, влияющее на несколько параметров проекта одновременно. Сценарии генерируются экспертным путем и различаются: развитием проектных событий (различная длительность проектных фаз, различные сочетания работ и объемов затрат); последствиями каких-либо действий участников проекта (необходимость смены участников, привлечения более дорогого финансирования и т. д.); экономической ситуацией (подъем, спад); ситуацией на каких-либо рынках (продукции или сырья проекта); последствиями каких-либо действий государства (макроэкономическая политика, международные договоры).

При сценарном анализе возможны два взаимодополняющих варианта внесения отклонений в анализируемые факторы:

внесение отклонений в абсолютные значения величин (например, ставку дисконтирования, объем инвестиций или длительности строительства); внесение отклонений в динамику величин и «форму кривых» (например, характер изменения емкости рынка, распределения инвестиций во времени).

Вариантом сценарного анализа является историческое моделирование. Оно предполагает проверку финансовой модели проекта сценариями, соответствующими реальным ситуациям в прошлом.

Результатами анализа сценариев являются динамика денежного потока и показатели эффективности при реализации сценария (см. рис. 3), проводится сопоставление показателей базового и альтернативных сценариев. При этом отмечается, насколько изменяются показатели, и то, насколько отдаляется момент окупаемости. В приведенном примере при 60-процентной загрузке объекта эффективность проекта снижается в четыре раза, период окупаемости увеличивается на четыре года. Это является существенной информацией при организации финансирования проекта.

34. «Дерево решений». Дерево принятия решений (также могут назваться деревьями классификации или регрессионными деревьями) — средство поддержки принятия решений, использующееся в статистике и анализе данных для прогнозных моделей. Цель состоит в том, чтобы создать модель, которая предсказывает значение целевой переменной на основе нескольких переменных на входе.

При анализе решений «дерево решений» используются как визуальный и аналитический инструмент поддержки принятия решений, где рассчитываются ожидаемые значения (или ожидаемая полезность) конкурирующих альтернатив.

+Достоинства метода •Прост в понимании и интерпретации. Люди способны интерпретировать результаты модели дерева принятия решений после краткого объяснения

Не требует подготовки данных. Прочие техники требуют нормализации данных, добавления фиктивных переменных, а также удаления пропущенных данных.

•Способен работать как с категориальными, так и с интервальными переменными. Прочие методы работают лишь с теми данными, где присутствует лишь один тип переменных. Например, метод отношений может быть применен только на номинальных переменных, а метод нейронных сетей только на переменных, измеренных по интервальной шкале.

•Использует модель «белого ящика». Если определенная ситуация наблюдается в модели, то её можно объяснить при помощи булевой логики. Примером «черного ящика» может быть искусственная нейронная сеть, так как результаты данной модели поддаются объяснению с трудом.

•Позволяет оценить модель при помощи статистических тестов. Это дает возможность оценить надежность модели.

Является надежным методом. Метод хорошо работает даже в том случае, если были нарушены первоначальные предположения, включенные в модель.

•Позволяет работать с большим объемом информации без специальных подготовительных процедур. Данный метод не требует специального оборудования для работы с большими базами данных.

-Недостатки метода •Проблема получения оптимального дерева решений является NP-полной с точки зрения некоторых аспектов оптимальности даже для простых задач]. Таким образом, практическое применение алгоритма деревьев решений основано на эвристических алгоритмах, таких как алгоритм «жадности», где единственно оптимальное решение выбирается локально в каждом узле. Такие алгоритмы не могут обеспечить оптимальность всего дерева в целом.

•Те, кто изучает метод дерева принятия решений, могут создавать слишком сложные конструкции, которые недостаточно полно представляют данные. Данная проблема называется переобучением.. Для того, чтобы избежать данной проблемы, необходимо использовать