- •4 Практические примеры имитационного моделирования
- •4.1 Имитационное моделирование инвестиционных рисков
- •4.1.1 Методы и технологии количественного анализа рисков в инвестиционном проектировании
- •4.1.2 Статистические критерии риска
- •4.1.3 Методы количественного анализа рисков инвестиционных проектов
- •4.1.4 Технология имитационного моделирования инвестиционных рисков
- •4.1.4.1 Имитационное моделирование с применением функций excel
- •4.1.4.2 Имитация с инструментом «Генератор случайных чисел»
- •4.1.4.3 Статистический анализ результатов имитации
4.1.2 Статистические критерии риска
Вероятность p события A — отношение числа K случаев благоприятных исходов, к общему числу всех возможных исходов М
Вероятность наступления события может быть определена объективным или субъективным методом.
Объективный метод определения вероятности основан на вычислении частоты, с которой происходит данное событие. Например, вероятность выпадения «орла» или «решки» при подбрасывании идеальной монеты — 0,5.
Субъективный метод основан на использовании субъективных критериев (суждение оценивающего, его личный опыт, оценка эксперта) и вероятность события в этом случае может быть разной, будучи оцененной разными экспертами.
В связи с этими различиями в подходах необходимо отметить несколько особенностей. Во-первых, объективные вероятности имеют мало общего с инвестиционными решениями, которые нельзя повторять много раз, тогда как вероятность выпадения «орла» или «решки» равна 0,5 при значительном количестве подбрасываний, а например при 6 подбрасываниях может выпасть 5 «орлов» и 1 «решка». Во-вторых, одни люди склонны переоценивать вероятность наступления неблагоприятных событий и недооценивать вероятность наступления положительных событий, другие наоборот, т.е. по разному реагируют на одну и ту же вероятность (когнитивная психология называет это эффектом контекста). Однако, несмотря на эти и другие нюансы, считается, что субъективная вероятность обладает теми же математическими свойствами, что и объективная.
Размах вариации (R) — разница между максимальным и минимальным значением фактора
R=Xmax–Xmin.
Этот показатель дает очень грубую оценку риску, т.к. он является абсолютным показателем и зависит только от крайних значений ряда.
Математическое ожидание — число, вокруг которого сосредоточены значения случайной величины. Математическое ожидание случайной величины обозначается M . Математическое ожидание дискретной случайной величины , имеющей распределение
x1 |
x2 |
… |
xn |
p1 |
p2 |
… |
pn |
называется величина
,
если число значений случайной величины конечно. Если число значений случайной величины счетно, то
.
При этом, если ряд в правой части равенства расходится, то говорят, что случайная величина не имеет математического ожидания.
Математическое ожидание непрерывной случайной величины с плотностью вероятностей p (x) вычисляется по формуле
.
При этом, если интеграл в правой части равенства расходится, то говорят, что случайная величина не имеет математического ожидания.
Основные свойства математического ожидания:
-
математическое ожидание константы равно этой константе, Mc=c ;
-
математическое ожидание — линейный функционал на пространстве случайных величин, т.е. для любых двух случайных величин , и произвольных постоянных a и b справедливо: M(a+b)=aM()+bM();
-
математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий, т.е. M()=M()M().
Дисперсия случайной величины характеризует меру разброса случайной величины около ее математического ожидания. Если случайная величина имеет математическое ожидание M, то дисперсией случайной величины называется величина D=M(–M )2 — математическое ожидание квадрата отклонения значения величины от ее математического ожидания. Легко показать, что D=M(–M )2=M2–M()2. Эта универсальная формула одинаково хорошо применима как для дискретных случайных величин, так и для непрерывных. Величина M2 для дискретных и непрерывных случайных величин соответственно вычисляется по формулам
и .
Для определения меры разброса значений случайной величины часто используется среднеквадратичное отклонение , связанное с дисперсией соотношением
.
Основные свойства дисперсии:
-
дисперсия любой случайной величины неотрицательна, D0;
-
дисперсия константы равна нулю, Dc=0;
-
для произвольной константы D(c)=c2D();
-
дисперсия суммы двух независимых случайных величин равна сумме их дисперсий: D)=D()+D().
Использование дисперсии как меры риска не всегда удобно, т.к. размерность ее равна квадрату единицы измерения случайной величины.
На практике результаты анализа более наглядны, если показатель разброса случайной величины выражен в тех же единицах измерения, что и сама случайная величина. Для этих целей используют .
Все вышеперечисленные показатели обладают одним общим недостатком — это абсолютные показатели, значения которых предопределяют абсолютные значения исходного фактора. Гораздо удобнее использовать коэффициент вариации (V):
V=/M.
Определение V особенно наглядно для случаев, когда средние величины случайного события существенно различаются.
В отношении оценки риска финансовых активов необходимо сделать три замечания.
-
При сравнительном анализе финансовых активов в качестве базисного показателя следует брать рентабельность, т.к. значение дохода в абсолютной форме может существенно варьировать.
-
Основными показателями риска на рынке капиталов являются дисперсия и среднее квадратическое отклонение. Поскольку в качестве базиса для расчета этих показателей берется доходность (рентабельность), критерий относительный и сопоставимый для различных видов активов, нет острой нужды в расчете коэффициента вариации.
-
Иногда в литературе вышеприведенные формулы даются без учёта взвешивания на вероятности. В таком виде они пригодны лишь для ретроспективного анализа.