مدیریت ریسک در مدلسازی مالی

مدل های مالی به طور گسترده توسط شرکت ها مورد استفاده قرار گرفت، حتی در سال 2008. با این حال، شدت سقوط 2008 موسسات مالی را مجبور کرد تا در رویکرد خود نسبت به مدل سازی تجدید نظر کنند. بسیاری از مفروضات که در یک مدل مالی تعبیه شده بودند، تغییر کردند تا درس های آموخته شده در رکود بزرگ را دریافت کنند. یکی از این درس‌ها در مورد مدیریت ریسک بود. پس از فروپاشی سال 2008 و تمام زیان‌های مالی ناشی از آن، مدل‌سازی ریسک به یک بخش اساسی از هر مدل مالی تبدیل شد.

در این مقاله، جزئیات مربوط به اهمیت مدیریت ریسک از دیدگاه یک مدل ساز مالی را درک خواهیم کرد:

مدل‌ساز مالی چگونه ریسک‌ها را تعریف می‌کند؟

در اصطلاح عام، ریسک به عنوان احتمال از دست دادن یا آسیب از هر نوع تعریف می شود. با این حال، از نظر مالی، ریسک به عنوان انحراف از میانگین تعریف می شود. از این رو، مدیریت ریسک همه چیز در مورد درک روابط بین نتایج احتمالی یک رویداد است. کل تمرین بر شناسایی احتمال وقوع یک رویداد منفی خاص در آینده متمرکز است. هنگامی که احتمال مشخص شد، تأثیر رویداد نیز برای رسیدن به یک تصمیم در نظر گرفته می شود.

به بیان ساده، مدل‌سازان مالی ریسک را به عنوان احتمال وقوع یک رویداد تعریف می‌کنند و آن را با تأثیر رویداد ضرب می‌کنند.

ریسک = احتمال * تاثیر پولی

در بیشتر موارد، احتمال و تأثیر رابطه معکوس دارند. این بدان معنی است که حوادثی که احتمال وقوع آنها زیاد است، عموماً تأثیر کمی دارند و به راحتی قابل کاهش هستند. اینها رویدادهایی هستند که اکثر شرکت ها برای آنها برنامه های کاهشی آماده خواهند داشت. از دیدگاه یک مدل ساز مالی، شناسایی و شبیه سازی این رویدادها برای ایجاد پاسخی که کمترین خسارت مالی را به همراه داشته باشد، آسان است.

از طرفی اتفاقاتی هم هست که احتمال وقوع آنها بسیار کم است. با این حال، اگر این رویدادها اتفاق بیفتد، ضرر بسیار زیادی خواهد بود و حتی وجود یک تجارت را به خطر می اندازد. پس از وقایع سال 2008، این رویدادها بر اساس کتاب «قوی سیاه» اثر نیکلاس نسیم طالب به عنوان رویداد «قوی سیاه» شناخته شد. قبل از سال 2008، این ریسک ها به ندرت در مدل های مالی گنجانده می شدند. با این حال، پس از سال 2008، تقریباً هر شرکتی برخی از رویدادهای قو سیاه را در نظر می گیرد و در صورت وقوع، برنامه های اساسی برای کاهش این رویدادها ایجاد می کند.

رویکردهای رایج برای مدل‌سازی ریسک

ریسک اغلب به معنای عدم قطعیت است. این بدان معناست که ریسک‌ها موقعیت‌های مختلفی را نشان می‌دهند که ممکن است کسب‌وکار قبلاً هرگز آن‌ها را ندیده باشد. در نتیجه، رویکردهای متفاوتی برای مدل‌سازی انواع ریسک‌ها باید اتخاذ شود. برخی از این رویکردها در زیر نوشته شده است.

1. مدل‌سازی ریسک آماری: مدل‌سازی ریسک آماری نوعی رویکرد است که می‌تواند حتی زمانی که علل زمینه‌ای خطر شناخته نشده باشد، مورد استفاده قرار گیرد. به عنوان مثال، شرکت ها دلایل دقیقی را می دانند که منجر به افزایش قیمت کالاها می شود. واقعیت این است که افزایش یا کاهش قیمت کالاها ناشی از عوامل بسیاری است که ممکن است آنقدر پیچیده باشد که در قالب یک رابطه علت و معلولی بیان شود. 

   با این حال، اگر شرکت تجزیه و تحلیل آماری انجام دهد، ممکن است بتواند همبستگی بین افزایش قیمت کالاها و سایر متغیرها را پیدا کند. این همبستگی ها می توانند به عنوان جانشین های نزدیک عمل کنند زیرا روابط علّی دقیق ناشناخته است. سپس متغیرهای شاخص را می توان به عنوان یک شاخص پیشرو در مدل سازی ریسک در نظر گرفت. مدل‌سازی ریسک آماری ستون فقرات تحلیل سناریو است. این به این دلیل است که یک سناریو چیزی جز گروهی از ورودی ها نیست. مدل‌سازی ریسک آماری برای یافتن ترکیب‌هایی که این ورودی‌ها در آن یافت می‌شوند، حیاتی است.

    

2. مدل‌سازی ریسک ریاضی: موارد زیادی وجود دارد که مدل‌ساز مالی از رابطه علت و معلولی کاملاً آگاه است، که باعث ایجاد ریسک می‌شود. در چنین مواردی، مدلسازی آماری دقیق ضروری نیست. در چنین مواردی، انتظار می‌رود که مدل‌سازان مالی یک مدل فرعی کوچک‌تر ایجاد کنند، که در آن ریسک خاص مورد نظر می‌تواند مدل‌سازی شود. سپس خروجی آن مدل فرعی باید به عنوان ورودی در مدل مالی اصلی پر شود. مشکل اینجاست که در اینجا وظیفه مدل ساز ایجاد فرمول هایی است که واقعیت را تقلید می کنند. از این رو، مدل ها فقط به خوبی مدل ساز مالی خواهند بود که آن را ایجاد می کند! 

    

3. مدل‌سازی ریسک محاسباتی: زمینه مطالعاتی نسبتا جدیدی به نام مدل‌سازی ریسک محاسباتی وجود دارد که از قدرت رایانه‌ها برای ایجاد میلیون‌ها سناریو در نانوثانیه استفاده می‌کند و اطلاعاتی در مورد ورودی‌های مختلف ارائه می‌دهد. بیایید این را با کمک یک مثال درک کنیم. 

   اجازه دهید فرض کنیم که یک پیتزا باید پخته شود که در آن 20 ماده مختلف استفاده شده است. حال، اگر نانوا بخواهد بفهمد که هر یک از مواد چه کاری انجام می‌دهند، راه ایده‌آل برای انجام این کار این است که هر بار یکی از مواد را کنار بگذارد و تأثیر آن را روی طعم پیتزا ثبت کند. از این رو، در مجموع 20 کیک باید فقط برای به دست آوردن برخی اطلاعات اولیه پخته شود. به طور مشابه، نانوا می تواند هر دو ماده را در یک زمان تغییر دهد و آزمایشی را انجام دهد. این بار در مجموع 190 کیک باید پخته می شد! به طور مشابه، 1100 کیک باید پخته شود، اگر چهار ماده به طور همزمان متفاوت باشد. همانطور که می بینیم، ورودی های مختلف اطلاعاتی را در اختیار ما قرار می دهد. با این حال، ثابت می کند که زمان بر و گران است که آن را غیرممکن می کند. اینجاست که مدل‌های محاسباتی به تصویر کشیده می‌شوند. آن‌ها به استفاده از رایانه‌ها برای ایجاد میلیون‌ها سناریو، جمع‌آوری نقاط داده از هر سناریو، تجزیه و تحلیل آن‌ها با استفاده از تکنیک‌های کلان داده و ارائه اطلاعات کاربردی به کاربر اجازه می‌دهند. از آنجایی که مدل‌سازان مالی از قبل ابزارهای مورد نیاز برای تجزیه و تحلیل حجم زیادی از داده‌ها را دارند، این روش توسط آنها ترجیح داده می‌شود.