Apie riziką II

Tomas S.

Praeitame įraše šnekėjau apie tai, kas yra rizika, kaip nebūtina tiksliai numatyti įvykių, bet svarbu stengtis kontroliuoti riziką. Pateikiau keletą pavyzdžių, kaip galime galvoti apie riziką ne tik finansų pasaulyje, bet ir kiekvieno iš mūsų gyvenime.

Šiandien pašnekesiu apie rizikos istoriją ir kaip ji yra pateikiama vidutiniam skaitytojui.

Aš domiuosi rizika, investavimu ir kitais dalykais, kurie vienaip ar kitaip susiję su jau minėtais. Skaitant knygas, autoriai dažniausiai apie riziką pradeda šnekėti iš lošimų perspektyvos. Atrodo, kad autoriai skiriasi, bet daugumas pavyzdžių kaip galvoti ir valdyti riziką yra peteikiama apie kauliuko metimą, ruletę ir t.t.

Bandymas suprasti riziką bei ją kontroliuoti būtent prasidėjo nuo įvairių lošėjų pamąstymų apie riziką, o tiksliau tikimybių teoriją. Būtent lošėjai arba žmonės vienaip ar kitaip susiję su lošimais prisidėjo prie tikimybių teorijos mokslo atsiradimo. Ruletės ar kauliuko metimo atvejais viskas labai paprasta: kiauliukas turi šešias sieneles, todėl tikimybė, jog viena ar kita sienelė atsivers – 1/6. Tas pats ir su ruletė, viskas labai aišku, ir riziką galima pamatuoti pasinaudojant tikimybių teorija.

Viskas labai aišku lošimuose. Tačiau su problemomis susiduriame tada, kai lošimuose pritaikyta logiką bei taisykles pradedame taikyti realiame gyvenime. Gyvenime rizika nėra apibrėžta taip, kaip lošimuose. Mes nežinome ar rytoj pieno kaina pasikeis. Iš istorinės patirties žinome, jog prieš tai ėję į parduotuvę 100 kartų, radome pieno kainą nepasikeitusią. Kokia tikimybė, kad pieno kaina bus tokia pat ryt? Mes galime spėti, jog labiau tikėtina, kad kaina bus nepasikeitusi/pasikeitusi, tačiau tikslaus tikimybės skaičiaus pateikti mes negalime. Tai vadinama nenuspėjamumu.

Taigi, lošėjams pradėjus naudoti tikimybių teoriją lošimuose, vis daugiau mokslininkų pradėjo domėtis tikimybių teorija ir jos pritaikymu (neminiu tiksliu pavardžių, o bandau paaiškinti pačius principus). Laikui bėgant, Karlas Frydrichas Gausas užsiiminėdamas astronominiais skaičiavimais pastebėj, jog jo stebimi dydžiai turi tam tikrą distribucija. Taip atsirado Gauso dydžių distribucija. Gauso dydžių distribucija teigia, jog turint istorinius duomenis, galima, naudojantis tik tų duomenų vidurkiu bei standartiniu nuokrypiu, galima žinoti ateities stebimo dydžio verčių tikimybes. Pagal Gauso distribucija, apie 60% visų galimų verčių bus tarp -+1 standartinio nuokrypio nuo vidurkio, apie 98% -+2 standartinio nuokrypio nuo vidurkio. Taigi, jeigu kažką matuojate ir darote prielaidą, jog jūsų matuojamų verčių distribucija turi Gauso distribucijos charakteristikas, galite labai tiksliai pasakyti kokia vieno ar kito įvykio tikimybė.

Žmonės mėgsta tikslumą bei nuspėjamumą, todėl priemonės, kurios padeda jiems tą tikslumą, tampa labai populiariomis. Tos priemonės tapo ypatingai populiariomis finansų rinkose.

Jūs turbūt įsivaizduojate kaip tokios priemonės „palengvina“ investuotojų darbą. Tiesiog, gauni šiektiek duomenų, pritaikai pasirinktinį vertės modelį, darai prielaida, jog to modelio vertės keičiasi pagal Gauso distribuciją, ir gali pamatuoti, kokia tikimybė, jog viena ar kita vertė pasikeis x%. Skaičiavimo darbas padarytas, tavo rizika paskaičiuota, ir tu jautiesi kaip pasaulio valdovas. Problema ta, jog finansinių instrumentų kainos netiksliai replikuoja Gauso distribuciją. Pastebėta, jog Gauso distribucija teigia, jog tokios krizės kaip 2008 išvis neturėtų įvykti (tikimybė labai labai labai maža). Tačiau, kaip rodo patirtis, didžiulės finansų krizės įvyksta, kas 5-10 metų, tai yra, Gauso, distribucija turi problemų su įvykiais, kurie nėra labai tikėtini, arba pasinaudojant Nassim Nicholas Taleb apibrėžimu – „black swans“. Taigi, Gauso distribucija galima naudotis tada, kai gyvenimas klostosi įprasta vaga: niekas neperdaug keičiasi, viskas stabilu ir gražu. Kai šis idealistinis pasaulis baigiasi, tada Gauso distribucija jums padėti nebegali. Be to, nuspėti kada šis idealistinis pasaulis pasikeis į neprognozuojamą pasaulį, mes negalime, nes tokių įrankių neturime. Investuotojai, kurie remiasi Gauso distribucija, privalo tikėti, jog rytojus bus toks pat kaip ir šiandien. Iš patirties žinome, jog taip gyvenime ištikrųjų nėra.

Labai daug finansinės teorijos ir finansinių modelių naudoja Gauso distribucija, todėl galite įsivaizduoti kokio tikslumo yra šitie finansiniai modeliai, ir kokia finansinės teorijos vertė.

Jeigu negalime naudotis Gauso distribucijos teorija, kuo turėtume naudotis?

Prancūzų matematikas Benoit Mandelbrot siūlo pasinaudoti fraktaline distribucija. Benoit Mandelbrot yra vienas iš fraktalinės geometrijos pradininkų (apie fraktalinę geometriją šitame įraše nešnekesiu, pats ruošiuosi į ją gilintis ateityje). Mandelbrot pasiūlė duomenų distribucija, kuri suteikia didesnę tikimybę atsitikti įvykiams, kurių tikimybė yra labai maža, naudojant Gauso distribucija. Kaip parodo Mandelbrot finansinių instrumentų kainų tyrinėjimai, jo distribucija apibrėžia kainų pokyčius tiksliau nei Gauso distribucija.

Reziumuojant, knygose, mokyklose ir universitetuose dažniausiai apie riziką yra šnekama iš lošimų perspektyvos. Tačiau, gyvenime rizikos pamatuoti taip kaip lošimuose mes negalime. Problema ta, jog daugelis finansinių modelių naudoja prielaidas, kurios naudojamos lošimuose arba pasaulyje, kuriame neatsitinka nieko neįprasto. Kaip rodo patirtis, naudojant tokias prielaidas, daugelis būna pagauti nepasiruošę, ir tai kainuoja daug ne tik investuotojams, bet ir paprastiems mokesčių mokėtojams, kurie su finansinėmis rinkomis neturi nieko bendra.

P.S. kaip minėjau pateikiu sąrašą knygų eiliškumo tvarka, kurios jums padės įsigilinti į rizikos istoriją bei suprasti techninius rizikos aspektus:

  1. „Against the Gods“ – Peter L. Bernstein
  2. „Fooled by Randomness“ – Nassim Nicholas Taleb
  3. „The Black Swan“ – Nassim Nicholas Taleb
  4. „The Misbehavior of Markets“ – Benoit Mandelbrot

Gero skaitymo!

Tomas

#distribucija #finansiniai instrumentai #Gauss #kainos #Mandelbrot #Rizika #standartinis nuokrypis #vidurkis

Skaityti toliau

Skaitytojų komentarai