Способы оценки рисков

состояния Кривая

0,5 риска

0,25

I.

II.

III.

IV.

V.

Еа Ес Ет Ен 0 Г1 В1 Б1 А1

Области финансового состояния Возможные потери в областях риска

Рис. 2. Построение кривой риска и финансового состояния фирмы в зависимости от возможных потерь и степени устойчивости финансов.

Лемма Маркова гласит [14]: если случайная величина Х не принимает отрицательных значений, то для любого положительного числа α справедливо следующее неравенство:

Р (Х > α) ≤ М (х) / α, (13)

где М (х) – математическое ожидание, то есть среднее значение случайной величины;

Х – любая случайная величина.

Неравенство Чебышева имеет вид:

Р(|х - х| > ε) ≤ σ²/ε². (14)

Оно позволяет находить верхнюю границу вероятности того, что случайная величина Х отклонится в обе стороны от своего среднего значения на величину больше ε.

Эта вероятность равна или меньше (как максимум равна, не больше), чем σ²/ε², где σ² - дисперсия, исчисляемая по формуле:

σ² = Σ (х – х)² / n. (15)

Если нас интересует вероятность отклонения только в одну сторону, например, в большую, то вышеприведенное неравенство Чебышева надо было бы записать так:

Р ((х – х) > ε) ≤ σ² / (ε²*2). (16)

Неравенство Чебышева дает значение вероятности отличное от значения, полученного решая лемму Маркова. Это объясняется тем, что неравенство Чебышева кроме среднего уровня показателей учитывает и еще его колеблемость.

Лемма Маркова и неравенство Чебышева пригодны для употребления при любом количестве наблюдений и любом законе распределения вероятностей. Это является их большим достоинством. Платой за отсутствие жестких ограничений является некоторая неопределенность оценок уровня вероятности, причем при использовании леммы Маркова она значительно больше, чем при применении неравенства Чебышева.

Перечисленные методы количественного анализа решений не соответствуют требованиям обеспечения необходимой в точности и надежности оценок эффективности и степени риска стратегий для производственных систем.

Наиболее точная оценка эффективности и риска может быть получена при известном распределении вероятности случайных параметров внешней среды и производственной системы. Распределение можно получить на основании статистических данных о функционировании производственной системы и состоянии внешней среды в предыдущие временные периоды. Если предприятие не располагает такой статистикой или она недостаточна для надежной оценки параметров распределения исследуемых показателей, то целесообразно использовать метод Монте-Карло [3].

Схема использования метода Монте-Карло в количественном анализе эффективности и рисков включает в себя построение математической модели выходного показателя функционирования системы как функции входных переменных и параметров системы. Основная логика процедуры построения модели заключается в определении включаемых в модель входных и выходных переменных, установлении границ диапазона изменения риск – переменных (факторов риска), в выборе вида закона распределения, которому подчиняются случайные входные переменные, и оценке его числовых характеристик, определении взаимосвязи (функциональной и вероятностной зависимости между переменными).

Математическая модель системы имеет вид:

y = f(x, a), (17)

где y- выходной показатель функционирования системы;

f – функция, устанавливающая связь между выходным показателем и входными переменными через параметры системы;

x = (x1,…,xn) – n-мерный вектор риск – переменных (случайных величин);

a = (a1,…,am) – m-мерный вектор параметров системы (детерминированных величин).

Далее математическая модель пересчитывается при каждом новом имитационном эксперименте, в рамках которого значения случайных переменных выбираются на основе генерации псевдослучайных чисел, подчиненных заданным законам распределения вероятностей. Результаты всех имитационных экспериментов объединяются в выборку и анализируются с помощью статистических методов с целью получения распределения вероятностей выходного показателя и расчета основных показателей (измерителей) риска стратегии. Реализуемый при применении метода Монте-Карло комплексный подход к оценке риска заключается в том, что для аналитика представляется возможным анализировать различные измерители риска: распределение вероятностей, оценки математического ожидания, среднеквадратического отклонения и коэффициента вариации, вероятности попадания значения выходного показателя в заданный интервал.