Разработанное решение – это комплекс взаимосвязанных программных модулей, функционирующих на единой платформе и базе данных, позволяющий решать задачи разнообразного спектра от оценки финансового состояния контрагентов до управления рисками во всех их формах, включая расчет лимитов, их плановые (целевые) сигнальные значения, определение размера имеющегося и необходимого капитала, показатели его достаточности и иные показатели склонности к риску.

В ПК «РИСКФИН. Prof» вошло все самое лучшее, востребованное, полезное, из опыта, компетенции и практики специалистов и экспертов компании «РИСКФИН», экономящее силы и время риск-менеджеров, аналитиков в виде заранее подготовленного набора методических наработок и программных настроек



VaR vs. War

Фаррахов И.Т., ООО «РИСКФИН», Заместитель генерального директора по развитию

Вариант статьи, подготовленной автором (авторами) для прессы, опубликован в журнале
"Банки и технологии" №4, 2009.


Введение

Применение количественных методов анализа риска, в частности методологии VaR, в основном связаны с проблемами вероятностного прогнозирования будущих возможных изменений факторов риска, в том числе и с проблемами определения доверительных границ этих изменений. На практике было установлено, что реальные распределения будущих изменений факторов риска (обычно логарифмических темпов роста) значительно отличаются от теоретических, в частности у них наблюдается появление “тяжелых хвостов”, параметры которых трудно оценить существующими методами.

В своем ответе Филиппу Джориону “Against VaR” Насим Талеб пишет: ”Факт того, что точность измерения риска (волатильность) сама по себе волатильна и непредсказуема, является достаточной причиной для того, чтобы отговорить нас от применения такой количественной оценки риска. Я принял бы VaR, если бы волатильность можно было легко предсказать с минимальной стандартной ошибкой”.

Решение проблемы корректного прогнозирования волатильности привело к появлению достаточно большого класса моделей условной авторегрессионной гетероскедастичной волатильности (ARCH) и моделей обобщенной условной авторегрессионной гетероскедастичной волатильности (GARCH). И хотя эти модели временами показывают приемлемую точность прогноза, они так до конца и не объясняют всех произошедших изменений волатильности.

В данной статье описывается новый подход к решению проблемы повышения точности прогнозирования волатильности. Разработанная автором модель RF-GARCH(p,q,α) хотя и является модификацией модели класса GARCH, но в отличие от них она целиком основана на отрицании гипотезы о слабой эффективности рынка. Её отличительной особенностью является использование различных моделей прогнозирования, а также учет эффекта сноса значений факторов риска к модельному тренду (mean reversion).