Что относится к компонентам модельного риска
Риск неадекватности модели (модельный риск)
Основанием для такой классификации служит то, что риск неадекватности модели, как и все операционные риски, – это нежелательный фактор, на первый взгляд не являющийся неизбежной платой за получаемую доходность. Именно поэтому целью риск-менеджмента в отношении модельного риска будет не оптимизация (как в случае рыночного и кредитного риска), а минимизация (в идеале – до нуля).
Насколько значим модельный риск и возможно ли в принципе его полностью устранить? Ответ на этот вопрос зависит от того, в какой мере организация полагается в своей деятельности на результаты математического моделирования. При работе на финансовых рынках большая опасность исходит со стороны некорректных моделей, используемых для определения справедливой стоимости (marking to model) и хеджирования сложными производными инструментами (такими, как опционы), нежели от моделей, применяемых для оценки рисков и расчета достаточности капитала. Хотя потери вследствие модельного риска могут достигать весьма больших величин.
При всей важности, которая придается математическому моделированию в сфере современных финансов, следует помнить, что модели являются всего лишь средством интерполяции, позволяющим рассчитывать ненаблюдаемые цены на основе известных рыночных цен. Общепризнанный успех теории ценообразования опционов, по мнению Дермана, как раз и обусловлен тем, что она представляет собой искусную интерполяцию, дающую возможность представить нелинейные колебания цен опционов через более простые линейные изменения волатильностей и вероятностей.
Само представление опциона как взвешенной по вероятности комбинации более простых ценных бумаг – акций и облигаций, в которой вероятности зависят от волатильностей, обусловливает статистическую достоверность модели Блэка-Шоулза-Мер-тона в прогнозировании не абсолютных, а относительных цен, хотя немногие из лежащих в ее основе допущений выполняются на реальных рынках. Именно через эту призму следует смотреть на рекомендации практиков «не воспринимать модели слишком серьезно».
В конечном счете модели являются не чем иным, как инструментом предсказания будущего. В XX в. одним из важных достижений философии науки стало понимание того, что не существует априорных правил, которые позволили бы предсказывать будущее наилучшим образом. Наука в своем развитии не может опираться на свод установленных предписаний относительно применяемых методов исследования, а должна быть открытой для учета как можно большего числа обоснованных точек зрения и критики в отношении теорий и моделей, прогнозы которых не подтверждаются на практике.
В этом смысле участники финансовых рынков должны стремиться к максимальной свободе в построении и апробации новых моделей, учитывающих как можно больший объем информации о будущем в форме интуитивных, эвристических представлений их создателей. Свобода инноваций (методов расчета, торговых стратегий) должна быть обязательно дополнена жесткой системой проверки новых моделей на адекватность в условиях реального рынка (общих для всех схемы тестирования и правил расчета финансового результата), что в совокупности образует механизм «естественного отбора» наиболее эффективных моделей.
Модельный риск стал осознаваться участниками международных финансовых рынков как самостоятельная угроза лишь недавно, однако его актуальность постоянно повышается с усложнением структуры производных финансовых инструментов и методов оценки их стоимости.
В последние годы риску неадекватности модели уделяется все большее внимание со стороны как банков и инвестиционных компаний, так и регулирующих органов и научного сообщества, подтверждением чему может служить выход в свет первой книги, целиком посвященной модельному риску и способам его снижения.
Термином «модельный риск» (model risk) обозначают возможность потерь вследствие использования неадекватных математических моделей для прогнозирования финансовых рынков, определения стоимости финансовых инструментов и оценки связанных с ними рисков. Неадекватность модели является относительным (во времени и пространстве) понятием, при этом она может быть вызвана как объективными причинами (нереалистичными посылками в основе применяемых методов или качественными изменениями состояния моделируемого рынка, еще не отраженными в модели), так и субъективными факторами (например, попытками применить модель, разработанную для конкретного инструмента или рынка, к оценке риска операций на другом рынке).
Примерами риска неадекватности модели могут служить потери вследствие неэффективной стратегии хеджирования опционами, основанной на неверно рассчитанных показателях дельта, гамма и др., или такое экзотическое явление, как модельный арбитраж (model arbitrage), когда один участник рынка, узнав о слабых местах в модели контрагента, используемой для ценообразования (обычно от его бывших сотрудников), вырабатывает торговую стратегию для извлечения арбитражной прибыли за счет «игры» на недостатках модели конкурента.
Иногда модельный арбитраж может представлять угрозу не только для какого-либо одного участника рынка, но и для рынка в целом. Так, распространено мнение, что автоматические системы индексного арбитража, широко использовавшиеся для страхования портфелей акций, во многом повинны в произошедшем 19 октября 1987 г. крахе фондового рынка в США.
Существуют разные подходы к выделению источников модельного риска. Так, Круи, Галай и Марк приводят следующую классификацию причин, обусловливающих неадекватность модели:
Аллен предлагает более простую классификацию источников модельного риска из трех основных видов:
Ввиду разнообразия существующих моделей ценообразования и оценки риска, основанных на различных математических методах и используемых для оценки разных по своей природе рисков, едва ли возможно привести исчерпывающий перечень потенциальных источников модельного риска.
Тем не менее следует выделить некоторые наиболее часто встречающиеся причины как объективного, так и субъективного характера, приводящие к возникновению модельного риска, в первую очередь при оценке рыночного риска с помощью показателя VaR.
Эффективное управление модельным риском
Достигните своих целей при помощи управления модельным риском с четким определением границ ответственности и строгим контролем
Влияние на бизнес
«SAS был признан лидером категории Model Risk Governance Solutions в 2019 году», — Chartis Research
Глобальный вопрос
Качественное управление модельным риском является важной задачей для финансовых институтов. Например, банки вовлеченные в такие комплексные программы как МСФО9/CECL, стресс- тестирование, ВПОДК, а также новые нормативные требования Solvency II, Basel III и Basel IV, особенно нуждаются во всесторонних проверках своих моделей. Эффективное управление модельными рисками так же важно для защиты своих моделей перед акционерами и соблюдения нормативных требований регулирующих и надзорных органов.
Кроме того, не смотря на то, что техники машинного обучения позволяют автоматически улучшаться моделям на основе новых данных, это также увеличивает модельный риск. Это связано с их динамичным характером, поэтому они нуждаются в более частом и пристальном мониторинге производительности, постоянном контроле данных и бенчмаркинге и хорошо продуманных и готовых планов действий на случай чрезвычайных ситуаций.
Последствия для банка могут быть катастрофичными. Сейчас как никогда важно четко контролировать ваши модели на каждом этапе их жизненного цикла, чтобы вы могли с уверенностью отчитываться перед высшим руководством и регулирующими органами. Вам также необходимо легко определить модели, которые имеют стратегически важное значение для вашего бизнеса, и применять подходы снижения уровня модельного риска и сокращения затрат от внедрения и использования.
Наше предложение
С помощью решения SAS, вы сможете понимать и контролировать модельный риск, создав единую систему для управления всеми моделями и их жизненным циклом в вашей организации. Вы сможете контролировать уровень модельного риска, следить за документацией моделей, валидировать и быстро проходить аудит ваших моделей. Наше программное обеспечение поможет вам в следующем:
Особенности SAS
С помощью инструмента SAS вы сможете контролировать уровень модельного риска в рамках всего жизненного цикла модели.
Управление жизненным циклом. Решение SAS обеспечивает управление и контроль моделей, документации и уровня модельного риска на каждом этапе ее жизненного цикла, независимо от типа модели и технологии, при помощи которой она была разработана.
Автоматизация мониторинга моделей. При помощи инструментов настройки пороговых значений для моделей и автоматического запуска тестов мониторинга, вы будете всегда знать, когда изменилось качество ваших моделей.
Отслеживание взаимосвязей между моделями. При помощи инструмента диаграммы связей между моделями, вы сможете увидеть полную картину того, как и какое влияние оказывают другие модели друг на друга.
Сбор данных об использовании моделей. Регистрация данных об использовании моделей подготовит надежную базу для предоставления информации аудиторам и регуляторам.
Настройка рабочих процессов. Гибкий инструмент для настройки рабочих процессов позволит адаптировать решение под ваш актуальный бизнес-процесс согласования или, например, настроить жизненный цикл моделей в зависимости от бизнес-линии.
Ведение документации по моделям. При помощи решения SAS вы упростите процесс ведения документации, сможете концентрировать свое внимание на моделях, в зависимости от выбранной бизнес-линии, версии, типа и другим индивидуальным вам факторам.
Настройка и предоставление отчетности. Гибко настраивайте отчеты и распространяйте их между всеми заинтересованными лицами.
Глобальный финансовый институт
Описание проблемы
В одном зарубежном финансовом учреждении руководитель департамента по оценке модельных рисков (CMRO) хотел добиться эффективного управления: сокращение временных и финансовых затрат на управление моделями. Контроль и поддержка информации на протяжении всего жизненного цикла модели стали более трудоемкими и отнимающими много времени. Повседневные операции – от создания индикаторов риска для руководства и ответа на запросы от регулирующих органов до проведения аудита на соответствие требований, стали непосильными задачами для финансового учреждения. Кроме того, запросы на построение моделей для каждой бизнес-задачи значительно увеличивали рабочие нагрузки.
Решение
Используя решение SAS Model Risk Management был построен единый репозиторий моделей, который упростил идентификацию моделей и повысил понимание уровня модельного риска для всей организации. Теперь управление модельными рисками централизовано. В единой системе сведена вся необходимая информация о разработке, тестировании и проверках моделей.
Результаты
Спустя три месяца после внедрения решения SAS финансовое учреждение достигло:
Сокращения времени на управление моделями.
Лучшего использования ресурсов аналитического персонала.
Упрощения соблюдения регуляторных требований
Снабдить руководителей гибкими отчетами с информацией об агрегированном уровне модельного риска для всего финансового учреждения.
Инвентаризация и Управление Всеми Моделями
Что, если бы вы могли вести централизованный реестр и управлять всеми моделями в нем независимо от типа, бизнес-подразделения или технологии, которая была использована для разработки?
Поддержка Процесса Управления
Что, если вы могли упростить процесс валидации моделей и процедур проверок в соответствии с установленными надзорными требованиями по управлению модельным риском?
Определение Количественных Моделей
Что, если бы вы могли установить процесс систематической оценки, подходят ли потенциальные претенденты под принятое определение количественной модели?
Факты о SAS
В рамках оценки, которая проводилась в 2017 году независимым рейтинговым агентством Chartis Research, SAS занял лидирующую позиции в категории «Enterprise GRC Solutions» со своим продуктом SAS Model Risk Management.
В ноябре 2019 года SAS вновь стал лидером в категории “Model Risk Governance Solutions” рейтинга RiskTech100 по оценкам независимого агентства Chartis Research.
Более чем 90 из 100 глобальных банков используют SAS.
Модель риска
Опубликовано 14.07.2021 · Обновлено 14.07.2021
Что такое Модель риска?
Риск модели – это тип риска, который возникает, когда финансовая модель используется для измерения количественной информации, такой как рыночные риски фирмы или стоимость транзакций, а модель не работает или работает неадекватно и приводит к неблагоприятным результатам для фирмы.
Модель – это система, количественный метод или подход, основанный на допущениях и экономических, статистических, математических или финансовых теориях и методах. Модель обрабатывает входные данные для получения выходных данных с количественной оценкой.
Ключевые моменты
Понимание модельного риска
Что вам говорит концепция модельного риска?
Некоторые компании, такие как банки, нанимают модельного сотрудника по рискам для разработки программы управления рисками финансовой модели, направленной на снижение вероятности финансовых потерь банка из-за проблем с модельным риском. Компоненты программы включают создание модели управления и политик. Это также включает распределение ролей и обязанностей между людьми, которые будут разрабатывать, тестировать, внедрять и управлять финансовыми моделями на постоянной основе.
Примеры модельного риска в реальном мире
Долгосрочное управление капиталом
Long-Term Capital Management (LTCM) Разгром в 1998 году был связан с моделью риски.В этом случае небольшая ошибка в компьютерных моделях фирмы была увеличена на несколько порядков из-за торговой стратегии LTCMс высокой долей заемных средств.1
На пике своего развития хедж-фонд управлял активами на сумму более 100 миллиардов долларов и сообщал о годовой доходности более 40%. Как известно, основными акционерами LTCM были два лауреата Нобелевской премии по экономике, но фирма рухнула из-за своей финансовой модели, которая потерпела неудачу в этой конкретной рыночной среде.
JPMorgan Chase
Почти 15 лет спустя компания JPMorgan Chase (JPM) понесла огромные торговые убытки из-замодели стоимости под риском (VaR), содержащей ошибки в формулах и операционные ошибки.Риск-менеджеры используют модели VaR для оценки будущих убытков, которые потенциально может понести портфель.В 2012 году объявленная генеральным директором Джейми Даймоном «буря в чайнике» обернулась убытком в размере 6,2 миллиарда долларов в результате неудачных сделок по его синтетическому кредитному портфелю (SCP).2
Трейдер открыл крупные позиции по деривативам, которые были отмечены моделью VaR, существовавшей в то время. В ответ главный инвестиционный директор банка внес изменения в модель VaR, но из-за ошибки таблицы в модели торговые убытки могли накапливаться без предупреждающих сигналов от модели.
Финансовая сфера
Практические аспекты управления модельным риском в банках
В настоящий момент на рынке нет устоявшихся практик управления модельным риском. В то же время модельный риск становится все более актуальным для банков. Поэтому, чтобы оценить уровень модельного риска и принять меры по его минимизации, банку нужно выстроить единую систему управления модельным риском
FRM, старший консультант zeb
Модели стали неотъемлемой частью банковского бизнеса
В последнее время все больше процессов в банке используют модели. Существенно выросла сложность используемых методов и алгоритмов. Теперь и сами банки, и регуляторы уделяют модельному риску больше внимания.
Используя в работе модели, банки должны учитывать следующие особенности:
Эти, а также многие другие факторы могут ограничивать потенциал применения моделей. В то же время их использование обеспечивает ряд преимуществ с точки зрения эффективности банковской деятельности: позволяет упростить порядок расчета, получить более быстрый и/или точный результат. И если несколько лет назад модели активно применялись в основном для управления рисками, то сейчас сфера применения стала намного шире и распространилась на все сферы банковского бизнеса.
Модели быстро перестают быть актуальными, особенно во время кризиса
В 2016 году Европейский центральный банк (ЕЦБ) запустил программу Targeted review of internal models (TRIM), в рамках которой определил понятие «модель», причины возникновения модельного риска и форматы его проявления.
— дизайн модели (качество и источники данных, используемые предпосылки);
— использование модели (соответствие модели и бизнес-задачи, интерпретация результатов, внесение изменений в модель).
— события модельного риска (входят в оценку операционного риска и в его составе покрываются капиталом);
— неопределенность, присущая моделям (может покрываться мерами консерватизма, например независимым аудитом моделей или бэк-тестированием).
Таким образом, модельный риск — это риск потерь, которые могут возникнуть в результате ошибочных решений, основанных на результатах моделей в случае сбоев в разработке, внедрении и использовании моделей.
Полностью избежать модельного риска нельзя, поскольку он обусловлен природой моделей (механизм возникновения описан на рис. 1).
Сложность управления модельным риском заключается в следующем: наблюдение за моделями проводится не на постоянной основе. Поскольку проверять корректность работы моделей непрерывно невозможно, ошибки моделей могут быть пропущены или обнаружены с опозданием. Чем активнее меняются внешние и внутренние условия, тем чаще ошибки возникают, поэтому управление модельным риском становится более актуальным в кризисы.
Регуляторы рекомендуют 2 банкам иметь единую систему управления модельным риском (Model Risk Management System, далее — система MRM), которая может не только отслеживать поведение моделей, включая случаи ошибок, но и заранее предупреждать о возможном наступлении событий модельного риска. Чтобы эффективно работать, система MRM должна охватывать следующие аспекты: методологию, организацию и процедуры управления модельным риском, процессы жизненного цикла моделей и управления модельным риском, отчетность, а также документирование объектов и событий в рамках MRM (представлены на рис. 2).
В основе системы управления модельным риском лежит модельный ландшафт
Для того чтобы система управления модельным риском работала эффективно, в первую очередь нужно собрать полную информацию об имеющихся у банка моделях. Для этого необходимо зафиксировать определение модели, после чего собрать данные обо всех используемых банком количественных методах.
Такая инвентаризация модельного ландшафта позволит в том числе:
Кроме того, необходимо обобщить сведения об имеющихся требованиях и практиках по управлению модельным риском (включая требования в рамках управления операционным риском): например, как часто нужно проводить валидацию разных моделей, кто может пользоваться определенными моделями и так далее.
Иначе говоря, для каждой модели необходимо собрать полную информацию (примерный состав необходимой информации представлен на рис. 3).
После того как вся информация собрана, важно организовать ее хранение и обновление. Техническое решение должно зависеть от количества моделей внутри банка: от размещенной в общем доступе таблицы до автоматизированной системы. При этом способ отображения данных должен быть удобным для пользователей: например, для поиска по заданным параметрам удобнее использовать реестр моделей, а для просмотра данных конкретной модели — ее карточку с полной информацией.
Жизненный цикл модели и цикл управления модельным риском
Портфельный подход к управлению модельным риском, когда имеющиеся у банка модели рассматриваются как некая совокупность, позволяет видеть общую картину, устанавливать лимиты, а также оптимизировать ресурсы. Именно поэтому система MRM часто фокусируется на управлении модельным риском именно на уровне портфеля моделей. Тем не менее банкам следует учитывать не только совокупный риск, но и риск сбоев отдельных моделей. Это особенно важно для тех моделей, которые поодиночке серьезно влияют на деятельность банка.
Каждая модель самостоятельно проходит путь от идеи (бизнес-задачи) до внедрения и использования. Жизненный цикл модели часто не входит в состав цикла управления модельным риском (рис. 4), но он также важен в контексте системы MRM. Например, на стадии разработки модели формулируются условия корректного ее использования, что в конечном счете может учитываться при оценке модельного риска.
Для того чтобы система MRM была эффективной, необходимо разработать единые процедуры и стандарты документации не только для цикла управления модельным риском, но и для жизненного цикла моделей, в том числе:
Более того, необходимым условием для успеха системы MRM является развитие риск-культуры в банке. Часто выполнение задач, связанных с мониторингом, составлением отчетности или своевременным обновлением информации, зависит от заинтересованности исполнителей. А многие действия, связанные с управлением модельным риском, выполняются на уровне отдельных пользователей (например, подразделением — владельцем модели). Поэтому нужно поощрять вовлечение всех сотрудников банка в процесс управления модельным риском, особенно на уровне жизненного цикла модели.
В условиях кризиса проблема модельного риска стоит наиболее остро
В условиях стремительно меняющихся внешних условий поведение моделей перестает быть предсказуемым. Даже если при разработке модели учитывалась возможность наступления кризиса, она может перестать работать в соответствии с заложенным в нее алгоритмом. Такое может произойти, например, в следующих ситуациях:
Одна из наиболее важных задач MRM — выделить модели, ошибки которых поодиночке приведут к наибольшим потерям банка. Если банк знает, насколько сильно ошибки одной модели могут повлиять на его деятельность, он может принять необходимые (и экономически обоснованные) меры по снижению модельного риска. При этом нужно иметь возможность сравнить различные модели между собой по уровню риска. Для этого можно группировать модели по уровню значимости на основе балльной шкалы. Для каждой из групп моделей затем можно установить свои стандарты мониторинга, отчетности, валидации.
На этапе группировки банки могут столкнуться с некоторыми затруднениями.
Во-первых, нужно оценивать и сравнивать совершенно разные модели по столь же разным критериям. Приходится использовать различные методики оценки. Качественные, а иногда и количественные оценки, если в их основе лежат разные методики или шкалы сложно сопоставить или перевести в баллы.
Во-вторых, в некоторых случаях возможно использовать только качественные оценки. Например, банки используют «светофоры» для сравнения или агрегирования результатов валидации (где красный сигнал говорит о необходимости пересмотра модели, желтый — о незначительных отклонениях, а зеленый подтверждает, что модель работает хорошо). В таких случаях могут возникать проблемы при интерпретации оценок, если критерии определены недостаточно прозрачно.
В-третьих, система оценки моделей по их критичности должна учитывать особенности отдельно взятого банка. Поэтому сложно предложить предложить единый алгоритм, с которым большинство банков сможет ранжировать модели.
Тем не менее в качестве примера можно предложить банку выбрать несколько критериев из следующего списка:
После того как банк выберет критерии, он разрабатывает шкалу для получения итоговой оценки и определяет границы групп моделей. В этот момент важно провести тестовый расчет (возможно, даже неоднократно), чтобы убедиться в адекватности методики. Кроме того, такую методику важно периодически пересматривать, чтобы учитывать изменения в модельном ландшафте банка.
Выводы
Модели стали неотъемлемой частью функционирования банка. При этом нельзя полностью избежать рисков, связанных с использованием моделей. Поэтому банкам следует грамотно выстроить систему управления модельным риском. Ключом к формированию такой системы является формирование и поддержание базы данных об имеющихся моделях. Помимо разработки инструментов управления модельным риском важно учитывать модельный риск в рамках жизненного цикла модели и развивать риск-культуру в банке. Во время кризиса ситуация с модельным риском может обостриться, поэтому важно заранее внедрить практики и инструменты для своевременного реагирования на изменения. Кроме того, полезно разработать методику определения моделей, критически важных для функционирования банка.
1. Требования к управлению модельным риском входят в обновленные требования Банка России к управлению операционным риском — Положение Банка России от 08.04.2020 № 716-П, опубликованное в июне 2020 года. При этом понятие «модельный риск» закреплено в п. 4.2. Приложения 1 новой редакции Указания Банка России от 15.04.2015 № 3624-У.
2. Согласно опубликованным в 2017 году рекомендациям ЕЦБ в рамках TRIM, “…an institution should have a model risk management framework in place that allows it to identify, understand and manage its model risk as it relates to internal models across the group…”.