Verslo rizika ir pelningumas

Mokslo vadovėlis: Aukštojo mokslo studijoms skirta medžiaga

Anotacija#

Šis skyrius nagrinėja verslo rizikos ir pelningumo ryšį — nuo koncepcijos ištakų iki šiuolaikinių kiekybinių modelių ir elgsenos finansų įžvalgų. Teorinėje dalyje atsekama rizikos sampratos raida per keletą fundamentalių lūžių: Knighto skirtis tarp rizikos ir neapibrėžtumo (1921), Markowitzo portfelio teorija ir dispersija kaip rizikos matas (1952), Sharpe’o kapitalo turto kainodaros modelis ir beta koeficientas (1964), Kahneman ir Tversky prospektų teorija ir elgsenos finansų revoliucija (1979), Mandelbroto ir Talebo „storų uodegų“ kritika. Ši istorinė raida sintetinama į penkių lygmenų rizikos ontologijų karkasą (tikimybinis, nuostolio, sisteminis, elgseninis, ontologinis-organizacinis), parodantį, kodėl skirtingi dalyviai tą pačią situaciją vertina iš esmės skirtingai. Pristatoma sisteminės ir nesisteminės rizikos dichotomija bei jos ribos (krizinių koreliacijos pokyčių problema, „diworsification“), verslo rizikos klasifikacija pagal kilmę ir valdymo galimybes (įskaitant reputacinę, skaitmeninę sisteminę riziką ir rizikų kaskadavimą), rizikos valdymo karkasai (ISO 31000, COSO ERM) bei ESG kaip dvikryptė rizikos dimensija — tiek rizikos mažinimo instrumentas, tiek papildomas rizikos šaltinis.

Skyriaus centrinė tezė — verslo rizika nėra vien išorinis pavojų sąrašas ar statistinis nepastovumas. Ji yra daugiasluoksnis reiškinys, apimantis objektyviai matuojamą rezultatų sklaidą, subjektyvų sprendimų priėmėjų suvokimą ir institucinį kontekstą, kuriame rizika transformuojama į priimtiną pelningumą. Pelningumas yra kompensacija už prisiimtą ir teisingai įvertintą riziką, tačiau šis ryšys nėra pastovus — rizikos premija priklauso nuo ekonominio ciklo fazės, o beta koeficientas yra nestabilus laike, ypač mažose ir nelikvidžiose Baltijos bei Vidurio ir Rytų Europos rinkose. Šio ryšio supratimas reikalauja derinti kiekybinius modelius (CAPM, daugiaveiksniai modeliai) su kokybiniu neapibrėžtumo suvokimu ir septynių kognityvinių šališkumų — nuo perteklinio pasitikėjimo iki bandų elgsenos ir planavimo klaidos — atpažinimu.

Analitinėje dalyje pateikiami baziniai rizikos ir pelningumo matavimo įrankiai (standartinis nuokrypis, beta, CAPM, portfelio dispersija, Sortino koeficientas, variacijos koeficientas, šalies rizikos premija), iliustruojami dviem atvejo analizėmis — Lietuvos gamybinės įmonės rizikos profilio vertinimu ir technologijų startuolio elgsenos šališkumų analize — bei Excel modelio konstravimo instrukcija. Skyrius tiesiogiai siejasi su 1 skyriaus ontologine vertės dekompozicija (ypač rizikos sluoksniu), 2 skyriaus planavimo procesu ir prielaidų jautrumu, o taip pat parengia pagrindą 4 skyriui (rizikos analizės metodai ir rodikliai), 5 skyriui (diversifikacija vs specializacija), 9 skyriui (finansinių ataskaitų analizė), 11 skyriui (WACC ir kapitalo kaina) ir 14 skyriui (realieji opcionai ir specialūs vertinimo atvejai).

3.1 Teorinė dalis#

3.1.1 Istorinis ir konceptualus kontekstas#

Kodėl rizikos istorija svarbi verslo planuotojui#

Rizika (angl. risk) šiandien atrodo savaime suprantama verslo planavimo kategorija — kiekvienas verslo planas turi „rizikos“ skyrių, kiekvienas finansinis modelis numato diskonto normą, kuri implicitiškai atspindi rizikos premiją. Tačiau tai, ką šiandien vadiname „verslo rizika“, yra kelių šimtmečių intelektualinės evoliucijos rezultatas, ir šios evoliucijos supratimas nėra vien akademinis smalsumas.

Skirtingos rizikos mokyklos — kiekybinė (statistinė), elgsenos (psichologinė) ir ontologinė (filosofinė) — ne pakeitė viena kitą nuosekliai, o koegzistuoja šiandienos praktikoje. Vadovas, kuris riziką redukuoja į vieną skaičių (standartinį nuokrypį ar beta koeficientą) ir ignoruoja psichologines bei institucines dimensijas, rizikuoja sukurti „matematinio saugumo“ iliuziją. Verslininkas, kuris atsisako bet kokio kiekybinio rizikos vertinimo, „nes skaičiai vis tiek neatspindi tikrovės“, praranda galimybę struktūruoti sprendimus ir palyginti alternatyvas. Abu daro tą pačią klaidą — taiko vieną paradigmą ten, kur reikia kelių.

Šio poskyrio tikslas — atsekti, kaip verslo rizikos koncepcija formavosi ir keitėsi, ir parodyti, kad šiuolaikinis efektyvus rizikos vertinimas yra kelių intelektualinių tradicijų sintezė, kurioje kiekybiniai modeliai, elgsenos įžvalgos ir instituciniai karkasai ne konkuruoja, o papildo vienas kitą.

Ikiklasikinis laikotarpis: nuo fatalizmo prie skaičiavimo#

Žodis „rizika“ etimologiškai kildintinas iš italų kalbos žodžio risicare — „drįsti“ — arba arabų risq, nurodančio tai, kas skirta iš dangaus (Bernstein, 1996). Viduramžių kontekste rizika buvo neatsiejama nuo jūrų prekybos: laivo praradimas audros metu buvo pagrindinis verslo neapibrėžtumo šaltinis. Pirmieji draudimo kontraktai, atsiradę XIV a. Genujoje, formalizavo rizikos perkėlimą kaip ekonominę operaciją — tai buvo pirmasis žingsnis nuo fatalistinio rizikos suvokimo link instrumentinio.

Intelektualinis lūžis įvyko XVII a., kai Blaise’as Pascalis ir Pierre’as de Fermatas sukūrė tikimybių teoriją, o Danielis Bernoulli (1738) suformulavo tikėtinos naudos (angl. expected utility) koncepciją. Spręsdamas garsiąjį Sankt Peterburgo paradoksą, Bernoulli parodė, kad racionalus sprendimų priėmėjas vertina ne absoliutų laimėjimą, o jo naudingumą, kuris mažėja didėjant turtui (mažėjantis ribinis naudingumas). Tai buvo pirmasis formalus rizikos vengimo (angl. risk aversion) modelis — jis paaiškino, kodėl žmonės renkasi mažesnę, bet garantuotą sumą, o ne didesnę tikėtiną vertę su neapibrėžtumu (Bernoulli, 1738/1954). Bernoulio linija svarbi todėl, kad ji padeda suprasti, kodėl vėliau finansų teorijoje rizikos ir pelningumo santykis tapo neatsiejamas nuo rizikos vengimo prielaidos.

Knighto lūžis: rizika versus neapibrėžtumas (1921)#

Formalią verslo rizikos analizę pradėjo Frankas Knightas (Frank Knight) 1921 m. veikalu Risk, Uncertainty and Profit, kuriame jis suformulavo vieną fundamentaliausių atskirčių ekonomikos ir vadybos istorijoje:

• Rizika (angl. risk) — situacija, kai galimų rezultatų tikimybės yra žinomos arba pagrįstai apskaičiuojamos iš patirties. Pavyzdžiui, draudimo bendrovė, turinti 100 000 polisų, gali gana tiksliai prognozuoti metinių išmokų dydį.
• Neapibrėžtumas (angl. uncertainty) — situacija, kai nei galimi rezultatai, nei jų tikimybės nėra žinomi. Pavyzdžiui, visiškai naujo produkto kategorijos (pirmojo išmaniojo telefono 2007 m.) rinkos priėmimo prognozavimas.

Knightas teigė, kad verslo pelnas kyla būtent iš neapibrėžtumo, o ne iš rizikos: matuojamą riziką galima apdrauti ar diversifikuoti, todėl ji nesuteikia ilgalaikės ekonominės rentos. Verslininko funkcija — priimti sprendimus neapibrėžtumo sąlygomis, kai kiti to daryti nenori arba nemoka (Knight, 1921).

Knighto skirtis svarbi dėl trijų priežasčių. Pirma, ji parodo, kad ne visas netikrumas yra to paties pobūdžio — ir todėl skirtingoms situacijoms reikia skirtingų valdymo instrumentų. Antra, ji paaiškina, kodėl standartiniai finansiniai modeliai (DCF, Monte Carlo simuliacijos, jautrumo analizė) gerai veikia rizikos zonoje, bet tampa apgaulingai tikslūs neapibrėžtumo zonoje — tai tiesiogiai susieja su 2 skyriuje aptartu klaidingo tikslumo (angl. false precision) fenomenu. Trečia, ji padeda atskirti situacijas, kuriose rizika gali būti diversifikuota ar apdrausta, nuo tų, kuriose tai neįmanoma. Naujas produktas nežinomoje rinkoje, geopolitinis lūžis, reguliacinė revoliucija ar technologinis perversmas dažnai yra arčiau Knighto neapibrėžtumo nei stochastinės rizikos.

Markowitz: rizika kaip dispersija (1952)#

Harry Markowitzo straipsnis Portfolio Selection, publikuotas 1952 m. žurnale The Journal of Finance, pakeitė finansų mokslą iš esmės — rizika iš intuityvaus „pavojaus jausmo“ tapo matematiškai apibrėžtu objektu. Markowitz pasiūlė tris revoliucingas idėjas:

1. Riziką matuoti dispersija (arba standartiniu nuokrypiu) — grąžos sklaida aplink tikėtiną vidurkį.
2. Portfelio efektą — sujungiant aktyvus, kurių grąžos nėra tobulai koreliuotos, galima sumažinti bendrą portfelio riziką nemažinant tikėtinos grąžos.
3. Efektyviąją ribą (angl. efficient frontier) — optimalių portfelių kreivę, virš kurios neįmanoma gauti didesnės grąžos neprisiimant papildomos rizikos.

Markowitzo pagrindinė įžvalga yra ta, kad investuotojui svarbi ne atskiro turto rizika savaime, o jo indėlis į viso portfelio riziką. Rizika priklauso ne tik nuo atskirų rezultatų sklaidos, bet ir nuo koreliacijos tarp turto grąžų. Ši idėja tapo diversifikacijos teoriniu pagrindu (Markowitz, 1952).

Tačiau Markowitzo modelis remiasi stipriomis prielaidomis: grąžos pasiskirsčiusios pagal normalųjį skirstinį, investuotojai vertina tik vidurkį ir dispersiją (mean-variance), koreliacijos tarp aktyvų yra stabilios laike. Kiekviena iš šių prielaidų vėliau tapo rimtos akademinės kritikos objektu — tačiau pats dispersijos kaip rizikos mato principas tapo finansų teorijos „kalbos pagrindu“, kuris naudojamas ir ten, kur jo prielaidos griežtai netenkinamos.

Sharpe, Lintner ir Mossin: kapitalo kainodara ir sisteminė rizika (1964)#

Markowitzo portfelio teorija buvo normatyvinė — ji nurodė, kaip racionalus investuotojas turėtų konstruoti portfelį. Williamas Sharpe’as (1964), Johnas Lintneris (1965) ir Janas Mossinas (1966) nepriklausomai transformavo ją į pozityvinę teoriją — kaip rinka vertina riziką. Jų sukurtas CAPM (angl. Capital Asset Pricing Model) — kapitalo turto kainodaros modelis — suformulavo du fundamentalius teiginius:

1. Rinka kompensuoja tik sisteminę riziką (angl. systematic risk) — tą rizikos dalį, kurios neįmanoma eliminuoti diversifikuojant portfelį. Nesisteminę (specifinę, idiosinkratinę) riziką investuotojas gali pašalinti nemokėdamas jokių kaštų.
2. Beta koeficientas ($\beta$) yra vienintelis relevantiškas aktyvo rizikos matas — jis parodo aktyvo jautrumą rinkos svyravimams.

Šis lūžis svarbus ne tik finansų rinkoms, bet ir verslo planavimui: jei tam tikrą riziką galima sumažinti diversifikuojant, ji neturėtų būti vertinama taip pat kaip rizika, kylanti iš visos ekonomikos, palūkanų normų ar geopolitinės įtampos. CAPM įvedė disciplinuotą kalbą apie tai, už kokią riziką rinka moka ir už kokią — ne. Plačiau apie CAPM pritaikymą diskonto normos ir WACC skaičiavimui — 11 skyriuje (Sharpe, 1964).

Elgsenos lūžis: prospektų teorija (1979)#

Visi iki šiol aptarti modeliai rėmėsi racionaliojo agento prielaida — investuotojas maksimizuoja tikėtiną naudą, rizikos vertinimas yra objektyvus, rinkos kaina atspindi visą turimą informaciją. Danielis Kahnemanas (Daniel Kahneman) ir Amosas Tversky (Amos Tversky) 1979 m. prospektų teorija (angl. Prospect Theory) šią prielaidą fundamentaliai sukrėtė, parodydami, kaip žmonės iš tikrųjų priima sprendimus rizikos sąlygomis:

• Nuostolių vengimas (angl. loss aversion): nuostolis psichologiškai „sveria“ maždaug 2–2,5 karto daugiau nei ekvivalentiškas pelnas. Verslininkas, kuris gali laimėti arba prarasti 100 000 €, psichologiškai vertina šį žaidimą kaip nuostolingą, nors matematiškai tikėtina vertė lygi nuliui.
• Atskaitos taško priklausomybė (angl. reference dependence): sprendimai vertinami ne pagal galutinę turto poziciją, o pagal pokyčius nuo atskaitos taško.
• Tikimybių svertinė funkcija: žmonės pervertina mažas tikimybes (todėl perka loterijos bilietus ir draudimą nuo retų katastrofų) ir nepakankamai vertina vidutines bei dideles tikimybes.

Prospektų teorijos reikšmė verslo planavimui yra praktinė: ji paaiškina, kodėl vadovai sistemingai per optimistiškai prognozuoja pajamas (perteklinis pasitikėjimas), kodėl projektai, kuriuose jau patirta nuostolių, yra tęsiami per ilgai (nuostolių eskalavimas, angl. sunk cost fallacy), ir kodėl rizikos vertinimas organizacijoje niekada nėra visiškai „objektyvus“ (Kahneman & Tversky, 1979). Šie šališkumai detaliau nagrinėjami 3.1.3 poskyryje.

Mandelbrot ir Taleb: „storų uodegų“ revoliucija#

Visi klasikiniai finansų modeliai — Markowitz, CAPM, Black-Scholes opcionų kainodara — remiasi normaliojo skirstinio (Gauso kreivės) prielaida. Benoît Mandelbrot jau 1963 m. empiriškai parodė, kad finansinių aktyvų grąžos turi „storas uodegas“ (angl. fat tails) — ekstremalūs įvykiai pasitaiko kur kas dažniau, nei numato normalusis skirstinys (Mandelbrot, 1963).

Nassimas Nicholasas Talebas (Nassim Nicholas Taleb) šią kritikos liniją išplėtė iki epistemologinės: jo juodosios gulbės (angl. Black Swan) koncepcija apibūdina retus, neprognozuojamus, bet galingus įvykius, kurie keičia visą sistemą. Taleb argumentuoja, kad standartiniai rizikos valdymo modeliai sukuria „saugumo iliuziją“ — jie gerai veikia tarp juodųjų gulbių, bet yra bejėgiai prieš pačias gulbes (Taleb, 2007).

3.1 pav. Rizikos koncepcijos evoliucija: pagrindiniai intelektualiniai lūžiai

timeline
    title Rizikos koncepcijos raida finansų teorijoje
    1738 : Bernoulli
         : Tikėtinas naudingumas
         : Rizikos vengimo formalizavimas
    1921 : Knight
         : Rizika vs neapibrėžtumas
         : Verslininko pelno kilmė
    1952 : Markowitz
         : Portfelio teorija
         : Dispersija kaip rizikos matas
    1964 : Sharpe (CAPM)
         : Sisteminė vs nesisteminė rizika
         : Beta koeficientas
    1963–2007 : Mandelbrot, Taleb
              : Storos uodegos
              : Juodosios gulbės
    1979 : Kahneman ir Tversky
         : Prospektų teorija
         : Nuostolių vengimas

Šios šešios intelektualinės tradicijos suformuoja konceptualinį karkasą, kuriame verslo rizika gali būti analizuojama iš kelių perspektyvų. Nė viena iš jų nėra pakankama atskirai: Knightas primena, kad ne visas neapibrėžtumas yra skaičiuojamas; Markowitz ir CAPM suteikia kiekybinę kalbą; Kahneman ir Tversky parodo, kad žmonės sistemingai nukrypsta nuo kiekybinės logikos; Mandelbrot ir Taleb įspėja, kad net pati kiekybinė logika remiasi prielaidomis, kurios gali žlugti. Šiuolaikinis verslo planuotojas turi gebėti derinti visas šias perspektyvas — tai yra 3 skyriaus centrinė žinutė.

Rizikos ontologijų pliuralizmas: penki lygmenys#

Istorinė raida atskleidžia ne vieną, o kelias konkuruojančias rizikos ontologijas — skirtingus atsakymus į klausimą „kas yra rizika?“ Šios ontologijos nėra alternatyvios — jos yra komplementarios (Miller & Reuer, 1996), o realios verslo situacijos dažniausiai yra „tarpinės“, derinančios objektyvius ir subjektyvius elementus (De Groot & Thurik, 2018). Sintetiškai jas galima suskirstyti į penkis lygmenis:

1. Tikimybinis lygmuo (angl. probabilistic level): rizika kaip galimų rezultatų skirstinys. Tai Markowitzo ir CAPM paradigma — rizika matuojama dispersija arba standartiniu nuokrypiu.
2. Nuostolio lygmuo (angl. loss level): rizika kaip nepageidaujamų rezultatų tikimybė ir mastis. Čia akcentuojama asimetrinė pusė — VaR, CVaR, Sortino koeficientas.
3. Sisteminis lygmuo (angl. systemic level): rizika kaip santykis su platesne ekonomine ir organizacine aplinka. Tai CAPM beta, bet ir sisteminė užkrėtimo (angl. contagion) rizika, kurios neįmanoma eliminuoti diversifikuojant.
4. Elgseninis lygmuo (angl. behavioral level): rizika kaip sprendimų priėmėjų suvokimas ir vertinimas. Kahneman ir Tversky paradigma — atskaitos taško priklausomybė, nuostolių vengimas.
5. Ontologinis-organizacinis lygmuo (angl. ontological-organizational level): rizika kaip struktūrinis pažeidžiamumas ir vertės kūrimo apribojimas. Čia integruojamas vadybinis sprendimas, institucinis kontekstas ir organizacinė kultūra.

Šis penkeriopas karkasas paaiškina, kodėl tos pačios situacijos gali būti vertinamos itin skirtingai: banko analitikui rizika yra dispersija (1 lygmuo), draudikui — nuostolių tikimybė (2 lygmuo), makroprudencialiajam reguliuotojui — sisteminė grėsmė (3 lygmuo), o verslininkui — asmeninis suvokimas ir organizacinis pasirengimas (4–5 lygmenys).

Rizikos suvokimo socialinis ir kultūrinis kontekstas#

Rizikos vertinimas nėra vien individualus kognityvinis procesas — jį formuoja socialinė tapatybė, kultūrinė aplinka ir informacinė erdvė. Stapel et al. (1994) parodė, kad socialinė priklausomybė grupei keičia rizikos suvokimą per prieinamumo euristiką: artimoje aplinkoje matomi įvykiai vertinami kaip labiau tikėtini. Vaughan ir Seifert (1992) nustatė, kad tas pats rizikos objektas gali būti interpretuojamas skirtingai priklausomai nuo to, kaip jis įrėminamas (angl. framing) — tai turi tiesioginę implikaciją verslo planų komunikavimui: investuotojams pateikiama rizikos informacija nėra „objektyvi“ — ji visada yra įrėminta. Kahneman ir Tversky (1979) prospektų teorija papildo šią perspektyvą: mažų tikimybių, didelio poveikio įvykiai yra psichologiškai struktūruojami kitaip nei kasdieniai rizikos šaltiniai — tikimybės yra svertinamos netiesiškai, o tai paaiškina, kodėl organizacijos neproporcingai reaguoja į „ryškias“ rizikas ir ignoruoja latentines.

3.1.2 Pagrindinės teorijos ir modeliai#

Sisteminė ir nesisteminė rizika: diversifikacijos logika#

Vienas svarbiausių CAPM indėlių — formali rizikos dekompozicija į du fundamentaliai skirtingus komponentus:

• Nesisteminė rizika (angl. idiosyncratic / unsystematic risk) — specifinė konkrečiai įmonei ar sektoriui. Pavyzdžiai: vadovo netikėtas pasitraukimas, gamyklos gaisras, produkto atšaukimas, vieno pagrindinio kliento praradimas. Ši rizika eliminuojama diversifikuojant portfelį — neigiamai koreliuoti arba nekoreliuoti aktyvai „išlygina“ vienas kito svyravimus.
• Sisteminė rizika (angl. systematic / market risk) — veikia visą rinką ar ekonomiką. Pavyzdžiai: palūkanų normų pokyčiai, infliacija, recesija, pandemija, geopolitiniai šokai. Ši rizika nediversifikuojama — ir būtent už ją rinka kompensuoja papildoma grąža (rizikos premija).

Formaliai, aktyvo grąžos variacija skaidoma:

kur $\beta_i^2 \sigma_m^2$ — sisteminės rizikos komponentas, $\sigma_{\varepsilon_i}^2$ — nesisteminės rizikos komponentas.

Verslo planavimo implikacija. Diversifikuotas finansų rinkos investuotojas vertina tik sisteminę riziką. Tačiau privataus verslo savininkas, kurio turtas koncentruotas vienoje įmonėje, negali diversifikuoti nesisteminės rizikos — ir todėl patiria faktiškai aukštesnę rizikos premiją. Ši problema ypač aktuali vertinant privačius verslus (14 skyrius) ir planuojant pasitraukimo strategijas (15 skyrius), kur diversifikacijos galimybė yra vienas iš vertę kuriančių veiksnių.

Diversifikacija turi ribas, kurios verslo kontekste dažnai svarbesnės nei portfelio teorijoje. Pirma, krizių metu koreliacijos tarp aktyvų dramatiškai auga — būtent tada, kai diversifikacija labiausiai reikalinga (Campbell, Koedijk & Kofman, 2002). Antra, per didelė verslo diversifikacija gali mažinti vertę dėl vadybinio fokuso praradimo ir resursų išsklaidymo — tai vadinama konglomeratų nuolaida (angl. conglomerate discount); Berger ir Ofek (1995) nustatė, kad diversifikuotos įmonės prekiaujamos su ~13–15 % nuolaida, palyginti su specializuotų verslų suma.

Šią problemą Peter Lynch (1989) savo knygoje One Up on Wall Street pavadino „diworsification“ — žodžių žaidimu, nurodančiu situaciją, kai diversifikacija ne sumažina riziką, o naikina vertę. Pagrindiniai mechanizmai: padidėjęs valdymo sudėtingumas, sinergijų stoka ir neefektyvus kapitalo alokavimas. Tai yra svarbus perspėjimas verslo planuotojams: diversifikacija yra vertinga tik tada, kai ji mažina sisteminę riziką be neproporcingų vadybinių kaštų. Plačiau apie diversifikacijos vs specializacijos sprendimus — 5 skyriuje.

Rizikos ir grąžos ryšys: CAPM ir jo plėtiniai#

Fundamentalus finansų principas teigia: investuotojas reikalauja kompensacijos už prisiimamą riziką. Ši kompensacija vadinama rizikos premija (angl. risk premium):

CAPM šį principą formalizuoja taip, kad rizikos premija priklauso tik nuo sisteminės rizikos, matuojamos beta koeficientu:

kur $R_f$ — nerizikinga norma (angl. risk-free rate), $\beta_i$ — aktyvo jautrumas rinkos pokyčiams, $E(R_m) - R_f$ — rinkos rizikos premija (angl. equity risk premium, ERP). Beta interpretacija: $\beta = 1$ reiškia, kad aktyvas juda su rinka; $\beta > 1$ — jautriau nei rinka; $\beta < 1$ — mažiau jautriai.

Tačiau empiriniai tyrimai parodė sistemines anomalijas, kurių CAPM nepajėgia paaiškinti. Eugene Fama ir Kenneth French (1993) pasiūlė trijų veiksnių modelį, papildantį rinkos veiksnį dviem empiriškai pagrįstais rizikos veiksniais:

• SMB (angl. Small Minus Big) — mažų ir didelių įmonių grąžos skirtumas (dydžio premija).
• HML (angl. High Minus Low) — aukšto ir žemo buhalterinės vertės / rinkos vertės santykio įmonių grąžos skirtumas (vertės premija).

2015 m. Fama ir French modelį išplėtė iki penkių veiksnių, pridėdami pelningumą (RMW) ir investicijų konservatyvumą (CMA). Ar papildomi veiksniai atspindi rizikos kompensaciją, ar rinkos neefektyvumą — lieka atviras klausimas: Fama ir French interpretuoja juos kaip rizikos veiksnius, tačiau elgsenos finansų atstovai argumentuoja, kad tai investuotojų kognityvinių klaidų pasekmė (Fama & French, 1993, 2015; Lakonishok, Shleifer & Vishny, 1994).

Alternatyvų CAPM požiūrį pasiūlė Stephen Ross (1976) su arbitražo kainodaros teorija (angl. Arbitrage Pricing Theory, APT), leidžiančia kelis sisteminės rizikos šaltinius (makroekonominius veiksnius), nereikalaujant identifikuoti „rinkos portfelio“. APT pranašumas — lankstumas; trūkumas — teorija nenurodo, kokie veiksniai yra svarbūs — tai paliekama empiriniams tyrimams. Roll ir Ross (1980) atliko vieną pirmųjų empirinių APT testų, nustatę, kad akcijų grąžos paaiškinamos 3–4 latentiniais veiksniais, o Cho (1984) patvirtino šiuos rezultatus naudodamas tarpbaterinę faktorinę analizę (angl. inter-battery factor analysis) (Ross, 1976; Roll & Ross, 1980; Cho, 1984).

Akcijų rizikos premijos mįslė ir rizikos premijos režiminis pobūdis#

Vienas intriguojančiausių empirinių faktų — akcijų rizikos premijos mįslė (angl. Equity Risk Premium Puzzle): Mehra ir Prescott (1985) parodė, kad JAV akcijų rinkos ilgalaikė premija (~6–7 % virš nerizikingos normos) yra per didelė, kad ją paaiškintų standartiniai naudingumo modeliai su realistiškais rizikos vengimo koeficientais ($\gamma \approx 1{-}2$). Norint paaiškinti stebimą premiją, reikėtų nerealiai aukšto koeficiento ($\gamma \approx 30{-}50$).

Keletas teorinių paaiškinimų buvo pasiūlyti per pastaruosius dešimtmečius:

• Įprastinės naudos funkcija (angl. habit formation): Campbell ir Cochrane (1999) modelyje investuotojo naudingumas priklauso ne tik nuo dabartinio vartojimo, bet ir nuo ankstesnio vartojimo lygio (įpročio). Tai leidžia paaiškinti aukštą premiją su žemesniu rizikos vengimo koeficientu, nes vartojimo sumažėjimas žemiau įpročio sukelia neproporcingai didelę neigiamą naudą.
• Retų katastrofų modelis: Barro (2006) argumentavo, kad investuotojai tikisi retų, bet katastrofiškų ekonominių nuosmukių (pasauliniai karai, depresijos), todėl reikalauja aukštos premijos net tais laikotarpiais, kai katastrofos nerealizuojasi.

Rizikos premija taip pat nėra pastovus dydis — ji priklauso nuo ekonominio ciklo fazės ir kalendorinių laikotarpių. Corhay et al. (1987) nustatė, kad rizikos premija rodo sezoniškumo bruožus (pvz., sausio efektą), o Nyberg (2011) parodė, kad premija yra sąlyginė — ji stipriai padidėja recesijų metu ir sumažėja ekonominio pakilimo fazėse. Tai reiškia, kad pastovios rizikos premijos prielaida, naudojama standartiniame CAPM, yra supaprastinimas, kuris gali sistemingai iškraipyti verslo vertinimą priklausomai nuo ekonominio ciklo.

Beta koeficiento nestabilumas#

Dar viena svarbi empirinė problema — beta koeficiento nestabilumas laike. Standartinis CAPM remiasi prielaida, kad beta yra pastovus, tačiau Handa et al. (1993) parodė, kad leisdami beta kisti tarp režimų (augimo ir nuosmukio) gauna statistiškai reikšmingai skirtingus rezultatus. Huang (2001) patvirtino, kad beta vertinimas priklauso nuo matavimo laikotarpio ir intervalo — skirtingais laiko horizontais tas pats aktyvas gali turėti labai skirtingą beta. Tai ypač aktualu Baltijos ir Vidurio bei Rytų Europos (VRE) rinkose, kur Dajčman et al. (2013) atliko daugiaskalį (angl. multiscale) CAPM testą trijose VRE rinkose ir nustatė, kad mažos kapitalizacijos, žemo likvidumo rinkose CAPM veikia žymiai prasčiau — kainodara paveikiama nelikvidumo, segmentacijos ir institucinių veiksnių. Baltijos kontekste tai reiškia, kad CAPM taikymas reikalauja atsargumo ir papildymų — daugiaveiksniai modeliai ar scenarijiniai požiūriai gali būti pranašesni (Dajčman et al., 2013).

CAPM, Fama-French ir APT formulės detaliau aptariamos 3.2 poskyryje (analitiniai modeliai), o jų praktinis pritaikymas diskonto normos ir WACC skaičiavimui — 11 skyriuje.

Verslo rizikos klasifikacija#

Efektyvus rizikos valdymas prasideda nuo struktūruotos identifikacijos. Be sisteminės klasifikacijos rizikos yra arba ignoruojamos, arba analizuojamos nesusistemintai. Verslo rizikos gali būti klasifikuojamos pagal du kriterijus.

Pagal kilmės šaltinį:

3.2 pav. Verslo rizikos taksonomija pagal kilmės šaltinį

graph TD
    R["Verslo rizika"]
    R --> E["Išorinės rizikos"]
    R --> I["Vidinės rizikos"]

    E --> E1["Makroekonominė<br/><i>BVP, infliacija, palūkanos</i>"]
    E --> E2["Reguliacinė ir teisinė<br/><i>BDAR, Taksonomija, Darbo kodeksas</i>"]
    E --> E3["Technologinė<br/><i>Disruptyvios inovacijos</i>"]
    E --> E4["Geopolitinė<br/><i>Sankcijos, prekybos karai</i>"]

    I --> I1["Operacinė<br/><i>Procesai, sistemos, žmonės</i>"]
    I --> I2["Strateginė<br/><i>Rinkos pasirinkimas, M&A</i>"]
    I --> I3["Finansinė<br/><i>Likvidumas, kreditas, valiuta</i>"]

    style R fill:#4a90d9,color:#fff
    style E fill:#e8705a,color:#fff
    style I fill:#50b5a9,color:#fff

Lietuvos kontekstas: Lietuva, kaip maža atvira ekonomika, ypač jautri išorinės paklausos svyravimams. 2022 m. energetikos krizė po Rusijos invazijos į Ukrainą padidino gamybos kaštus ir sukėlė dviženklę infliacijos bangą. 2021 m. Kinijos prekybos blokada dėl Taivano atstovybės parodė, kaip geopolitiniai sprendimai gali tiesiogiai paveikti eksporto rinkas. Clayton Christensen (1997) savo veikale The Innovator’s Dilemma aprašė, kaip sėkmingos įmonės reguliariai žlunga būtent todėl, kad per ilgai optimizuoja esamą technologiją — šis dėsningumas taikomas ir Lietuvos gamybiniam sektoriui, kuriame skaitmenizacijos tempas yra lėtesnis nei ES vidurkis.

Pagal valdymo galimybes:

Šią klasifikaciją verta papildyti trimis rizikos kategorijomis, kurios tampa vis aktualesnės šiuolaikiniame versle:

• Reputacinė rizika (angl. reputational risk): Benn, Abratt ir Kleyn (2016) apibrėžė ją kaip pasitikėjimo, legitimumo ir socialinio kapitalo praradimo riziką, kylančią iš neatitikties suinteresuotųjų šalių lūkesčiams. Ji veikia klientų lojalumą, darbuotojų pritraukimą ir finansavimo sąlygas. Reputacinė rizika yra ypač klastinga, nes ji dažnai kyla kaip antrinė pasekmė kitų rizikų realizacijos (pvz., operacinė klaida sukelia reputacijos krizę).
• Sisteminė skaitmeninė rizika (angl. systemic digital risk): Curran (2020) parodė, kad skaitmeninės infrastruktūros sujungtumas sukuria naują sisteminės rizikos formą — lokalus sutrikimas (kibernetinė ataka, debesų paslaugos gedimas) gali tapti visos sistemos klaida. Tai ypač aktualu įmonėms, kurių verslo procesai priklauso nuo trečiųjų šalių skaitmeninių platformų.
• Rizikų kaskadavimas (angl. risk cascading): rizikos retai realizuojasi izoliuotai — pradinis šokas keičia elgseną, kuri keičia kitų rizikų tikimybes ir sustiprina antrines pasekmes. Lu et al. (2024) sukūrė kaskadavimo modelį dideliems statybos projektams, taikydami struktūrinių lygčių modeliavimą ir Bajeso tinklus. Langley (2013) pabrėžė, kad stresų testavimas yra pagrindinis konceptualus instrumentas modeliuoti mažos tikimybės, didelio poveikio įvykius — tai ypač svarbu organizacijoms, priklausomoms nuo finansavimo, tiekimo grandinių ar reguliacinės aplinkos stabilumo. Priežastinių grandinių žemėlapiai (o ne tik rizikos registrai) yra efektyvesnis būdas identifikuoti kaskadavimo kelius.

Bankroto rizika ir sisteminė rizika#

Dichev (1998) iškėlė fundamentalų klausimą: ar bankroto rizika yra sisteminė? Jei taip, CAPM turėtų ją kompensuoti didesne tikėtina grąža. Tačiau Dichev empiriškai nustatė, kad įmonės su aukšta bankroto tikimybe neturi atitinkamai aukštesnės grąžos — tai prieštarauja standartinei rizikos–grąžos logikai ir rodo, kad distress rizika (angl. distress risk) turi komponentą, kurį standartiniai faktoriniai modeliai ne visiškai fiksuoja. Verslo planuotojui tai reiškia, kad bankroto rizikos vertinimas reikalauja atskirų analitinių instrumentų (likvidumo analizės, Altman Z-score — žr. 9 skyrių), o ne tik beta koeficiento.

Asimetrinė rizika ir nuosmukio matai#

Tradicinis standartinis nuokrypis traktuoja teigiamus ir neigiamus nukrypimus simetriškai. Tačiau verslo praktikoje nuostoliai yra nesimetriškai svarbesni — bankrotas yra negrįžtamas, o „per didelis“ pelnas nėra problema. Šią intuiciją formalizuoja keli asimetrinės rizikos matai:

• Sortino koeficientas — analogiškas Sharpe’o koeficientui, bet vardiklyje naudoja tik nuosmukio standartinį nuokrypį (nukrypimus žemiau minimalaus priimtino grąžos lygio).
• Rizikingoji vertė (angl. Value at Risk, VaR) — maksimalus tikėtinas nuostolis per tam tikrą laikotarpį su tam tikru pasikliovimo lygiu (pvz., „99 % VaR per dieną = 50 000 €“ reiškia, kad 99 dienomis iš 100 nuostolis neviršys 50 000 €).
• Tikėtinas nuostolis uodegoje (angl. Expected Shortfall / Conditional Value at Risk, CVaR) — vidutinis nuostolis, kai jis viršija VaR slenkstį. Formaliai: $CVaR_\alpha = E[L \mid L > VaR_\alpha]$, kur $L$ — nuostolis, $\alpha$ — pasikliovimo lygis. CVaR yra koherentiškas rizikos matas, tenkinanti subadityviškumo savybę, kurios VaR stokoja — tai reiškia, kad portfelio CVaR visada yra mažesnis arba lygus atskirų aktyvų CVaR sumai, o VaR šios savybės neturi (Artzner et al., 1999). CVaR geriau fiksuoja „uodegos“ riziką ir todėl yra pranašesnis matas organizacijoms, kurioms kritinis yra ne „koks nuostolis tikėtinas“, o „koks nuostolis galimas blogiausiu atveju“.

Formulės su skaitiniais pavyzdžiais pateikiamos 3.2 poskyryje.

Rizikos valdymo karkasai: ISO 31000 ir ERM#

ISO 31000:2018 standartas pateikia universalų, bet sisteminį rizikos valdymo procesą, taikomą bet kokio tipo organizacijoms:

3.3 pav. ISO 31000 rizikos valdymo procesas

flowchart LR
    A["1. Konteksto<br/>nustatymas"] --> B["2. Rizikos<br/>identifikavimas"]
    B --> C["3. Rizikos<br/>analizė"]
    C --> D["4. Rizikos<br/>vertinimas"]
    D --> E["5. Rizikos<br/>valdymas"]

    F["Stebėsena ir peržiūra"] -.-> A
    F -.-> B
    F -.-> C
    F -.-> D
    F -.-> E

    G["Komunikacija ir konsultavimas"] -.-> A
    G -.-> B
    G -.-> C
    G -.-> D
    G -.-> E

    style A fill:#4a90d9,color:#fff
    style B fill:#4a90d9,color:#fff
    style C fill:#4a90d9,color:#fff
    style D fill:#4a90d9,color:#fff
    style E fill:#4a90d9,color:#fff
    style F fill:#f5a623,color:#fff
    style G fill:#50b5a9,color:#fff

COSO ERM Framework (2017) išplečia šį procesą iki strateginio lygmens, integruodamas rizikos valdymą su organizacijos strategija ir tikslų nustatymu. Crawford ir Jabbour (2024) tyrė ERM ir vadybinio sprendimo (angl. managerial judgment) sąsają ir nustatė, kad ERM veikia kaip integruojantis objektyvas (angl. integrating lens), apjungiantis strategiją, operacijas, kapitalo struktūrą, reputaciją ir reguliacinį legitimumą. Jų pagrindinė išvada: rizika nėra vien finansinis matas — ji kerta visą vertės kūrimo grandinę, o jos valdymo efektyvumas priklauso nuo vadybinio sprendimo kokybės, institucinės aplinkos ir kognityvinių apribojimų. Reguliacinė aplinka formuoja vadybos sprendimus ne mažiau nei finansiniai duomenys (Crawford & Jabbour, 2024).

Tačiau įgyvendinimo kaštai yra dideli, todėl mažesnėms Lietuvos įmonėms dažnai pakanka ISO 31000 principo — svarbu ne formalaus karkaso dydis, o sisteminio mąstymo apie riziką įdiegimas (ISO, 2018; COSO, 2017). Detaliau apie konkrečius rizikos analizės metodus (jautrumo analizė, scenarijų analizė, Monte Carlo simuliacijos, sprendimų medžiai) — 4 skyriuje.

ESG kaip nauja rizikos dimensija#

Aplinkosaugos, socialinės atsakomybės ir valdysenos (angl. Environmental, Social, Governance — ESG) rizikos per pastarąjį dešimtmetį tapo savarankiška kategorija, veikiančia visus verslo vertės sluoksnius:

• Aplinkosauginė rizika (E): klimato kaitos fiziniai pavojai (potvyniai, sausros), pereinamojo laikotarpio rizika (anglies mokesčiai, reguliavimo sugriežtinimas), „žaliojo šmeižto“ (angl. greenwashing) reputacinė rizika.
• Socialinė rizika (S): darbo teisių pažeidimai tiekimo grandinėje, bendruomenių pasipriešinimas, darbuotojų sveikatos ir saugos incidentai.
• Valdysenos rizika (G): direktorių tarybos nepriklausomumo stoka, vadovų kompensacijų neatitiktis rezultatams, korupcija.

Friede, Busch ir Bassen (2015) atlikta meta-analizė (daugiau nei 2 200 tyrimų) parodė, kad ~63 % tyrimų nustatė teigiamą koreliaciją tarp ESG rezultatų ir finansinės grąžos. Tačiau priežastinis ryšys lieka diskutuotinas — gali būti, kad gerai valdomi verslai tiesiog investuoja daugiau ir į ESG, ir į kitas efektyvumo priemones.

Naujausi tyrimai tikslina šį ryšį dviem kryptimis. Liu ir Song (2025) nustatė, kad geresnė ESG veikla mažina įmonės riziką per tris mechanizmus: susilpnina finansavimo apribojimus, pagerina reputaciją ir sumažina sankcijų tikimybę — tai ypač aktualu aplinkosauginio neapibrėžtumo sąlygomis. Tačiau Galdos-Urbizu, Ortas ir Alvarez-Etxeberria (2025) parodė ir priešingą pusę: aukšta ESG rizikos ekspozicija (ne veikla, o poveikis) sustiprina neigiamą rinkos kintamumo įtaką ir padidina specifinę įmonės riziką — efektas netiesinis ir stiprėja tarp jau volatilių akcijų. Tai reiškia, kad ESG veikia dvikryptiškai — kaip rizikos mažinimo instrumentas (kai įmonė aktyviai valdo ESG) ir kaip papildomas rizikos šaltinis (kai ESG veiksniai veikia įmonę iš išorės). ESG integracija į verslo vertinimą aptariama 1 skyriuje (nematerialusis kapitalas) ir 10 skyriuje (investicinių sprendimų vertinimas).

Rizikos ir ontologinės vertės struktūros ryšys#

1 skyriuje pristatyta penkių sluoksnių ontologinė verslo vertės dekompozicija tiesiogiai siejasi su rizikos dimensijomis:

Šis ryšys parodo, kad rizika nėra vienalytė dimensija — kiekvienas vertės sluoksnis turi savitą rizikos profilį ir reikalauja skirtingų valdymo bei matavimo instrumentų. 3 skyrius veikia kaip ontologinis tiltas tarp 1 skyriaus vertės sampratos ir 4 skyriaus instrumentinių metodų.

3.1.3 Kritinė analizė ir diskusija#

CAPM: elegantiška teorija, problemiška empirija#

CAPM tapo nuosavo kapitalo kainos skaičiavimo standartu ne todėl, kad jo prielaidos yra realistinės, o todėl, kad jis sukūrė disciplinuotą kalbą apie sisteminę riziką. Tačiau modelio kritika turi dvi ašis — teorinę ir empirinę.

Teorinė kritika. Richard Roll (1977) parodė fundamentalią testavimo problemą: tikrasis „rinkos portfelis“, kurį reikalauja CAPM, turėtų apimti visą turtą pasaulyje — akcijas, obligacijas, nekilnojamąjį turtą, žmogiškąjį kapitalą. Toks portfelis yra neobservuojamas, todėl bet koks empirinis CAPM testas iš tikrųjų testuoja ne patį modelį, o naudojamo rinkos indekso (pvz., S&P 500) tinkamumą kaip rinkos portfelio aproksimaciją (Roll, 1977).

Empirinė kritika. Fama ir French (1992) apibendrino, kad CAPM empirinė sėkmė yra prasta: beta koeficientas vienui vienas paaiškina tik nedidelę dalį aktyvų grąžų variacijų skerspjūvyje. Trys gerai dokumentuotos anomalijos:

• Dydžio efektas: mažos kapitalizacijos įmonių grąža sistemingai viršija CAPM prognozes (Banz, 1981).
• Vertės efektas: aukšto buhalterinės/rinkos vertės santykio įmonės uždirba daugiau nei numato CAPM (Fama & French, 1992).
• Momento efektas: pastaruoju metu gerai sekėsi aktyvams linkę sekti ir toliau (Jegadeesh & Titman, 1993).

Svarbi metodologinė išvada: CAPM nėra „tiesa apie pasaulį“, o normatyvinis karkasas, kuris leidžia struktūruotai mąstyti apie rizikos ir grąžos ryšį. Jo ribos parodo, kad rizikos ontologija negali būti redukuota vien į $\beta$ — todėl praktikoje CAPM papildomas šalies premija, dydžio premija, likvidumo korekcija ir kitais ad hoc priedais, kurie iš dalies kompensuoja vienfaktorinio modelio ribotumą (žr. 11 skyrių).

Normaliojo skirstinio iliuzija ir modelio rizika#

Markowitzo portfelio teorija, CAPM ir Black-Scholes opcionų kainodara — visi remiasi prielaida, kad aktyvų grąžos pasiskirsčiusios pagal normalųjį (Gauso) skirstinį. Ši prielaida patogi matematiškai, tačiau empiriškai problemiška.

Mandelbrot (1963) parodė, kad finansinių aktyvų grąžų uodegos yra „storesnės“ nei numato normalusis skirstinys — ekstremalūs įvykiai pasitaiko kur kas dažniau. Pagal normalųjį skirstinį įvykis, nutolęs 5 standartinius nuokrypius nuo vidurkio, turėtų pasitaikyti kartą per ~14 000 metų. Tačiau finansų rinkose tokie „5-sigma“ įvykiai pasitaiko maždaug kartą per dešimtmetį.

Tai sukuria modelio riziką (angl. model risk) — klaidą, kylančią ne iš pačios tikrovės, o iš jos reprezentacijos formos. Verslo planas gali būti matematiškai „tvarkingas“, bet ontologiškai trapus: jei modelis neturi vietos ekstremaliam scenarijui, jis sistemingai nuvertina kapitalo atsargų, likvidumo rezervų ir strateginio lankstumo poreikį. Kaip iliustravo 2008 m. finansų krizė: rizikos valdymo modeliai, paremti normaliojo skirstinio prielaida, rodė, kad bankų portfeliai yra saugūs — kol nebuvo.

Praktinė išvada verslo planuotojui: kiekybiniai rizikos modeliai yra būtini, bet nepakankamos sąlygos. Juos būtina papildyti stresų testavimu ir scenarijų analize (4 skyrius), kuri apima ir „neįmanomus“ scenarijus.

Elgsenos šališkumai rizikos vertinime#

Prospektų teorija (Kahneman & Tversky, 1979) parodė, kad žmonių rizikos vertinimas sistemingai nukrypsta nuo racionalaus modelio. Verslo planavimo ir rizikos valdymo kontekste ypač svarbūs septyni kognityviniai šališkumai:

1. Perteklinis pasitikėjimas (angl. overconfidence). Vadovai sistemingai per siaurai vertina neapibrėžtumą — jų 90 % pasikliovimo intervalai apima tikrąją reikšmę tik ~50 % atvejų (Russo & Schoemaker, 1992). Verslo planavime tai reiškiasi per optimistiškomis pajamų prognozėmis ir per siaurais rizikos intervalais.

2. Nuostolių vengimas ir eskalavimas (angl. loss aversion, sunk cost fallacy). Kai projektas jau patyrė nuostolių, vadovai linkę toliau investuoti, norėdami „atsigriebti” — net jei racionalus sprendimas būtų nutraukti. Tai ypač aktualu ilgalaikiuose investiciniuose projektuose (10 skyrius).

3. Prieinamumo euristika (angl. availability heuristic). Lengviau prisimenamos rizikos (neseniai patirtos, ryškios, emociškai krautinos) vertinamos kaip labiau tikėtinos. Po žinomo kibernetinio incidento organizacija gali neproporcingai padidinti IT saugos biudžetą, tuo pačiu ignoruodama latentinę tiekimo grandinės riziką.

4. Inkaravimo efektas (angl. anchoring). Pradinė informacija — net jei ji nerelevanti — neproporcingai veikia galutinį sprendimą. Verslo vertinime: pirmoji pasiūlyta kaina „inkaruoja“ derybas ir formuoja vėlesnį lūkesčių intervalą (Tversky & Kahneman, 1974).

5. Grupinis mąstymas (angl. groupthink). Irving Janis (1972) aprašė fenomeną, kai stiprios grupės vieningumas slopina kritinį mąstymą ir alternatyvų svarstymą. Direktorių tarybos ar investiciniai komitetai, kuriuose vyrauja konformizmas, gali sistemingai neįvertinti strateginių rizikų.

6. Bandų elgsena (angl. herd behavior). Kai individualūs sprendimų priėmėjai seka kitų veiksmus, manydami, kad kiti turi geresnę informaciją, kyla informacinė kaskada (angl. informational cascade) — kiekvienas individualiai racionalus sprendimas kolektyviai tampa iracionalus. Bandų elgsena turi ir reputacinę dimensiją: vadovams dažnai saugiau klysti kartu su visais nei būti teisiam vienam — tai sustiprina konformizmą investiciniuose sprendimuose.

Bandų elgsena yra pagrindinis burbulų formavimosi mechanizmas. Charles Kindleberger (1978) savo klasikiniame veikale Manias, Panics, and Crashes (vėliau atnaujintame su Robert Aliber) aprašė burbulų evoliuciją penkių stadijų modeliu:

Istoriniai pavyzdžiai — tulpių manija (1637), dot-com burbulas (2000), nekilnojamojo turto burbulas (2008) — rodo, kad šis modelis pasikartoja su stebėtinu panašumu, keičiasi tik burbulo objektas (Kindleberger & Aliber, 2005).

7. Planavimo klaida (angl. planning fallacy). Kahneman ir Tversky (1979) identifikuotas reiškinys, kai projektų trukmė ir kaštai sistemingai neįvertinami. Empiriniai duomenys rodo, kad ~90 % projektų viršija pradinį biudžetą, vidutinis viršijimas siekia ~27 %, o megaprojektuose — 200 % ir daugiau. Perteklinis pasitikėjimas (angl. overconfidence) turi tris formas: gebėjimų pervertinimą (angl. overestimation), savo pozicijos pervertinimą lyginant su kitais (angl. overplacement) ir tikslumo pervertinimą (angl. overprecision) — pastaroji forma tiesiogiai veikia per siaurus pasikliovimo intervalus finansinėse prognozėse.

Agentūros problema ir organizacinis rizikos iškraipymas#

Jensen ir Meckling (1976) agentūros teorija rodo, kad samdomi vadovai ir savininkai turi skirtingus rizikos interesus. Vadovas, kurio kompensacija priklauso nuo trumpalaikių rezultatų, gali prisiimti per daug rizikos (siekdamas bonusų) arba, priešingai, per mažai (jei jo darbo vieta priklauso nuo „klaidų“ vengimo). Kahneman ir Lovallo (1993) papildė šią perspektyvą organizaciniu optimizmu: projektų iniciatoriai turi asmeninį interesą pateikti optimistines prognozes; sprendimų priėmėjai norėtų, kad projektai pavyktų; organizacinė kultūra dažnai baudžia „pesimizmą“.

Ši agentūros dinamika paaiškina, kodėl rizikos valdymas turi būti institucionalizuotas (formalizuoti procesai, nepriklausoma rizikos funkcija, direktorių tarybos priežiūra), o ne paliekamas individualiam vadovo sprendimui.

Debiasing: šališkumų mažinimo strategijos#

Akademinė literatūra ir praktika siūlo keletą struktūrinių strategijų kognityvinių šališkumų poveikiui mažinti:

• Nuorodų klasės prognozavimas (angl. reference class forecasting): prognozė sudaroma ne „iš vidaus“ (projekto specifika), o „iš išorės“ — kaip panašūs projektai sekėsi istoriškai. Flyvbjerg (2006) parodė, kad infrastruktūros projektai sistemingai viršija biudžetus, ir pasiūlė nuorodų klasės korekcinį koeficientą.
• Pre-mortem analizė (angl. pre-mortem analysis; Klein, 2007): komanda prieš priimant sprendimą įsivaizduoja, kad projektas jau žlugo, ir generuoja galimas žlugimo priežastis. Tai legitimuoja pesimizmą ir sumažina grupinio mąstymo efektą.
• Struktūrizuota oponentų diskusija (angl. red team / devil’s advocate): formalus opozicijos vaidmens priskyrimas sprendimų procese, mažinantis patvirtinimo šališkumą.
• Scenarijų planavimas: reikalauja apsvarstyti kelis radikaliai skirtingus ateities scenarijus, priverčiant sprendimų priėmėjus išeiti iš „vieno taško“ prognozės (Schwartz, 1991; plačiau 4 skyriuje).
• Stresų testavimas (angl. stress testing): Langley (2013) apibrėžė stresų testavimą kaip konceptualų instrumentą, leidžiantį modeliuoti mažos tikimybės, didelio poveikio įvykius — būtent tuos, kurių standartiniai modeliai neapima. Stresų testavimas yra ypač svarbus organizacijoms, priklausomoms nuo išorinių veiksnių (finansavimo, tiekimo grandinių, reguliacinės aplinkos stabilumo), ir turėtų apimti ne tik tiesioginį šoko poveikį, bet ir kaskadines pasekmes (žr. rizikų kaskadavimą 3.1.2 poskyryje). Plačiau apie stresų testavimo metodologiją — 4 skyriuje.

Rizikos apetitas, tolerancija ir talpa#

Kiekviena organizacija turi — dažnai neišreikštą — požiūrį į riziką, kurį galima apibrėžti trimis hierarchiniais lygmenimis:

• Rizikos apetitas (angl. risk appetite): bendra organizacijos parengtis prisiimti riziką siekiant tikslų. Tai strateginis, valdybos lygio sprendimas.
• Rizikos tolerancija (angl. risk tolerance): priimtina rezultatų variacija konkrečiam tikslui ar procesui.
• Rizikos talpa (angl. risk capacity): maksimali rizika, kurią organizacija gali prisiimti nepatirdama egzistencinės grėsmės.

Fundamentali taisyklė: apetitas ≤ talpa. Organizacija gali norėti prisiimti daugiau rizikos nei ji gali — tai viena dažniausių startuolių ir agresyviai augančių verslų klaidų.

COSO ERM (2017) rekomenduoja formalizuoti rizikos apetitą kaip kiekybinį pareiškimą (pvz., „priimtinas maksimalus metinis pelno svyravimas — ±15 % nuo plano“) arba kokybinį (pvz., „nesiimsime veiklos šalyse su korupcijos indeksu žemiau 40/100“). Lietuvos MVĮ kontekste rizikos apetitas dažniausiai yra neformalizuotas ir priklauso nuo savininko asmeninės pozicijos — tai suteikia lankstumą, bet kartu sukuria nenuoseklumo ir subjektyvumo riziką.

Objektyvaus ir subjektyvaus požiūrių sintezė#

Apibendrinant kritinę diskusiją, šiuolaikinis verslo rizikos supratimas reikalauja dviejų paralelinių tradicijų sintezės:

Nei objektyvus, nei subjektyvus požiūris vieni nėra pakankami. Verslo planuotojas, kuris naudoja tik kiekybinius modelius, praleidžia psichologines ir institucines rizikos dimensijas. Planuotojas, kuris remiasi tik intuicija, neturi galimybės struktūruotai palyginti alternatyvų. Efektyvus rizikos valdymas — tai nuolatinė navigacija tarp šių dviejų paradigmų, naudojant kiekybinius modelius kaip struktūrinę atramą ir elgsenos įžvalgas kaip korekcinį mechanizmą.

3.1.4 Technologijų perspektyva#

Rizikos ir pelningumo teorijų raida yra neatsiejama nuo skaičiavimo technologijų evoliucijos. Daugelis šiame skyriuje pristatytų modelių gimė kaip teorinės konstrukcijos, tačiau praktiškai taikomi tapo tik tada, kai technologijos leido atlikti reikalingus skaičiavimus.

Kompiuterizacijos era (1970–1995): teorijos tampa praktika#

Markowitzo portfelio teorija (1952) yra chrestomatinis technologijos ir teorijos sąveikos pavyzdys. Dispersijos-kovariacijos matricos skaičiavimas 100 aktyvų portfeliui reikalauja apdoroti 5 050 unikalių elementų. Rankiniu būdu tai buvo beveik neįmanoma užduotis — todėl nuo 1952 iki maždaug 1970-ųjų portfelio teorija iš dalies liko akademine konstrukcija, o praktikai toliau vadovavosi intuicija ir paprastomis taisyklėmis.

Kompiuterių atsiradimas viską pakeitė. Sharpe’o CAPM (1964) tapo ne tik teoriniu modeliu, bet ir praktiškai skaičiuojamu įrankiu: beta koeficientai pradėti reguliariai publikuoti (Value Line, Merrill Lynch), o investuotojai pirmą kartą galėjo kiekybiškai vertinti sisteminę riziką. Kita esminė technologinė revoliucija įvyko 1973 m., kai Black ir Scholes paskelbė savo opcionų kainodaros formulę, o tais pačiais metais pradėjo veikti Čikagos opcionų birža (CBOE). Prekybininkai greitai adaptavo formulę, „įsiūdami” ją į programuojamus skaičiuotuvus — ypač Hewlett-Packard HP-67, kuris tapo pirmuoju plačiai naudotu Black-Scholes skaičiavimo įrankiu CBOE prekybos salėse (MacKenzie, 2006). Rizikos vertinimas pirmą kartą tapo realaus laiko operacija, pereidamas nuo analitiko sąsiuvinio į skaitmeninį formatą.

Šioje eroje atsirado ir pirmieji komerciniai rizikos modeliavimo įrankiai: @RISK (Palisade Corporation, 1987) ir kiti Monte Carlo priedai skaičiuoklėms. Tai demokratizavo rizikos analizę — ji tapo prieinama ne tik investiciniams bankams, bet ir korporacijų finansų skyriams.

Interneto ir duomenų era (1995–2020): nuo modelio prie sistemos#

1994 m. JP Morgan viešai paskelbė RiskMetrics — standartizuotą rizikos vertės (angl. Value at Risk, VaR) metodologiją, kuria savo rizikos portfelius galėjo vertinti bet kuri finansų institucija. Tai buvo precedento neturintis žingsnis: pirmą kartą sudėtingas rizikos modelis tapo viešai prieinamu standartu, o ne konkurenciniu pranašumu. RiskMetrics sėkmė paskatino Bazelio komitetą integruoti VaR į bankų kapitalo reikalavimus, taip paverčiant rizikos technologiją reguliaciniu reikalavimu. Ilgainiui ši reguliacinė evoliucija atskleidė gilėjantį modelių ir institucijų dialogą. Bazilis I (1988) rėmėsi paprastais standartizuotais rodikliais, mažai reikalaujančiais technologinės infrastruktūros. Bazilis II (2004) atvėrė vidaus modelių (IRB, VaR) erą, reikalaujančią sudėtingos IT infrastruktūros ir rizikos analitikų komandų. Po 2008 m. krizės Bazilis III (2010→) įvedė likvidumo rodiklius (LCR, NSFR) ir stresų testus, reikalaujančius realaus laiko duomenų apdorojimo. Naujausi pokyčiai — vadinamasis „Bazilis IV“ su output floor mechanizmu — signalizuoja reguliuotojų skepticizmą dėl vidinių modelių patikimumo: paradigma kito nuo „modeliuok laisvai“ per „modeliuok, bet tikrink“ iki „nepervertink modelių“.

Internetas suteikė prieinamumą duomenims, kurie anksčiau buvo prieinami tik profesionaliems rinkos dalyviams. Damodarano atviros duomenų bazės (šalių rizikos premijos, beta koeficientai, sektorių statistika) nuo 2000-ųjų tapo de facto standartu akademikams ir praktikams. Bloomberg ir Refinitiv (Thomson Reuters) terminalai konsolidavo realaus laiko rinkos duomenis, leisdami skaičiuoti CAPM parametrus ne pagal metinius vidurkius, o pagal kasdienę dinamiką.

Tačiau ši era atskleidė ir technologinę riziką pačiame rizikos valdyme. 2008 m. finansų krizė parodė, kad VaR modeliai, maitinami istoriniais duomenimis iš palyginti ramaus 2003–2006 m. laikotarpio, sistemingai nuvertino rizikos lygį. Normaliojo skirstinio prielaida (žr. 3.1.3) buvo ne tik teorinė, bet ir technologinė problema: modeliai buvo sukalibruoti pagal „gero oro“ duomenis ir negalėjo apčiuopti struktūrinių lūžių. Tai sustiprino Talebo (2007) „juodosios gulbės“ kritiką: kuo labiau pasitikime modeliu, tuo labiau nuvertiname tai, ko modelis nemato.

Kitas globalus pokytis — Algoritminės prekybos (angl. algorithmic trading) infrastruktūros dominavimas. JAV vertybinių popierių rinkose algoritmai šiandien formuoja daugiau nei pusę kasdienės sandorių apimties (SEC, 2020, Staff Report on Algorithmic Trading in U.S. Capital Markets). Moderni rinkos mikrostruktūra atvėrė kelius mikrosekundžių disbalanso krizėms, o žinomiausias tokios katastrofos variantas priskiriamas 2010 m. gegužės 6 d. išryškėjusiam „Žaibiškam krachui“ (angl. Flash crash), po kurio Dow Jones indeksas nukrito apie 1 000 punktų (beveik 9 %) vos per kelias dešimtis minučių (Kirilenko, Kyle, Samadi, & Tuzun, 2017). Šis staigus lūžis be jokio tradicinio ekonominio šoko parodė, kad algoritminė prekybos infrastruktūra sukuria naują likvidumo sisteminės rizikos formą, kurios tradiciniai modeliai — tiek CAPM, tiek storų uodegų karkasai — nebuvo sukurti fiksuoti.

Šioje eroje iškilo ir RegTech (angl. regulatory technology) inovacijos: reguliacinė atitiktis, KYC/AML (angl. Anti-Money Laundering) procesai ir VaR skaičiavimai persikėlė į automatizuotas skaitmenines sistemas, kurios sumažino žmogiškosios klaidos riziką, tačiau sukūrė naują priklausomybę nuo kibernetinio saugumo. Lietuvos ir Baltijos kontekste šis pokytis buvo ypač ryškus: Lietuvos banko sukurta reguliacinė smėlio dėžė (angl. Fintech Regulatory Sandbox) prisidėjo prie šalies tapimo vienu žinomesnių fintech licencijavimo centrų Europoje (Lietuvos bankas, 2023) ir kartu — testavimo aplinka naujoms rizikos valdymo technologijoms.

Šalia RegTech inovacijų formavosi ir paskirstytojo registro technologijų (angl. Distributed Ledger Technology, DLT) pritaikymo diskursas rizikos valdyme. Pažadai — atsiskaitymo rizikos mažinimas per išmanias sutartis (angl. smart contracts), sandorių atsekamumo didinimas — kol kas daugiausia liko bandomųjų projektų stadijoje. Tačiau DeFi (angl. Decentralised Finance) ekosistemos augimas sukūrė visiškai naujas rizikos kategorijas: išmaniųjų sutarčių pažeidžiamumą, „žaibiškų paskolų“ (angl. flash loans) atakas ir nereguliuojamų protokolų sisteminę riziką. Lietuvos bankas šioje srityje parodė iniciatyvą — LBChain projektas (2018–2019) buvo viena ankstyvųjų centrinių bankų blockchain reguliacinių smėlio dėžių, skirta testuoti DLT sprendimus prižiūrimoje aplinkoje (Lietuvos bankas, 2019).

DI ir DI agentų era (2020→): rizikos vertinimas realiu laiku#

Dirbtinis intelektas (angl. artificial intelligence, AI) keičia rizikos valdymą keliais fundamentaliais lygmenimis.

Rizikos identifikavimas. Natūralios kalbos apdorojimo (angl. Natural Language Processing, NLP) modeliai geba analizuoti naujienų srautus, reguliacinius dokumentus ir socialinių tinklų duomenis, identifikuodami naujas rizikos kategorijas anksčiau nei tradiciniai metodai. Pavyzdžiui, geopolitinės rizikos indeksai, konstruojami iš naujienų turinio analizės, leidžia kiekybiškai vertinti tai, kas anksčiau buvo tik kokybinis ekspertų sprendimas.

Rizikos modeliavimas. Mašininio mokymosi algoritmai — ypač gradientinio stiprinimo metodai (angl. gradient boosting) ir gilieji neuroniniai tinklai — geba apčiuopti netiesinius ryšius ir sąveikas tarp rizikos veiksnių, kurių tradiciniai tiesiniai modeliai (CAPM, daugiaveiksniai) praleidžia. Gu, Kelly ir Xiu (2020) parodė, kad aktyvų kainodaros uždaviniuose mašininio mokymosi modeliai gali reikšmingai pagerinti prognozinį tikslumą, palyginti su tradiciniais tiesiniais faktorinių modelių variantais. Vis dėlto geresnė prognozė dar nereiškia geresnio paaiškinimo: interpretacijos ir priežastingumo klausimas išlieka atviras.

Operacinė rizika. DI transformuoja operacinės rizikos valdymą: anomalijų aptikimo algoritmai identifikuoja neįprastus sandorius, mokėjimus ar procesus, o automatizuoti stresų testai modeliuoja tūkstančius scenarijų per minutes — užduotis, kuri žmogui pareikalautų savaičių.

Tačiau DI kelia ir naujų rizikos dimensijų. Modelio nepermatomumas (angl. black box problem): kai rizikos vertinimą atlieka gilaus mokymosi modelis, analitikai dažnai negali paaiškinti, kodėl modelis priėjo konkrečią išvadą. Tai prieštarauja reguliaciniams reikalavimams ir sukuria naują agentūros problemą: kas atsako, kai „juodoji dėžė“ klysta? Duomenų šališkumas: DI modeliai mokosi iš istorinių duomenų, kuriuose gali būti sisteminių šališkumų — pavyzdžiui, kredito rizikos modeliai, treniruoti ant duomenų, atspindinčių diskriminacines praktikas, gali jas perpetuoti. Sisteminis fragilumas: kai daugelis rinkos dalyvių naudoja panašius DI modelius, jų sprendimai koreliuoja — tai gali sustiprinti bandų elgsenos efektą (žr. 3.1.3) ir sukurti naujų tipų sisteminę riziką. Kibernetinė ir reguliacinė rizika: skaitmenizuotas rizikos valdymas tampa priklausomas nuo debesų infrastruktūros, duomenų tiekėjų ir RegTech sistemų, todėl modelio klaida, kibernetinis incidentas ar klaidinga reguliacinės atitikties automatizacija gali tapti pačios rizikos valdymo sistemos gedimu.

Šio vadovėlio pozicija — DI yra galingas rizikos analizės instrumentas, tačiau jis nepanaikina fundamentalių epistemologinių problemų: Knighto neapibrėžtumo, normaliojo skirstinio iliuzijos ir elgsenos šališkumų. DI gali padėti juos valdyti, bet negali jų pašalinti. Lietuvos ir Baltijos kontekste ši įtampa ypač ryški dėl sparčiai skaitmenėjančio finansų sektoriaus ir aktyvios fintech politikos: Lietuvos banko palaikyta inovacijų ekosistema didina efektyvumą, bet kartu iškelia kibernetinės, modelio ir trečiųjų šalių infrastruktūros rizikos klausimus. Technologijų ir rizikos valdymo santykio gilesnė analizė, apimanti visų knygos temų sintezę, pateikiama 19 skyriuje.

3.2 Analitiniai modeliai ir formulės#

Šiame poskyryje pateikiami pagrindiniai rizikos ir pelningumo matavimo modeliai su matematinėmis išraiškomis ir skaitiniais pavyzdžiais. Kiekviena formulė iliustruoja vieną iš teorinėje dalyje aptartų koncepcijų.

Standartinis nuokrypis — bazinis rizikos matas#

Standartinis nuokrypis (angl. standard deviation) matuoja grąžos sklaidą apie vidurkį ir yra plačiausiai naudojamas rizikos rodiklis:

kur:

• $\sigma$ — standartinis nuokrypis (rizikos matas),
• $R_i$ — stebėta grąža $i$-uoju laikotarpiu,
• $\bar{R}$ — vidutinė grąža per visus laikotarpius,
• $n$ — stebėjimų skaičius.

Skaitinis pavyzdys. Įmonės metinės grąžos per 5 metus: 12 %, 8 %, –4 %, 15 %, 9 %. Vidutinė grąža $\bar{R} = (12 + 8 - 4 + 15 + 9) / 5 = 8{,}0\%$.

Rezultatas rodo, kad vidutinė metinė grąža yra 8 %, o tipinis nuokrypis nuo šio vidurkio — apie 7,25 procentinio punkto.

Beta koeficientas — sisteminės rizikos matas#

Beta koeficientas (angl. beta coefficient) matuoja aktyvo jautrumą rinkos pokyčiams:

kur:

• $\beta_i$ — aktyvo $i$ beta koeficientas,
• $\text{Cov}(R_i, R_m)$ — aktyvo ir rinkos grąžų kovariacija,
• $\text{Var}(R_m)$ — rinkos grąžos dispersija.

Skaitinis pavyzdys. Tarkime, kad kovariacija tarp įmonės ir rinkos grąžų yra $\sigma_{im} = 0{,}0036$, o rinkos dispersija $\sigma_m^2 = 0{,}0025$.

$\beta = 1{,}44$ reiškia, kad įmonės grąža svyruoja 44 % stipriau nei rinka — tai agresyvus, aukštesnės rizikos aktyvas.

CAPM — tikėtina grąža#

Kapitalo turto kainodaros modelis (angl. Capital Asset Pricing Model, CAPM) susieja tikėtiną grąžą su sistemine rizika:

kur:

• $E(R_i)$ — tikėtina aktyvo $i$ grąža,
• $R_f$ — nerizikinga norma,
• $\beta_i$ — aktyvo sisteminės rizikos matas,
• $E(R_m) - R_f$ — rinkos rizikos premija (angl. equity risk premium, ERP).

Skaitinis pavyzdys. Lietuvos gamybinė įmonė. Duomenys: euro zonos nerizikinga norma $R_f = 3{,}0\%$; rinkos rizikos premija $ERP = 5{,}5\%$; įmonės $\beta = 1{,}2$.

Investuotojas, prisiimantis šios įmonės sisteminę riziką, tikisi 9,6 % metinės grąžos. Jei įmonė generuoja mažesnę grąžą — ji nekuria vertės akcininkui.

Portfelio dispersija — diversifikacijos efektas#

Dviejų aktyvų portfelio dispersija parodo, kaip diversifikacija mažina riziką:

kur:

• $w_1$, $w_2$ — aktyvų svoriai portfelyje ($w_1 + w_2 = 1$),
• $\sigma_1$, $\sigma_2$ — aktyvų standartiniai nuokrypiai,
• $\rho_{12}$ — koreliacijos koeficientas tarp dviejų aktyvų grąžų.

Skaitinis pavyzdys. Portfelis iš dviejų verslo krypčių: A ($\sigma_A = 20\%$, $w_A = 0{,}5$) ir B ($\sigma_B = 10\%$, $w_B = 0{,}5$), koreliacijos koeficientas $\rho_{AB} = 0{,}2$.

Portfelio rizika (12,0 %) yra mažesnė nei paprastas svertinis aktyvų rizikų vidurkis ($0{,}5 \times 20\% + 0{,}5 \times 10\% = 15\%$). Skirtumas (3 procentiniai punktai) — tai diversifikacijos efektas, kylantis iš nepilnos koreliacijos.

Sortino koeficientas — asimetrinė rizika#

Sortino koeficientas (angl. Sortino ratio) vertina rizikos koreguotą grąžą, skaičiuodamas tik nuosmukio riziką:

kur:

• $R_p$ — portfelio (ar projekto) vidutinė grąža,
• $MAR$ — minimalus priimtinas grąžos lygis (angl. Minimum Acceptable Return),
• $\sigma_d$ — nuosmukio standartinis nuokrypis (skaičiuojamas tik iš neigiamų nukrypimų nuo $MAR$).

Nuosmukio dispersija:

Pastaba: vardiklyje naudojamas $n$ (visų laikotarpių skaičius, ne tik neigiamų nukrypimų), nes nuliniai nukrypimai taip pat informuoja apie nuosmukio rizikos profilį. Tai skiriasi nuo imties standartinio nuokrypio (3.1), kur naudojamas $n - 1$.

Skaitinis pavyzdys. Projektas per 4 metus generuoja grąžas: 12 %, 8 %, –4 %, 15 %. $MAR = 5\%$.

Nukrypimai nuo MAR: $12-5 = +7$ (ignoruojama), $8-5 = +3$ (ignoruojama), $-4-5 = -9$ (skaičiuojama), $15-5 = +10$ (ignoruojama).

Vidutinė grąža: $(12 + 8 - 4 + 15)/4 = 7{,}75\%$.

Palyginimui, Sharpe’o koeficientas ($R_f = 2\%$, $\sigma = 8{,}3\%$) būtų $(7{,}75 - 2)/8{,}3 \approx 0{,}69$. Sortino koeficientas yra informatyvesnis, kai investuotojui rūpi tik nuosmukio, ne visos sklaidos, rizika.

Variacijos koeficientas — santykinė rizika#

Variacijos koeficientas (angl. coefficient of variation, CV) leidžia palyginti riziką tarp projektų su skirtingomis tikėtinomis grąžomis:

kur $\sigma$ — standartinis nuokrypis, $\bar{R}$ — vidutinė grąža.

Skaitinis pavyzdys. Du projektai:

Nors projektas B turi mažesnį absoliutų standartinį nuokrypį, jo santykinė rizika (CV = 0,75) yra didesnė nei projekto A (CV = 0,67). Taigi A projektas yra efektyvesnis rizikos–grąžos prasme.

Šalies rizikos premijos korekcija (Damodaran metodas)#

Vertinant verslą besivystančiose ar mažose rinkose (pvz., Lietuvoje), bazinė CAPM formulė papildoma šalies rizikos premija:

kur:

• $ERP_{brandži\ rinka}$ — brandžios rinkos (pvz., JAV) akcijų rizikos premija,
• $CRP$ — šalies rizikos premija (angl. Country Risk Premium), apskaičiuojama pagal Damodaran metodą: šalies obligacijų palūkanų maržos skirtumas (angl. default spread), pakoreguotas pagal akcijų ir obligacijų rinkų santykinio kintamumo koeficientą.

Skaitinis pavyzdys (Lietuvos kontekstas). Iliustraciniame pavyzdyje daroma prielaida, kad:

• $R_f = 3{,}5\%$ (euro zonos nerizikinga norma),
• $ERP_{JAV} = 5{,}0\%$ (brandžios rinkos premija pagal Damodaran duomenų bazę; Damodaran, 2026),
• $CRP_{LT} \approx 1{,}1\%$ (Lietuvos šalies premija pagal Damodaran lentelę, 2026 m. sausio atnaujinimas; Moody’s A2 reitingas — konkretaus vertinimo metu reikia naudoti aktualią lentelės reikšmę; Damodaran, 2026),
• $\beta = 1{,}1$.

Privačiam verslui papildomai taikoma likvidumo nuolaida (angl. Discount for Lack of Marketability, DLOM), galinti siekti 15–35 % (Damodaran, 2012). Plačiau apie WACC ir kapitalo kainos skaičiavimą — 11 skyriuje.

Formulių suvestinė#

3.3 Apibendrinimas#

Šis skyrius pristatė verslo rizikos ir pelningumo ryšio teorinius pagrindus, kiekybinius modelius ir kritinę jų analizę. Pagrindinės išvados:

1. Rizika ir pelningumas yra neatskiriami, bet jų ryšys nėra paprastas. Kiekybiniai modeliai (CAPM, Fama-French) formalizuoja šį ryšį, tačiau jie remiasi prielaidomis, kurios ne visada atitinka tikrovę. Praktikoje rizikos premija atspindi ne tik statistinę sklaidą, bet ir rinkos psichologiją, institucinę aplinką ir likvidumo sąlygas.

2. Ne visas netikrumas yra to paties pobūdžio. Knighto skirtis tarp rizikos (skaičiuojamos) ir neapibrėžtumo (neskaičiuojamo) lieka fundamentali: standartiniai modeliai veikia rizikos zonoje, bet silpnėja susidūrus su tikru neapibrėžtumu.

3. Dalis rizikos yra diversifikuojama, dalis — ne. Sisteminės ir nesisteminės rizikos dichotomija yra viena svarbiausių finansų teorijos įžvalgų: rinka kompensuoja tik nediversifikuojamą riziką. Tačiau privataus verslo savininkas patiria abi — ir tai keičia vertinimo logiką (žr. 14 skyrių).

4. Rizikos matai turi ontologines ribas. Standartinis nuokrypis yra simetriškas, o verslo praktikoje nuostoliai yra asimetriškai svarbesni. Normaliojo skirstinio prielaida ignoruoja storas uodegas. Kiekvienas matas yra tikrovės aproksimacija, ne pati tikrovė.

5. Elgsenos šališkumai sistemingai iškraipo rizikos vertinimą. Perteklinis pasitikėjimas, nuostolių vengimas, inkaravimas ir grupinis mąstymas veikia ne tik individualius, bet ir organizacinius sprendimus. Struktūrinės debiasing strategijos (pre-mortem, reference class forecasting, red team) yra būtinas korekcinis mechanizmas.

6. Rizikos valdymas nėra vien nuostolių ribojimas — jis gali būti vertės kūrimo mechanizmas. Organizacija, kuri geriau supranta ir valdo riziką nei konkurentai, gali prisiimti rizikingesnius, bet pelningesnius projektus — tai yra konkurencinis pranašumas rizikos valdymo srityje.

Tolimesniuose skyriuose šios koncepcijos bus taikomos instrumentiškai: 4 skyriuje — jautrumo analizė, scenarijų analizė ir Monte Carlo simuliacijos; 5 skyriuje — diversifikacijos ir specializacijos sprendimai; 11 skyriuje — WACC ir diskonto normos skaičiavimas; 14 skyriuje — realieji opcionai kaip strateginis rizikos valdymo instrumentas.

3.4 Atvejo analizė ir praktiniai pavyzdžiai#

Atvejis 1: Lietuvos gamybinės įmonės rizikos profilis#

Tai hipotetinis mokomasis pavyzdys, paremtas tipine Kauno regiono gamybinės įmonės situacija. Skaičiai iliustraciniai, atspindintys Lietuvos metalo apdirbimo sektoriaus proporcijas.

Situacija#

UAB „Baltico Komponentai“ — Kauno regione veikianti vidutinė gamybinė įmonė, gaminanti metalinius komponentus Vakarų Europos automobilių pramonei. Įmonės metinė apyvarta — 12 mln. €, darbuotojų skaičius — 85. 2025 m. įmonė svarsto 3,5 mln. € investiciją į naują CNC apdirbimo liniją, kuri leistų gaminti tikslesnėmis tolerancijomis ir patekti į elektromobilių komponentų segmentą. Investicija finansuojama 60 % banko paskola ir 40 % nuosavomis lėšomis.

Rizikos identifikavimas ir klasifikavimas#

Taikydami 3.1.2 poskyryje pristatytą rizikos taksonomijos karkasą, identifikuojame šias pagrindines rizikas:

Išorinės rizikos:

• Makroekonominė: euro zonos palūkanų normų svyravimai tiesiogiai veikia paskolos aptarnavimo kaštus. ECB bazinės normos pakėlimas nuo 0 % (2022 m.) iki 4,5 % (2023 m.) parodė šios rizikos mastą.
• Geopolitinė: priklausomybė nuo Vakarų Europos automobilių pramonės, kuri pati patiria konkurencinį spaudimą iš Kinijos elektromobilių gamintojų.
• Technologinė: elektromobilių komponentų specifikacijos keičiasi sparčiau nei tradicinės automobilių pramonės — investicija gali tapti morališkai pasenusi greičiau nei planuota.

Vidinės rizikos:

• Operacinė: kvalifikuotų CNC operatorių trūkumas Kauno regione; integracijos su esamomis gamybos linijomis sudėtingumas.
• Finansinė: fiksuotos palūkanos vs kintamos; valiutos rizikos nėra (veikia euro zonoje).
• Strateginė: koncentracijos rizika — 3 pagrindiniai klientai sudaro 70 % pajamų.

Kiekybinis rizikos premijos skaičiavimas#

Taikome (3.7) formulę su šalies rizikos korekcija:

• $R_f = 3{,}5\%$ (euro zonos nerizikinga norma)
• $ERP = 5{,}0\%$ (brandžios rinkos premija)
• $CRP_{LT} = 1{,}1\%$ (Lietuvos šalies rizikos premija; Damodaran, 2026)
• $\beta = 1{,}15$ (automobilių komponentų sektoriaus beta, koreguota pagal finansinį svertą)

Privačiam verslui papildomai reikia įvertinti nelikvidumą. Metodologiškai korektiška nelikvidumo nuolaidą (angl. DLOM) taikyti vertės, o ne diskonto normos lygmenyje — t. y. pirma apskaičiuoti verslo vertę pagal aukščiau nustatytą diskonto normą, o tada taikyti 15–35 % nuolaidą nuo gautos vertės (Damodaran, 2012). Tačiau praktikoje, ypač greitojo vertinimo kontekste, kartais taikomas heuristinis supaprastinimas — nuosavo kapitalo kaina padidinama ~2–4 procentiniais punktais, kas šiuo atveju duotų orientacinę efektinę kainą ~12–14 %. Svarbu suprasti, kad tai yra aproksimacija, o ne teoriškai griežtas sprendimas (plačiau apie privataus verslo vertinimo specifiką — 14 skyriuje).

Išvados#

Šis atvejis iliustruoja, kaip teorinės rizikos kategorijos virsta konkrečiais plano elementais. Kiekybinis CAPM skaičiavimas suteikia bazinę diskonto normą, tačiau kokybinis rizikos profilis (klientų koncentracija, technologinė transformacija, darbuotojų trūkumas) yra ne mažiau svarbus. Kaip parodė Knighto analizė, daugelis šių rizikų — ypač technologinė — yra arčiau neapibrėžtumo nei skaičiuojamos rizikos.

Atvejis 2: Technologijų startuolis ir elgsenos šališkumai#

Tai hipotetinis mokomasis pavyzdys, paremtas tipine Lietuvos healthtech startuolių situacija ir MITA finansavimo praktika.

Situacija#

VĮ „HealthAI“ — Vilniaus startuolis, kuriamas dirbtinio intelekto sprendimas ambulatorinei diagnostikai. Komanda — 4 inžinieriai ir 1 verslo plėtros vadovas. Pradinė investicija — 150 000 € (nuosavos lėšos ir MITA finansavimas). Po 18 mėnesių veiklos startuolis rengia verslo planą rizikos kapitalo fondui, siekdamas 1,2 mln. € A etapo investicijos.

Elgsenos šališkumų identifikavimas#

Nagrinėdami „HealthAI“ verslo planą, identifikuojame kelis 3.1.3 poskyryje aptartus šališkumus:

1. Perteklinis pasitikėjimas. Planas numato, kad per 3 metus startuolis užims 5 % Lietuvos ambulatorinės diagnostikos rinkos. Tačiau nuorodų klasės analizė rodo, kad tik ~10 % healthtech startuolių pasiekia šį penetracijos lygį per nurodytą laikotarpį — komanda neatliko reference class forecasting.

2. Prieinamumo euristika. Plano „rizikos“ skyriuje dominuoja technologinės rizikos (algoritmo tikslumas, duomenų saugumas) — sritys, kurias komanda puikiai supranta. Tačiau reguliacinė rizika (medicininio prietaiso CE žymėjimas, BDAR atitiktis) ir komercializacijos rizika (ligoninių pirkimų procesų trukmė) yra užkoduotos vienu sakiniu, nors empiriškai jos yra pagrindinė healthtech startuolių žlugimo priežastis.

3. Inkaravimas. Finansinės prognozės pradedamos nuo „jei turėsime 1 000 mokančių vartotojų…“ — šis skaičius, nors patrauklus, nepagrįstas ir tarnauja kaip inkaras visam tolesniam modeliui.

4. Nuostolių eskalavimas. Komanda jau investavo 18 mėnesių darbo ir 150 000 €. Tai sukuria psichologinį spaudimą „eiti iki galo“, net jei nauji duomenys rodytų, kad rinkos prielaidos klaidingos.

Pre-mortem analizė#

Taikant Gary Klein (2007) pre-mortem techniką: „Įsivaizduokime, kad po 2 metų startuolis žlugo. Kokios buvo priežastys?“

• CE žymėjimo procesas užtruko 14 mėnesių (vietoj planuotų 6) ir išeikvojo grynųjų pinigų atsargas.
• Ligoninės neperka tiesiogiai — reikalingas integracijos partneris, kurio nebuvo numatyta.
• Pagrindinis programuotojas paliko komandą, o pakaitinio specialisto rinka Lietuvoje labai siaura.
• Reguliuotojas pareikalavo papildomų klinikinių tyrimų, kurie nebuvo įtraukti į biudžetą.

Knighto perspektyva#

Šis atvejis tiksliai iliustruoja Knighto neapibrėžtumą: daugeliui identifikuotų rizikų negalime priskirti prasmingų tikimybių, nes startuolis veikia naujoje rinkos nišoje be istorinių analogų Lietuvoje. Todėl rizikos valdymo strategija turėtų remtis ne tiksliais skaičiais, o etapinio investavimo logika (investuoti etapais, kiekviename vertinant naujai paaiškėjusią informaciją) ir minimalaus gyvybingo produkto (angl. MVP) principu — tai yra realiųjų opcionų mąstymas, kuris bus detaliau aptariamas 14 skyriuje.

3.5 Excel modelio konstravimas#

Tikslas#

Sukurti interaktyvų rizikos analizės modelį, kuriame studentas galėtų:

• apskaičiuoti pagrindinius rizikos matus (standartinis nuokrypis, beta, variacijos koeficientas);
• pritaikyti CAPM formulę su šalies rizikos premija;
• sumodeliuoti dviejų aktyvų portfelio diversifikacijos efektą;
• palyginti Sharpe’o ir Sortino koeficientus.

Failo struktūra#

Modelis kuriamas faile Excel/CH03/Ch03_Model_Master.xlsm su keturiais lapais:

Žingsnis po žingsnio instrukcija#

1 žingsnis: Lapas „Duomenys“#

Sukurkite duomenų lentelę su istorinėmis metinėmis grąžomis:

2 žingsnis: Lapas „Rizikos_Matai“#

Pastaba: B9 langelio formulė turi būti įvesta kaip masyvo formulė (Ctrl+Shift+Enter arba naudojant dinaminius masyvus Office 365).

3 žingsnis: Lapas „Portfelis“#

Papildoma užduotis: naudokite Excel „Data Table“ (What-If Analysis) funkciją, kad sugeneruotumėte portfelio riziką ir grąžą keičiant $w_A$ nuo 0 iki 1 žingsniu 0,1. Sukurkite XY diagramą — tai bus efektyviosios ribos iliustracija.

4 žingsnis: Lapas „CAPM“#

Jautrumo lentelė: naudokite dviejų kintamųjų Data Table, keisdami beta (0,6–1,6 žingsniu 0,2) ir ERP (3 %–7 % žingsniu 1 %). Tai leis vizualiai matyti, kaip reikalaujama grąža kinta priklausomai nuo prielaidų.

Formulių sąrašas#

Failai:

• Excel/CH03/Ch03_Formula_Guide.md — formulių ir metodikos aprašymas
• Excel/CH03/Ch03_Model_Master.xlsm — pilnas modelis su makrokomandomis (dėstytojo versija)
• Excel/CH03/Ch03_Model_Student.xlsx — studentų versija su tuščiais langeliais savarankiškam darbui

3.6 Klausimai ir praktinės užduotys#

Diskusiniai klausimai#

1. Ar Knighto skirtis tarp rizikos ir neapibrėžtumo yra praktiškai naudinga, ar tai tik filosofinė abstrakcija? Pateikite verslo situacijos pavyzdį, kuriame ši skirtis keičia sprendimą.

2. Kodėl CAPM teigia, kad rinka nekompensuoja nesisteminės rizikos? Ar tai reiškia, kad privataus verslo savininkas, kurio turtas koncentruotas vienoje įmonėje, priima iracionalų sprendimą? Pagrįskite savo poziciją.

3. Prospektų teorija teigia, kad nuostoliai „sveria“ ~2,5 karto stipriau nei pelnas. Kaip ši asimetrija gali paveikti įmonės investicinio komiteto sprendimus? Kokias institucines apsaugas galėtumėte pasiūlyti?

4. Nassimas Talebas teigia, kad standartiniai rizikos modeliai sukuria „saugumo iliuziją“. Ar tai reiškia, kad nuo kiekybinių modelių reikia atsisakyti? Kaip suderinti modelių naudojimą su „storų uodegų“ suvokimu?

5. Lietuva priskiriama aukšto kredito reitingo šalims (Moody’s A2), tačiau jos akcijų rinka yra sekli ir koncentruota. Kaip tai veikia rizikos premijos skaičiavimą pagal Damodaran metodą? Ar šalies rizikos premija pakankamai atspindi tikrąją riziką?

Skaičiavimo užduotys#

1. Standartinis nuokrypis ir CV. Dvi investicijos generuoja šias metines grąžas per 6 metus:

   • A: 10 %, 14 %, –2 %, 18 %, 6 %, 12 %.
   • B: 5 %, 7 %, 3 %, 8 %, 4 %, 6 %.

   Apskaičiuokite kiekvienos investicijos: (a) vidutinę grąžą, (b) standartinį nuokrypį, (c) variacijos koeficientą. Kuri investicija yra efektyvesnė rizikos–grąžos prasme?

2. CAPM su šalies premija. Apskaičiuokite reikalaujamą nuosavo kapitalo grąžą Latvijos maisto perdirbimo įmonei, jei: $R_f = 3{,}2\%$; $ERP = 5{,}5\%$; $\beta = 0{,}85$; $CRP_{LV} = 1{,}0\%$. Jei įmonė yra privati, kokią likvidumo nuolaidą taikytumėte ir kodėl?

3. Diversifikacijos efektas. Portfelis sudarytas iš dviejų aktyvų: X ($\sigma_X = 25\%$, svoris 60 %) ir Y ($\sigma_Y = 15\%$, svoris 40 %). Apskaičiuokite portfelio standartinį nuokrypį esant koreliacijos koeficientams: (a) $\rho = 1{,}0$; (b) $\rho = 0{,}5$; (c) $\rho = 0{,}0$; (d) $\rho = -0{,}5$. Pavaizduokite grafiškai ir pakomentuokite.

4. Sortino vs Sharpe. Projektas per 5 metus generavo grąžas: 20 %, –8 %, 15 %, –3 %, 25 %. $MAR = 5\%$, $R_f = 2\%$. Apskaičiuokite: (a) Sharpe’o koeficientą, (b) Sortino koeficientą. Kodėl rezultatai skiriasi? Kuris matas geriau atspindi šio projekto rizikos profilį?

Savarankiško darbo užduotys#

1. Rizikos profilio analizė. Pasirinkite vieną Nasdaq Vilnius biržoje kotiruojamą įmonę. Naudodamiesi 5 metų istoriniais duomenimis, apskaičiuokite: (a) metinį standartinį nuokrypį, (b) beta koeficientą (lyginant su OMX Vilnius indeksu), (c) CAPM reikalaujamą grąžą. Palyginkite su faktiniu akcijų pelningumu ir interpretuokite — ar įmonė kūrė vertę (alfa > 0)?

2. Kognityvinių šališkumų auditas. Suraskite viešai prieinamą verslo planą (pvz., startuolių crowdfunding platformoje ar MITA finansuotų projektų aprašuose). Identifikuokite bent 3 galimus kognityvinius šališkumus (perteklinis pasitikėjimas, inkaravimas, prieinamumo euristika ir kt.) ir pasiūlykite, kaip plano autoriai galėtų juos sumažinti.

Literatūros sąrašas#

• Artzner, P., Delbaen, F., Eber, J.-M., & Heath, D. (1999). Coherent measures of risk. Mathematical Finance, 9(3), 203–228.
• Banz, R. W. (1981). The relationship between return and market value of common stocks. Journal of Financial Economics, 9(1), 3–18.
• Barro, R. J. (2006). Rare disasters and asset markets in the twentieth century. The Quarterly Journal of Economics, 121(3), 823–866.
• Benn, S., Abratt, R., & Kleyn, N. (2016). Reducing reputational risk: Evaluating stakeholder salience and prioritising stakeholder claims. Marketing Intelligence & Planning, 34(6), 828–842. https://doi.org/10.1108/MIP-10-2015-0191
• Berger, P. G., & Ofek, E. (1995). Diversification’s effect on firm value. Journal of Financial Economics, 37(1), 39–65.
• Bernoulli, D. (1738/1954). Exposition of a new theory on the measurement of risk. Econometrica, 22(1), 23–36.
• Bernstein, P. L. (1996). Against the Gods: The Remarkable Story of Risk. Wiley.
• Campbell, J. Y., & Cochrane, J. H. (1999). By force of habit: A consumption-based explanation of aggregate stock market behavior. Journal of Political Economy, 107(2), 205–251.
• Campbell, R., Koedijk, K., & Kofman, P. (2002). Increased correlation in bear markets. Financial Analysts Journal, 58(1), 87–94.
• Cho, D. C. (1984). On testing the arbitrage pricing theory: Inter-battery factor analysis. The Journal of Finance, 39(5), 1485–1502. https://doi.org/10.1111/j.1540-6261.1984.tb04920.x
• Christensen, C. M. (1997). The Innovator’s Dilemma: When New Technologies Cause Great Firms to Fail. Harvard Business School Press.
• Corhay, A., Hawawini, G., & Michel, P. (1987). Seasonality in the risk-return relationship: Some international evidence. The Journal of Finance, 42(1), 49–68.
• COSO. (2017). Enterprise Risk Management — Integrating with Strategy and Performance. Committee of Sponsoring Organizations of the Treadway Commission.
• Crawford, J., & Jabbour, M. (2024). The relationship between enterprise risk management and managerial judgement in decision-making: A systematic literature review. International Journal of Management Reviews, 26(1), 110–136. https://doi.org/10.1111/ijmr.12337
• Curran, D. (2020). Connecting risk: Systemic risk from finance to the digital. Economy and Society, 49(2), 239–264. https://doi.org/10.1080/03085147.2020.1718912
• Dajčman, S., Festić, M., & Kavkler, A. (2013). Multiscale test of CAPM for three Central and Eastern European stock markets. Journal of Business Economics and Management, 14(1), 54–76. https://doi.org/10.3846/16111699.2011.633097
• Damodaran, A. (2012). Investment Valuation: Tools and Techniques for Determining the Value of Any Asset (3rd ed.). Wiley.
• Damodaran, A. (2026). Country default spreads and risk premiums [duomenų rinkinys, 2026 m. sausio atnaujinimas]. https://pages.stern.nyu.edu/~adamodar/
• De Groot, K., & Thurik, R. (2018). Disentangling risk and uncertainty: When risk-taking measures are not about risk. Frontiers in Psychology, 9, Article 2194. https://doi.org/10.3389/fpsyg.2018.02194
• Dichev, I. D. (1998). Is the risk of bankruptcy a systematic risk? The Journal of Finance, 53(3), 1131–1147.
• Fama, E. F., & French, K. R. (1992). The cross-section of expected stock returns. The Journal of Finance, 47(2), 427–465.
• Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1), 3–56.
• Fama, E. F., & French, K. R. (2015). A five-factor asset pricing model. Journal of Financial Economics, 116(1), 1–22.
• Flyvbjerg, B. (2006). From Nobel Prize to project management: Getting risks right. Project Management Journal, 37(3), 5–15.
• Friede, G., Busch, T., & Bassen, A. (2015). ESG and financial performance: Aggregated evidence from more than 2000 empirical studies. Journal of Sustainable Finance & Investment, 5(4), 210–233.
• Galdos-Urbizu, L., Ortas, E., & Alvarez-Etxeberria, I. (2025). ESG risk exposure, management and firm risk: New evidence from a panel quantile regression approach. Cogent Business & Management, 12(1), 2585542. https://doi.org/10.1080/23311975.2025.2585542
• Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223–2273. https://doi.org/10.1093/rfs/hhaa009
• Handa, P., Kothari, S. P., & Wasley, C. (1993). Sensitivity of multivariate tests of the capital asset-pricing model to the return measurement interval. The Journal of Finance, 48(4), 1543–1551. https://doi.org/10.1111/j.1540-6261.1993.tb04767.x
• Huang, H.-C. (2001). Tests of CAPM with nonstationary beta. International Journal of Finance & Economics, 6(3), 255–268.
• ISO. (2018). ISO 31000:2018 Risk management — Guidelines. International Organization for Standardization.
• Janis, I. L. (1972). Victims of Groupthink: A Psychological Study of Foreign-Policy Decisions and Fiascoes. Houghton Mifflin.
• Jegadeesh, N., & Titman, S. (1993). Returns to buying winners and selling losers: Implications for stock market efficiency. The Journal of Finance, 48(1), 65–91.
• Jensen, M. C., & Meckling, W. H. (1976). Theory of the firm: Managerial behavior, agency costs and ownership structure. Journal of Financial Economics, 3(4), 305–360.
• Kahneman, D., & Lovallo, D. (1993). Timid choices and bold forecasts: A cognitive perspective on risk taking. Management Science, 39(1), 17–31.
• Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291.
• Kindleberger, C. P., & Aliber, R. Z. (2005). Manias, Panics, and Crashes: A History of Financial Crises (5th ed.). Wiley.
• Kirilenko, A., Kyle, A. S., Samadi, M., & Tuzun, T. (2017). The Flash Crash: High-frequency trading in an electronic market. The Journal of Finance, 72(3), 967–998. https://doi.org/10.1111/jofi.12498
• Klein, G. (2007). Performing a project premortem. Harvard Business Review, 85(9), 18–19.
• Knight, F. H. (1921). Risk, Uncertainty and Profit. Houghton Mifflin.
• Lakonishok, J., Shleifer, A., & Vishny, R. W. (1994). Contrarian investment, extrapolation, and risk. The Journal of Finance, 49(5), 1541–1578.
• Langley, P. (2013). Anticipating uncertainty, reviving risk? On the stress testing of finance in crisis. Economy and Society, 42(1), 51–73. https://doi.org/10.1080/03085147.2012.686719
• Lietuvos bankas. (2019). LBChain: Lietuvos banko blockchain platformos bandomasis projektas. https://www.lb.lt/lt/lbchain
• Lietuvos bankas. (2023). Fintech ekosistema Lietuvoje: apžvalga. https://www.lb.lt/lt/fintech
• Lintner, J. (1965). The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets. The Review of Economics and Statistics, 47(1), 13–37.
• Liu, E. X., & Song, Y. (2025). ESG performance, environmental uncertainty, and firm risk. Journal of International Financial Management & Accounting, 36(2), 292–322. https://doi.org/10.1111/jifm.12227
• Lu, Y., Liu, J., & Yu, W. (2024). Social risk analysis for mega construction projects based on structural equation model and Bayesian network: A risk evolution perspective. Engineering, Construction and Architectural Management, 31(7), 2604–2629. https://doi.org/10.1108/ECAM-04-2022-0319
• Lynch, P. (1989). One Up on Wall Street: How to Use What You Already Know to Make Money in the Market. Simon & Schuster.
• MacKenzie, D. (2006). An Engine, Not a Camera: How Financial Models Shape Markets. MIT Press.
• Mandelbrot, B. B. (1963). The variation of certain speculative prices. The Journal of Business, 36(4), 394–419.
• Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 7(1), 77–91.
• Mehra, R., & Prescott, E. C. (1985). The equity premium: A puzzle. Journal of Monetary Economics, 15(2), 145–161.
• Miller, K. D., & Reuer, J. J. (1996). Measuring organizational downside risk. Strategic Management Journal, 17(9), 671–691.
• Mossin, J. (1966). Equilibrium in a capital asset market. Econometrica, 34(4), 768–783.
• Nyberg, H. (2011). Forecasting the direction of the US stock market with dynamic binary probit models. International Journal of Forecasting, 27(2), 561–578. https://doi.org/10.1016/j.ijforecast.2010.05.001
• Roll, R. (1977). A critique of the asset pricing theory’s tests Part I: On past and potential testability of the theory. Journal of Financial Economics, 4(2), 129–176.
• Roll, R., & Ross, S. A. (1980). An empirical investigation of the arbitrage pricing theory. The Journal of Finance, 35(5), 1073–1103.
• Ross, S. A. (1976). The arbitrage theory of capital asset pricing. Journal of Economic Theory, 13(3), 341–360.
• Russo, J. E., & Schoemaker, P. J. H. (1992). Managing overconfidence. Sloan Management Review, 33(2), 7–17.
• Schwartz, P. (1991). The Art of the Long View: Planning for the Future in an Uncertain World. Currency Doubleday.
• SEC. (2020). Staff report on algorithmic trading in U.S. capital markets. U.S. Securities and Exchange Commission.
• Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. The Journal of Finance, 19(3), 425–442.
• Stapel, D. A., Reicher, S. D., & Spears, R. (1994). Social identity, availability and the perception of risk. Social Cognition, 12(1), 1–17. https://doi.org/10.1521/soco.1994.12.1.1
• Taleb, N. N. (2007). The Black Swan: The Impact of the Highly Improbable. Random House.
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.
• Vaughan, E., & Seifert, M. (1992). Variability in the framing of risk issues. Journal of Social Issues, 48(4), 119–135. https://doi.org/10.1111/j.1540-4560.1992.tb01948.x