Rizikos analizės metodai ir rodikliai

Anotacija#

Šis skyrius pereina nuo rizikos koncepcijų (3 skyrius) prie konkrečių rizikos analizės metodų ir jų taikymo verslo planavime. Pristatoma keturių pagrindinių metodų sistema: jautrumo analizė atsako į klausimą „kas svarbu?“, scenarijų analizė – „kas galėtų nutikti?“, Monte Carlo simuliacija – „kokia tikimybė?“, o rizikos rodikliai – „kiek rizikuojame?“. Šie metodai nėra konkurentai – jie sudaro laipsniškai gilėjančią analitinę seką, kurioje kiekvienas lygmuo papildo ankstesnį ir atsako į vis sudėtingesnį klausimą.

Skyriaus centrinė tezė – rizikos analizė yra ne vienas universalus įrankis, o struktūruota sistema, kurios kiekvienas elementas turi aiškias galimybes ir ribas. Jautrumo analizė identifikuoja kritinius kintamuosius, tačiau ignoruoja jų tarpusavio sąveiką. Scenarijų analizė apčiuopia struktūrinius lūžius, tačiau priklauso nuo subjektyvių tikimybių. Monte Carlo simuliacija kiekybiškai integruoja neapibrėžtumą, tačiau propaguoja prielaidų klaidas su statistiniu tikslumu. Rizikos rodikliai (VaR, CVaR, sverto koeficientai) suteikia standartizuotas metrikas, tačiau gali sukurti klaidingo saugumo iliuziją. Efektyvi rizikos analizė reikalauja derinti visus keturis metodus, sąmoningai suvokiant kiekvieno ribas ir taikant proporcingumo principą – analizės sudėtingumas turi atitikti sprendimo mastą.

Teorinėje dalyje atsekama metodų raida nuo Hertzo (1964) pionierinio Monte Carlo taikymo investicijoms, per Kahno ir Wacko scenarijų revoliuciją iki Artzner ir kolegų (1999) koherentinių rizikos matų teorijos, pakeitusios bankų reguliavimo paradigmą. Analitinėje dalyje pateikiamos trylika formulių (4.1–4.13) su skaitiniais pavyzdžiais, apimančios elastingumo koeficientą, scenarijų tikėtinę vertę ir dispersiją, Monte Carlo pasikliautinąjį intervalą, lūžio tašką, operacinio ir finansinio sverto laipsnius, parametrinį VaR, CVaR, sprendimų medžio tikėtinę piniginę vertę, Omega koeficientą, didžiausią nuosmukį (MDD) ir Sobol’ globalios jautrumo analizės indeksą. Skyrius tiesiogiai remiasi 3 skyriaus rizikos koncepcijomis ir baziniais matais (standartinis nuokrypis, beta, Sortino, variacijos koeficientas), juos gilindamas ir operacionalizuodamas. Taip pat rengiamas pagrindas 5 skyriui (diversifikacijos sprendimai), 11 skyriui (WACC jautrumo analizė) ir 14 skyriui (realieji opcionai ir sprendimų medžiai).

Mokymosi rezultatai#

Perskaitęs šį skyrių ir atlikęs užduotis, skaitytojas gebės:

1. Atpažinti, į kurį iš keturių klausimų – „kas svarbu?“, „kas galėtų nutikti?“, „kokia tikimybė?“, „kiek rizikuojame?“ – atsako konkretus rizikos analizės metodas, ir nurodyti jo vietą analitinėje sekoje (atpažinimas).
2. Paaiškinti, kodėl VaR nėra koherentinis rizikos matas ir kokia to praktinė pasekmė lėmė reguliacinį perėjimą prie CVaR (supratimas).
3. Apskaičiuoti elastingumo koeficientą, scenarijų tikėtiną vertę su dispersija, Monte Carlo pasikliautinąjį intervalą, lūžio tašką su sverto koeficientais bei VaR ir CVaR, ir kiekvieną rezultatą interpretuoti sprendimui (taikymas).
4. Analizuoti rizikos analizės rezultatų patikimumą: atskirti parametrinę klaidą nuo struktūrinės, atpažinti klaidingo tikslumo ir inkaravimo baziniame scenarijuje požymius (analizė).
5. Sukonstruoti integruotą investicinio projekto rizikos analizę, kurioje jautrumo, scenarijų ir tikimybinė analizė veda prie pagrįsto sprendimo, įskaitant stadijinio investavimo alternatyvą (sintezė).
6. Įvertinti, koks rizikos analizės sudėtingumo lygis proporcingas konkretaus sprendimo mastui, ir pagrįsti, kodėl platesnė analizė šiuo atveju būtų išteklių švaistymas arba, priešingai, būtina (vertinimas).

4.1. Teorinė dalis#

4.1.1. Istorinis ir konceptualus kontekstas#

Nuo intuicijos prie struktūruoto neapibrėžtumo valdymo#

Verslo sprendimuose rizika visada buvo vertinama – tačiau ilgą laiką tai buvo veikiau intuicijos, patirties ir nuojautos sritis nei struktūruoto analitinio proceso objektas. Dar 3 skyriuje aptartas Knighto (1921) skyrimas tarp rizikos (kur baigčių pasiskirstymas žinomas a priori arba iš praeities statistikos) ir tikro neapibrėžtumo (kur nėra jokio pagrindo atvejams klasifikuoti, todėl tikimybė lieka nematuojama) ilgą laiką buvo filosofinė distinkcija, neturinti praktinių įrankių. Šio skyriaus metodai – jautrumo analizė, scenarijai, Monte Carlo, rizikos rodikliai – yra būtent tie įrankiai, kurie per septynių dešimtmečių evoliuciją leido Knighto skirtį paversti operacionalia analitine sistema.

Pirmieji žingsniai: inžinerija ir karas (1940–1960)#

Monte Carlo metodas – šiandien vienas galingiausių rizikos analizės įrankių – gimė ne finansuose, o fizikoje. 1946 m. matematikas Stanisławas Ulamas, sveikdamas po ligos ir žaisdamas pasjansą, suvokė, kad sudėtingų sistemų elgseną galima tirti ne analitiškai sprendžiant lygtis, o generuojant daugybę atsitiktinių bandymų ir stebint rezultatų pasiskirstymą (Eckhardt, 1987). 1947 m. kovą Johnas von Neumannas laiške išdėstė, kaip šią idėją paversti skaičiavimo procedūra, ir tais pačiais metais ji buvo pritaikyta neutronų sklaidos skaičiavimams Los Alamos laboratorijoje. Pavadinimas „Monte Carlo“ buvo pasirinktas kaip nuoroda į garsųjį Monako kazino – žaidimų ir atsitiktinumo simbolį (Metropolis & Ulam, 1949).

Lygiagrečiai, karo ir pokario laikotarpiu, RAND korporacijoje Hermanas Kahnas pradėjo taikyti scenarijų metodą – struktūruotą mąstymą apie alternatyvias ateitis. Kahnas naudojo scenarijus ne prognozavimui, o branduolinio karo strateginių galimybių sisteminiam tyrinėjimui – jo knyga On Thermonuclear War (1960) sukėlė viešą polemiką, tačiau įtvirtino scenarijų planavimą kaip rimtą analitinę discipliną. Esminis Kahno įnašas buvo epistemologinis: scenarijai nėra prognozės – jie yra struktūruoti hipotetiniai pasakojimai, skirti ne atspėti ateitį, o išplėsti sprendimų priėmėjų mentalinį horizontą (Kahn & Wiener, 1967).

Finansų revoliucija: Hertz ir investicijų rizikos analizė (1964)#

Lūžis finansų srityje įvyko 1964 m., kai Davidas B. Hertzas Harvard Business Review žurnale paskelbė straipsnį „Risk Analysis in Capital Investment“ – pirmąjį sistemingą Monte Carlo metodo pritaikymą investiciniams sprendimams. Hertzas argumentavo, kad tradicinis investicijų vertinimas, pagrįstas vienu „labiausiai tikėtinu“ scenarijumi, yra fundamentaliai klaidingas: jis ignoruoja rezultatų sklaidą ir sukuria netikro tikrumo iliuziją. Vietoj to Hertzas pasiūlė kiekvienam grąžą lemiančiam veiksniui priskirti dažnių skirstinį ir simuliacijos būdu gauti ne vieną rodiklio reikšmę, o visą investicijų grąžos normos pasiskirstymą (Hertz, 1964).

Hertzo straipsnis buvo revoliucinis ne tik metodologiškai, bet ir epistemologiškai. Jis pirmasis aiškiai suformulavo mintį, kuri šiandien atrodo akivaizdi: vieno skaičiaus vertinimas yra ne tikslumas, o tikslumas be informacijos apie neapibrėžtumą. Ši idėja tiesiogiai siejasi su 2 skyriuje aptartu klaidingo tikslumo fenomenu – sudėtingas modelis, pateikiantis vieną konkretų rezultatą, gali būti mažiau informatyvus nei paprastesnis modelis, parodantis galimų rezultatų intervalą.

Tačiau Hertzo idėjos dešimtmečius liko daugiau teorinės nei praktinės – ne dėl konceptualių trūkumų, o dėl technologinių ribų. 1964 m. Monte Carlo simuliacija reikalavo mainframe kompiuterio; praktinis jos taikymas verslo planavime tapo įmanomas tik aštuntajame–devintajame dešimtmetyje, kai atsirado personaliniai kompiuteriai ir skaičiuoklių priedai, tokie kaip @RISK.

Scenarijų revoliucija: Shell ir naftos krizė (1970-aisiais)#

Scenarijų metodas iš karinės strategijos į verslo pasaulį persikėlė per vieną iškalbingiausių atvejų valdymo istorijoje. Pierre’as Wackas, Royal Dutch Shell planavimo skyriaus analitikas, septintojo dešimtmečio pabaigoje pradėjo taikyti struktūruotus scenarijus naftos rinkos analizei. Tuo metu dominavo viena prielaida: naftos kaina liks stabili ir prognozuojama, nes OPEC šalys neturės motyvacijos drastiškai keisti tiekimo. Wackas kiekvieną gamintoją įvertino pagal išteklius ir pagal galimybę produktyviai įsisavinti naftos pajamas – ir pamatė, kad nė viena šalis neturi abiejų, tad plėsti gavybos pagal augančią paklausą gamintojams nėra dėl ko. Tuo pačiu metu vartojančių šalių importo poreikis turėjo pradėti augti kur kas sparčiau nei anksčiau. Būtent šis atotrūkis ir buvo būsimoji OPEC galia; kai 1973 m. naftos krizė tapo realybe, Shell vadovybė buvo jai pasirengusi, nors ir ne jos laikui (Wack, 1985).

Wacko indėlis buvo ne tik praktinis, bet ir konceptualus. Jis suformulavo „mentalinių modelių laužymo“ (angl. breaking mental models) principą: scenarijų tikroji vertė yra ne prognozuoti ateitį, o priversti vadovus kvestionuoti savo giliai įsišaknijusias prielaidas apie tai, kaip veikia pasaulis. Tai tiesiogiai siejasi su 3 skyriuje aptartais kognityviniais šališkumais – ypač inkaravimo efektu ir pertekliniu pasitikėjimu.

Peteris Schwartzas, buvęs Shell strategas, vėliau demokratizavo scenarijų metodą, įkurdamas Global Business Network (GBN) ir parašydamas knygą The Art of the Long View (1991), kuri tapo praktinio scenarijų planavimo vadovu. Schoemaker (1995) suteikė metodui akademinį pagrindą, aprašydamas struktūruotą scenarijų kūrimo procesą.

Jautrumo analizė: nuo inžinerijos iki finansų#

Jautrumo analizė – paprasčiausias, bet neretai praktiškiausias rizikos analizės įrankis – neturi vieno „tėvo“ ar aiškaus gimimo momento. Ji natūraliai kilo iš inžinerinės ir mokslinės praktikos: bet kuris modelis reikalauja suprasti, kurie įvesties parametrai labiausiai veikia rezultatą. Finansuose jautrumo analizė tapo neatsiejama modeliavimo dalimi kartu su skaičiuoklių revoliucija (žr. 1 ir 2 skyrius): kai VisiCalc ir Excel leido interaktyviai keisti prielaidas, „kas, jeigu?“ (angl. what-if) klausimai tapo kasdiene analitiko praktika.

Akademinį pagrindą jautrumo analizei suteikė Hillier (1963), vienas pirmųjų pasiūlęs investicijų rodiklių – dabartinės vertės, metinių kaštų ir vidinės grąžos normos – tikimybinius skirstinius, ir Saltelli su kolegomis (2008), susisteminusiais globalios jautrumo analizės (angl. Global Sensitivity Analysis, GSA) metodologiją, kuri įvertina ne tik pavienių kintamųjų, bet ir jų sąveikų poveikį modelio rezultatui.

Rizikos matų revoliucija: nuo VaR iki koherentinių matų (1994–1999)#

Paskutinis didelis metodologinis lūžis įvyko rizikos rodiklių srityje. 1994 m. JP Morgan viešai paskelbė RiskMetrics – standartizuotą rizikos vertės (angl. Value at Risk, VaR) skaičiavimo metodologiją, kuri, kaip aptarta 3 skyriuje, pirmą kartą pavertė sudėtingą rizikos modelį viešai prieinamu standartu. VaR greitai tapo bankų reguliavimo pagrindu (Basel II), tačiau 2008 m. finansų krizė atskleidė fundamentalų jo trūkumą: VaR parodo, kokio didžiausio nuostolio galima tikėtis „normaliomis“ sąlygomis, bet nieko nepasako apie tai, kas nutinka, kai tos sąlygos pažeidžiamos.

Matematinį atsakymą į šią kritiką pateikė Artzner, Delbaen, Eber ir Heath (1999) savo įtakingame straipsnyje „Coherent Measures of Risk“, kuriame suformulavo keturias aksiomas, kurias turi tenkinti „geras“ rizikos matas: monotoninumo, subadityvumo, teigiamo homogeniškumo ir transliacinio invariantiškumo. VaR pažeidžia subadityvumo aksiomą – tai reiškia, kad dviejų portfelių sujungimas teoriškai gali padidinti VaR, nors diversifikacija turėtų riziką mažinti. Sąlyginė rizikos vertė – CVaR (angl. Conditional Value at Risk), dar vadinama tikėtinu trūkumu (angl. Expected Shortfall, ES), šias aksiomas tenkina ir todėl Bazilio komitetas nuo Basel III / FRTB perėjo nuo VaR prie ES kaip pagrindinio reguliacinio rizikos mato.

Sintezė: keturių metodų sistema#

4.1 pav. Rizikos analizės metodų evoliucija ir tarpusavio ryšiai

graph LR
    subgraph "1940–1960"
        A["Ulam & von Neumann<br/><i>Monte Carlo metodas</i><br/>1946–1949"]
        B["Kahn (RAND)<br/><i>Scenarijų planavimas</i><br/>1960-aisiais"]
    end
    subgraph "1960–1990"
        C["Hertz<br/><i>MC investicijoms</i><br/>1964"]
        D["Wack (Shell)<br/><i>Verslo scenarijai</i><br/>1970-aisiais"]
        E["Hillier / Saltelli<br/><i>Jautrumo analizė</i><br/>1963–2008"]
        F["@RISK, Crystal Ball<br/><i>Skaičiuoklių priedai</i>"]
    end
    subgraph "1990–dabar"
        G["JP Morgan<br/><i>RiskMetrics / VaR</i><br/>1994"]
        H["Artzner et al.<br/><i>CVaR / ES</i><br/>1999"]
        I["Integruota<br/>rizikos analizė"]
    end

    A --> C
    B --> D
    C --> F
    D --> I
    E --> I
    F --> I
    G --> H
    H --> I

    style I fill:#4a90d9,color:#fff

Ši schema parodo, kad šiandieninė integruota rizikos analizė nėra vienas metodas, o keturių nepriklausomai kilusių tradicijų konvergencija: fizikos (Monte Carlo), karinės strategijos (scenarijai), inžinerijos (jautrumas) ir finansų reguliavimo (rizikos matai). Kiekvienas metodas atsako į skirtingą klausimą, ir jų galia atsiskleidžia tik naudojant juos kartu – tai detaliau aptariama 4.1.2 poskyryje.

4.1.2. Pagrindinės teorijos ir modeliai#

Jautrumo analizė: kas labiausiai veikia rezultatą?#

Jautrumo analizė (angl. sensitivity analysis) yra paprasčiausias ir dažniausiai taikomas rizikos analizės metodas. Jos esmė – sistemingai keisti vieną ar kelis modelio įvesties kintamuosius ir stebėti, kaip tai paveikia rezultatą (paprastai – NPV, pelną ar pinigų srautą). Tai leidžia identifikuoti kritinius kintamuosius – tuos, kurių nedideli pokyčiai sukelia neproporcingai didelius rezultato svyravimus.

Vienkryptė jautrumo analizė (angl. one-way sensitivity analysis) keičia vieną kintamąjį vienu metu, laikydama visus kitus pastoviais (ceteris paribus). Pavyzdžiui, DCF modelyje galima atskirai tirti, kaip NPV kinta priklausomai nuo WACC (nuo 8 % iki 14 %), pajamų augimo tempo (nuo 2 % iki 8 %) ar EBIT maržos (nuo 10 % iki 20 %). Rezultatas paprastai vaizduojamas tornado diagrama – horizontaliu stulpeliu grafiku, kuriame kintamieji surikiuojami pagal jų poveikio dydį, nuo didžiausio iki mažiausio. Tornado diagrama yra itin efektyvus komunikacijos įrankis: ji akimirksniu parodo vadovams, „kurie trys veiksniai gali mus „nužudyti“ greičiausiai“ – ir todėl plačiai naudojama investicinių komitetų prezentacijose ir due diligence ataskaitose.

Kitas vizualizacijos būdas – vorų diagrama (angl. spider diagram), kurioje kiekvieno kintamojo poveikis vaizduojamas kaip linija, einanti nuo bazinio scenarijaus. Statesnis linijos nuolydis reiškia didesnį jautrumą. Voratinklio diagrama ypač naudinga, kai norima lyginti ne tik poveikio dydį, bet ir jo kryptį (teigiamą ar neigiamą) bei tiesinumą – ar poveikis yra proporcingas, ar paspartėjantis.

Kiekybiškai jautrumas matuojamas elastingumo koeficientu – santykiu tarp procentinio rezultato pokyčio ir procentinio kintamojo pokyčio (formulė (4.1), žr. 4.2 poskyrį). Elastingumas leidžia palyginti skirtingų kintamųjų poveikį vienodais matais, nepriklausomai nuo jų absoliutinių reikšmių.

Daugiakryptė jautrumo analizė (angl. multi-way sensitivity analysis) keičia kelis kintamuosius vienu metu. Dažniausias variantas – dviejų kintamųjų lentelė (angl. two-way data table), pavyzdžiui, WACC × augimo tempas, generuojanti NPV matricą. Tai itin naudinga DCF vertinime, nes parodo, kaip du labiausiai neapibrėžti parametrai – diskonto norma ir ilgalaikis augimas – kartu veikia vertę. Tačiau jau trijų kintamųjų vienu metu varijavimas ($5^3 = 125$ kombinacijos) tampa sunkiai vizualizuojamas, o šešių ($5^6 = 15\ 625$) – nebeįmanomas interpretuoti be automatizuotų įrankių.

Šią vienkryptės ir dvikryptės analizės ribą sprendžia globali jautrumo analizė (angl. Global Sensitivity Analysis, GSA), kurios kanoninį vadovą pateikė Saltelli ir kolegos (2008). Skirtingai nuo lokalios analizės, kuri keičia kintamuosius po vieną aplinkui bazinį tašką, GSA vertina kintamųjų poveikį visame jų galimų reikšmių diapazone, įskaitant tarpusavio sąveikas (angl. interactions). Tai ypač svarbu, kai modelyje yra netiesiškumų ar koreliacijų, dėl kurių vienkryptė analizė gali klaidinti.

Sobol’ indeksai – populiariausias GSA matas – remiasi dispersijos dekompozicija. Pirmos eilės Sobol’ indeksas $S_i$ parodo, kokią bendros rezultato dispersijos dalį paaiškina vienas kintamasis $X_i$:

kur $\mathbb{E}[V \mid X_i]$ yra sąlyginė tikėtina modelio rezultato vertė, žinant $X_i$ reikšmę. Jei $S_i = 0{,}45$, tai reiškia, kad 45 % viso modelio neapibrėžtumo kyla iš šio vieno kintamojo. Totalinis Sobol’ indeksas $S_{T_i}$ papildomai apima visas kintamojo sąveikas su kitais kintamaisiais – skirtumas $S_{T_i} - S_i$ parodo sąveikų svarbą. Kai $\sum S_i \approx 1$, modelis yra beveik adityvus ir sąveikos nereikšmingos; kai $\sum S_i \ll 1$, sąveikos dominuoja ir vienkryptė analizė fundamentaliai nepakankama.

Naujesni tyrimai siūlo Shapley efektus (angl. Shapley effects) kaip alternatyvą Sobol’ indeksams, ypač kai kintamieji yra tarpusavyje koreliuoti – tokiu atveju klasikinė dispersijos dekompozicija tampa dviprasmiška, o Shapley efektai, paremti kooperatyvinės žaidimų teorijos logika, leidžia gauti stabilesnę ir aiškiau interpretuojamą įtakos metriką (Palar et al., 2023b).

Praktikoje GSA reikalauja tūkstančių ar dešimčių tūkstančių modelio paleidimų ir todėl dažniausiai derinama su Monte Carlo simuliacija (žr. toliau). Šiuolaikiniai įrankiai (@RISK, Crystal Ball, Python SALib biblioteka) automatizuoja šį procesą, tačiau analitikui svarbu suprasti, kad GSA rezultatai priklauso nuo pasirinktų kintamųjų diapazonų ir skirstinių – t. y. nuo to, kiek plačiai „leidžiame“ kintamiesiems svyruoti.

Jautrumo analizės vertė verslo planavime yra dvejopa. Analitiškai ji identifikuoja, kurioms prielaidoms verta skirti daugiausia dėmesio ir išteklių – jei 70 % NPV neapibrėžtumo kyla iš pajamų augimo tempo, būtent šiai prielaidai turi būti skirta giliausia rinkos analizė. Komunikaciškai tornado diagrama yra vienas efektyviausių būdų perduoti rizikos struktūrą ne finansų specialistams – ji leidžia valdybos nariams ar investuotojams akimirksniu suvokti, kas modelyje yra svarbiausia.

Scenarijų analizė: kas galėtų nutikti?#

Scenarijų analizė (angl. scenario analysis) yra kokybiškai kitokio pobūdžio rizikos analizės metodas nei jautrumo analizė. Jei jautrumo analizė klausia „kiek pasikeistų rezultatas, jei šis skaičius būtų kitoks?“, tai scenarijų analizė klausia „kaip atrodytų visas verslo kontekstas, jei pasaulis pasuktų kita linkme?“. Tai ne parametrų varijavimas, o alternatyvių ateičių konstravimas – struktūruotas mąstymas apie kokybiškai skirtingas galimybes.

Epistemologinė distinkcija. Scenarijai nėra prognozės. Prognozė siekia vieno „teisingo“ atsakymo – labiausiai tikėtino rezultato. Scenarijai sąmoningai atsisako šio tikslo ir pripažįsta, kad ateitis yra fundamentaliai daugiavariantė, ypač Knighto neapibrėžtumo zonoje (žr. 3 skyrių), kur nei tikimybės, nei galimi scenarijai nėra stabilūs. Kaip suformulavo Wackas (1985): scenarijų tikslas – ne atspėti ateitį, o pakeisti tikrovės vaizdą sprendimų priėmėjų galvose tiek, kad jie prieitų įžvalgų, anksčiau buvusių už jų mąstymo ribų.

Klasikinis trijų scenarijų modelis – optimistinis, bazinis, pesimistinis – yra plačiausiai paplitęs verslo planuose, tačiau turi rimtų metodologinių trūkumų. Pirma, jis sukuria inkaravimo efektą: bazinis scenarijus psichologiškai tampa „tikruoju“, o kiti du – tik formaliais priedais. Antra, trys scenarijai dažnai konstruojami paprasčiausiai keičiant parametrų dydį (pajamos +10 % / 0 % / –10 %), iš esmės atliekant jautrumo analizę su kitais pavadinimais, o ne kuriant kokybiškai skirtingus pasaulio vaizdus.

Šiuolaikinis struktūruotas požiūris naudoja 2×2 neapibrėžtumo matricą: identifikuojamos dvi svarbiausios ir mažiausiai prognozuojamos jėgos (pvz., reguliacinė aplinka ir technologinė disrupcija), sukuriamos keturios jų kombinacijos, ir kiekvienai kuriamas nuoseklus, vidujai logiškas pasakojimas – scenarijus. Keturi scenarijai nėra „blogas–vidutinis–geras“ spektras; jie yra keturi kokybiškai skirtingi pasauliai, iš kurių kiekvienas reikalauja kitokios strategijos.

Scenarijų kiekybinė integracija. Nors scenarijai yra pirmiausia naratyvai, jie gali būti kiekybiškai integruojami priskiriant kiekvienam scenarijui subjektyvią tikimybę ir skaičiuojant tikėtinę vertę $E(V) = \sum p_i V_i$ bei dispersiją tarp scenarijų (formulės (4.2) ir (4.3), žr. 4.2 poskyrį). Tačiau būtina suvokti esminę epistemologinę problemą: šios tikimybės yra subjektyvios ekspertinio vertinimo išraiškos, o ne objektyvios dažnių statistikos – todėl jas reikia traktuoti kaip struktūruotus spėjimus, o ne kaip tikslius duomenis.

Scenarijai verslo planavime. Praktikoje scenarijai ypač vertingi ilgalaikiam strateginiam planavimui, kur kiekybiniai modeliai yra silpniausi. Lietuvos ir Baltijos kontekste scenarijų analizė yra itin aktuali dėl mažos atviros ekonomikos pažeidžiamumo išoriniams šokams: energijos kainų svyravimai (po Ignalinos AE uždarymo, SGD terminalo, NordBalt ir LitPol Link atsiradimo), ES reguliaciniai pokyčiai (Žaliasis kursas, CBAM, CSRD), geopolitinė rizika (Rusijos–Ukrainos karas), eksporto rinkų dinamika. Šiose srityse vieno „bazinio“ scenarijaus naudojimas yra ne supaprastinimas, o struktūrinis aplaidumas.

Monte Carlo simuliacija: kokia tikimybė?#

Monte Carlo simuliacija (angl. Monte Carlo simulation) yra galingiausias kiekybinis rizikos analizės metodas, leidžiantis iš deterministinio modelio sukurti tikimybinį – t. y. gauti ne vieną rezultatą, o visą galimų rezultatų pasiskirstymą. Jei jautrumo analizė keičia kintamuosius po vieną, o scenarijų analizė konstruoja kelis kokybiškai skirtingus pasaulius, tai Monte Carlo vienu metu keičia visus kintamuosius pagal jiems priskirtus tikimybinius skirstinius ir kartoja šį procesą tūkstančius ar dešimtis tūkstančių kartų. Šiandien tai standartinis instrumentas trijose skirtingose srityse: portfelio rizikos valdyme (Jorion, 2007), verslo ir investicijų vertinime (Damodaran, 2012) ir projektų rizikos analizėje (Vose, 2008).

Metodologijos esmė. Monte Carlo simuliacijos procesas apima keturis žingsnius:

1. Modelio identifikavimas. Nustatomas deterministinis modelis (pvz., DCF) su aiškiai apibrėžtais įvesties kintamaisiais ir rezultato formule.
2. Skirstinių priskyrimas. Kiekvienam neapibrėžtam kintamajam priskiriamas tikimybinis skirstinys, atspindintis jo neapibrėžtumo mastą ir formą:
   • Normalusis – kai kintamasis svyruoja simetriškai apie vidurkį (pvz., makroekonominiai rodikliai).
   • Trikampis – kai žinomi minimumo, maksimumo ir labiausiai tikėtino scenarijaus taškai, bet duomenų mažai (pvz., ekspertiniai vertinimai).
   • Lognormalusis – kai kintamasis negali būti neigiamas ir turi dešinę asimetriją (pvz., akcijų kainos, žaliavų kainos).
   • Beta / PERT – kai kintamasis svyruoja apibrėžtame intervale su žinoma moda (pvz., projekto trukmė). PERT skirstinys (angl. Program Evaluation and Review Technique) yra ypač patogus verslo planavime, nes reikalauja tik trijų ekspertinių įverčių: minimumo $a$, modos $c$ (labiausiai tikėtina reikšmė) ir maksimumo $b$. Iš jų apskaičiuojamas vidurkis $\mu = \frac{a + 4c + b}{6}$ ir standartinis nuokrypis $\sigma \approx \frac{b - a}{6}$. Pasvėrimas koeficientu 4 suteikia modai didesnį svorį nei kraštinėms reikšmėms, todėl PERT skirstinys yra mažiau jautrus ekstremumams nei trikampis skirstinys ir geriau atspindi ekspertų lūkesčius. Praktikoje PERT plačiai naudojamas projektų trukmės, kaštų ir pardavimų apimčių modeliavime, kai istorinių duomenų trūksta, bet ekspertai gali pateikti tris orientyrus (Vose, 2008).
3. Simuliacija. Atsitiktinių skaičių generatorius (paprastai Mersenne Twister algoritmas) kiekvienoje iteracijoje parenka kintamųjų reikšmes pagal priskirtus skirstinius, ir modelis apskaičiuoja rezultatą. Po $N$ iteracijų (paprastai 10 000–100 000) gaunamas rezultato pasiskirstymas.
4. Analizė. Rezultatų histograma leidžia apskaičiuoti tikėtinę vertę, standartinį nuokrypį, pasikliautinuosius intervalus ir tikimybes (pvz., $P(NPV < 0)$ – tikimybę, kad projektas bus nuostolingas).

Konvergencija ir iteracijų skaičius. Monte Carlo standartinė klaida mažėja proporcingai $1/\sqrt{N}$ – tai reiškia, kad norint sumažinti klaidą 10 kartų, reikia 100 kartų daugiau iteracijų. Praktikoje 10 000 iteracijų paprastai pakanka vidurkio ir standartinio nuokrypio stabilumui, tačiau uodegos tikimybėms (pvz., $P(NPV < 0)$, kai ta tikimybė maža) gali prireikti 50 000–100 000 iteracijų. Pasikliautinojo intervalo formulė pateikiama kaip (4.4) formulė 4.2 poskyryje.

Koreliacijų modeliavimas. Viena dažniausių Monte Carlo klaidų praktikoje – kintamųjų nepriklausomumo prielaida. Realybėje daugelis kintamųjų yra koreliuoti: pajamų augimas ir EBIT marža dažnai turi neigiamą koreliaciją (greitas augimas mažina maržą dėl investicijų poreikio), o palūkanų normos ir nekilnojamojo turto kainos – taip pat neigiamą. Ignoruojant koreliacijas, Monte Carlo simuliacija gali generuoti nerealias kintamųjų kombinacijas ir iškraipyti rezultatų pasiskirstymą. Techninis sprendimas – Cholesky dekompozicija (angl. Cholesky decomposition), matematinis metodas, kuris transformuoja nepriklausomus atsitiktinius skaičius į koreliuotus pagal nurodytą koreliacijos matricą (Vose, 2008). Alternatyva – Imano ir Conoverio rango koreliacijų metodas (Iman & Conover, 1982), naudojamas @RISK ir panašiuose įrankiuose.

Latin Hypercube Sampling (LHS). Paprastas atsitiktinis atrankos metodas gali „praleisti“ tam tikras skirstinio sritis, ypač uodegas. LHS – patobulintas metodas, kuris padalina kiekvieno kintamojo skirstinį į $N$ lygių intervalų ir užtikrina, kad kiekvienoje iteracijoje būtų paimta po vieną reikšmę iš kiekvieno intervalo (McKay, Beckman, & Conover, 1979). Tai gerokai pagerina konvergenciją ir yra standartinis pasirinkimas šiuolaikiniuose simuliacijos įrankiuose.

Monte Carlo ir scenarijai: papildantys, ne konkuruojantys metodai. Monte Carlo ir scenarijų analizė atlieka fundamentaliai skirtingas funkcijas. Scenarijai kuria diskrečias, kokybiškai skirtingas ateitis su naratyvine logika – jie geriausiai tinka struktūriniams lūžiams, kur praeities statistika nebetinka. Monte Carlo kuria tolydų tikimybinį pasiskirstymą pagal parametrinius skirstinius – jis geriausiai tinka parametriniam neapibrėžtumui kiekybiškai vertinti. Efektyvi praktika – derinti abu: naudoti scenarijus struktūriniams lūžiams identifikuoti, o kiekvieno scenarijaus viduje taikyti Monte Carlo parametriniam neapibrėžtumui kiekybiškai vertinti.

Toks derinys turi savo pavadinimą – sluoksniuotas arba hibridinis modeliavimas (angl. layered arba hybrid modelling): išorinį sluoksnį sudaro keli kokybiškai skirtingi scenarijai, o kiekvieno vidų užpildo atskira simuliacija su tam scenarijui pritaikytais skirstiniais (Vose, 2008; Rubinstein & Kroese, 2017). Praktinis skirtumas nuo įprasto Monte Carlo yra tas, kad skirstiniai nėra vieni ir tie patys visiems scenarijams: recesijos scenarijuje ne tik pasislenka pajamų vidurkis, bet ir išsiplečia jų sklaida, o kai kurios koreliacijos apverčia ženklą. Rezultatas pateikiamas ne kaip vienas pasiskirstymas, o kaip keli – po vieną scenarijui – ir būtent jų nesutapimas parodo, kiek rezultatas priklauso nuo struktūrinės prielaidos, o ne nuo parametrų svyravimo. Verslo plane tai reiškia, kad vietoj vieno „tikimybė, jog NPV < 0, yra 12 %“ pateikiami trys skaičiai su nurodytu scenarijumi, ir skaitytojas mato, kuris iš jų yra sprendimui kritinis.

Rizikos rodikliai: kiek rizikuojame?#

3 skyriaus 3.2 poskyryje pristatyti baziniai rizikos matai – standartinis nuokrypis ($\sigma$, formulė (3.1)), beta koeficientas ($\beta$, formulė (3.2)), Sortino koeficientas (formulė (3.5)), variacijos koeficientas (CV, formulė (3.6)) ir šalies rizikos premija (formulė (3.7)). Šie matai vertina bendrą rizikos lygį, tačiau neatsako į specifiškesnius klausimus: koks didžiausias galimas nuostolis? Kokia rizika uodegose? Kaip svertas didina jautrumą? Šiame poskyryje pristatomi specializuoti rodikliai, papildantys 3 skyriaus bazinį rinkinį.

VaR (rizikos vertė). VaR (angl. Value at Risk) atsako į konkretų klausimą: „kokio didžiausio nuostolio galima tikėtis per nurodytą laikotarpį su nurodyta tikimybe?“. Pavyzdžiui, „dienos VaR 99 % pasikliovimo lygmeniu yra 150 000 EUR“ reiškia: 99 dienų iš 100 nuostolis neviršys 150 000 EUR. VaR skaičiuojamas trimis metodais:

• Parametrinis (variacijos-kovariacijos): daroma prielaida, kad grąžos pasiskirsčiusios pagal normalųjį skirstinį, ir VaR apskaičiuojamas tiesiai iš vidurkio ir standartinio nuokrypio (formulė (4.8), žr. 4.2 poskyrį).
• Istorinė simuliacija: naudojami faktiniai istoriniai duomenys, nerenkant jokios skirstinio prielaidos – VaR yra tiesiog atitinkamas procentilis istorinių nuostolių eilutėje.
• Monte Carlo VaR: generuojamas nuostolių pasiskirstymas per Monte Carlo simuliaciją ir iš jo imamas atitinkamas procentilis.

VaR tapo bankų reguliavimo pagrindu per Basel II (žr. 3 skyrių), tačiau turi fundamentalų trūkumą: jis yra nekoherentinis matas – pažeidžia subadityvumo aksiomą (Artzner et al., 1999). Tai reiškia, kad dviejų portfelių VaR suma gali būti mažesnė nei sujungto portfelio VaR, sukuriant paradoksą, kur diversifikacija teoriškai „padidina“ riziką. Be to, VaR nieko nepasako apie nuostolių dydį, kai VaR riba viršijama – jis parodo ribą, bet ne tai, kas už jos.

CVaR / Expected Shortfall. Sąlyginė rizikos vertė – CVaR (angl. Conditional Value at Risk), dar vadinama tikėtinu trūkumu (angl. Expected Shortfall, ES), atsako būtent į šį klausimą: „jei nuostolis viršija VaR ribą, koks yra vidutinis nuostolio dydis?“ Matematiškai tai yra sąlyginė tikėtina vertė $E[L \mid L > VaR_\alpha]$ (formulė (4.9)). CVaR tenkina visas keturias Artzner ir kolegų koherencijos aksiomas, todėl Bazilio komitetas nuo FRTB (angl. Fundamental Review of the Trading Book) perėjo prie CVaR kaip pagrindinio reguliacinio rizikos mato.

Lūžio taškas (break-even). Paprasčiausias, bet vienas naudingiausių rizikos rodiklių verslo planuose. Lūžio taškas parodo, kiek vienetų ar kokia apimtis reikalinga, kad pajamos padengtų visas sąnaudas (formulė (4.5)). Jo atvirkštinis rodiklis – saugumo riba (angl. margin of safety) – parodo, kiek dabartiniai pardavimai viršija lūžio tašką, t. y. kokį pardavimų sumažėjimą verslas gali atlaikyti nepradėdamas nuostoliauti.

Operacinio ir finansinio sverto laipsniai. Svertas (angl. leverage) yra rizikos „stiprintuvas“ – jis padidina ir pelną augimo metu, ir nuostolius nuosmukio metu. Operacinio sverto laipsnis DOL (angl. Degree of Operating Leverage) parodo, kiek procentų pakinta EBIT, kai pardavimai pakinta 1 % (formulė (4.6)). Finansinio sverto laipsnis DFL (angl. Degree of Financial Leverage) parodo analogišką grynojo pelno jautrumą EBIT pokyčiams (formulė (4.7)). Bendras sverto laipsnis DTL = DOL × DFL parodo kumuliacinį efektą: jei DOL = 3 ir DFL = 2, tai 10 % pardavimų sumažėjimas sukelia 60 % grynojo pelno sumažėjimą. Tai ypač svarbu vertinant kapitalo imlius ar stipriai finansuotus skolintomis lėšomis verslus.

Stresiniai testai. Stresinis testas (angl. stress test) yra scenarijų analizės forma, kurioje analizuojamos ekstremalios, bet įmanomos situacijos. Istoriniai stresiniai testai naudoja praeities krizių parametrus (pvz., 2008 m. finansų krizės metu akcijų rinkos smuko apie 50 %, kredito maržos išsiplėtė 300–500 bazinių punktų). Hipotetiniai stresiniai testai kuria scenarijus, kurių praeityje nebuvo (pvz., kibernetinė ataka, paralyžiuojanti visą tiekimo grandinę). Atvirkštinis stresinis testas (angl. reverse stress test) veikia priešinga kryptimi: vietoj klausimo „kas nutiktų, jei…?“ jis klausia „kokios sąlygos priverstų mus tapti nemokiais?“ – ir nuo šio nesėkmės taško analizuoja atgal, kokių įvykių ar jų kombinacijų reikėtų, kad toks rezultatas taptų realybe. Metodologiškai tai yra trijų žingsnių procesas: (1) apibrėžiamas kritinis slenkstis (pvz., nuosavas kapitalas < 0, likvidumo koeficientas < 1,0, skolos aptarnavimo rodiklis < 1,2); (2) identifikuojamos kintamųjų kombinacijos, galinčios privesti prie šio slenksčio; (3) vertinama, ar tokios kombinacijos yra realios, remiantis istoriniais precedentais ir ekspertiniais vertinimais. Atvirkštinis stresinis testas yra itin vertingas, nes priverčia organizaciją tiesiogiai susidurti su savo pažeidžiamumais, o ne juos ignoruoti – jis demaskuoja „akląsias zonas“, kurių tradicinis stresinis testas gali neaptikti, nes pastarasis testuoja tik iš anksto numatomus scenarijus. EBA (Europos bankininkystės institucija) ir PRA (Jungtinės Karalystės reguliuotojas) reikalauja atvirkštinio stresinio testavimo iš finansų institucijų; verslo planavime ši logika ne mažiau vertinga, nors rečiau taikoma.

Omega koeficientas ir Maximum Drawdown. Omega koeficientas (Keating & Shadwick, 2002) yra alternatyvus rizikos-grąžos matas, kuris, skirtingai nuo Sharpe’o ar Sortino koeficientų, apima visą grąžų pasiskirstymą – ne tik pirmuosius du momentus (vidurkį ir dispersiją), bet ir asimetriją bei ekscesą. Maximum Drawdown (MDD) – didžiausias nuosmukis nuo piko iki dugno – yra intuityvus matas, ypač svarbus investuotojams: –30 % nuosmukis reikalauja +42,9 % atsigavimo vien tam, kad grįžtų į pradinį lygį. Calmar koeficientas (metinė grąža / |MDD|) leidžia palyginti investicijas pagal rizikos-grąžos santykį atsižvelgiant į didžiausią nuosmukį.

Integruota rizikos analizė: nuo metodų prie sistemos#

Aukščiau aprašyti keturi metodai nėra konkurentai – jie sudaro laipsniškai gilėjančią sistemą, kurioje kiekvienas lygmuo papildo ankstesnį:

4.2 pav. Integruotos rizikos analizės darbo srautas

graph TD
    A["1. Jautrumo analizė<br/><i>Tornado diagrama</i><br/>Klausia: kas svarbu?"] --> B["2. Scenarijų analizė<br/><i>2×2 matrica / 3 scenarijai</i><br/>Klausia: kas galėtų nutikti?"]
    B --> C["3. Monte Carlo<br/><i>Tikimybinis skirstinys</i><br/>Klausia: kokia tikimybė?"]
    C --> D["4. Rizikos rodikliai<br/><i>VaR, CVaR, DOL/DFL</i><br/>Klausia: kiek rizikuojame?"]
    D --> E["5. Sprendimas<br/><i>Priimti / Koreguoti / Atmesti</i>"]
    E -.->|Iteracija| A

    style A fill:#50b5a9,color:#fff
    style B fill:#f5a623,color:#fff
    style C fill:#4a90d9,color:#fff
    style D fill:#e8705a,color:#fff
    style E fill:#7b8a8e,color:#fff

Rizikos registras (angl. risk register) yra centrinis integruotos rizikos analizės dokumentas. Jis apima kiekvienos identifikuotos rizikos aprašymą, kategoriją (strateginė, operacinė, finansinė, reguliacinė), tikimybės ir poveikio vertinimą, rizikos prioriteto skaičių $RPN = P \times I$ (kur $P$ – tikimybė balais, $I$ – poveikis balais), rizikos valdymo strategiją ir atsakingą asmenį. Rizikos registras nėra statinis dokumentas – jis reguliariai atnaujinamas per visą projekto ar verslo plano gyvavimo ciklą. Rizikos registras yra viena iš COSO (2017) įmonės rizikos valdymo principų – rizikos identifikavimo, poveikio vertinimo ir prioritetizavimo – įgyvendinimo priemonių; pati sistema rizikos vertinimą pozicionuoja ne kaip atskirą procedūrą, o veiklos ir strategijos kontekste.

Rizikos žemėlapis (angl. risk heat map) yra vizuali rizikos registro matrica, kurioje horizontalioji ašis vaizduoja tikimybę, o vertikalioji – poveikį. Rizikos spalvinamos pagal zonas: žalia (mažas RPN – priimtina rizika), geltona (vidutinis – stebėti ir valdyti), oranžinė (reikšminga – būtinas valdymo planas), raudona (kritinė – automatinis eskalacijos signalas). Rizikos žemėlapis yra efektyvus komunikacijos įrankis valdybai ir investuotojams, tačiau turi būti suvokiamas kaip diskusijos pradžios taškas, o ne galutinis atsakymas – tikimybių ir poveikio vertinimai yra subjektyvūs ir gali būti veikiami tų pačių kognityvinių šališkumų, kurie aptarti 3 skyriuje.

Sprendimų medžiai (angl. decision trees) yra metodas, leidžiantis modeliuoti nuoseklius sprendimus su neapibrėžtumu kiekviename etape. Sprendimų medis susideda iš sprendimų mazgų (kur priimamas sprendimas), tikimybės mazgų (kur atsitiktinis įvykis nulemia rezultatą) ir galinių mazgų (rezultatai). Kiekvieno kelio tikėtina piniginė vertė EMV (angl. Expected Monetary Value) apskaičiuojama kaip svertinis tikimybių ir rezultatų vidurkis (formulė (4.10), žr. 4.2 poskyrį), ir sprendimas priimamas atgaline indukcija – nuo galinių mazgų „atgal“ iki pirmojo sprendimo.

Sprendimų medžiai ypač svarbūs, kai investicijos yra stadijinės (angl. staged investment) – pavyzdžiui, pirmoji stadija yra pilotinis projektas, o antroji – pilno masto plėtra. Tai tiesiogiai siejasi su realių opcionų logika (plačiau – 14 skyriuje): stadijinis investavimas sukuria atsitraukimo opcioną (galimybę sustabdyti projektą, jei pilotas nepasiteisina) ir plėtros opcioną (galimybę padidinti investiciją, jei pilotas sėkmingas). Standartinis statinis NPV šių opcionų vertės neapima – todėl sprendimų medžiai ir realių opcionų mąstymas gali fundamentaliai pakeisti investicinio sprendimo logiką.

Kiekvienas 4.2 paveikslo lygmuo prideda informacijos, bet ir sudėtingumo – todėl ne kiekvienam sprendimui reikalingi visi penki žingsniai.

Proporcingumo principas. Integruota rizikos analizė yra galinga, tačiau gali tapti „analizės paralyžiaus“ (angl. analysis paralysis) šaltiniu. Chapman ir Ward (2003) perspėja: rizikos analizės sudėtingumas turi būti proporcingas sprendimo mastui ir organizacijos gebėjimams. Mažai įmonei, vertinančiai 50 000 EUR investiciją, pakanka jautrumo analizės ir kelių scenarijų. Dideliam infrastruktūros projektui (50 mln. EUR) reikalinga pilna Monte Carlo simuliacija su stresiniais testais ir rizikos registru. Taikyti pilną arsenalą kiekvienam sprendimui yra ne kruopštumas, o išteklių švaistymas. Pareto principas galioja ir čia: paprastai 80 % rizikos vertės kyla iš 20 % rizikos veiksnių – tornado diagrama juos identifikuoja, ir būtent jiems turi būti skiriamas didžiausias analitinis dėmesys.

4.1.3. Kritinė analizė ir diskusija#

Klaidingo tikslumo problema#

Kiekvienas šiame skyriuje pristatytas metodas turi bendrą pagundą – sukurti tikslumo iliuziją. Jautrumo analizė pateikia konkrečius skaičius lentelėje, ir skaitytojas linkęs juos traktuoti kaip „atsakymus“, nors tai tik deterministiniai taškai be tikimybių. Monte Carlo simuliacija generuoja pasiskirstymus su statistinėmis charakteristikomis (vidurkis, standartinis nuokrypis, procentiliai), kurie atrodo moksliškai griežti – tačiau jie yra tik tiek patikimi, kiek patikimos jiems priskirtos prielaidos. Kaip aptarta 2 skyriuje, sudėtingesnis modelis nebūtinai yra tikslesnis – jis tiesiog sukuria stipresnę „moksliškumo“ regimybę.

Ši problema ypač aštri Monte Carlo kontekste. Simuliacija gali generuoti NPV pasiskirstymą su trimis skaitmenimis po kablelio, tačiau jei pajamų augimo tempas priskirtas kaip „normalusis skirstinys su vidurkiu 5 % ir standartiniu nuokrypiu 3 %“ remiantis vieno analitiko spėjimu, o ne empiriniais duomenimis, tai visas pasiskirstymas yra ne kas kita, kaip statistiškai preciziškas to spėjimo atvaizdas. „Garbage in – garbage out“ principas Monte Carlo kontekste transformuojasi į subtilesnę formą: „garbage in – beautifully distributed garbage out“.

VaR: nekoherencijos paradoksas ir reguliacinė pamoka#

VaR kritika iliustruoja platesnę problemą – kaip plačiai priimtas standartas gali sukurti sisteminę riziką. Artzner ir kolegų (1999) parodyta subadityvumo aksiomos pažaida reiškia ne tik matematinę eleganciją – ji turi konkrečias praktines pasekmes. Jei bankas valdo du portfelius, kurių kiekvieno VaR yra priimtinas, jų sujungimas gali formaliai „padidinti“ VaR – tai reiškia, kad diversifikacija, kuri turėtų riziką mažinti, reguliaciniame rėmelyje gali ją „padidinti“. Šis paradoksas buvo viena priežasčių, dėl kurių Bazilio komitetas perėjo nuo VaR prie CVaR/ES.

Tačiau gilesnė pamoka yra ne techninė, o epistemologinė. VaR, net jei jis būtų matematiškai tobulas, turi struktūrinę ribą: jis nieko nepasako apie tai, kas vyksta už nurodytos ribos. 99 % VaR parodo „blogiausią normalią dieną“ – bet 2008 m. krizė parodė, kad būtent tas 1 % atvejų, apie kuriuos VaR tyli, nulemia ar institucija išgyvena, ar žlunga. Tai Talebo (2007) „juodosios gulbės“ kritikos esmė: modeliai, sukalibruoti pagal „gero oro“ duomenis, sistemingai nuvertina ekstremalių įvykių riziką.

Storų uodegų problema ir normalumo prielaida#

Normaliojo skirstinio prielaida – nuo kurios priklauso parametrinis VaR, daugelis Monte Carlo konfigūracijų ir standartinė portfelio teorija – yra viena labiausiai kritikuojamų prielaidų šiuolaikiniuose finansuose. Kaip aptarta 3 skyriuje, Mandelbrotas dar 1963 m. parodė, kad finansinių grąžų skirstiniai turi „storesnes uodegas“ (angl. fat tails) nei numato normalusis skirstinys – tai reiškia, kad ekstremalūs įvykiai (krizės, krachai) nutinka gerokai dažniau, nei prognozuoja standartiniai modeliai.

Monte Carlo kontekste ši problema pasireiškia dvejopai. Pirma, jei kintamiesiems priskiriami normalieji skirstiniai, simuliacija sistemingai nuvertins ekstremalių rezultatų tikimybę. Antra, krizinėmis sąlygomis koreliacijos tarp aktyvų ir kintamųjų staigiai padidėja (vadinamasis correlation breakdown efektas) – modelis, sukalibruotas pagal „ramaus laiko“ koreliacijas, gali generuoti per daug optimistišką įvairovę kriziniais periodais. Tai nereiškia, kad Monte Carlo yra nenaudingas – tai reiškia, kad jo rezultatus reikia interpretuoti sąmoningai, suprantant, kokių prielaidų ribose jie galioja.

Scenarijų subjektyvumo problema#

Scenarijų analizė pretenduoja valdyti struktūrinį neapibrėžtumą – tačiau pati yra subjektyvumo produktas. Kelios konkrečios problemos:

Tikimybių priskyrimo subjektyvumas. Kai scenarijams priskiriamos tikimybės (pvz., optimistinis – 25 %, bazinis – 50 %, pesimistinis – 25 %), šios tikimybės yra ekspertiniai spėjimai, o ne statistiniai dažniai. Skirtingi ekspertai tiems patiems scenarijams priskirs skirtingas tikimybes, ir nėra objektyvaus būdo nustatyti, kuris teisesnis. Formulė $E(V) = \sum p_i V_i$ sukuria matematinio tikslumo regimybę, tačiau yra tik tiek tikra, kiek tikros yra įvesties tikimybės.

Siauro rėmo pavojus (angl. framing bias). Sukurti trys ar keturi scenarijai neišvengiamai atspindi kūrėjų mentalinį horizontą. Scenarijai, kurie atrodo „per ekstremalūs“ arba „per keisti“, dažnai atmetami kaip nerealūs – tačiau būtent jie gali apimti tikrąsias „juodąsias gulbes“. 2020 m. COVID-19 pandemija buvo tokio pobūdžio įvykis: daugelis įmonių turėjo scenarijus ekonominiam nuosmukiui, bet labai mažai kas turėjo scenarijų globaliam tiekimo grandinių paralyžiui dėl epidemiologinio šoko.

Inkaravimas baziniame scenarijuje. Net kai sukuriami keli scenarijai, psichologiškai bazinis scenarijus tampa „tikruoju“ – sprendimų priėmėjai linkę vertinti optimistinį ir pesimistinį scenarijus kaip „mažai tikėtinus priedus“, o ne kaip lygiavertes galimybes. Tai tiesiogiai siejasi su 3 skyriuje aptartu inkaravimo šališkumu (angl. anchoring bias) ir yra viena priežasčių, kodėl 2×2 matricos požiūris (keturi kokybiškai skirtingi scenarijai be „bazinio“) yra metodologiškai pranašesnis.

Ar scenarijų analizė iš tikrųjų padeda? Empirinis atsvaras#

Aukščiau išdėstyta kritika yra konceptuali: ji rodo, kodėl scenarijų analizė gali klaidinti. Tačiau atsakymas į klausimą, ar ji praktiškai padeda, priklauso ne nuo argumentų, o nuo duomenų. Ir čia pirmiausia reikia pastebėti, ko pati scenarijų planavimo literatūra niekada nežadėjo. Chermackas ir Lynham (2002, p. 374), išanalizavę aštuoniolika literatūroje vartojamų apibrėžimų, laukiamus metodo rezultatus suvedė į keturias kategorijas: pakitęs mąstymas, pagrįstos alternatyvių ateičių istorijos, geresni sprendimai ir sustiprėjęs žmonių bei organizacijos mokymasis ir vaizduotė. Prognozės tikslumo šiame sąraše nėra. Tai atitinka ir van der Heijdeno (2005) poziciją, kad scenarijai yra ne produktas, o strateginis pokalbis: vertę kuria pats procesas, per kurį organizacija priverčiama išsakyti ir suderinti savo prielaidas. Tai reiškia, kad scenarijų analizės vertinimas pagal tai, ar scenarijus „išsipildė“, yra kategorijos klaida – maždaug tokia pati, kaip vertinti gaisro gesinimo treniruotę pagal tai, ar gaisras iš tikrųjų įvyko.

Ką rodo matavimai:

• Mokymosi poveikis. Haeffneris ir kolegos (2012) apklausė 133 dalyvius iš dešimties JAV įmonių prieš scenarijų planavimo sesijas ir po jų, naudodami standartizuotą mokymosi organizacijos klausimyną (DLOQ). Šeši iš septynių klausimyno matmenų pasikeitė teigiama kryptimi.
• Sprendimų stiliaus poveikis. Chermackas ir Nimonas (2008) kvazieksperimentiniu prieš–po tyrimu technologijų įmonėje nustatė, kad po scenarijų planavimo dalyviai pasislenka link intuityvesnio sprendimų priėmimo stiliaus. Šį rezultatą verta skaityti atsargiai: jis gali reikšti ir tai, kad dalyviai išmoko dirbti su neapibrėžtumu, ir tai, kad jie tapo mažiau linkę reikalauti kiekybinio pagrindimo.
• Poveikis pačiam sprendimui. Stipriausią įrodymą pateikia Phadnis ir kolegos (2015), atlikę tris lauko eksperimentus su srities ekspertais – vieną iš jų JAV valstijos transporto departamente, vertinant šešiolika infrastruktūros investicijų. Rezultatai netikėti dviem atžvilgiais. Pirma, kelių scenarijų naudojimas nepadidino ir nesumažino ekspertų pasitikėjimo savo vertinimu – tai prieštarauja ankstesniems tyrimams. Antra, ekspertų vertinimas kito kryptingai: investicija vertinama palankiau, jei pasirodo naudinga konkrečiame scenarijuje, o poveikio stiprumą lemia tai, kaip užtikrintas ekspertas buvo iš pradžių.

Svarbiausia to paties tyrimo išvada verslo planavimui yra trečioji: po darbo su keliais scenarijais ekspertai pradėjo rinktis lankstesnius investavimo variantus. Tai nėra smulkmena – tai empirinis pagrindas tam, ką 4.4 poskyrio pirmasis atvejis pateikia kaip sprendimą: scenarijų analizė veda ne prie kito skaičiaus, o prie kitos investicijos struktūros (stadijinės, su atsitraukimo opcionu).

Šių įrodymų ribas reikia įvardyti tiesiai. Imtys nedidelės, dalis rodiklių – dalyvių savęs vertinimas, o ne objektyvus rezultatas, tyrimai atlikti JAV organizacijose. Nė vienas jų neparodo, kad scenarijų analizę taikiusios įmonės uždirbo daugiau. Todėl sąžininga formuluotė yra tokia: įrodymai palaiko scenarijų analizę kaip mokymosi ir lankstumo instrumentą, bet ne kaip prognozavimo tikslumo instrumentą – ir būtent taip ją verta pateikti verslo plane.

Elgsenos šališkumai rizikos analizės procese#

3 skyriuje pristatyti septyni kognityviniai šališkumai pasireiškia ne tik rizikos suvokime, bet ir pačiame rizikos analizės procese:

• Perteklinis pasitikėjimas (angl. overconfidence) skatina analitikus priskirti Monte Carlo kintamiesiems per siaurus skirstinius – „aš tikrai žinau, kad augimas bus tarp 3 % ir 7 %“ – nors empirinė patirtis rodo, kad ekspertai sistemingai per siaurai vertina galimų rezultatų intervalą.
• Prieinamumo euristika (angl. availability heuristic) lemia, kad rizikos registre dominuoja neseniai patirtos arba žiniasklaidoje matomos rizikos, o „nematomos“ – bet potencialiai reikšmingesnės – rizikos praleidžiamos.
• Grupinis mąstymas (angl. groupthink) rizikos komitetuose gali slopinti disidentinių scenarijų kūrimą – jei dominuojanti nuomonė yra optimistinė, pesimistinis scenarijus gali būti „sušvelnintas“ iki socialiai priimtino lygio.
• Nuostolių eskalavimas (angl. escalation of commitment) reiškia, kad jau priimtam projektui rizikos analizė gali būti taikoma ne kaip objektyvus vertinimas, o kaip patvirtinimo paieška (angl. confirmation bias) – ieškant argumentų tęsti, o ne sustoti.

Šių šališkumų valdymo strategijos – pre-mortem analizė, red team, lyginamosios klasės prognozavimas (angl. reference class forecasting) – aptartos 3 skyriuje. Šio skyriaus kontekste svarbu pabrėžti, kad struktūruoti metodai (jautrumo analizė, scenarijai, Monte Carlo) yra patys savyje šališkumų mažinimo instrumentai – jie priverčia aiškiai apibrėžti prielaidas, jas testuoti ir kvestionuoti. Tačiau jie nėra imunitetai nuo šališkumų – prielaidos, kurios įvedamos į modelį, vis tiek yra žmogaus sprendimai.

ESG ir dvigubos materialumo problema#

ESG (angl. Environmental, Social and Governance – aplinkosauginiai, socialiniai ir valdysenos) veiksniai sukuria specifinę rizikos analizės problemą – dvigubą materialumą (angl. double materiality). Tai reiškia, kad ESG rizika turi dvi kryptis: rizika verslui (fizinė klimato rizika, reguliaciniai pokyčiai, tiekimo grandinės sutrikimai) ir rizika iš verslo (anglies emisijos, darbo sąlygos, valdymo skaidrumas). ES reguliavimo sistema (ypač CSRD – angl. Corporate Sustainability Reporting Directive) jau reikalauja vertinti abi kryptis.

Praktikoje ESG integruojamas į rizikos analizę keliais būdais: kaip papildomas kintamasis jautrumo analizėje (pvz., anglies mokesčio poveikis EBIT maržai), kaip scenarijų ašis (pvz., „2°C scenarijus“ ir „business as usual“), ir kaip atskira kategorija rizikos registre. TCFD (angl. Task Force on Climate-related Financial Disclosures, 2017) savanoriškose rekomendacijose scenarijų analizė yra viena iš siūlomų priemonių: rekomenduojama naudoti ne vieną scenarijų, o rinkinį, kuriame privalomai yra 2 °C ar žemesnio atšilimo scenarijus ir dar du ar trys alternatyvūs.

Dvigubo skaičiavimo pavojus. Integruojant ESG į DCF vertinimą, iškyla esminis metodologinis spąstas: ta pati ESG rizika gali būti „suskaičiuota du kartus“ – ir koreguojant pinigų srautus (pvz., sumažinant prognozes dėl galimo anglies mokesčio), ir padidinant diskonto normą (pvz., pridedant ESG rizikos premiją prie WACC). Cornell ir Damodaran (2020) perspėja, kad tai yra viena dažniausių vertinimo klaidų ESG kontekste: jei klimato rizika jau atspindėta pesimistiškesnėse pinigų srautų prognozėse, papildoma diskonto normos korekcija yra perteklinė, ir atvirkščiai. Analitikui būtina pasirinkti vieną integravimo kanalą – arba koreguoti pinigų srautus (skaidresnis ir labiau rekomenduojamas metodas), arba koreguoti diskonto normą – bet ne abu vienu metu. Šis principas taikytinas ne tik ESG, bet ir bet kuriai rizikos kategorijai, integruojamai į DCF modelį (pvz., šalies rizika, reguliacinė rizika).

Modelio rizika: struktūrinė klaida pavojingesnė nei parametrinė#

Galutinė ir galbūt svarbiausia kritinė pastaba: visi šiame skyriuje aptarti metodai vertina parametrinį neapibrėžtumą – t. y. klausimą „kas nutiktų, jei šie skaičiai būtų kitokie?“. Tačiau jie neapsaugo nuo modelio rizikos (angl. model risk) – galimybės, kad pats modelis yra struktūriškai neteisingas. Jei DCF modelis neapima esminio pajamų šaltinio, jokia jautrumo analizė to neaptiks – ji testuos tik tuos kintamuosius, kurie modelyje yra. Jei scenarijuose nenumatyta kokybiškai nauja rizikos kategorija (pvz., pandemija), Monte Carlo simuliacija neparodys jos tikimybės – ji simuliuos tik tas rizikas, kurios buvo aiškiai apibrėžtos.

Tai Knighto neapibrėžtumo (žr. 3 skyrių) praktinė manifestacija: kiekybiniai metodai gali valdyti riziką (kur tikimybės ir scenarijai yra bent iš dalies žinomi), tačiau tikro neapibrėžtumo zonoje jie yra bejėgiai. Būtent todėl integruota rizikos analizė turi būti papildyta kokybinėmis strategijomis – nuolatiniu aplinkos stebėjimu, organizaciniu mokymusi, strateginiu lankstumu ir realių opcionų mąstymu (plačiau – 14 skyriuje). Kaip taikliai suformulavo Danielssonas (2011, p. xiv): „finansinės rizikos modeliai turi erzinantį įprotį nuvilti būtent tada, kai jų labiausiai reikia“.

Kaip patikrinti, ar modelis veikia: atgalinis testavimas#

Iš modelio rizikos seka praktinis klausimas, kurio kiekybinė analizė dažniausiai neužduoda: iš kur žinome, ar mūsų rizikos matas apskritai teisingas? Finansų srityje atsakymas formalizuotas ir vadinamas atgaliniu testavimu (angl. backtesting): VaR įvertis lyginamas su faktiniais rezultatais, ir tikrinama, ar riba buvo pažeista tiek kartų, kiek numato pasirinktas pasikliovimo lygmuo (Jorion, 2007). Logika paprasta iki elegancijos: jei 99 % dienos VaR skaičiuotas teisingai, per 250 prekybos dienų jis turi būti viršytas maždaug du–tris kartus. Nulis pažeidimų nėra geras rezultatas – jis reiškia, kad modelis riziką pervertina ir įmonė be reikalo įšaldo kapitalą. Dešimt pažeidimų reiškia, kad modelis riziką nuvertina, ir tai yra pavojinga būklė.

Formalus kriterijus, ar pažeidimų skaičius statistiškai suderinamas su pasirinktu lygiu, yra Kupieco padengimo testas; būtent tokia logika įtvirtinta ir bankų reguliavime, kur pažeidimų skaičius per pastaruosius 250 dienų lemia kapitalo reikalavimo daugiklį.

Verslo planavime kasdienių duomenų eilutės nėra, todėl tiesioginis VaR atgalinis testavimas netaikomas. Tačiau pati idėja perkeliama ir yra vertingesnė nei pats matas: prognozės kokybė tikrinama lyginant ją su tuo, kas įvyko, o ne su tuo, kaip įtikinamai ji buvo parašyta. Praktiškai tai reiškia, kad verslo plano scenarijai ir jautrumo intervalai turi būti peržiūrimi po fakto: ar faktiniai pardavimai pateko į prognozuotą intervalą? Kiek kartų iš penkių planavimo ciklų realus rezultatas buvo už pesimistinio scenarijaus ribų? Įmonė, kuri kaupia šią statistiką, per kelerius metus sužino apie savo prognozavimo šališkumą daugiau nei iš bet kokio modelio patobulinimo. Tai tiesiogiai susiję su 2 skyriuje aptartu ex post vertinimu ir su 17 skyriaus planų įgyvendinimo valdymu.

4.1.4. Technologijų perspektyva#

Rizikos analizės metodų praktinis taikymas visada buvo neatsiejamai susietas su skaičiavimo technologijomis. Kiekviena technologinė banga ne tik suteikė naujų įrankių, bet ir pakeitė tai, kokie metodai tapo praktiškai prieinami ir kas juos gali taikyti.

Kompiuterizacijos era (1970–1995): nuo mainframe prie skaičiuoklės#

Hertzo (1964) Monte Carlo idėjos pirmaisiais dešimtmečiais liko daugiausia mainframe kompiuterių srityje – simuliacijos reikalavo programavimo įgūdžių ir brangios aparatūros. Lūžis įvyko devintajame dešimtmetyje, kai @RISK ir „Crystal Ball“ pavertė Monte Carlo simuliaciją skaičiuoklių priedu – analitikas galėjo vykdyti daugybę iteracijų tiesiai skaičiuoklėje, be jokio programavimo. Tai demokratizavo simuliaciją: ji tapo prieinama ne tik investiciniams bankams, bet ir korporacijų finansų skyriams bei konsultacinėms įmonėms.

Jautrumo analizė irgi transformavosi kartu su skaičiuoklėmis. Excel duomenų lentelės funkcija (angl. Data Table; vienkryptė ir dvikryptė) leido automatizuoti „kas, jeigu?“ skaičiavimus – analitikas galėjo per minutes sugeneruoti tornado diagramai reikalingus duomenis, kai anksčiau tam reikėdavo valandų rankinio darbo. Sprendimų medžiams atsirado specializuota programinė įranga – DPL (Decision Programming Language) ir TreePlan, integruojamas į Excel.

Interneto ir duomenų era (1995–2020): nuo įrankio prie ekosistemos#

Šiuo laikotarpiu rizikos analizės programinė įranga perėjo konsolidacijos etapą: Oracle 2007 m. įsigijo Crystal Ball, integruodama jį į savo verslo analitikos platformą; Palisade (dabar Lumivero) tęsė @RISK plėtrą; Vose Software 2008 m. išleido ModelRisk kaip alternatyvą. Šie įrankiai tapo pramonės standartu – naftos ir dujų sektoriuje, farmacijoje ir infrastruktūros projektuose Monte Carlo simuliacija su @RISK ar Crystal Ball virto privalomu investicijų pagrindimo komponentu. Įvairios rinkos tyrimų įmonės (Grand View Research, Allied Market Research) vertina, kad globalinė rizikos analitikos rinka 2020-aisiais siekė ~$10–11 mlrd. ir sparčiai auga, atspindėdama augantį institucinį rizikos valdymo poreikį.

Šią erą taip pat transformavo dvi kitos jėgos. Pirma, atviro kodo ekosistema: Python (su NumPy, SciPy, pandas bibliotekomis), R ir kitos aplinkos leido vykdyti Monte Carlo simuliacijas su šimtais tūkstančių iteracijų, modeliuoti sudėtingas koreliacijos struktūras ir taikyti pažangius metodus (Latin Hypercube Sampling, Copula modelius) be komercinių licencijų kainos. Tai ypač svarbu akademiniam ir mažų įmonių sektoriui. Python SALib biblioteka padarė Sobol’ ir kitų GSA metodų skaičiavimą prieinamą vos keliomis kodo eilutėmis.

Antra, verslo analitikos (BI) platformos – Tableau, Power BI ir analogiški įrankiai – perkėlė rizikos vizualizaciją iš statinių lentelių į interaktyvius valdymo skydus (angl. dashboards). Rizikos žemėlapiai, tornado diagramos ir Monte Carlo histogramos tapo realiu laiku atnaujinamos vizualizacijos, prieinamos ne tik analitikams, bet ir vadovams. Bankų sektoriuje EBA (Europos bankininkystės institucija) ir ECB automatizuoti stresų testai – reguliariai vykdomi visoje Europos bankų sistemoje – pareikalavo sudėtingos IT infrastruktūros ir standartizuotų duomenų formatų, paverčiant rizikos analizę institucine funkcija, o ne pavienio analitiko užduotimi.

DI ir DI agentų era (2020→): rizikos analizė kaip dialogas#

DI agentai (angl. AI agents) – autonomiškos programinės sistemos, gebančios vykdyti daugiažingsnes užduočių sekas su minimaliu žmogaus įsikišimu.

Dirbtinis intelektas keičia rizikos analizę keliais lygmenimis. Rizikos identifikavimas – NLP (angl. Natural Language Processing – natūralios kalbos apdorojimo) modeliai geba automatiškai skenuoti naujienų srautus, reguliacinius dokumentus ir tiekimo grandinių duomenis, identifikuodami naujas rizikos kategorijas anksčiau nei tradiciniai metodai. Tai ypač vertinga ESG rizikos stebėsenai, kur reguliacinė aplinka kinta greitai.

Monte Carlo automatizavimas – generatyviniai DI modeliai jau geba kurti Monte Carlo simuliacijos konfigūracijas iš tekstinių prielaidų aprašymų, parinkti tikėtinus skirstinius ir interpretuoti rezultatus. Tai mažina barjerą – analitikas, nemokantis programuoti ar naudoti @RISK, gali gauti tikimybinį vertinimą per pokalbį su DI asistentu.

Rizikos registrų automatizavimas – DI gali analizuoti praeitinius projektus, identifikuoti pasikartojančias rizikas ir siūlyti standartizuotus rizikos registrus naujiems projektams, sumažindamas „tuščio lapo“ problemą.

Pažangūs DI metodai – mašininio mokymosi modeliai (gradientinio stiprinimo medžiai, neuroniniai tinklai) naudojami kredito rizikos vertinime, nes gali aptikti netiesinius ryšius tarp šimtų kintamųjų, kurių tradiciniai logistinės regresijos modeliai neaprėpia (Lessmann et al., 2015). Tačiau šie modeliai kelia „juodosios dėžės“ problemą – reguliuotojai (ypač EBA, ECB) reikalauja modelio paaiškinamumo (angl. explainability), todėl SHAP (angl. SHapley Additive exPlanations – metodas, paaiškinantis kiekvieno kintamojo indėlį į modelio prognozę; Lundberg & Lee, 2017) ir LIME metodai tampa standartiniu DI modelių validavimo komponentu.

Tačiau DI era sustiprina jau aptartą „automation bias“ riziką: jei Monte Carlo simuliacijos konfigūraciją sugeneravo DI, o ne žmogus-ekspertas, gali kilti pernelyg didelis pasitikėjimas rezultatais, nesuprantant, kokios prielaidos buvo padarytos. Lietuvos ir Baltijos kontekste, kur fintech sektorius sparčiai auga (žr. 3 skyriaus technologijų perspektyvą), ši įtampa tarp prieinamumo ir kritiško supratimo yra ypač aktuali – Lietuvos banko priežiūros praktikoje rizikos valdymo reikalavimai fintech subjektams nuolat griežtėja, o Nasdaq Vilnius duomenys leidžia vykdyti Monte Carlo simuliacijas su realiais Baltijos rinkos parametrais. Technologijų ir rizikos analizės santykio gilesnė analizė pateikiama 19 skyriuje.

4.1.5. Lietuvos kontekstas#

Šiame poskyryje aptarti metodai sukurti didelėse ekonomikose ir didelėse organizacijose: Monte Carlo simuliacija gimė branduolinėje programoje, scenarijų planavimas – tarptautinėje naftos korporacijoje, VaR – investicinio banko prekybos salėje. Lietuvos verslo situacija skiriasi dviem dalykais, ir abu keičia ne metodų teisingumą, o jų pasirinkimą.

Pirma, ekonomikos atvirumas daro scenarijus svarbesnius už tikimybes. Mažoje atviroje ekonomikoje didžiausi rezultato svyravimai kyla ne iš vidinių įmonės parametrų, o iš išorinių lūžių: energijos kainų režimo, eksporto rinkų ciklo, ES reguliacinių pokyčių (Žaliasis kursas, CBAM, CSRD), geopolitinių sprendimų. Tokie lūžiai nėra atsitiktiniai dydžiai apie vidurkį – jie yra kokybiškai skirtingos būsenos, kurių tikimybių istoriniai duomenys nepateikia. Būtent todėl Lietuvos įmonės verslo plane 2×2 scenarijų matrica dažnai duoda daugiau nei tūkstantis Monte Carlo iteracijų: simuliacija tiksliai išmatuoja svyravimą aplink prielaidą, kurios pagrindinė rizika yra ta, kad ji apskritai nustos galioti. Antrasis šio skyriaus atvejis (4.4 poskyris) šią logiką iliustruoja Lietuvos energetikos sektoriaus pavyzdžiu, kuriame per pusantro dešimtmečio pasikeitė pats rinkos veikimo būdas.

Antra, įmonių dydis daro proporcingumo principą privalomą, o ne rekomenduojamą. Lietuvos verslo struktūroje vyrauja mažos ir vidutinės įmonės, kuriose rizikos analizė nėra atskira funkcija ir retai turi atskirą atsakingą asmenį. Praktinė išvada nėra ta, kad tokioms įmonėms kiekybinė analizė netinka. Ji yra tiksliai tokia, kokią formuluoja Chapmanas ir Wardas (2003): analizės sudėtingumas turi atitikti sprendimo mastą. Įmonei, svarstančiai 50 000 EUR investiciją, tornado diagrama iš penkių kintamųjų ir trys scenarijai duos beveik visą įmanomą informacijos prieaugį; pilnas Monte Carlo modelis su koreliacijų matrica čia yra ne kruopštumas, o atidėliojimas. Kita vertus, ta pati logika veikia ir priešinga kryptimi: viešojo sektoriaus infrastruktūros projektui, kurio mastas siekia dešimtis milijonų eurų, jautrumo analizės vienos nepakanka, ir jos pateikimas kaip pakankamos yra metodologinė klaida.

Duomenų prieinamumas. Trečias praktinis apribojimas – istorinių eilučių trumpumas. Nasdaq Vilnius rinkos duomenys leidžia skaičiuoti realius Baltijos parametrus, tačiau daugelio sektorių lietuviškos eilutės yra per trumpos parametriniam VaR pagrįsti: normalumo prielaidos tikrinimas reikalauja stebėjimų, kurių paprasčiausiai nėra. Tokiu atveju sąžiningesnis sprendimas yra ne nurodyti VaR su dviem skaičiais po kablelio, o pateikti scenarijus su aiškiai įvardytomis prielaidomis. Tai nėra žemesnis analizės lygis – tai tas pats klaidingo tikslumo vengimas, apie kurį kalbama 4.1.3 poskyryje.

4.2. Analitiniai modeliai ir formulės#

Šiame poskyryje pateikiamos trylika pagrindinių rizikos analizės formulių su kintamųjų paaiškinimais ir skaitiniais pavyzdžiais. Formulės tęsia 3 skyriaus numeraciją (3.1–3.7) ir apima jautrumo analizės, scenarijų, Monte Carlo, verslo rizikos rodiklių ir integruotos analizės metodus.

Elastingumo koeficientas – jautrumo matas#

Elastingumo koeficientas (angl. elasticity) matuoja santykinį modelio rezultato jautrumą santykiniam kintamojo pokyčiui:

kur:

• $\varepsilon_{Y,X}$ – rezultato $Y$ elastingumas kintamojo $X$ atžvilgiu,
• $Y_0$ – bazinė rezultato reikšmė,
• $X_0$ – bazinė kintamojo reikšmė,
• $\Delta Y$, $\Delta X$ – atitinkami pokyčiai.

Skaitinis pavyzdys. Įmonės DCF modelyje bazinis NPV = 500 000 EUR esant WACC = 10 %. Padidinus WACC iki 12 % (pokytis +20 %), NPV sumažėja iki 350 000 EUR (pokytis –30 %).

Elastingumas –1,5 reiškia: 1 % WACC padidėjimas sumažina NPV maždaug 1,5 %. Neigiamas ženklas rodo atvirkštinį ryšį. Jei analogiškai apskaičiuotas pajamų augimo elastingumas yra +0,8, tai WACC yra beveik dvigubai svarbesnis nei pajamų augimas – ir tornado diagramoje jis bus viršuje.

Tikėtina vertė su scenarijų tikimybėmis#

Kai sukurti keli scenarijai su priskirtomis tikimybėmis, tikėtina vertė skaičiuojama kaip svertinis vidurkis:

kur:

• $E(V)$ – tikėtina vertė,
• $p_i$ – scenarijaus $i$ tikimybė ($\sum p_i = 1$),
• $V_i$ – rezultato vertė scenarijuje $i$,
• $n$ – scenarijų skaičius.

Skaitinis pavyzdys. Lietuvos eksporto įmonė vertina investicinį projektą trimis scenarijais:

Tikėtinas NPV yra teigiamas (337 500 EUR), tačiau vien šis skaičius nepakanka sprendimui – būtina įvertinti ir rezultatų sklaidą.

Dispersija tarp scenarijų#

Scenarijų dispersija parodo, kiek rezultatai gali varijuoti apie tikėtinę vertę:

Skaitinis pavyzdys (tęsinys). Naudojant aukščiau pateiktus duomenis ($E(V) = 337\ 500$):

Standartinis nuokrypis 336 100 EUR yra beveik lygus tikėtinai vertei 337 500 EUR. Variacijos koeficientas (žr. 3 skyriaus formulę (3.6)): $CV = 336\ 100 / 337\ 500 \approx 1{,}00$ – tai rodo labai aukštą santykinę riziką. Pesimistiniame scenarijuje projektas yra nuostolingas – sprendimų priėmėjas turi nuspręsti, ar 25 % nuostolingumo tikimybė yra priimtina.

Monte Carlo pasikliautinasis intervalas#

Po $N$ Monte Carlo iteracijų rezultato vidurkio tikslumas vertinamas standartiniu nuokrypiu:

kur:

• $\bar{Y}$ – simuliacijos rezultatų vidurkis,
• $s_Y$ – simuliacijos rezultatų standartinis nuokrypis,
• $N$ – iteracijų skaičius,
• $1{,}96$ – standartinio normaliojo skirstinio $z$-reikšmė 95 % pasikliovimo lygmeniui.

Skaitinis pavyzdys. Po 10 000 Monte Carlo iteracijų DCF modelis generuoja: $\bar{Y} = 420\ 000$ EUR, $s_Y = 310\ 000$ EUR.

Vidurkio 95 % pasikliautinasis intervalas: [413 924 EUR; 426 076 EUR]. Tai reiškia, kad pats vidurkis yra nustatytas gana tiksliai (±6 076 EUR). Tačiau atskirų rezultatų sklaida yra gerokai didesnė – 95 % rezultatų patenka į intervalą $\bar{Y} \pm 1{,}96 \times s_Y$, t. y. maždaug [–187 600 EUR; 1 027 600 EUR]. Šis intervalas parodo tikrąjį neapibrėžtumo mastą.

Lūžio taškas – bazinis rizikos rodiklis#

Lūžio taškas (angl. break-even point) parodo minimalią pardavimų apimtį, reikalingą sąnaudoms padengti:

kur:

• $Q_{BE}$ – lūžio taško pardavimų kiekis (vienetais),
• $FC$ – pastoviosios sąnaudos (angl. fixed costs),
• $P$ – pardavimo kaina už vienetą,
• $VC$ – kintamosios sąnaudos už vienetą (angl. variable costs).

Skaitinis pavyzdys. Lietuvos gamybinė įmonė: pardavimo kaina 50 EUR/vnt., kintamosios sąnaudos 30 EUR/vnt., pastoviosios sąnaudos 120 000 EUR/metus.

Jei dabartiniai pardavimai yra 8 000 vnt., saugumo riba = $(8\ 000 - 6\ 000) / 8\ 000 = 25\%$ – tai reiškia, kad pardavimai gali sumažėti 25 % prieš įmonei pradedant nuostoliauti. Lūžio taškas yra intuityvus ir galingas komunikacijos įrankis – jis verčia klausimą „ar šis verslas pelningas?“ į „kiek vnt. / kokią apimtį turime parduoti?“ – tai klausimas, į kurį operatyviniai vadovai gali atsakyti geriau nei finansų analitikai.

Operacinio sverto laipsnis (DOL)#

Veiklos ir finansinio sverto analizė korporacijų finansų vadovėliuose įtvirtinta nuo Van Horne’o (1968) Financial Management and Policy, kurio VIII dalis skirta finansinės analizės priemonėms – santykinių rodiklių, lėšų srautų ir būtent veiklos bei finansinio sverto analizei; Mandelker ir Rhee (1984) empiriškai parodė šių rodiklių ryšį su sistemine rizika. Šie rodikliai tapo standartine verslo rizikos vertinimo priemone korporacijų finansuose ir šiandien pateikiami kanoniniuose šios srities vadovėliuose (Brealey, Myers, & Allen, 2020).

DOL (angl. Degree of Operating Leverage) parodo, kiek procentų pakinta EBIT, kai pardavimai pakinta 1 %:

kur:

• $Q$ – pardavimų kiekis,
• $P - VC$ – ribinis pelnas (angl. contribution margin) už vienetą,
• $FC$ – pastoviosios sąnaudos.

Skaitinis pavyzdys (tęsinys). Esant 8 000 vnt. pardavimams:

DOL = 4,0 reiškia: 10 % pardavimų sumažėjimas sukels 40 % EBIT sumažėjimą. Kuo arčiau lūžio taško veikia įmonė, tuo didesnis DOL – ir tuo didesnė operacinė rizika. Tai ypač aktualu kapitalo imlioms pramonės šakoms (gamyba, energetika, logistika), kur pastoviosios sąnaudos sudaro didelę dalį.

Finansinio sverto laipsnis (DFL)#

DFL (angl. Degree of Financial Leverage) parodo, kaip grynasis pelnas reaguoja į EBIT pokyčius:

kur:

• $EBIT$ – pelnas prieš palūkanas ir mokesčius,
• $I$ – palūkanų sąnaudos.

Skaitinis pavyzdys. Įmonės EBIT = 40 000 EUR (iš ankstesnio pavyzdžio), metinės palūkanos 15 000 EUR.

DFL = 1,6 reiškia: 10 % EBIT sumažėjimas sukels 16 % grynojo pelno sumažėjimą. Bendras sverto laipsnis DTL = DOL × DFL = 4,0 × 1,6 = 6,4. Tai reiškia, kad 10 % pardavimų sumažėjimas galiausiai sukels 64 % grynojo pelno sumažėjimą. Ši „sverto kaskada“ paaiškina, kodėl įmonės su aukštomis pastoviomis sąnaudomis ir didelėmis skolomis yra itin pažeidžiamos ekonominiam nuosmukiui – ir kodėl svertas yra vienas svarbiausių veiksnių rizikos analizėje (plačiau apie kapitalo struktūrą – 11 skyriuje).

Parametrinis VaR#

Parametrinis VaR (angl. Value at Risk) su normaliojo skirstinio prielaida:

kur:

• $VaR_{\alpha}$ – didžiausias tikėtinas nuostolis pasikliovimo lygmeniu $\alpha$,
• $\mu$ – tikėtina grąža (arba nulis, jei skaičiuojama per trumpą laikotarpį),
• $z_{\alpha}$ – standartinio normaliojo skirstinio kvantilis (pvz., $z_{0{,}99} = 2{,}326$; $z_{0{,}95} = 1{,}645$),
• $\sigma$ – grąžos standartinis nuokrypis.

Skaitinis pavyzdys. Investicinio portfelio vertė 1 000 000 EUR, dienos grąžos standartinis nuokrypis $\sigma = 1{,}5\%$, $\mu \approx 0$ (per vieną dieną tikėtina grąža artima nuliui, todėl formulė supaprastėja iki $VaR_{\alpha} \approx z_{\alpha} \cdot \sigma \cdot V$).

Dienos VaR 99 % lygiu = 34 890 EUR. Tai reiškia: 99 dienų iš 100 dienos nuostolis neviršys 34 890 EUR. Tačiau tą vieną dieną iš 100 nuostolis gali būti bet kokio dydžio – VaR apie tai nieko nepasako. Būtent todėl CVaR yra informatyvesnis matas.

CVaR / Expected Shortfall#

Sąlyginė rizikos vertė – CVaR (angl. Conditional Value at Risk), arba tikėtinas trūkumas (angl. Expected Shortfall, ES):

Normalusis artinys:

kur $\phi(z_{\alpha})$ – standartinės normaliosios tankio funkcijos reikšmė taške $z_{\alpha}$, o $\mu$ – tikėtina grąža, kaip formulėje (4.8). Kadangi nuostolis yra grąža su priešingu ženklu ($L = -R$), didesnė tikėtina grąža mažina ir VaR, ir CVaR.

Skaitinis pavyzdys (tęsinys). Esant $z_{0{,}99} = 2{,}326$, $\phi(2{,}326) \approx 0{,}0264$ ir $\mu \approx 0$ (narys $-\mu$ lygus nuliui):

CVaR = 39 600 EUR – tai reiškia, kad vidutinis nuostolis tomis dienomis, kai VaR riba viršijama (t. y. tą 1 dieną iš 100), yra 39 600 EUR. CVaR yra didesnis nei VaR (39 600 EUR > 34 890 EUR), nes jis apima visą uodegos sritį, ne tik ribinį tašką.

Tikėtina piniginė vertė sprendimų medyje (EMV)#

EMV (angl. Expected Monetary Value) leidžia palyginti sprendimo alternatyvas atsižvelgiant į neapibrėžtumą:

kur:

• $p_k$ – $k$-ojo rezultato tikimybė,
• $C_k$ – $k$-ojo rezultato piniginė vertė,
• $I_0$ – pradiniai investicijos kaštai,
• $m$ – galimų rezultatų skaičius.

Skaitinis pavyzdys. Įmonė svarsto du variantus: (A) Pilna investicija 500 000 EUR iš karto, arba (B) Pilotinis projektas 150 000 EUR, po kurio – sprendimas dėl pilnos plėtros (papildomi 400 000 EUR).

Variantas A (pilna investicija):

• Sėkmė (p = 0,6): grąža 900 000 EUR
• Nesėkmė (p = 0,4): grąža 200 000 EUR

Variantas B (stadijinis):

• Pilotas atskleidžia informaciją; jei pilotas sėkmingas (p = 0,6): investuojama visa suma, sėkmės tikimybė padidėja iki 0,85
  • $EMV_{plėtra} = 0{,}85 \times 900\ 000 + 0{,}15 \times 200\ 000 - 400\ 000 = 765\ 000 + 30\ 000 - 400\ 000 = 395\ 000$ EUR
• Jei pilotas nesėkmingas (p = 0,4): sustabdoma, nuostolis tik 150 000 EUR

Nors variantas A turi didesnį EMV (120 000 EUR, palyginti su 87 000 EUR), variantas B turi esmingai mažesnę riziką: blogiausiu atveju prarandama tik 150 000 EUR, o ne 300 000 EUR. Tai realių opcionų logika praktikoje – stadijinė investicija turi vertę net kai jos EMV yra mažesnis, nes ji suteikia informacijos vertę ir atsitraukimo galimybę (plačiau – 14 skyriuje).

Omega koeficientas#

Omega koeficientas (Keating & Shadwick, 2002) yra alternatyvus rizikos-grąžos matas, apimantis visą grąžų pasiskirstymą – ne tik vidurkį ir dispersiją, bet ir asimetriją bei ekscesą:

kur:

• $F(r)$ – grąžų kumuliacinė pasiskirstymo funkcija,
• $\theta$ – pasirinktas slenkstinis grąžų lygis (angl. threshold).

Skaitiklis reiškia „laimėjimų plotą“ (tikėtiną perteklių virš $\theta$), vardiklis – „praradimų plotą“ (tikėtiną trūkumą žemiau $\theta$). Kai $\Omega > 1$, investicija „laimi“ daugiau nei „pralaimi“ prie pasirinkto slenksčio. Omega pranašumas prieš Sharpe’o koeficientą – jis nereikalauja normalumo prielaidos ir natūraliai apima visus pasiskirstymo momentus.

Skaitinis pavyzdys. Turime du investicinius fondus, kurių mėnesinės grąžos per 12 mėnesių (%) yra:

• Fondas A: 2, 4, –1, 3, –2, 5, 1, –3, 6, 2, –1, 4 (vidurkis ≈ 1,67 %)
• Fondas B: 1, 1, 1, 2, 0, 1, 2, 1, 0, 1, 1, 1 (vidurkis ≈ 1,00 %)

Pasirinkus slenkstį $\theta = 0\%$ (t. y. „ar fondas uždirba?“):

• Fondas A: 9 mėnesiai virš 0 %, 3 mėnesiai žemiau. Laimėjimų suma = 27 %, praradimų suma = 6 %. $\Omega_A(0) \approx 27/6 = 4{,}5$.
• Fondas B: 10 mėnesių virš 0 %, 2 mėnesiai lygiai 0 %. Laimėjimų suma = 12 %, praradimų suma ≈ 0 %. $\Omega_B(0) \to \infty$ (praktiškai labai didelis).

Nors fondas A turi aukštesnį vidurkį, fondas B turi aukštesnę Omega – jis beveik niekada nepraranda. Tai iliustruoja, kodėl Omega koeficientas gali atskleisti rizikos-grąžos aspektus, kurių vidurkis ir standartinis nuokrypis neparodo – ypač kai grąžų pasiskirstymas yra asimetriškas.

Maximum Drawdown (MDD) ir Calmar koeficientas#

Maximum Drawdown – didžiausias nuosmukis nuo piko iki dugno – yra intuityvus ir psichologiškai reikšmingas rizikos matas:

kur $V_{pikas,t}$ – didžiausia pasiekta portfelio vertė iki momento $t$, $V_{dugnas,t}$ – mažiausia vertė po piko.

Praktinė interpretacija: –30 % nuosmukis reikalauja +42,9 % atsigavimo vien tam, kad grįžtų į pradinį lygį ($1/0{,}7 - 1 \approx 0{,}429$). Calmar koeficientas (angl. Calmar ratio) normalizuoja grąžą pagal MDD:

Calmar leidžia palyginti investicijas ar verslo projektus pagal rizikos-grąžos santykį atsižvelgiant į didžiausią nuosmukį, o ne tik į dispersiją. Pavyzdžiui, jei portfelio vertė nukrito nuo 100 000 iki 70 000 EUR (MDD = 30 %), o metinė grąža – 12 %, tai $Calmar = 12\% / 30\% = 0{,}40$: vienam didžiausio nuosmukio procentiniam punktui tenka 0,4 p. p. metinės grąžos.

Sobol’ pirmos eilės indeksas – globalios jautrumo analizės matas#

Formulė (4.1) matuoja vietinį jautrumą (vienas kintamasis, vienas pokytis). Sobol’ indeksas (Saltelli et al., 2008) yra globalus jautrumo matas, vertinantis kintamojo poveikį visame jo galimų reikšmių diapazone:

kur:

• $S_i$ – pirmos eilės Sobol’ indeksas kintamajam $X_i$,
• $\mathbb{E}[V \mid X_i]$ – sąlyginė tikėtina modelio rezultato vertė, žinant $X_i$ reikšmę,
• $\text{Var}(V)$ – bendra modelio rezultato dispersija.

$S_i = 0{,}45$ reiškia: 45 % viso modelio neapibrėžtumo kyla iš kintamojo $X_i$. Totalinis indeksas $S_{T_i}$ papildomai apima visas kintamojo sąveikas su kitais kintamaisiais. Skirtumas $S_{T_i} - S_i$ parodo sąveikų svarbą.

Skaitinis pavyzdys. BaltTech DCF modelyje (žr. 4.4) GSA su 10 000 iteracijų duoda: pardavimų apimties $S_1 = 0{,}42$, kainos $S_2 = 0{,}28$, žaliavų $S_3 = 0{,}15$, WACC $S_4 = 0{,}08$, darbo sąnaudų $S_5 = 0{,}04$. Suma $\sum S_i = 0{,}97 \approx 1$ – modelis beveik adityvus, sąveikos nereikšmingos. Tai patvirtina tornado analizės išvadą: pardavimai ir kaina yra du svarbiausi veiksniai. Tačiau jei $\sum S_i$ būtų, pvz., 0,65 – tai reikštų, kad 35 % neapibrėžtumo kyla iš kintamųjų sąveikų, kurių vienkryptė jautrumo analizė visiškai nematė.

Formulių suvestinė#

4.1 lentelė. 4 skyriaus formulės

4.3. Apibendrinimas#

Šis skyrius pristatė keturis pagrindinius rizikos analizės metodus ir jų integraciją į vientisą sistemą. Pagrindinės išvados:

1. Jautrumo analizė identifikuoja kritinius kintamuosius ir yra efektyviausias komunikacijos įrankis (tornado diagrama), tačiau ignoruoja kintamųjų sąveikas ir neparodo tikimybių. Saltelli ir kolegų (2008) globali jautrumo analizė sprendžia sąveikų problemą, bet reikalauja Monte Carlo infrastruktūros.

2. Scenarijų analizė yra vienintelis metodas, gebantis apčiuopti struktūrinius lūžius – kokybiškai naujus pasaulio vaizdus, kurių kiekybiniai modeliai neapima. Tačiau ji priklauso nuo kūrėjų mentalinio horizonto ir yra pažeidžiama inkaravimo bei siauro rėmo šališkumų. Šiuolaikinis 2×2 matricinis požiūris pranašesnis už klasikinį optimistinį/bazinį/pesimistinį modelį.

3. Monte Carlo simuliacija transformuoja deterministinį modelį į tikimybinį, leisdama kiekybiškai vertinti neapibrėžtumą per pasiskirstymo funkciją. Jos galia ir jos silpnybė yra ta pati: ji propaguoja prielaidas su statistiniu tikslumu – jei prielaidos geros, rezultatai informatyvūs; jei prielaidos blogos, rezultatai klaidingi, bet atrodo moksliški.

4. Rizikos rodikliai (VaR, CVaR, Omega, MDD, DOL/DFL, lūžio taškas, stresiniai testai) suteikia standartizuotas metrikas sprendimų priėmimui. VaR nekoherencijos problema ir Bazilio perėjimas prie CVaR iliustruoja platesnę pamoką: kiekybinis matas yra tiek naudingas, kiek gerai suprantamos jo ribos. Omega koeficientas ir Maximum Drawdown papildo tradicinius dispersijos matus, atsižvelgdami į visą pasiskirstymo formą ir didžiausius nuostolius.

5. Integruota sistema sujungia visus metodus į laipsniškai gilėjančią seką: tornado (kas svarbu?) → scenarijai (kas galėtų nutikti?) → Monte Carlo (kokia tikimybė?) → rodikliai (kiek rizikuojame?) → sprendimas. Tačiau ši sistema turi būti taikoma proporcingai – „analizės paralyžius“ yra reali rizika.

6. Modelio rizika – galimybė, kad pats modelis yra struktūriškai neteisingas – yra svarbiausia ir sunkiausiai valdoma rizikos dimensija. Jokie kiekybiniai metodai negali apsaugoti nuo nežinomų nežinomųjų – todėl kiekybinė analizė turi būti papildyta kokybinėmis strategijomis (aplinkos stebėjimas, organizacinis mokymasis, strateginis lankstumas, realių opcionų mąstymas).

Šio skyriaus metodai rengia pagrindą tolesnėms knygos temoms: 5 skyriuje diversifikacijos sprendimai remiasi portfelio rizikos matais; 9 skyriuje finansinių ataskaitų analizė naudoja sverto rodiklius; 11 skyriuje WACC jautrumo analizė parodo, kaip diskonto normos neapibrėžtumas veikia visą vertinimą; 14 skyriuje realieji opcionai ir sprendimų medžiai taikomi startuolių ir M&A vertinimui.

4.4. Atvejo analizė ir praktiniai pavyzdžiai#

Atvejis 1: UAB „BaltTech“ – integruota gamybos investicijos rizikos analizė#

Tai hipotetinis mokomasis pavyzdys, paremtas tipine Lietuvos baldų gamybos sektoriaus situacija. Skaičiai iliustraciniai, atspindintys vidutinės eksportuojančios gamybos įmonės proporcijas.

Situacija#

UAB „BaltTech“ yra Lietuvos baldų gamybos įmonė, eksportuojanti apie 60 % produkcijos į Vokietiją ir Skandinaviją. Įmonė svarsto 1,5 mln. EUR investiciją į automatizuotą gamybos liniją, kuri turėtų sumažinti darbo sąnaudas 30 % ir padidinti gamybos pajėgumus 40 %. Projekto trukmė – 7 metai. Bazinis WACC = 11 %, bazinis NPV = 420 000 EUR.

Valdyba prašo finansų direktoriaus atlikti pilną rizikos analizę prieš priimant sprendimą.

1 žingsnis: Jautrumo analizė (tornado diagrama)#

Finansų direktorius identifikuoja penkis kritinius kintamuosius ir atlieka vienkryptę jautrumo analizę, kiekvieną kintamąjį keisdamas ±20 % nuo bazinės reikšmės:

Tornado diagrama atskleidžia: pardavimų apimtis (1 020 000 EUR intervalas) ir produkcijos kaina (750 000 EUR) yra du kritiniai veiksniai. WACC ir darbo sąnaudos turi mažesnį poveikį. Elastingumo koeficientai: pardavimų apimtis $\varepsilon \approx 1{,}21$; kaina $\varepsilon \approx 0{,}89$; žaliavos $\varepsilon \approx -0{,}71$.

Išvada: didžiausias dėmesys turi būti skiriamas pardavimų prognozei ir kainų strategijai.

2 žingsnis: Scenarijų analizė#

Remiantis tornado rezultatais, kuriami trys scenarijai, keičiant visus kintamuosius koordinuotai (ne tik po vieną):

$CV = 358\ 000 / 402\ 500 \approx 0{,}89$ – aukšta santykinė rizika. Pesimistiniame scenarijuje projektas nuostolingas.

3 žingsnis: Monte Carlo simuliacija#

Penkiems kintamiesiems priskiriami tikimybiniai skirstiniai:

• Pardavimai: trikampis (8 000; 10 000; 12 500) – ekspertinis vertinimas
• Kaina: normalusis ($\mu = 150$, $\sigma = 12$) – istoriniai duomenys
• Žaliavos: lognormalusis ($\mu = 60$, $\sigma = 10$) – žaliavų rinkos asimetrija
• WACC: normalusis ($\mu = 11\%$, $\sigma = 1{,}5\%$)
• Darbo sąnaudos: trikampis (20; 25; 32) – su automatizacijos neapibrėžtumu

Koreliacija: pardavimai ↔ kaina: $\rho = +0{,}3$ (geresnė paklausa → galimybė didinti kainą); pardavimai ↔ žaliavos: $\rho = +0{,}2$ (bendras ekonomikos ciklas).

Po 10 000 iteracijų rezultatai:

• Vidutinis NPV: 405 000 EUR
• Standartinis nuokrypis: 310 000 EUR
• $P(NPV < 0) = 18{,}5\%$
• 5-asis procentilis: –180 000 EUR
• 95-asis procentilis: 920 000 EUR

Interpretacija: beveik vienas iš penkių scenarijų yra nuostolingas. Blogiausiu tikėtinu atveju (5-asis procentilis) nuostolis siekia –180 000 EUR.

4 žingsnis: Sprendimas – stadijinė investicija#

Atsižvelgdama į 18,5 % nuostolingumo tikimybę, valdyba nusprendžia taikyti stadijinį investavimą: pirmiausia investuoti 500 000 EUR į pilotinę liniją (6 mėnesių bandomasis periodas), ir tik pasitvirtinus rezultatams – investuoti likusius 1 000 000 EUR. Tai sukuria:

• Atsitraukimo opcioną: jei pilotas nepasiteisina, nuostolis ribojamas 500 000 EUR (o ne 1 500 000 EUR)
• Informacijos vertę: pilotas atskleidžia realius pardavimų ir kaštų parametrus, mažindamas Monte Carlo prielaidų neapibrėžtumą

Sprendimų medžio analizė (pagal formulę (4.10)) patvirtina, kad stadijinis požiūris, nors ir turintis šiek tiek mažesnį EMV, turi fundamentaliai geresnį rizikos profilį.

Atvejis 2: Lietuvos energetikos sektoriaus scenarijų 2×2 matrica#

Mišrus mokomasis pavyzdys: scenarijų kontekstas paremtas realiais Lietuvos energetikos sektoriaus įvykiais (Ignalinos uždarymas, SGD terminalas, NordBalt/LitPol jungtys, 2022 m. energetikos krizė), tačiau konkreti įmonė ir investicijos duomenys yra hipotetiniai.

Situacija#

Atsinaujinančios energetikos bendrovė planuoja 5 mln. EUR investiciją į saulės elektrinių parką Lietuvoje. Du esminiai neapibrėžtumo šaltiniai: (1) elektros kainų režimas (aukštas ir žemas, priklausantis nuo geopolitikos ir energijos rinkos) ir (2) reguliacinė aplinka (palanki ir ribojanti, priklausanti nuo ES politikos ir nacionalinių sprendimų).

2×2 matrica#

Keturi scenarijai nėra „geras–blogas“ spektras – jie reikalauja skirtingų strategijų:

• „Žaliasis bumas“ → agresyvi plėtra, ilgalaikės PPA sutartys
• „Tyli transformacija“ → susitelkimas ties reguliacinių dotacijų administravimu
• „Laisvoji banga“ → orientacija į didmeninę rinką, mažesnė priklausomybė nuo valstybės
• „Ramybė prieš audrą“ → minimalus investavimas, laukimo opcionas

Kiekybinis pjūvis ir jo riba#

2×2 matrica sąmoningai neturi „bazinio“ scenarijaus, todėl tikimybės čia priskiriamos ne scenarijams, o ašims – ir tik po to sudauginamos. Tarkime, analitikė įvertina: aukštų elektros kainų režimo tikimybė 45 %, palankios reguliacinės aplinkos – 55 %. Laikant ašis nepriklausomomis, gaunamos keturios scenarijų tikimybės:

Tikėtina vertė pagal (4.2) formulę:

Sklaida pagal (4.3) formulę:

Variacijos koeficientas viršija vienetą: sklaida didesnė už patį tikėtiną rezultatą. Tačiau svarbiausia šio skaičiavimo pamoka yra kita ir ji prieštarauja pirmajam įspūdžiui. Tikėtina vertė 1,055 mln. EUR yra teigiama, bet nė viena strategija jos nepasiekia. Kiekvienas iš keturių scenarijų reikalauja skirtingo veiksmų plano; 1,055 mln. EUR yra keturių nesuderinamų ateičių vidurkis, kurio niekas negali „gauti“. Tai tiksliai ta pati klaida, kurią 4.1.3 poskyris vardija kaip inkaravimą baziniame scenarijuje – tik čia ji įsivelia per patį svertinį vidurkį.

Antra išlyga – nepriklausomumo prielaida. Ašys greičiausiai nėra nepriklausomos: ilgai aukštos elektros kainos kaip tik didina politinį spaudimą įsikišti, taigi didina ribojančios reguliacijos tikimybę. Jei ši sąsaja teigiama, „Laisvosios bangos“ tikimybė nuvertinta, o „Žaliojo bumo“ – pervertinta, ir visas svertinis vidurkis pasislenka žemiau. Sandauga čia yra patogus skaičiavimo būdas, o ne nustatytas faktas.

Todėl sprendimas šiame atvejyje priimamas ne pagal $E(V)$, o pagal du dalykus, kuriuos matrica parodo geriau už bet kurį vidurkį: blogiausią baigtį (–0,5 mln. EUR, t. y. dešimtadalis investicijos) ir jos tikimybę (25 %). Būtent tokioje konfigūracijoje racionalus atsakymas yra stadijinė investicija su laukimo opcionu – ta pati išvada, prie kurios kitu keliu priveda pirmasis atvejis.

Lietuvos kontekstas. Šie scenarijai nėra abstraktūs – jie atspindi realias Lietuvos energetikos sektoriaus trajektorijas. Po Ignalinos AE uždarymo (2009), SGD terminalo paleidimo (2014), NordBalt ir LitPol Link jungčių atsiradimo – Lietuvos energetikos rinka fundamentaliai pasikeitė. 2022 m. Rusijos invazija į Ukrainą sukėlė energijos kainų šuolį, kuris vienų investuotojų projektus pavertė itin pelningais, o kitų – nuostolingais. Scenarijų analizė būtų leidusi pasiruošti abiem trajektorijoms, užuot statant viską ant vieno „bazinio“ scenarijaus.

4.5. Excel modelio konstravimas#

Tikslas#

Studentas sukonstruoja rizikos analizės skaičiuoklių rinkinį, kuriame realizuotos visos trylika 4.2 poskyrio formulių: elastingumo koeficientas ir Sobolio indeksas (jautrumas), tikėtina vertė su dispersija (scenarijai), pasikliautinasis intervalas (Monte Carlo), lūžio taškas su svertais, VaR, CVaR, Omega, maksimalus nuosmukis ir sprendimų medžio EMV (rizikos rodikliai). Modelio logika atitinka keturių metodų seką, pavaizduotą 4.2 paveiksle, ir „BaltTech“ atvejo sprendimo eigą (žr. 4.4 poskyrį).

Modelio architektūra#

Modelis sudarytas iš keturiolikos lapų: „Įvadas“ ir po vieną lapą kiekvienai formulei (F4.1–F4.13). Toks skaidymas nėra techninis patogumas. Rizikos analizėje didžiausia klaidų priežastis yra ne aritmetika, o metodų maišymas: kai VaR, dispersija ir svertas skaičiuojami tame pačiame lape, nebeaišku, kuri prielaida kurį rezultatą veikia. Atskiras lapas kiekvienai formulei verčia po vieną priemonę suprasti izoliuotai, o jų sujungimas į vieną sprendimą lieka 4.4 poskyrio atvejo ir savarankiško darbo užduoties reikalu.

Kiekvienas lapas sudarytas iš tų pačių šešių blokų: A antraštė ir kintamųjų aprašas, B sąlyga (kam šis skaičiavimas reikalingas), C duomenys, D skaičiavimai, E vizualizacija su jautrumo kreive ir lentele, F interpretacija. Studentui tai reiškia, kad kiekviename lape galima ieškoti to paties: kur įvestys, kur formulė, kur išvada.

Vardiniai diapazonai. Visos įvestys ir rezultatai pavadinti; formulės nurodo vardus, ne langelių adresus. Modelyje jų yra 124 ir visi turi vienodą sandarą CH04_F4_<formulė>_<kintamasis> – pavyzdžiui, CH04_F4_8_sigma yra (4.8) formulės standartinis nuokrypis, o CH04_F4_9_cvar – (4.9) rezultatas. Formulė =(CH04_F4_6_cm/(CH04_F4_6_cm-CH04_F4_6_fc)) skaitoma be žodyno, o =(C23/(C23-C16)) – ne.

Automatinės išvados. Kiekvieno lapo F bloke yra langelis ..._isvada, kuriame formulė pati suformuluoja vertinimą sakiniu. Ribos, pagal kurias ji sprendžia, laikomos atskiruose langeliuose (..._sl_1, ..._sl_2), o ne įrašytos į sąlygą: variacijos koeficiento riba yra 0,75, saugos maržos – 0,2, DOL – 3,0, DTL – 5,0, Omega – 2,0. Ribą galima pakeisti neliečiant nė vienos formulės, ir būtent tai yra pedagoginė šio sprendimo prasmė: slenkstis yra prielaida, o ne gamtos dėsnis.

Žingsnis po žingsnio instrukcija#

Lapai pildomi keturių metodų eilės tvarka – ta pačia, kuria vyksta ir reali analizė. Kiekvieno žingsnio pabaigoje yra patikros taškas: kontrolinis klausimas, kurio neigiamas atsakymas reiškia klaidą modelyje, o ne blogus duomenis.

1 žingsnis. Kas svarbu? (lapai „F4.1“ ir „F4.13“)#

Lape F4.1 įvedamos bazinė ir pakeista rezultato reikšmės (CH04_F4_1_y0, CH04_F4_1_y1) bei bazinė ir pakeista prielaidos reikšmės (CH04_F4_1_x0, CH04_F4_1_x1). Skaičiuojami santykiniai pokyčiai (..._dy, ..._dx) ir elastingumas CH04_F4_1_eps pagal (4.1). Procedūra kartojama kiekvienai prielaidai atskirai – gautų elastingumų eilė ir yra tornado diagramos pagrindas.

Lape F4.13 tas pats klausimas užduodamas globaliai: sąlyginė ir bendroji dispersijos (CH04_F4_13_varcond, CH04_F4_13_vartot) duoda Sobolio pirmos eilės indeksą, o skirtumas nuo pilnojo indekso (CH04_F4_13_sti) parodo sąveikos dalį.

Patikra. Elastingumas matuojamas keičiant po vieną prielaidą. Jei keičiant vieną kintamąjį pasikeičia ir kitų elastingumai, lape yra kryžminė nuoroda, kurios neturėtų būti. Jei Sobolio sąveikos likutis neigiamas – sukeisti vietomis ..._si ir ..._sti.

2 žingsnis. Kas galėtų nutikti? (lapai „F4.2“ ir „F4.3“)#

Lape F4.2 įvedamos dviejų scenarijų tikimybės (CH04_F4_2_p1, CH04_F4_2_p2) ir trijų scenarijų rezultatai (..._v1–..._v3). Trečioji tikimybė neįvedama, o skaičiuojama: CH04_F4_2_p3 = 1 − p1 − p2. Rezultatas – tikėtina vertė CH04_F4_2_ev pagal (4.2).

Lape F4.3 ta pati įvesčių struktūra papildoma sklaidos matais: standartiniu nuokrypiu CH04_F4_3_sigma (4.3) ir variacijos koeficientu CH04_F4_3_cv.

Patikra. Jei CH04_F4_2_p3 gaunasi neigiama, dviejų pirmųjų scenarijų tikimybės viršija vienetą – tikėtina vertė tokiu atveju yra beprasmė. Tai ne skaičiuoklės klaida, o prielaidų klaida, ir modelis turi ją parodyti, o ne paslėpti.

3 žingsnis. Kokia tikimybė? (lapas „F4.4“)#

Įvedami simuliacijos rezultatų vidurkis (CH04_F4_4_ybar), standartinis nuokrypis (CH04_F4_4_sy), iteracijų skaičius (CH04_F4_4_n) ir pasikliovimo koeficientas (CH04_F4_4_z). Skaičiuojama standartinė paklaida CH04_F4_4_se ir intervalo ribos ..._lo, ..._hi pagal (4.4).

Patikra. Padidinus iteracijų skaičių keturis kartus, intervalo plotis turi susiaurėti maždaug dvigubai – tai tiesiogiai matomas $O(1/\sqrt{n})$ konvergencijos greitis (žr. 4.1.2 poskyrį). Jei plotis nekinta, formulėje naudojamas ne CH04_F4_4_n, o įrašytas skaičius.

4 žingsnis. Kiek rizikuojame? Veiklos rizika (lapai „F4.5“–„F4.7“)#

F4.5: pastoviosios sąnaudos, kaina, kintamosios sąnaudos ir kiekis duoda lūžio tašką CH04_F4_5_qbe (4.5) ir saugos maržą ..._sr. F4.6: tie patys duomenys duoda ribinį pelną, EBIT ir operacinį svertą CH04_F4_6_dol (4.6). F4.7: EBIT ir palūkanos duoda finansinį svertą CH04_F4_7_dfl, o padauginus iš DOL – bendrą svertą CH04_F4_7_dtl (4.7).

Patikra. DOL tuo didesnis, kuo EBIT arčiau nulio. Jei lūžio taške DOL negauna labai didelės reikšmės, vardiklyje greičiausiai naudojamas ne cm − fc. Ir atvirkščiai: jei DOL gaunasi mažesnis už vienetą, sukeisti skaitiklio ir vardiklio dėmenys.

5 žingsnis. Kiek rizikuojame? Finansinė rizika (lapai „F4.8“, „F4.9“, „F4.11“, „F4.12“)#

F4.8: portfelio vertė, standartinis nuokrypis, tikėtina grąža ir pasikliovimo koeficientas duoda VaR procentais (CH04_F4_8_varpct) ir eurais (..._vareur). F4.9: prie tų pačių įvesčių pridėjus tankio reikšmę (..._phi) ir reikšmingumo lygį (..._alpha), gaunamas CVaR ir – svarbiausia – jų skirtumas CH04_F4_9_skirt. F4.11 skaičiuoja Omega koeficientą kaip pelnų ir nuostolių santykį, F4.12 – maksimalų nuosmukį, atsigavimo reikalavimą ir Calmar koeficientą.

Patikra. CH04_F4_9_skirt privalo būti teigiamas: CVaR pagal apibrėžimą yra didesnis už to paties lygio VaR, nes matuoja vidurkį už ribos, o ne pačią ribą. Neigiamas skirtumas reiškia sukeistus argumentus. CH04_F4_12_atsig turi būti didesnis už ..._mdd – 50 % nuosmukiui atsverti reikia 100 % augimo, ir šis nesimetriškumas yra viena praktiškiausių viso skyriaus pamokų.

6 žingsnis. Ką darome? (lapas „F4.10“)#

Įvedama sėkmės tikimybė (CH04_F4_10_psucc), rezultatai sėkmės ir nesėkmės atveju (..._csucc, ..._cfail) ir pradinė investicija (..._i0). Skaičiuojama EMV (4.10) ir blogiausio atvejo rezultatas CH04_F4_10_worst.

Patikra. Teigiama EMV su nepriimtinu ..._worst nėra sprendimas investuoti. Būtent čia matyti, kodėl sprendimų medis reikalauja ir antro skaičiaus: vidurkis nepasako, ar blogiausią baigtį įmonė apskritai atlaikytų.

Kaip pasitikrinti visą modelį#

1. Pakeiskite vieną įvestį mėlyname langelyje – persiskaičiuoti turi visi nuo jos priklausantys rezultatai, įskaitant E bloko jautrumo lentelę ir F bloko išvadą.
2. Formulėse neturi likti nė vieno įrašyto skaičiaus, išskyrus struktūrinius (0, 1, 2) ir sveikuosius laipsnius: kiekvienas dydis ir kiekvienas slenkstis ateina iš vardinio diapazono.
3. Pakeiskite slenkstį ..._sl_1 – išvados tekstas turi pasikeisti be jokio formulės redagavimo.
4. Automatinė patikra: python Excel/patikra.py 4 (tikrina skaičius, nuorodas, išvadas, formulių atitiktį svetainės skaičiuoklėms ir literalus sąlygose).

Failai:

• Excel/CH04/Ch04_Formula_Guide.md – visų keturiolikos lapų aprašas su vardiniais diapazonais ir Excel formulėmis (vienas tiesos šaltinis)
• Excel/CH04/Ch04_Model_Master.xlsm – pilnas modelis su formulėmis, diagramomis ir jautrumo lentelėmis

4.6. Klausimai ir užduotys#

4.6.1. Faktai ir sąvokos (atpažinimo lygis)#

4.1 klausimas [atpažinimas]. Įvardykite keturis rizikos analizės metodus 4.2 paveikslo eilės tvarka ir kiekvienam nurodykite klausimą, į kurį jis atsako.

4.2 klausimas [atpažinimas]. Išvardykite tris VaR skaičiavimo metodus (4.1.2 poskyris) ir nurodykite, kuris iš jų nereikalauja prielaidos apie grąžų skirstinio formą.

4.6.2. Paaiškinimai (supratimo lygis)#

4.3 klausimas [supratimas]. Paaiškinkite, kuo skiriasi operacinio sverto laipsnis (DOL) nuo finansinio sverto laipsnio (DFL) ir kodėl jų sandauga vadinama bendruoju svertu.

4.4 klausimas [supratimas]. Paaiškinkite, kodėl CVaR visada didesnis už to paties pasikliovimo lygmens VaR, ir ką šis skirtumas pasako apie nuostolių pasiskirstymo uodegą.

4.6.3. Skaičiavimo užduotys (taikymo lygis)#

4.5 klausimas [taikymas]. Jautrumo analizė. Investicinio projekto bazinis NPV = 200 000 EUR. Atlikus vienkryptę jautrumo analizę, nustatyta: (a) padidinus WACC nuo 10 % iki 12 %, NPV sumažėja iki 120 000 EUR; (b) padidinus pajamas 10 %, NPV padidėja iki 280 000 EUR. Apskaičiuokite elastingumo koeficientus ir nustatykite, kuris kintamasis svarbesnis.

4.6 klausimas [taikymas]. Scenarijų analizė. Trys scenarijai: optimistinis (NPV = 500 000 EUR, p = 0,20), bazinis (NPV = 180 000 EUR, p = 0,55), pesimistinis (NPV = –80 000 EUR, p = 0,25). Apskaičiuokite: (a) tikėtinę vertę $E(V)$; (b) standartinį nuokrypį $\sigma$; (c) variacijos koeficientą $CV$; (d) tikimybę, kad projektas bus nuostolingas.

4.7 klausimas [taikymas]. Svertas. Įmonės duomenys: pardavimai 5 000 vnt., kaina 80 EUR/vnt., kintamosios sąnaudos 50 EUR/vnt., pastoviosios sąnaudos 90 000 EUR, palūkanos 20 000 EUR. Apskaičiuokite: (a) lūžio tašką; (b) saugos maržą; (c) DOL; (d) DFL; (e) DTL. Kaip 15 % pardavimų sumažėjimas paveiktų grynąjį pelną?

4.8 klausimas [taikymas]. VaR ir CVaR. Portfelio vertė 2 000 000 EUR, dienos grąžos standartinis nuokrypis 2 %, tikėtina dienos grąža ≈ 0 %. Apskaičiuokite: (a) dienos VaR 95 % lygiu ($z_{0{,}95} = 1{,}645$); (b) dienos VaR 99 % lygiu ($z_{0{,}99} = 2{,}326$); (c) CVaR 99 % lygiu ($\phi(2{,}326) \approx 0{,}0264$). Paaiškinkite, kodėl CVaR > VaR.

4.6.4. Lyginamoji analizė (analizės lygis)#

4.9 klausimas [analizė]. Kodėl trijų scenarijų modelis (optimistinis/bazinis/pesimistinis) gali būti pavojingesnis nei vieno scenarijaus naudojimas? Aptarkite inkaravimo efektą ir siauro rėmo problemą.

4.10 klausimas [analizė]. VaR buvo bankų reguliavimo pagrindas (Basel II), tačiau Bazilio komitetas perėjo prie CVaR (Basel III / FRTB). Kodėl? Paaiškinkite subadityvumo aksiomą ir jos praktinę reikšmę.

4.6.5. Kūrybinės užduotys (sintezės lygis)#

4.11 klausimas [sintezė]. Excel modelis. Sukonstruokite F4.1–F4.13 lapus pagal 4.5 poskyrio instrukciją, o tada sujunkite juos į vieną investicinio projekto analizę: (a) tornado eilė iš penkių elastingumų (F4.1); (b) trijų scenarijų tikėtina vertė su variacijos koeficientu (F4.2, F4.3); (c) pasikliautinasis intervalas 1 000 iteracijų simuliacijai (F4.4); (d) svertai ir saugos marža (F4.5–F4.7). Pateikite rezultatų interpretaciją ir rekomendaciją – investuoti ar ne.

4.12 klausimas [sintezė]. Scenarijų 2×2 matrica. Pasirinkite Lietuvos verslo sektorių (pvz., fintech, gamyba, logistika, nekilnojamasis turtas). Identifikuokite du svarbiausius neapibrėžtumo šaltinius. Sukurkite 2×2 scenarijų matricą su keturiais kokybiškai skirtingais scenarijais. Kiekvienam scenarijui aprašykite: (a) naratyvą (kas nutiko?); (b) pagrindinius finansinius parametrus; (c) rekomenduojamą strategiją. Paaiškinkite, kuo šis požiūris pranašesnis už klasikinį optimistinį/bazinį/pesimistinį modelį.

4.6.6. Atviros diskusijos klausimai (vertinimo lygis)#

4.13 klausimas [vertinimas]. Monte Carlo simuliacija generuoja NPV pasiskirstymą su tiksliais statistiniais parametrais. Kodėl šis „tikslumas“ gali būti klaidinantis? Paaiškinkite „garbage in – beautifully distributed garbage out“ problemą.

4.14 klausimas [vertinimas]. Kaip „analizės paralyžius“ pasireiškia praktikoje? Aptarkite proporcingumo principą: kokio lygio rizikos analizė tinkama (a) 50 000 EUR investicijai, (b) 5 mln. EUR investicijai, (c) 50 mln. EUR infrastruktūros projektui?

4.15 klausimas [vertinimas]. Danielssonas (2011, p. xiv) teigia: „finansinės rizikos modeliai turi erzinantį įprotį nuvilti būtent tada, kai jų labiausiai reikia.“ Ką tai reiškia ir kokios praktinės pasekmės rizikos analizės procesui?

4.6.7. Sprendimai su DI#

Ankstesni šio poskyrio klausimai tikrina, ar studentas moka taikyti keturis rizikos analizės metodus. Šie du tikrina kitką – ar jis pasirenka tinkamą metodą ir ar pastebi, kai tinkamai atliktas skaičiavimas atsako į ne tą klausimą. Užduočių atlikimo tvarka aprašyta A priede: išplėstinės užduoties eiga – A.1, verifikavimo protokolas – A.2, perdavimo įrašas – A.3, verdiktas – A.4, gynimas ir oponavimas – A.5, vertinimo kriterijai – A.6, sąlygos – A.7. Prieš pradedant užduotį priedą reikia perskaityti.

4.16 klausimas [bazinė užduotis]. Situacija. UAB „Kaitra“ (hipotetinė bendrovė) teikia metalo detalių terminio apdirbimo paslaugas. Elektros energija sudaro apie 35 % veiklos sąnaudų, o technologinis procesas reikalauja didelės momentinės galios. Bendrovė svarsto 1,2 mln. EUR investiciją į naują krosnių liniją. Tuo pačiu metu reguliuotojas yra paskelbęs elektros tinklo tarifo pertvarkos projektą: mokėjimas nuo suvartotų kilovatvalandžių būtų perkeltas į momentinės galios mokestį. Bendrovės vadovas paprašė DI asistento įvertinti projekto riziką. Prieš skaitant DI santrauką užrašomi protokolo 0a ir 0b žingsniai (A.2).

Tai 2 apibrėžtumo lygio užduotis: kurioje vietoje ieškoti silpnosios vietos, nenurodoma.

UAB „Kaitra“ krosnių linijos rizikos analizė. Atlikta Monte Carlo simuliacija su 10 000 iteracijų. Kintamieji ir jų skirstiniai nustatyti pagal 2019–2025 m. bendrovės duomenis: užsakymų apimtis (normalusis), elektros kaina (lognormalusis), darbo sąnaudos (trikampis).

Rezultatai: vidutinis NPV – 210 tūkst. EUR, standartinis nuokrypis – 120 tūkst. EUR. Standartinė paklaida (4.4 formulė): $se = 120 / \sqrt{10\,000} = 1{,}2$ tūkst. EUR, todėl 95 % pasikliautinasis intervalas vidurkiui yra [207,7; 212,4] tūkst. EUR – įvertis labai tikslus. Tikimybė, kad projektas bus nuostolingas, $P(NPV < 0) = 4{,}0\ \%$.

Išvada. Vidutinis NPV teigiamas, pasikliautinasis intervalas siauras, nuostolio tikimybė maža. Projekto rizika žema. Rekomendacija: investuoti.

Santraukai pritaikomas verifikavimo protokolas (A.2). Šioje užduotyje patikra susideda iš dviejų dalių, ir pirmoji baigsis niekuo – taip ir turi būti.

Pirma dalis: ar skaičiai teisingi. Perskaičiuojama standartinė paklaida ir pasikliautinasis intervalas pagal (4.4) formulę; patikrinama, ar nurodyta 4 % nuostolio tikimybė suderinama su pateiktu vidurkiu ir standartiniu nuokrypiu. Taip pat įvertinama, ar 10 000 iteracijų pakanka uodegos tikimybei (žr. 4.1.2 poskyrį apie konvergenciją). Visus tris dalykus reikia įrašyti į protokolą, net jei jie pasitvirtina.

Antra dalis: ar atsakyta į tą klausimą. Naudojantis 4.2 paveikslo keturių metodų sistema, nustatoma, į kurį klausimą reikėjo atsakyti šiuo sprendimu ir kuris metodas tam skirtas. Atsakoma, ar Monte Carlo simuliacija, kurios skirstiniai sudaryti iš 2019–2025 m. duomenų, apskritai gali parodyti tarifo pertvarkos poveikį.

Kiekybinė dalis. Tarifo pertvarkos poveikis modeliuojamas dviem scenarijais: pertvarka atidedama arba būna nežymi (NPV = 210 tūkst. EUR) ir pertvarka įsigalioja, o momentinės galios mokestis padidina sąnaudas (NPV = –180 tūkst. EUR). Užuot spėjus tikimybes, apskaičiuojama, kokia turi būti pertvarkos įsigaliojimo tikimybė, kad projekto tikėtina vertė taptų nulinė (4.2 formulė pertvarkoma). Tada, priėmus tą tikimybę kaip ribinę, apskaičiuojamas standartinis nuokrypis pagal (4.3) formulę ir atsakoma, ar variacijos koeficientas šiuo atveju yra informatyvus.

Pateikiama iki dviejų puslapių: aštuonių protokolo žingsnių įrašai (0a, 0b ir 1–6), abiejų patikros dalių rezultatai, ribinės tikimybės skaičiavimas ir verdiktas su peržiūros sąlyga (A.4). Atsakoma ir į vieną klausimą: ką reiškia tai, kad pasikliautinasis intervalas buvo apskaičiuotas teisingai, o sprendimas vis tiek būtų buvęs klaidingas?

4.17 klausimas [išplėstinė užduotis]. Ši užduotis skirta savarankiškai pasirinkti rizikos analizės metodą ir tą pasirinkimą apginti. Studentas suformuluoja tyrimo klausimą, dalį analitinio darbo paveda DI įrankiams, kritiškai patikrina gautus rezultatus ir apgina išvadą seminaro metu. Bendrieji principai išdėstyti A priede, o čia detalizuojama šiam skyriui specifiška užduoties mechanika. Bazinei užduočiai agentų aplinkos nereikia; išplėstinei rekomenduojama B priede aprašyta DI agentų darbo aplinka – tada kartu su darbu pateikiami ir jos failai (A.3).

Užduoties sąlygos. Dėstytojas kiekvienam studentui priskiria realų investicinį ar veiklos sprendimą su nurodytu mastu – nuo kelių dešimčių tūkstančių iki dešimčių milijonų eurų. Metodą studentas pasirenka pats iš keturių, aptartų 4.1.2 poskyryje: jautrumo analizė, scenarijų analizė, Monte Carlo simuliacija arba rizikos rodikliai. Pagal A.1 apibrėžtumo lygius tai atitinka 3 lygį; jei nurodomas tik sektorius – 4 lygį.

Atliekamas tik vienas – pasirinktas – metodas. Užduoties esmė yra pasirinkimas ir jo pagrindimas, ne arsenalo demonstravimas. Jei pagrįstai pasirenkama jautrumo analizė, Monte Carlo simuliacijos atlikti nereikia.

Ką privalo įrodyti gynėjas. Darbe privalo būti keturi dalykai:

1. Klausimo identifikavimas. Į kurį iš keturių klausimų – „kas svarbu?“, „kas galėtų nutikti?“, „kokia tikimybė?“, „kiek rizikuojame?“ – reikia atsakyti būtent šiam sprendimui. Jei reikia į kelis, nurodoma eilė ir kuris yra lemiantis.
2. Metodo pasirinkimo pagrindimas. Kodėl pasirinktas metodas atsako į tą klausimą. Pagrindimas siejamas su sprendimo savybėmis – neapibrėžtumo pobūdžiu (parametrinis ar struktūrinis), duomenų prieinamumu, sprendimo grįžtamumu ir mastu (proporcingumo principas, 4.1.3 poskyris).
3. Ko nepasirinkti metodai nebūtų parodę. Kiekvienam iš trijų nepasirinktų metodų – vienas sakinys: ką jis būtų pridėjęs ir kodėl to nepakako arba nebuvo verta. Be šios dalies darbas laikomas neužbaigtu, nes būtent ji parodo, kad pasirinkta, o ne pasitaikė.
4. Rezultatas ir jo ribos. Atliktos analizės išvada ir įvardijimas, kada ji nustotų galioti.

Kiekybinis pagrindimas (privalomas). Pasirinktas metodas atliekamas su viešais arba pagrįstai suformuluotais duomenimis, o rezultatas pateikiamas diapazonu su įvardytomis prielaidomis, ne vienu skaičiumi (A.1, E2 etapas). Jei pasirenkama Monte Carlo simuliacija, papildomai nurodoma, kiek iteracijų naudota ir kodėl tiek pakanka pagal (4.4) formulę – teiginys „naudota 10 000 iteracijų“ be pagrindimo nevertinamas.

Verifikuojant DI rezultatus taikoma 4.16 užduoties logika: pirmiausia tikrinama, ar skaičiai teisingi, tada – ar jie atsako į užduotą klausimą. Simuliacijos pakartoti nereikia ir neįmanoma; tikrinama jos konstrukcija – iš kokių duomenų sudaryti skirstiniai, kokia laikotarpio prielaida, ar kintamieji laikomi nepriklausomais (4.1.2 poskyris) ir ar pasikliautinasis intervalas atitinka (4.4) formulę.

Pateikimas. Iki 4 puslapių (E1–E6 įrašai), priede – perdavimo įrašas ir neredaguotas užklausų registras (A.3). Po seminaro gynėjas pateikia vieno sakinio refleksiją, oponentas – trijų sakinių reziumė (A.5, E7). Oponento pamatinė užduotis šioje užduotyje yra konkreti: parodyti, kad pasirinktas metodo gylis buvo per mažas arba perteklinis.

Literatūros sąrašas#

• Artzner, P., Delbaen, F., Eber, J.-M., & Heath, D. (1999). Coherent measures of risk. Mathematical Finance, 9(3), 203–228. https://doi.org/10.1111/1467-9965.00068
• Brealey, R. A., Myers, S. C., & Allen, F. (2020). Principles of Corporate Finance (13th ed.). McGraw-Hill.
• Chapman, C., & Ward, S. (2003). Project Risk Management: Processes, Techniques and Insights (2nd ed.). Wiley.
• Chermack, T. J., & Lynham, S. A. (2002). Definitions and outcome variables of scenario planning. Human Resource Development Review, 1(3), 366–383. https://doi.org/10.1177/1534484302013006
• Chermack, T. J., & Nimon, K. (2008). The effects of scenario planning on participant decision-making style. Human Resource Development Quarterly, 19(4), 351–372. https://doi.org/10.1002/hrdq.1245
• Cornell, B., & Damodaran, A. (2020). Valuing ESG: Doing good or sounding good? The Journal of Impact and ESG Investing, 1(1), 76–93. https://doi.org/10.3905/jesg.2020.1.1.076
• COSO. (2017). Enterprise Risk Management – Integrating with Strategy and Performance. Committee of Sponsoring Organizations of the Treadway Commission.
• Damodaran, A. (2012). Investment Valuation: Tools and Techniques for Determining the Value of Any Asset (3rd ed.). Wiley.
• Danielsson, J. (2011). Financial Risk Forecasting. Wiley.
• Eckhardt, R. (1987). Stan Ulam, John von Neumann, and the Monte Carlo method. Los Alamos Science, 15, 131–137.
• Haeffner, M., Leone, D., Coons, L., & Chermack, T. (2012). The effects of scenario planning on participant perceptions of learning organization characteristics. Human Resource Development Quarterly, 23(4), 519–542. https://doi.org/10.1002/hrdq.21147
• Hertz, D. B. (1964). Risk analysis in capital investment. Harvard Business Review, 42(1), 95–106.
• Hillier, F. S. (1963). The derivation of probabilistic information for the evaluation of risky investments. Management Science, 9(3), 443–457.
• Iman, R. L., & Conover, W. J. (1982). A distribution-free approach to inducing rank correlation among input variables. Communications in Statistics – Simulation and Computation, 11(3), 311–334. https://doi.org/10.1080/03610918208812265
• Jorion, P. (2007). Value at Risk: The New Benchmark for Managing Financial Risk (3rd ed.). McGraw-Hill.
• Kahn, H. (1960). On Thermonuclear War. Princeton University Press.
• Kahn, H., & Wiener, A. J. (1967). The Year 2000: A Framework for Speculation on the Next Thirty-Three Years. Macmillan.
• Keating, C., & Shadwick, W. F. (2002). A universal performance measure. Journal of Performance Measurement, 6(3), 59–84.
• Knight, F. H. (1921). Risk, Uncertainty and Profit. Houghton Mifflin.
• Lessmann, S., Baesens, B., Seow, H.-V., & Thomas, L. C. (2015). Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research. European Journal of Operational Research, 247(1), 124–136. https://doi.org/10.1016/j.ejor.2015.05.030
• Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems 30 (pp. 4765–4774). Neural Information Processing Systems Foundation. https://proceedings.neurips.cc/paper/7062-a-unified-approach-to-interpreting-model-predictions.pdf
• Mandelker, G. N., & Rhee, S. G. (1984). The impact of the degrees of operating and financial leverage on systematic risk of common stock. Journal of Financial and Quantitative Analysis, 19(1), 45–57. https://doi.org/10.2307/2331000
• McKay, M. D., Beckman, R. J., & Conover, W. J. (1979). A comparison of three methods for selecting values of input variables in the analysis of output from a computer code. Technometrics, 21(2), 239–245. https://doi.org/10.1080/00401706.1979.10489755
• Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association, 44(247), 335–341. https://doi.org/10.1080/01621459.1949.10483310
• Palar, P. S., Zuhal, L. R., & Shimoyama, K. (2023a). Enhancing the explainability of regression-based polynomial chaos expansion by Shapley additive explanations. Reliability Engineering & System Safety, 232, 109045. https://doi.org/10.1016/j.ress.2022.109045
• Palar, P. S., Zuhal, L. R., & Shimoyama, K. (2023b). Global sensitivity analysis in aerodynamic design using Shapley effects and polynomial chaos regression. IEEE Access, 11, 114825–114839. https://doi.org/10.1109/ACCESS.2023.3324918
• Phadnis, S., Caplice, C., Sheffi, Y., & Singh, M. (2015). Effect of scenario planning on field experts’ judgment of long-range investment decisions. Strategic Management Journal, 36(9), 1401–1411. https://doi.org/10.1002/smj.2293
• Rubinstein, R. Y., & Kroese, D. P. (2017). Simulation and the Monte Carlo Method (3rd ed.). Wiley. https://doi.org/10.1002/9781118631980
• Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., Saisana, M., & Tarantola, S. (2008). Global Sensitivity Analysis: The Primer. Wiley. https://doi.org/10.1002/9780470725184
• Schoemaker, P. J. H. (1995). Scenario planning: A tool for strategic thinking. Sloan Management Review, 36(2), 25–40.
• Schwartz, P. (1991). The Art of the Long View. Doubleday/Currency.
• Taleb, N. N. (2007). The Black Swan: The Impact of the Highly Improbable. Random House.
• TCFD. (2017). Recommendations of the Task Force on Climate-related Financial Disclosures. Financial Stability Board. https://www.fsb.org/uploads/P290617-5.pdf
• Van Horne, J. C. (1968). Financial Management and Policy. Prentice-Hall.
• van der Heijden, K. (2005). Scenarios: The Art of Strategic Conversation (2nd ed.). Wiley.
• Vose, D. (2008). Risk Analysis: A Quantitative Guide (3rd ed.). Wiley.
• Wack, P. (1985). Scenarios: Uncharted waters ahead. Harvard Business Review, 63(5), 73–89.