Методы учета зависимостей при агрегировании оценок рисков

Одним из интегральных вопросов оценки совокупного капитала организации, необходимого для покрытия ее рисков, является объединение полученных индивидуальных оценок экономического капитала/мер риска с учетом зависимостей между отдельными элементами портфеля/операциями кредитной организации (например, между заемщиками, относящимися к различным отраслям деятельности), а также между различными видами риска.

В первую очередь при оценке зависимостей между различными видами риска/в рамках одного вида риска следует проводить различие между каузальными и статистическими взаимосвязями. Каузальная зависимость между двумя событиями имеет место в том случае, если можно четко установить причинно-следственную взаимосвязь между данными событиями. Иными словами, в паре событий реализация одного из них в любом случае повлечет за собой реализацию другого (обратное неверно, т. е., в отличие от статистических, каузальные зависимости не всегда являются симметричными).

В рамках статистических взаимосвязей определенности относительно реализации одного из событий в случае реализации другого не предполагается, оценивается лишь сила взаимосвязи между данными событиями (измеряемая с помощью коэффициентов корреляции, объединяемых в матрицу корреляции при наличии двух и более компонент (например, видов риска), между которыми необходимо оценить взаимосвязь).

Матрица корреляции представляет собой симметричную квадратную матрицу, на главной диагонали которой стоят коэффициенты корреляции совпадающих рисков (по определению равны единице). За пределами главной диагонали стоят коэффициенты корреляции неидентичных пар рисков (например, кредитный-рыночный). Так как матрица в силу своего построения симметрична, для проведения оценки ее элементов, а также в рамках дальнейшего анализа потребуется лишь один из ее «углов»: над или под главной диагональю. Необходимо следить, чтобы матрица корреляций была положительно полуопределенной. Этого можно добиться, например, если оценку корреляций осуществлять на «синхронных» данных. В ином случае необходимо будет скорректировать корреляционную матрицу с помощью специальных алгоритмов^[1].

Показатель корреляции может принимать значения от нуля до единицы (по модулю), где нуль означает отсутствие линейной связи между реализациями выбранной пары рисков, а единица означает наличие между ними функциональной взаимосвязи (при реализации одного вида риска можно с точностью оценить реализацию второго вида риска). При этом абсолютная корреляция событий (коэффициент корреляции равен -1 или 1) не является эквивалентом наличия между ними казуальной зависимости, в то время как наличие неполной (отличной от абсолютной) корреляции между отдельными видами рисков должно приводить к снижению совокупного требования к капиталу на их покрытие.

При построении матрицы корреляции (как при анализе зависимостей в рамках отдельного вида риска, так и между различными видами риска) важно правильно выбрать временной интервал, а также частоту, на основании которой будут собираться ряды данных. Для обнаружения устойчивых взаимосвязей желательно собрать не менее 300 наблюдений (например, ежедневные данные за 1,5—2 года или еженедельные данные за шесть лет). При этом выбор горизонта наблюдений также зависит и от того, какие именно годы попали в анализ. В российской практике за последнее время мы наблюдали два серьезных кризиса всей финансовой системы, что, безусловно, отразилось на портфелях и уровне рисков банков. Соответственно, включая или не включая кризисные годы в анализ, мы можем регулировать степень консерватизма получаемых оценок корреляции. Распространенным способом является, например, построение двух версий матрицы корреляции: с учетом кризисных лет и без. Данную корреляционную матрицу можно применять при анализе корреляции рисков в стрессовых условиях. Что касается выбора частоты наблюдений (срез данных раз в день, еженедельно, на месячной основе и пр.), рекомендуется провести расчет корреляций с использованием различных доступных частот данных, на которых базируется оценка, и выбрать значение частоты, на которой оценки корреляции стабилизируются (так как при увеличении частоты наблюдений в данных может появляться «зашумленность» и, как следствие, нарушение корреляционных взаимосвязей или же, наоборот, возникновение «наведенных» корреляций).

• [1] Более подробно об этом см.: Basel III: A global regulatory framework for more resilientbanks and banking systems, BCBS, 2011.