Неверная реализация модели

Даже если модель верна и используется для исследования соответствующих задач, остается опасность се неверной реализации. Для сложных моделей, которые требуют существенных затрат на программирование, всегда есть шанс возникновения ошибки, которая повлияет на результат модели. Некоторые реализации зависят от численных методов, приводящих к неизбежным ошибкам аппроксимации и ограниченному диапазону точности. Множество программ, которые, как кажется, не содержат ошибок, были проверены только при нормальных условиях и, следовательно, могут содержать ошибки при крайних условиях или значениях.

В моделях, которые требуют моделирования методом Монте-Карло, при недостаточном числе экспериментов или малом числе шагов во времени могут иметь место большие неточности в ценах и коэффициентах хеджирования. В этом случае модель может быть корректной и данные могут быть точными, но результат все равно будет неверным, если на вычислительный процесс не было затрачено достаточно времени.

Для моделей, которые оценивают сложные производные инструменты, данные собираются из различных источников. Подразумеваемое допущение заключается в том, что для каждого временного периода данные для всех соответствующих активов и ставок относятся в точности к тому же временному моменту и, следовательно, отражают синхронные цены. Использование несинхронных цен может быть вызвано практическими соображениями, но опять же это может привести к неверному ценообразованию.

Мри внедрении модели ценообразования для оценки ее параметров, например волатильностей и корреляций, используются статистические инструменты. Тогда важным вопросом остается то, как часто необходимо обновлять входные параметры? Необходимо ли вносить корректировки периодически или они должны быть связаны с важным экономическим событием? Аналогичным образом, необходимо ли корректировать параметры исходя из качественных характеристик, или эти корректировки должны основываться исключительно на статистических данных. Статистический подход в некотором смысле является «назадсмотрящим» (back-looking), в то время как корректировки, выполняемые человеком, могут быть «впередсмотрящими» (forward-looking), т. е. может учитываться личная оценка вероятного будущего развития на соответствующих рынках. Все статистические методы оценки зависят от ее погрешности, включающей данные в модели ценообразования. Основная проблема в процедуре оценки заключается в подходе к «выбросам» или крайним наблюдаемым значениям. Являются ли выбросы действительно выбросами в том смысле, что они не отражают истинное распределение? Являются ли они важными наблюдаемыми значениями, которые нельзя упускать? Результаты процесса оценки будут в значительной степени отличаться в зависимости от того, каким образом такие наблюдения отражены в модели. Каждый банк или даже каждое его торговое подразделение может использовать различные процедуры оценки для определения параметров модели. Некоторые могут применять ежедневные цены закрытия, другие — данные сделки. На расчет влияет, какое время использует исследователь — календарное (т.е. фактическое количество прошедших дней), торговое (т.е. количество дней, в которые продается базовый инструмент) или экономическое (т.е. количество дней, в течение которых произошли значительные экономические события).

Наконец, качество модели зависит в значительной степени от точности данных и значений параметров, которые вводятся в модель. Трейдерам довольно просто сделать ошибку (блок 14−2). Это, в частности, верно для относительно новых рынков, где все еще недостаточно развиты эффективные процедуры и управление. При внедрении моделей, которые требуют оценки нескольких параметров, никогда не нужно забывать старинную пословицу «что посеешь, то и пожнешь». Волатильности и корреляции являются самыми сложными входными параметрами, которые необходимо тщательно анализировать. Например, если цена исполнения опциона и срок погашения фиксированы, а цену.

34Б актива и процентные ставки можно получить непосредственно на рынке, то в данном случае волатильности и корреляции необходимо прогнозировать. Это открывает возможность как для подлинных ошибок, так и для умышленного вмешательства, которых возможно избежать только посредством надежных процедур управления и независимой проверки (блок 14−3).

Наиболее часто встречающимися проблемами при оценке значений, с одной стороны, и оценке потенциальных ошибок при расчете, с другой стороны, являются следующие.

• ? Неточные данные. Большинство финансовых учреждений использует внутренние источники данных, а также внешние базы данных. Ответственность за точность данных довольно часто четко не определена. Поэтому встречаются ошибки данных, которые могут существенно влиять на оцениваемые параметры.
• ? Несоответствующая длительность периода выборки. Добавление большего числа наблюдений повышает надежность статистических результатов и снижает вероятность ошибки оценки. Но чем более длительным является период выборки, тем большие веса присваиваются потенциально устаревшей информации. Особенно на динамически изменяющихся финансовых рынках «старые» данные могут становиться нерелевантными и искажать процесс оценки.
• ? Проблема ликвидности и спреда цены продавца и покупателя. На некоторых рынках устойчивая рыночная цена нс существует. Разница между ценой продавца и ценой покупателя может быть достаточно большой, что усложняет процесс поиска единой величины. Выбор данных цены на момент выбора данных может иметь существенное влияние на выходные данные модели.