Комплексный финансовый анализ эмитента ценных бумаг

      Итак, с общесистемной точки зрения риск вплотную связан с неопределенностью. Количественно измеряя неопределенность, мы можем той же мерой оценивать степень риска инвестиций, и наоборот. Если бы нам все было ясно и известно заранее, то ни о каком риске не было бы и речи, так как не существовало бы ни одной возможности, альтернативной заранее определенному порядку развития событий.

1. Существующие  способы оценки рисков инвестиций

      При оценке рисков мы должны применять не только качественные суждения об этих рисках, но и методы их количественного анализа.

      Очень часто под риском вложений в ценную бумагу понимается ее волатильность (колеблемость относительно среднего значения). Имеется мнение, что волатильность не может отражать инвестиционного риска в силу того, что болезненность убытков для инвестора несопоставима с удовлетворенностью прибылью. Поэтому отклонения котировок от ожидаемых значений в большую и в меньшую сторону неравноценны. Тем не менее, когда это не оговорено особо, под риском понимают волатильность.

      Главная проблема оценивания инвестиционных рисков состоит в том, что события, происходящие на фондовом рынке, часто не обладают свойством устойчивой повторяемости и однородности. Поэтому применение в анализе такого распространенного инструмента, как вероятностей, наталкивается на серьезные препятствия модельного характера.

      Вероятности – это исторически первый способ учета неопределенности при принятии решений. Он заключается в оценке частот тех или иных исходов. При этом исследованная частота не является характеристикой единичного события, а полного их множества – генеральной совокупности событий.

      В конце XIX века вероятностные методы успешно применялись в статистике. С развитием технической кибернетики во второй половине XX века методы теории вероятностей получили широкое распространение во всех сферах жизни. Особенно там, где речь шла об однородных событиях массового характера, а именно – в теории массового обслуживания и в технической теории надежности.

      Однако, начиная с 50-х годов, появились  работы, ставящие под сомнение тотальную применимость вероятностной теории к учету неопределенности. Авторы этих работ отмечали, что классическая вероятность аксиоматически определена как характеристика генеральной совокупности статистически однородных случайных событий. В том случае, если статистической однородности нет, то применение классических вероятностей в анализе оказывается незаконным.

      Реакцией  на эти вполне обоснованные замечания  стали фундаментальные работы Сэвиджа, Пойа, Кайберга, Фишберна, де Финетти  и других, где обосновывалось введение неклассических вероятностей, не имеющих частотного смысла, а выражающих познавательную активность исследователя случайных процессов или лица, вынужденного принимать решения в условиях дефицита информации. Так появились субъективные (аксиологические) вероятности. При этом подавляющее большинство научных результатов из классической теории вероятностей перешло в теорию аксиологических вероятностей.

      Помимо  появления неклассических вероятностей произошол всплеск интереса к минимаксным подходам, а также зарождение теории нечетких множеств.

      Минимаксные подходы ставят своей целью отказаться от учета неопределенности "весовым  методом". Из всего поля допустимых реализаций (сценариев) минимаксные методы выбирают два, при которых эффект принимает последовательно максимальное или минимальное значение. При этом лицо, принимающее решения (ЛПР) обязан отреагировать на ситуацию таким образом, чтобы добиться наилучших результатов в наихудших условиях. Считается, что такое поведение ЛПР является наиболее оптимальным.

      Минимаксные подходы, рассчитанные на самые плачевные сценарии развития событий. Настраивать систему принятия решений на наихудший исход означает производить неоправданно высокие затраты и создавать необоснованные уровни всевозможных резервов.

      Тогда на помощь инвестиционному аналитику приходят методы, опирающиеся на теорию нечетких множеств. Теория нечетких множеств была заложена в фундаментальной книге Лофти Заде [2]. Первоначальным замыслом этой теории было построить функциональное соответствие между нечеткими лингвистическими описаниями (типа "высокий", "теплый" и т.д.) и специальными функциями, выражающими степень принадлежности значений измеряемых параметров (длины, температуры, веса и т.д.) упомянутым нечетким описаниям.

      Там же в [2] были введены так называемые лингвистические вероятности – вероятности, заданные не количественно, а при помощи нечетко-смысловой оценки.

      Заде  определил нечеткие множества как  инструмент построения теории возможностей. С тех пор научные категории случайности и возможности, вероятности и ожидаемости получают тоеретическое разграничение.

      Также достижением теории нечетких множеств является введение в обиход нечетких чисел как нечетких подмножеств специализированного вида, соответствующих высказываниям типа "значение переменной примерно равно а". С их введением оказалось возможным прогнозировать будущие значения параметров, которые ожидаемо меняются в установленном расчетном диапазоне.

      Начиная с конца 70-х годов, методы теории нечетких множеств начинают применяться в экономике. Сегодня зарубежный рынок нечетких контроллеров (разновидность которых установлена например в стиральных машинах марки LG) обладает емкостью в миллиарды долларов. Нечеткая логика, как модель человеческих мыслительных процессов, встроена в системы искусственного интеллекта и в автоматизированные средства поддержки принятия решений (в частности, в системы управления технологическими процессами). С некоторых пор нечеткие знания начали активно применяться для выработки брокерских рекомендаций по приобретению (удержанию, продаже) ценных бумаг.

      Существенным  преимуществом теории вероятностей является многовековой исторический опыт использования вероятностей и логических схем на их основе. Однако, когда неопределенность относительно будущего состояния объекта  исследования теряет черты статистической неопределенности, классическая вероятность, как измеримая в ходе испытаний характеристика массовых процессов, уходит в небытие. Ухудшение информационной обстановки вызывает к жизни субъективные вероятности, однако тут же возникает проблема достоверности вероятностных оценок. ЛПР, присваивая вероятностям точечные значения в ходе некоего виртуального пари, исходит из соображений собственных экономических или иных предпочтений, которые могут быть деформированы искаженными ожиданиями и пристрастиями. Это же замечание справедливо и в том случае, когда оценкой вероятностей занимается не ЛПР, а сторонний эксперт.

      При выборе оценок субъективных вероятностей часто ссылаются на известный  принцип Гиббса-Джейнса: среди всех вероятностных распределений согласованных с исходной информацией о неопределенности соответствующего показателя, рекомендуется выбирать то, которому отвечает наибольшая энтропия. Многие исследователи прибегали к этому принципу для обоснования вероятностных гипотез в структуре допущений исходной модели. Однако законным возражением против этого принципа, выдвинутым в последнее время, является то, что принцип максимума энтропии не обеспечивает автоматически монотонности критерия ожидаемого эффекта [3]. Отсюда следует, что принцип максимума энтропии должен дополняться граничными условиями применимости этого критерия при выборе вероятностных распределений.

      В случае же применения нечетких чисел  к прогнозу параметров от ЛПР требуется  не формировать точечные вероятностные  оценки, а задавать расчетный коридор значений прогнозируемых параметров. Тогда ожидаемый эффект оценивается экспертом также как нечеткое число со своим расчетным разбросом (степенью нечеткости). Здесь возникают инженерные преимущества метода, основанного на нечеткостях, т.к. исследователь оперирует не косвенными оценками (куда относим и вероятности), а прямыми проектными данными о разбросе параметров, что есть хорошо известная практика интервального подхода к проектным оценкам.

      Что же касается оценки риска принятия решения в условиях неопределенности, то субъектно-вероятностные и нечетко-множественные методы предоставляют исследователю здесь примерно одинаковые возможности. Степень устойчивости решений верифицируется в ходе анализа чувствительности решения к колебаниям исходных данных, и эта устойчивость может оцениваться аналитически.

      Итак, на стороне вероятностных методов  оказывается традиция, а на стороне  нечетко-множественных подходов – удобства в инженерном применении и повышенная степень обоснованности, поскольку в нечетко-множественный расчет попадают все возможные сценарии развития событий, чего не скажешь, например, о схеме Гурвица, настроенной на конечное дискретное множество сценариев. Ну и потом, за нечеткими множествами остается эксклюзив количественной интерпретации качественных факторов, выраженных в терминах естественного языка.

5. Роль  предпочтений и ожиданий инвестора

      Ответственность за принятое решение всегда лежит  на том, кто его принимает. И в  этом смысле притензии инвестора на то, что «эти бумаги мне посоветовал купить консультант, а сейчас они упали», являются несостоятельными. Консультант не отвечает за решения инвестора, он отвечает только за достоверность и полноту информации, что он выдает. Назвав какие-то акции «стоящими», консультант вовсе не гарантирует того, что они будут приносить доход. Также консультант не может гарантировать дохода по облигациям, так как он не страхует дефолтных рисков. Поэтому, раз решение – это прерогатива самого инвестора, то и анализ своих собственных решений он должен проводить самостоятельно.

      Например, рассматривая фундаментальные характеристики бумаги, инвестор оценивает текущее  значение показателя P/E (цена к доходам), которое равно 20. «Много» это или «мало». На этом этапе инвестор может обратиться к консультанту. Точным ответом на вопрос инвестора будет гистограмма, где по оси Х отложены значения показателя P/E, а по оси Y – то, с какой относительной частотой выпадают те или иные значения показателя для предприятий той же отрасли, что и объект анализа.

      Анализируя  гистограмму, инвестор может задаться вопросом, почему одним компаниям  позволено иметь большие значения P/E, а другим – меньшие, и какой  уровень P/E следует считать объективным. Инвестор опять беспокоит своего консультанта, и тот выдает заключение. Оказывается, доходность бумаги состоит в обратном отношении к ее надежности, и зачастую люди покупают высококапитализированные компании, имея ввиду в первую очередь низкий риск дефолта, а во вторую очередь рассматривая уже соображения, связанные с доходностью. Что до объективного уровня, то все зависит от периода анализа. Например, для высокотехнологичных компаний в 1999-2000 годов характерным уровнем P/E был уровень в несколько десятков единиц. Сегодня же типовое значение – 10-15, потому что произошла коррекция.

      И вот инвестор созрел для того, чтобы  принимать решение. Он говорит себе: «Сегодня у компании Х цена акций $20, а соотношение P/E составляет 41. Ее капитализация – 100 млрд долларов, однако я считаю, что компания все равно переоценена, и такой уровень P/E – слишком высокий. Для этой компании я считаю приемлемым диапазон P/E порядка 30-35. И даже если сегодня цена компании растет, я тем не менее нахожу, что этот рост ненадежен и может смениться спадом. Я буду покупать эти акции при целевой цене на уровне $15-$17, что соответствует моим ожиданиям».

      Таким образом, инвестор произвел свою самостоятельную  оценку ситуации и принял решение. При  этом в основаниях этого решения  мы можем увидеть:

• ожидания – связанные с перспективами роста данных акций;
• нечеткую классификацию, когда инвестор сопоставлял текущую капитализацию компании с ее P/E и производил анализ уровня показателя.

      Всё, что инвестор говорит на словах, он может вполне трансформировать в описания на языке математики. И тогда ожидания, предпочтения и нечеткие оценки, сделанные инвестором, явятся исходной информацией для моделирования предпосылок для принятия (непринятия) инвестиционного решения.

      Оценивая  акции, инвестор может производить  и макроэкономические оценки, например, перспектив тех или иных отраслей или даже национальной экономики. Уже в том утверждении, что США проходят фазу рецессии, содержится огромное количество информации, которую необходимо учитывать для принятии решения. Рецессия ставит одни отрасли в привелегированное положение, а другие отрасли оказываются ущемленными. Значит, идет межотраслевое перераспределение инвестиционных рисков, которое надо иметь ввиду.

      Инвестор, покупая или продавая акции, должен составить себе мнение о том, какой  рынок сейчас одерживает победу –  «медвежий» или «бычий». Это дает ему основания считать, «что на «медвежьем» рынке переоцененные активы, скорее всего, упадут, а недооцененные, если и упадут, то неглубоко. И наоборот: на «бычем» рынке недооцененные активы, скорее всего, возрастут, а переоцененные, если и возрастут, то несильно». Все, что отмечено курсивом в этих закавыченных предложениях, представляет собой предмет оценки инвестором текущего состояния рынка и его переспектив.

      Фондовый рынок обладает существенным уровнем неопределенности, что влечет неустранимый риск, сопровождающий принятие инвестиционных решений. В ряде частных случаев традиционные методы анализа этого риска оказываются несостоятельными, так как они ориентируются на традиционный тип неопределенности, связанный с поведением однотипных объектов с неизменными свойствами. Связанные с такой банальной неопределенностью риски сравнительно легко оцениваются на базе широко известных методов теории вероятностей. Однако в большинстве случаев фондовый рынок является ненадлежащим объектом для классического статистического исследования, так как объекты выборки из генеральной совокупности не обладают свойством статистической однородности, а случайные процессы не имеют постоянных параметров, так что никакие статистические гипотезы о виде указанных процессов подтверждены быть не могут.