Показатель VaR для портфеля кредитов или облигаций

Выше мы показали, каким образом можно получить будущее распределение стоимости (ценности) конкретной облигации (или займа). Далее будем рассматривать вопрос, как определить потенциальные изменения стоимости (ценности) целого портфеля кредитов. Предположим, что изменения происходят только по причине наличия кредитного риска (т.е. рыночный риск отсутствует), а также, что кредитный риск выражается в виде потенциальных изменений рейтинга на протяжении года. Важным фактором, который усложняет оценку портфеля, является степень корреляции между двумя любыми заемщикам в рамках изменений кредитных рейтингов или дефолта. Общая кредитная VaR достаточно чувствительна к этим корреляциям и, следовательно, их точное определение – один из основных факторов при оптимизации портфеля.

Как мы пояснили при общем рассмотрении, корреляция дефолта может быть выше для компаний в одной отрасли или одном регионе; она изменяется в зависимости от состояния экономики на протяжении делового цикла. Если в экономике происходит спад или снижение, то стоимость (ценность) и качество большинства активов заемщиков снижается и вероятность многочисленных дефолтов существенно повышается. Таким образом, мы не можем ожидать, что вероятности дефолта и изменений рейтингов будут стационарными (т.е. стабильными) во времени, и нам необходима определенная модель, которая соотносит изменения вероятности дефолта с фундаментальными переменными величинами.

CreditMetrics определяет вероятности дефолта и переходные вероятности из корреляционной модели стоимости (ценности) активов компании. Поскольку истинную ценность активов определить напрямую невозможно, CreditMetrics использует цены на акции компании для оценки стоимости (ценности) активов. (Это другое упрощающее допущение, которое делается в модели CreditMetrics и которое может влиять на точность подхода.) CreditMetrics оценивает корреляции между доходностями акций различных заемщиков. Затем делается заключение относительно корреляции между изменениями кредитного качества из анализа совместного распределения доходностей акций.

Мы можем показать, каким образом корреляция влияет на совместную вероятность дефолта двух заемщиков в портфеле с помощью очень простого числового примера. Если вероятности дефолта заемщиков с рейтингом А и ВВ составляют соответственного ρА = 0,06 % и рвв = 1,06 % и коэффициент корреляции между ставками доходностей для двух активов, выводимый из анализа цен акций, составляет р = 20 %, то можно показать, что совместная вероятность дефолта равна лишь 0,0054 % и коэффициент корреляции между двумя дефолтами будет равен 1,9 %. (Если дефолты были независимыми, то суммарная вероятность дефолта представляла бы собой просто произведение двух его вероятностей, т.е. 0,06 х 1,06 = 0,0064 %.) Корреляция доходности активов приблизительно в 10 раз выше, чем корреляция дефолтов для корреляции активов в диапазоне от 20 до 60 % (т.е. в нашем примере для корреляции доходности активов в 20 % рассчитанная корреляция дефолта составляет 1,9 %). Это показывает, что совместная вероятность дефолта, по сути дела, достаточно чувствительна к взаимным корреляциям доходности активов и насколько важно корректно определять эти данные при необходимости оценки эффекта диверсификации портфеля.

Можно показать, что влияние корреляций на показатель для кредитного риска VaR достаточно существенно. И оно больше для портфелей с относительно низким кредитным качеством, чем для портфелей с высоким кредитным качеством. И в самом деле, по мере ухудшения кредитного качества портфеля и повышения ожидаемого числа дефолтов данное повышение числа последних усиливается повышением их корреляции.

Аналитический подход к оценке портфеля не является практичным для крупных портфелей. Число парных корреляций может стать избыточным. Вместо этого в CreditMetrics используется численная аппроксимация на основе метода моделирования Монте-Карло с целью получения полного распределения стоимостей (ценностей) портфеля для годового кредитного горизонта.

Оценка корреляции активов

Как мы рассматривали ранее, корреляции дефолта получаются из корреляций доходности активов, в качестве которых используются корреляции доходности акций. Для крупных портфелей облигаций и кредитов с тысячами заемщиков все еще требуются сложные расчеты матриц корреляций для включения корреляции для каждой пары заемщиков.

Для снижения размерности этой проблемы в CreditMetrics используется многофакторный анализ. Данный подход отображает каждого заемщика через страны и отрасли, которые с наибольшей вероятностью определяют эффективность заемщика. Доходности акций коррелированы в той степени, в которой компании подвержены риску для аналогичных отраслей и стран. Для целей CreditMetrics пользователь указывает веса отрасли и страны для каждого заемщика, а также специфические риски компании, которые не коррелируются с каким-либо другим заемщиком или индексом.

Применение CreditMetrics

Одним из способов проверки эффективности "модельного риска", который мы рассмотрим в гл. 14, является применение моделей только к соответствующим типам активов. Подход CreditMetrics разработан прежде всего для облигаций и кредитов. Его можно расширить до финансовых требований (например, дебиторская задолженность или финансовые аккредитивы), для которых мы можем получить будущую ценность под риском (на горизонте риска) для всех кредитных рейтингов. Однако для производных инструментов, например свопов или форвардов, модель необходимо несколько скорректировать или "скрутить", так как нет достоверного способа оценки риска и распределения потерь в рамках предложенной структуры (предполагаются детерминированные процентные ставки). Именно поэтому нам необходимо перейти к структурным моделям и моделям приведенной формы, чтобы использовать более надежный способ оценки кредитных производных инструментов.