Выдержка из работы:
Некоторые тезисы из работы по теме Контрольная работа риск-менеджмент
Количественные методы анализа уровня всех видов рисков основаны на оценке показателей, оказывающих значимое влия¬ние на уровень рисков. В процессе анализа с помощью количе¬ственных методов получаем стоимостную оценку применения тех или иных мероприятий по оптимизации уровня конкретно¬го риска в статике и динамике, в зависимости от внешней и внут¬ренней конъюнктуры.
Иными словами, с помощью количественных методов осуще¬ствляют анализ чувствительности уровня рисков к ряду факто¬ров и показателей, оказывающих значимое влияние на их уровень в статике и динамике. Анализ чувствительности используется, глав¬ным образом, для оценки изменения уровня рисков от того или иного внутреннего или внешнего фактора, а также для анализа изменения динамики этих факторов. Обычно анализируются не¬сколько сценариев в зависимости от количества и набора факто¬ров. Основными методами определения значимых факторов, ока¬зывающих влияние на уровень риска, являются корреляционно-регрессионный анализ (КРА) и дисперсионный анализ.
Рассмотрим подробнее основные методы, с помощью кото¬рых можно осуществлять анализ уровня всех видов рисков в ста¬тике и динамике.
Корреляционно-регрессионный анализ
Он используется для изучения взаимосвязи между фактора¬ми, влияющими на уровень конкретного риска, и заключается в построении и анализе значимости уравнений регрессии. Корреляционный анализ, разработанный К. Пирсоном и Дж. Юлом, является одним из методов статистического анализа взаимозави¬симости нескольких признаков — компонентов случайного век¬тора (конкретного процесса/операции) х.
Целью корреляционно-регрессионного анализа является оценка функциональной зависимости условного среднего значе¬ния результативного признака (показателя, фактора) Y от фак¬торных признаков x1, х2,..., хk. Количество признаков — 1,k .
Одним из основных показателей взаимозависимости двух слу¬чайных величин являются парный и частный коэффициенты кор¬реляции, служащие мерой линейной статистической зависимос¬ти между этими величинами. Следовательно, эти коэффициенты соответствуют своему прямому назначению, когда статистичес¬кая связь между соответствующими признаками (показателями) в генеральной совокупности линейна. Основная задача корреля¬ционного анализа состоит в оценке k(k + 3)/2 параметров, опре¬деляющих нормальный закон распределения k-мерного вектора х, в частности, корреляционной матрицы генеральной совокуп¬ности X, по конкретной выборке. Они изменяются в пределах от — 1 до + 1. При этом, чем ближе значение коэффициента корре¬ляции к — 1 или + 1, тем сильнее зависимость между переменны¬ми. Если коэффициент корреляции принимает положительное значение, то мы говорим о положительной зависимости, а если его значение меньше нуля, то говорим об отрицательной зависи¬мости. Кроме этого, в процессе выявления корреляционно-рег¬рессионной зависимости часто необходимо выявить тесноту ли¬нейной связи между одной (результативной, зависимой) перемен¬ной и рядом независимых переменных. В таком случае мы гово¬рим об анализе множественного коэффициента корреляции.
Квадрат множественного коэффициента корреляции называ¬ется коэффициентом детерминации. Он характеризует долю дисперсии результативной (зависимой) переменной, обусловлен¬ной влиянием остальных (независимых) переменных, анализиру¬емых в конкретной модели.
В случае анализа неколичественных признаков или количе¬ственных признаков с непрерывными и/или неизвестными за¬конами распределения (показателей; факторов, оказывающих влияние на уровень конкретного риска в институциональных еди¬ницах финансового сектора) классические подходы корреляци¬онного анализа либо неприемлемы, либо неэффективны. Для изучения тесноты связи в таких случаях применяются методы непараметрической статистики, среди которых наиболее распро¬странены методы ранговой корреляции. После того как с помо¬щью корреляционного анализа выявлено наличие статистичес¬ки значимых связей между переменными и оценена степень их тесноты, обычно переходят к математическому описанию конк¬ретного вида зависимостей с использованием регрессионного анализа. С этой целью подбирают класс функций, связывающий результативный показатель Y и аргументы x1, х2,..., хk, отбирают наиболее информативные из них, вычисляют оценки неизвест¬ных значений параметров уравнения связи и анализируют точ¬ность и адекватность полученного уравнения. Результаты КРА в значительной мере зависят от качества (достоверности, частоты, полноты) исходной информации.