2. Wspomaganie decyzji inwestycyjnych
2.1. Ryzyko w energetyce
2.1.3. Miary ryzyka
Istnieją dwa podejścia do ryzyka rozumianego z punktu widzenia jego efektów. W pierw-szym określa się ryzyko jako możliwość poniesienia szkody lub straty (traktując ryzyko jako zagrożenie). W drugim ryzyko traktuje się jako możliwość wystąpienia efektu działania warunkach niepewności różne podmioty mogą podejmować decyzje o różnym natężeniu ryzyka, starając się je optymalizować w kontekście swojej awersji do ryzyka. Tak określone subiektywne ryzyko mierzone jest na gruncie teorii użyteczności (Engles 2004; Ganczarek 2008; Kienzle i in. 2007; Kutner 2009a).
Pojęcie ryzyka jest wysoce subiektywne, ponieważ każdy podmiot ma swoją własną per-cepcję ryzyka. Balzer (2001) stwierdza, iż nie ma jednej powszechnie akceptowalnej miary ryzyka. Sugeruje on, że miary ryzyka inwestycyjnego powinny uwzględniać względność ryzyka, wielowymiarowość ryzyka, asymetrię ryzyka i jego nieliniowość. Rachev i inni
— miary wrażliwości (ang. sensitivity measures) (analiza luki, Greeks, bpv, duration, co-nvexity) – odzwierciedlające wpływ czynników ryzyka na kształtowanie się zmiennych,
— miary zmienności (ang. volatility measures) (wariancja, semiwariancja, współczyn-niki zmienności, rozstęp, asymetrie) – odzwierciedlające zmiany rozpatrywanych zmiennych lub ich stóp zwrotu,
— miary zagrożenia (ang. downside risk measures) (Value at Risk, stress test, crash test, expected shortfall) – odzwierciedlające możliwe niekorzystne odchylenia od oczeki-wanych wartości zmiennych oraz ich stóp zwrotu.
Analiza wrażliwości daje pewne spojrzenie na kwestie ryzyka, ale posiada ogranicze-nia. Przede wszystkim w analizie wrażliwości zmienia się tylko wartość jednej zmiennej a wartości wszystkich innych zmiennych przyjmowane są jako stałe, to znaczy że pozostają
— wybór zmiennych, których wpływ na efektywność projektu będzie podlegał analizie,
— ustalenie przedziału zmienności wielkości niepewnych,
— wyznaczenie, na podstawie zbudowanego modelu, przedziału wahań przy założonej zmienności. czyli ocenie ryzyka na podstawie analizy zmienności rozumianej jako typowy rozrzut war-tości zmiennej wokół wartości oczekiwanej wyrażony np. za pomocą dyspersji lub kurto-zy, są niewystarczające przynajmniej z kilku powodów (Kutner 2009b). Pomimo prostoty obliczeń, zakładają normalność, a w tym symetryczność rozkładów gęstości prawdopodo- bieństwa stóp zwrotu aktywów oraz że modelują preferencję inwestora do ryzyka za pomo-cą kwadratowej funkcji użyteczności. Pierwsze z tych założeń (o normalności rozkładów) jest szczególnie istotne dla tej pracy, ponieważ uzyskiwane rozkłady gęstości prawdopodo-bieństwa stóp zwrotu w przypadku modelu opcyjnego okazały się rozkładami innymi od normalnego. Ponadto tego typu podejście oznacza założenie, że najistotniejsze informacje statystyczne zawarte są w tzw. przedziale trzysigmowym. Znaczy to, że „ogon” rozkładu gęstości prawdopodobieństwa nie zawiera istotnych informacji statystycznych (Fuss i in.
2012; Kutner 2009b).
Istotą współczesnej teorii ryzyka jest traktowanie zdarzeń ekstremalnych jako posiada-jących decydujący wpływ na charakter i wielkość ponoszonego ryzyka. Jest to zasadnicza różnica w stosunku do podejść tradycyjnych, w których tego typu zdarzenia są po prostu ignorowane. Prowadzi to bezpośrednio do nowej, współczesnej definicji ryzyka wyrażo-nego za pomocą prawdopodobieństwa ekstremalnych strat (probability of extreme losses) i związanych z tym miar zagrożenia, z których najpopularniejszą jest VaR (Value at Risk), czyli Wartości Narażonej na Ryzyko lub inaczej Wartości Zagrożonej Ryzykiem (Ganczarek Wartość Zagrożona Ryzykiem VaR w chwili t jest to taka strata wartości rynkowej port-fela, że prawdopodobieństwo jej osiągnięcia lub przekroczenia w rozpatrywanym okresie (t, t + 1) równe jest zadanemu poziomowi tolerancji (Best 2000; Piontek 2001; Piontek 2007).
Powyższą definicję można zapisać w następujący sposób:
( t 1 t t)
P W+ ≤W VaR− = q (2.1)
gdzie:
P – prawdopodobieństwo,
VaRt – wartość zagrożona ryzykiem w chwili t, Wt – obecna wartość portfela instrumentów,
Wt+1 – wartość portfela na koniec analizowanego okresu, q – poziom tolerancji VaR.
Nie zakładając wartości portfela Wt, powyższą zależność można zapisać wykorzystując pojęcie stopy zwrotu rt+1 (Piontek 2001, 2007):
1 ,1
(rt r t( ))
P + ≤F− q =q (2.2)
gdzie:
rt+1 – stopa zwrotu z portfela instrumentów na koniec analizowanego okresu,
,1( )
Fr t− q – obecna wartość kwantyla rozkładu gęstości prawdopodobieństwa stopy zwrotu, q – poziom tolerancji VaR.
Oznacza to, że prawdopodobieństwo, iż stopa zwrotu z portfela w danej perspektywie czasu nie przekroczy wartości równej odpowiedniemu kwantylowi rozkładu gęstości praw-dopodobieństwa stopy zwrotu Fr t−,1( )q wynosi q. Zasadniczo jest to statystyczne oszacowa-nie przyszłych, potencjalnych zmian wartości portfela, które mogą wyniknąć ze zmian stóp zwrotu (czyli ryzyka).
Definicja zapisana wzorami (2.1) i (2.2) nie precyzuje, jak należy tę wartość zagrożoną wyznaczyć. Prowadzi to do różnorodności możliwych podejść. Do najbardziej popularnych zalicza się metody: historyczną, symulacyjną i wariancji-kowariancji (w tym metodę Risk Metrics). Inne, nieco mniej popularne metody, to metoda oparta na wektorach warunko- wych wartości oczekiwanych i warunkowych macierzach kowariancji (model klasy VAR-MA-MGARCH), a także metody bazujące na teorii wartości ekstremalnych (Kozłowski i in.
2003; Piontek 2007).
Metodę wariancji-kowariancji (nazywaną czasem delta-normalną) można zaliczyć do klasycznych metod analitycznych. Opiera się ona na założeniu o normalności rozkładu gę-stości prawdopodobieństwa stóp zwrotów, tzn. wykorzystuje zasadę mówiącą, że jeśli stopy zwrotu aktywów w portfelu mają rozkład normalny, to stopa zwrotu portfela ma również rozkład normalny z wariancją równą średniej ważonej kowariancji ze stóp zwrotu poszcze-gólnych aktywów (Kozłowski i in. 2003).
W metodzie historycznej wykorzystuje się dane historyczne do skonstruowania empi-rycznego rozkładu gęstości prawdopodobieństwa stóp zwrotu z portfela. Nie analizuje się który najlepiej opisuje mechanizm kształtowania się stóp zwrotu portfela. Następnie ge-neruje się kilka lub kilkadziesiąt tysięcy obserwacji (możliwych trajektorii procesu) i na ich podstawie wyznacza się rozkład gęstości prawdopodobieństwa stóp zwrotów oraz jego kwantyle w wybranej chwili w przyszłości. Metoda symulacji Monte Carlo jest niewątpliwie najlepszą z metod wyznaczania wartości VaR, gdyż może brać pod uwagę różne źródła ryzy-ka, zależność czasową stóp zwrotów oraz niestacjonarny charakter zmienności (Kozłowski i in. 2003).
Intuicyjny charakter i prostota sprawiły, że Value at Risk (VaR) od początku 1990 roku stała się powszechnie stosowaną na całym świecie miarą ryzyka rynkowego. Ta prosto-ta przyczyniła się do przyjęcia VaR jako standardowej miary ryzyka w świecie finansów.
Oficjalnie stało się to w 1996 roku wraz z opublikowaniem poprawki do tzw. Umowy Ba- zylejskiej z 1988 roku, pierwszej międzynarodowej umowy dotyczącej wymogów kapita-łowych, która ustanawiała równe warunki działalności dla banków i instytucji finansowych aktywnych na rynku międzynarodowym. Zaproponowano wtedy europejskim bankom
wykorzystanie własnych modeli VaR do pomiaru ryzyka rynkowego (Ganczarek 2008;
Misiorek, Weron 2012; Weron 2008). VaR jako praktyczna, zintegrowana i funkcjonalna (wewnętrzna) miara ryzyka została zaakceptowana również przez menedżerów firm (Puelz 1999).
Obecnie najczęściej do pomiaru ryzyka (zwłaszcza ryzyka rynkowego) wykorzystuje się VaR. Miara ta jest rekomendowana przez Generalny Inspektorat Nadzoru Bankowego,
— jest wspólną, zgodną miarą ryzyka dla różnych pozycji i czynników ryzyka,
— uwzględnia korelacje i zależności pomiędzy różnymi czynnikami ryzyka.
Główną zaletą związaną z syntetycznym pomiarem ryzyka jest względna łatwość, z jaką można ją wykorzystać do podejmowania decyzji strategicznych. Biorąc pod uwagę wysoki poziom ryzyka w początkowej fazie (okres budowy), a także różne rodzaje ryzyka, które występują później, wykorzystanie syntetycznej miary ryzyka wydaje się być konieczne (Ca-ron i in. 2007).
Na bazie VaR zostało opracowane kilka analogicznych metod, będących adaptacją VaR na potrzeby pomiaru ryzyka przedsiębiorstwa. Najważniejsze z nich to Wynik (Zysk) Narażony na Ryzyko (EaR – Earnings at Risk) i Przepływy Finansowe Narażone na Ryzyko (CFaR – Cash Flow at Risk) (Kozłowski i in. 2003; Lang, Madlener 2010; Michalski, Krysta 2007).
EaR określa ryzyko rozumiane jako możliwość niezrealizowania planowanego zysku netto, natomiast CFaR odzwierciedla ryzyko rozumiane jako możliwość niezrealizowania planowanego przepływu pieniężnego (Weron 2008). w ciągu kilku lat wykorzystanie VaR będzie powszechną praktyką, nie tylko dla instytu-cji finansowych, ale dla wszystkich przedsiębiorstw w obliczu ryzyka cenowego na rynku (Blanco 1998; Papla, Piontek 2009).
Jednak VaR ma kilka wad szczegółowo omówionych w pracach Rockafellar i Uryasev (2000) i Palmquist i inni (2002).
Wartość VaR informuje, że z prawdopodobieństwem q wartość rozpatrywanego walo-ru nie będzie niższa od VaR. Nie informuje natomiast, o ile może być niższa (Ganczarek 2008).
Gdy rozkład gęstości prawdopodobieństwa jest normalny, wartość VaR jest proporcjo-nalna do odchylenia standardowego i jest w pełni zadowalającą miarą ryzyka, jednak gdy rozkład gęstości prawdopodobieństwa nie jest normalny, wartość VaR nie jest poprawna.
A co zatem idzie miara ta nie charakteryzuje się właściwościami, które powinna posiadać
VaR nie posiada pożądanych cech matematycznych takich jak subaddytywność, wypu-kłość, homogeniczność i monotoniczność (Artzner i in. 1997; Dulguerov 2009; Ganczarek 2008; Rockafellar, Uryasev 2000). Brak subaddytywności sprawia, że suma VaR dwóch ak-tywów może być mniejsza niż VaR portfela będącego sumą tych ak2008; Rockafellar, Uryasev 2000). Brak subaddytywności sprawia, że suma VaR dwóch ak-tywów (Artzner i in.
1999; Artzner i in. 1997; Misiorek, Weron 2012).
Na podstawie badań empirycznych wykazano, że VaR jest miarą niestabilną, ponadto dla dyskretnych rozkładów gęstości prawdopodobieństwa niegładką, niewypukłą oraz niejedno-modalną funkcją (Artzner i in. 1999; Fortin i in. 2007).
Aby poradzić sobie z tymi brakami Artzner i inni (1999) zaproponował alternatywną miarę, która spełnia powyższe założenia. Warunkowa Wartość Zagrożona (Conditional Va-lue at Risk – CVaR) jest warunkową wartością oczekiwaną wyznaczoną ze wszystkich moż-liwych strat przekraczających maksymalną stratę wyznaczoną przez VaR (Ganczarek 2008).
CVaR wyróżniają takie cechy jak: przechodniość, dodatnia homogeniczność, monoto-niczność względem dominacji stochastycznych pierwszego i drugiego rzędu (Ganczarek 2008). Ponadto CVaR jest koherentną i spójną miarą ryzyka w sensie (Artzner i in. 1997, 1999) (koherencja CVaR zostało udowodnione przez Pflug (Krokhmal i in. 2002)).
Wykorzystanie wskaźnika CVaR jest poprawne dla dowolnego poziomu istotności β z przedziału od 0 do 1, jednak pomiar ryzyka tą miarą wykonuje się zwykle dla niskich wartości parametrów β, tak aby reprezentować ryzyko ekstremalnych scenariuszy (Kaleta i in. 2002).
Wybór odpowiednich miar dla ryzyka portfela nadal jest tematem zagorzałych dyskusji i intensywnych badań w zakresie zarządzania inwestycjami, ponieważ wszystkie propono-wane miary ryzyka mają wady i ograniczone zastosowanie. Rachev i inni (2005) dochodzą do wniosku, że idealny środek nie istnieje. Jednak, zauważają, że uzasadnione jest, aby szu-kać miary ryzyka, która jest idealna do analizy poszczególnych problemów (Kalicki 2013;
Sereda i in. 2010).
W analizie ryzyka portfela w sektorze energetycznym stosuje się powszechnie cztery ro-dzaje miar ryzyka są to: wariancja, semiwariancja, Value at Risk i Conditional Value at Risk (Suzuki, Uchiyama 2010). Na rysunku 2.2 przedstawiono różnice pomiędzy tymi miarami ryzyka.
Choć w przeszłości większość prac z zakresu analizy portfelowej opierała się na wa-riancji lub semiwawa-riancji jako miarach ryzyka, bardziej aktualne prace zwróciły wyraźną uwagę na fakt, że rozkłady gęstości prawdopodobieństwa przepływów pieniężnych w sek-torze elektroenergetycznym nie zawsze są normalne (Fuss i in. 2012; Markowitz 1959;
Rys. 2.2. Różnice pomiędzy czterema miarami ryzyka
a) wariancja, b) semiwariancja, c) wartość narażona na ryzyko VaR (Value at Risk), d) warunkowa wartość narażona na ryzyko CVaR (Conditional Value at Risk)
Źródło: (Suzuki, Uchiyama 2010)
Fig. 2.2. The differences between the four risk measures
a) variance, b) semivariance c) Value at Risk (VaR), d) conditional value at risk (CVaR)
Porter 1974; Suzuki, Uchiyama 2010; Yu 2007). Jak wcześniej było wspomniane, według współczesnej teorii ryzyka zdarzenia ekstremalne posiadają decydujący wpływ na charakter i wielkość ponoszonego ryzyka (Kutner 2009b). Długie i grube „ogony” rozkładów gęstości prawdopodobieństwa mogą prowadzić do dużych strat, które nie są uchwycone tradycyjnymi miarami takimi jak wariancja (Fuss i in. 2012; Suzuki, Uchiyama 2010). Wpływ rzadkich zdarzeń na profil ryzyka jest często potęgowany przez skończoną płynność. Aktywa rzeczo-we nabywane przez przedsiębiorstwa są o wiele mniej płynne niż aktywa finansowe takie jak: akcje, obligacje czy kontrakty terminowe (Albanese, Lawi 2004).
Ze względu na wiele niepewności i różne rodzaje ryzyka, które wpływają na podejmo-wane decyzje inwestycyjne w sektorze elektroenergetycznym, próbuje się opracować nowe metody oceny projektów inwestycyjnych (Fuss i in. 2012).
W celu pomiaru ryzyka odchodzi się od wariancji jako miary ryzyka. Liu i Wu (2007) oraz Deng i Xu (2009) wykorzystali VaR do pomiaru ryzyka na rynkach energii elektrycz-nej. Fortin i inni (2008) zaproponowali użycie CVaR (Conditional Value at Risk). Uryasev i Rockafellar (1999) zaproponowali opartą na modelu scenariuszy optymalizację portfela za pomocą CVaR. Yu i inni (2009) rozszerzyli prace Uryasev i Rockafellar (1999) o nowe klasy problemów z funkcją CVaR. Również Bartelj i inni (2010) w swoich badaniach wyko-rzystali do pomiaru ryzyka na rynkach energii elektrycznej CVaR, a Szolgayová i in. (2008) (Szolgayova i in. 2008) posłużyli się tą miarą ryzyka w procesie optymalizacji portfela tech-nologii energetycznych zamiast wariancją i odchyleniem standardowym.
CVaR jako miara ryzyka może być bardziej odpowiednia do pomiaru ryzyka długotrwa- łych aktywów rzeczowych niż wariancja, gdyż inwestycje są nieodwracalne, przez co inwe-stor większą wagę przykłada do negatywnych stóp zwrotu z inwestycji niż do pozytywnych (wysokie zyski inwestora nie martwią, czego nie można powiedzieć o stratach) (Fuss i in.
2012). Często także rozkłady gęstości prawdopodobieństwa stóp zwrotu charakteryzują się dużą asymetrią i standardowe narzędzia optymalizacji bazujące na wariancji lub VaR są niewystarczające. Aby poradzić sobie z tym problemem używa się CVaR jako miary ryzyka (Andersson i in. 1999).
Porównując optymalne portfele wyznaczone w oparciu o miary ryzyka takie jak: warian- cja, VaR i CVaR można zauważyć, że różnice między portfelami mogą być małe, a efek-tywne granice przy różnych miarach ryzyka leżą blisko siebie pod warunkiem, że wszystkie zmienne mają normalny rozkład gęstości prawdopodobieństwa (Adam i in. 2008; Artzner i in. 1999; Artzner i in. 1997; Fortin i in. 2007; Muñoz i in. 2009; Rockafellar, Uryasev 2000;
Yu 2002).
Bertsimas i inni (2004) wskazują na przewagę CVaR nad VaR z punktu widzenia uzyski-wanych wyników w procesie optymalizacji portfela. Jednak kosztem wykorzystania CVaR do optymalizacji portfela jest ograniczenie prostoty i uciążliwość obliczeniowa (Leal, Men-des 2010).