"Управление в кредитной организации", 2007, N 5

СТРЕСС-ТЕСТИРОВАНИЕ: ОБЗОР МЕТОДОЛОГИЙ

Статья посвящена обзору методологий осуществления стресс-тестирования как на уровне портфеля отдельного банка, так и на уровне всей финансовой системы. Рассматриваются понятие стресс-тестирования, основные виды стресс-тестов, а также факторы риска, которые используются при проведении стресс-тестирования <1>.

     
   ————————————————————————————————
   

<1> Особую благодарность за помощь в написании статьи автор выражает доктору технических наук, профессору Фуаду Тагиевичу Алескерову (ГУ - ВШЭ).

Введение

На сегодняшний день стресс-тестирование становится все более распространенным методом анализа рисков в финансовых организациях, поскольку банковское регулирование предписывает использование стресс-тестирования при применении банками внутренних рейтингов. В соответствии с Базельским комитетом по банковскому надзору "банки, использующие модель внутренних рейтингов, должны осуществлять тщательное стресс-тестирование для оценки достаточности капитала" [1].

Суть стресс-тестирования заключается в том, чтобы понять, какие убытки может понести банк в той или иной неожиданной ситуации.

Стресс-тестирование используется и для оценки всей финансовой системы, ее уязвимости по отношению к неожиданным событиям.

Что такое стресс-тестирование

Международный валютный фонд определяет стресс-тестирование как "методы оценки чувствительности портфеля к существенным изменениям макроэкономических показателей или к исключительным, но возможным событиям" [10].

Согласно Банку международных расчетов "стресс-тестирование - термин, описывающий различные методы, которые используются финансовыми институтами для оценки своей уязвимости по отношению к исключительным, но возможным событиям" [3].

Банк России определяет стресс-тестирование как "оценку потенциального воздействия на финансовое состояние кредитной организации ряда заданных изменений в факторах риска, которые соответствуют исключительным, но вероятным событиям" [34].

Интересно рассмотреть формальное определение, которое дается в

[9]. Прежде всего предполагается, что для прогнозов распределения

доходностей (y ) портфеля компания (банк) использует некоторую

t+1

модель риска. Эта модель включает, во-первых, факторы риска

(например, процентную ставку или обменный курс), значения которых

распределены определенным образом (обычно это нормальное

распределение, или же может использоваться распределение на основе

исторических данных <1>). X - вектор значений факторов риска в

t

момент времени t; f(x ) - функция плотности распределения значений

t

факторов риска.

     
       ————————————————————————————————
   

<1> Например, каждое историческое значение фактора риска

(x , x ... x ) получает вероятность 1/T.

1 2 T

Например, можно предположить, что существует некий гипотетический портфель, доходность которого зависит только от значения процентной ставки. Пусть распределение значений процентной ставки является нормальным (рис. 1).

f(x )

t /¦\ . .

¦ . ¦ .

¦ . .

¦ . ¦ .

¦ . .

¦ . ¦ .

¦ . .

¦ . ¦ .

¦ . .

-+------------------------+-------------------------->

¦ мю x

x t

x - значение процентной ставки; f(x ) - функция плотности

t t

распределения значений процентной ставки; мю - математическое

x

ожидание значения процентной ставки.

Рис. 1

Во-вторых, модель предполагает наличие некоторой системы ценообразования (иными словами, "модели оценки") B(*), в соответствии с которой рассчитывается стоимость активов в зависимости от значений факторов риска.

Пусть для рассматриваемого гипотетического портфеля зависимость доходности портфеля от процентной ставки будет, например, линейной. При этом можно предположить, что при увеличении процентной ставки доходность портфеля будет расти, а при уменьшении - падать.

Доходности (реализованные) портфеля могут быть записаны в

/\ /\ /\

виде: y = B(x ) (x - это значения фактора риска). Такой

t+1 f f

процесс "генерации" доходностей осуществляется многократно, в

результате чего получается распределение доходностей портфеля

(стоимости активов), которое обозначается через g(y ).

t+1

Таким образом, подставляя в B(x ) различные значения

f

процентной ставки, можно получить различные значения доходности

гипотетического портфеля. Для простоты можно предположить, что

распределение значений доходности гипотетического портфеля также

является нормальным (рис. 2).

g(y )

t+1 /¦\ . .

¦ . ¦ .

¦ . .

¦. ¦ .

.¦ .

. ¦ ¦ .

. ¦ .

. ¦ ¦ .

. ¦ .

     
    —————————————————————+————————+——————————————————————————>
                         |       мю                          x
                                   y                          t+1
   
       y    — значение доходности гипотетического портфеля; g(y   ) —
        t+1                                                    t+1
   функция     плотности     распределения     значений    доходности
   гипотетического   портфеля; мю  — математическое ожидание значения
                                 y
   доходности гипотетического портфеля.
   
   Рис. 2
   
   Стрессовые сценарии, по мнению автора данного подхода, заключаются в следующем:
   "1. Моделирование шоков, вероятность которых больше, нежели предполагают исторические данные.
   2. Моделирование шоков, которые не происходили ранее.
   3. Моделирование шоков, которые отражают возможность того, что обычные взаимосвязи (или паттерны) могут перестать существовать при определенных событиях.
   4. Моделирование шоков, отражающих структурные сдвиги, которые могут произойти в будущем".
       Все   вышеуказанные  категории  стрессовых  событий  позволяют
   получить новое распределение значений факторов риска f      (*).
                                                         stress
   Например, распределение значений процентной ставки при "стрессовом" событии может сместиться (рис. 3).
   
   f(x )
      t      /|\  f      (x )               f(x )
   f      (x )|    stress  t  .                t  . .
    stress  t |             . | .              .   |   .
              |           .      .           .           .
              |         .     |   .        .       |       .
              |        .           .     .                   .
              |       .       |     .  .           |           .
              |      .               .                           .
              |     .         |     .              |              .
              |                    .                               .  
    ——————————+———————————————+————————————————————+————————————————>
                             мю'                  мю
                               x                    x
   
       x   —  значение  процентной  ставки; f(x ) — функция плотности
        t                                      t
   распределения  значений  процентной  ставки; f      (x ) — функция
                                                 stress  t
   плотности   распределения   значений   процентной  ставки  x   при
                                                               t
   "стрессовом"  событии;  мю   —  математическое  ожидание  значения
                             x
   процентной   ставки;   мю'  —  математическое  ожидание   значения
                            x
   процентной ставки при "стрессовом" событии.
   
   Рис. 3
   
       Соответственно,  доходность   (реализованная)   портфеля   при
                                                   /\       /\
   стресс—тесте    может   быть   записана   как   y    = B(x       )
                                                    t+1      fstress
    /\
   (x         —  это  значения  фактора  риска   из  f      (x )),  а
     fstress                                          stress  t
   распределение доходностей как g      (y   ).
                                  stress  t+1
   Например, пусть распределение доходностей гипотетического портфеля при "стрессовом" событии сместится следующим образом (рис. 4).
   
                        g(y   ), g      (y   )
                           t+1    stress  t+1
        g      (y   )            /|\            g(y   )
         stress  t+1 . .          |            . . t+1
                  .   |   .       |         .   |   .
               .             .    |       .           .
             .        |        .  |     .       |       .
           .                     .|   .                   .
         .            |           |..           |           .
        .                         |..                         .
       .              |          .|   .         |              .
                                . |                             .  
   ———————————————————+————————.——+—————————————+————————————————.——>
                     мю'          |            мю                   y
                       y                         y                   t+1
   
       y    — значение доходности гипотетического портфеля; g(y   ) —
        t+1                                                    t+1
   функция     плотности     распределения     значений    доходности
   гипотетического  портфеля;  мю  — математическое ожидание значения
                                 y
   доходности   гипотетического  портфеля;  g      (y   )  —  функция
                                             stress  t+1
   плотности   распределения   значений   доходности  гипотетического
   портфеля  при "стрессовом" событии;  мю' — математическое ожидание
                                          y
   значения  доходности  гипотетического  портфеля  при  "стрессовом"
   событии.
   
   Рис. 4
   
       На   основе  всего  изложенного  выше  автор  дает  формальное
   определение  стресс—тестированию: стресс—тестирование представляет
   собой  "распределение g      (y   ), генерируемое модифицированным
                          stress  t+1
   факторным  распределением  f      (*)". То есть цель осуществления
                               stress
   стресс—теста   заключается   в  получении  нового  ("стрессового")
   распределения    значений   факторов   риска,   на   основе   чего
   "генерируется"  новое   распределение   доходностей   портфеля  и,
   соответственно, оцениваются  возможные потери компании (банка) при
   стрессовой   ситуации   (для   оценки  потерь  при  стрессе  можно
   воспользоваться VAR (value at risk) <1>).  
   ————————————————————————————————
   

<1> То есть это потери, не больше которых может понести банк с заданной вероятностью на определенном временном горизонте. При этом предполагается, что микро- и макроэкономические условия не меняются.

Стоит отметить, что в определении предполагается, что "модель оценки" при стресс-тестировании не меняется.

При этом важно подчеркнуть, что не рассматривается, например, вероятность того, что может произойти экстремальное событие. Тем не менее изменения значений факторов риска при неожиданных ситуациях уже получают свои вероятности.

Виды стресс-тестов

Существует довольно много различных видов стресс-тестов. На рисунке 5 представлены группы стресс-тестов, которые выделяются в [2].

     
   —————————————————————————————————————————————¬
   |                Стресс—тесты                |
   L——————T——————————————————————————————T———————
   

-------+------¬ ----------------------+------------------¬ ¦Однофакторные¦ ¦ Многофакторные ¦ L-------------- L------T--------------------------T----- ———— -------+-----¬ -------------------+-------------------¬ ¦Исторические¦ ¦ Гипотетические ¦ L------------- L-----T--------------------------T---- ———— ---------------------+--¬ ----------------------+------------------¬ ¦ Несистематические ¦ ¦ Систематические ¦ L----T------------T------ L------T------------T-------------T----- ———— -----+----¬-------+-----¬ -------+-----T------+------T------+------¬ ¦ ¦¦ ¦ ¦ ¦ ¦ "Теория ¦ ¦Наихудши妦Субъективные¦ ¦"Корреляция"¦"Монте-Карло"¦экстремальных¦ ¦ ¦¦ ¦ ¦ ¦ ¦ значений" ¦ L----------L------------- L------------+-------------+------------ ———— Рис. 5 Однофакторные стресс-тесты (анализ чувствительности) При проведении однофакторных тестов рассматривается влияние изменения одного из факторов риска на стоимость портфеля. Нередко такие тесты используются трейдерами, которые хотят понять, какое влияние на их позиции может оказать существенное изменение определенного фактора риска (например, изменение курса валют). Но проблема заключается в том, что при стрессовых ситуациях изменяются и остальные факторы риска, поэтому если рассматривать изменение только одного из них, то результаты могут получиться некорректными. Такие виды стресс-тестов рассмотрены, например, в [15]. Авторы попытались проанализировать, как повлияет на величину банковских потерь по кредитам домохозяйствам падение цен на недвижимость на 25%, а также какой эффект будет иметь увеличение темпов роста заработной платы на 2%. Стоит заметить, что изменения факторов риска происходили по отношению к их прогнозным значениям на 2002 г. Для проведения такого анализа авторы построили простую эконометрическую модель, где в качестве зависимой переменной выступили банковские потери по кредитам домохозяйствам (в процентах от общей кредитной задолженности домохозяйств). В качестве же объясняющих переменных выступили кредитная задолженность домохозяйства (как процент от среднего номинального дохода), реальное богатство домохозяйства, банковская ставка по кредитам, уровень безработицы и dummy-переменная для 1997 г. Далее на основе полученной модели авторы рассмотрели, как изменятся потери банков при соответствующих сценариях. Многофакторные стресс-тесты (анализ сценариев) В данном случае рассматривается изменение сразу нескольких факторов риска. Многофакторные стресс-тесты бывают различного типа. Наиболее распространенные из них основываются на исторических сценариях. Такие сценарии подразумевают рассмотрение изменений факторов риска, которые уже происходили в прошлом. Основным недостатком этого метода является то, что не учитываются характеристики рынка и институциональных структур, которые меняются со временем. В качестве примеров экстремальных движений рынка, рассмотренных в [33], приводились следующие события: - крах фондового рынка в 1987 г. (индекс Dow Jones упал на 23%, индекс S&P 500 - на 20%, вследствие "эффекта заражения" упали индексы Nikkei, FTSE 100, Hang Seng); - падение рынка высокодоходных бумаг в 1990 г. (Nikkei упал на 48%, японский индекс недвижимости - на 56% и т.д.); - кризис европейских валют в 1992 г. (система обменных курсов, установленная между 12 европейскими странами, прекратила свое существование, многие валюты были обесценены); - увеличение процентной ставки в США в 1994 г.; - азиатский кризис 1997 г.; - кризис в России 1998 г.; - кризис LTCM 1998 г.; - бразильский кризис 1999 г. Многофакторные стресс-тесты могут основываться на гипотетических сценариях. Они используются, если исторический сценарий не отвечает характеристикам рассматриваемого портфеля или не учитывает какие-то факторы риска. Преимущество этого вида стресс-теста заключается в более гибкой формулировке возможных событий. Такие сценарии могут применяться для определения возможных событий, по отношению к которым рассматриваемый портфель наиболее уязвим (например, существует такой феномен, как flight to quality, когда при стрессовых ситуациях резко возрастает спрос на высоконадежные ценные бумаги, тогда как на остальные ценные бумаги спрос резко падает). Тем не менее зачастую очень трудно определить вероятности событий, которые никогда до этого не происходили. Гипотетические сценарии, в свою очередь, могут быть различных типов. Например, многие финансовые организации используют так называемые наихудшие сценарии. Суть такого стресс-теста заключается в том, что все рассматриваемые факторы риска принимают свои наихудшие значения (за определенный исторический период времени). Далее на основе этих значений происходит переоценка портфеля. Несмотря на простоту и привлекательность такого подхода, в нем не учитывается корреляция между факторами риска, вследствие чего результаты могут получиться некорректными. Например, Базельский комитет по банковскому надзору не рекомендует банкам проводить такое стресс-тестирование. Помимо наихудших сценариев существуют субъективные сценарии. В данном случае масштаб изменения факторов риска зависит от мнения экспертов (трейдеров, топ-менеджеров и т.д.). Одним из самых сложных вопросов при проведении стресс-тестирования является определение того, как должны измениться одни факторы риска при определенном изменении других. Существуют различные взгляды на то, как должны меняться корреляции между факторами риска. Например, в [26] считается, что при экстремальных событиях корреляции между факторами остаются такими же, как и при нормальных условиях. То есть корректна ситуация, когда несколько факторов риска подвергаются стресс-тестированию, остальные же факторы изменяются в соответствии с историческими значениями волатильностей и корреляций (при нормальных условиях). Существует и иная точка зрения. Например, в [29] авторы полагают, что при кризисах корреляции меняются, поэтому использование их исторических значений некорректно. В [25] считается, что подход, предложенный в [26], не совсем правильный. Предлагается другой метод, который заключается в оценке корреляций в период высоких колебаний и использовании этих корреляций при стресс-тестировании. Остановимся на работе [25] подробнее. Авторы рассматривают один "основной" (т.е. тот, который подвергается стресс-тестированию) и один "дополнительный" фактор риска (который меняется вслед за "основным" фактором). При этом строится совместное распределение, состоящее из двухмерных нормальных распределений: для "спокойных" дней рассматривается нормальное распределение доходностей с низким уровнем волатильности и определенным уровнем корреляций между "основным" и "дополнительным" факторами, тогда как для редких "неспокойных" дней используется нормальное распределение с высоким уровнем волатильности и своим уровнем корреляций. За основу берутся исторические данные, после чего определяются условные вероятности того, что доходность "получена" из "спокойного" или "неспокойного" распределения. Авторы предполагают, что факторы риска ("основной" и "дополнительный") следуют совместному многомерному нормальному распределению: - ¦ / \ ¦ ¦ - ¬¦ ¦ ¦- ¬ ¦ 2 ¦¦ ¦ ¦¦мю ¦ ¦ сигма сигма ро сигма ¦¦ ¦ MNV¦¦ x1¦, ¦ x1 x1 1 y1¦¦ ¦ ¦¦мю ¦ ¦ 2 ¦¦ ¦ ¦¦ y1¦ ¦сигма ро сигма сигма ¦¦ ¦ ¦L - ¦ x1 1 y1 y1 ¦¦ ¦ ¦ L -¦ ¦ \ / ¦ с вероятностью (1 - омега) (спокойный день), (x, y) ~ < ¦ / \ ¦ ¦ - ¬¦ ¦ ¦- ¬ ¦ 2 ¦¦ ¦ ¦¦мю ¦ ¦ сигма сигма ро сигма ¦¦ ¦ MNV¦¦ x2¦, ¦ x2 x2 2 y2¦¦ ¦ ¦¦мю ¦ ¦ 2 ¦¦ ¦ ¦¦ y2¦ ¦сигма ро сигма сигма ¦¦ ¦ ¦L - ¦ x2 2 y2 y2 ¦¦ ¦ ¦ L -¦ ¦ \ / ¦ с вероятностью омега (неспокойный день), L где x - основной фактор; y - дополнительный фактор; MNV - многомерное нормальное распределение; мю - математическое ожидание; сигма - стандартное отклонение, при этом сигма > сигма x2 x1. Сначала авторы оценивают частное распределение для "основного" фактора: - ¦UNV(мю , сигма ) с вероятностью (1 - омега) x ~ < x1 x1 (спокойный день), ¦UNV(мю , сигма ) с вероятностью омега L x2 x2 (неспокойный день), где UNV - одномерное нормальное распределение. Далее на основе частного распределения "основного" фактора авторы рассчитывают условные математические ожидания и дисперсии распределений, а также корреляцию между факторами, принимая во внимание (взвешивая на) вероятности того, что наблюдается "неспокойный" день. Сначала необходимо получить условную вероятность того, что рассматриваемый день является "неспокойным". Для этого, в свою очередь, можно воспользоваться простым правилом Байеса <1>, а именно: альфа(x) = 2 омега x фи(x ¦мю сигма ) t x2 x2 = ----------------------------------------------------------- ———— 2 2

(1 - омега) x фи(x ¦мю сигма ) + омега x фи(x ¦мю сигма )

t x1 x2 t x2 x2

для t = 1... N,

где омега - безусловная вероятность "неспокойного" дня;

2

фи(*/мю, сигма ) - нормальная функция плотности распределения

2

вероятности (с математическим ожиданием мю и дисперсией сигма ).

     
   ————————————————————————————————
   

2

<1> Где фи(*/мю, сигма ) записывается как фи(x) =

1 - 2 2¬

= -----------exp¦-(x - мю) / 2сигма ¦.

     
          ————     L                    —
   сигма\/2пи
   
       Условная  же  вероятность того, что день является "спокойным",
   равна (1 — альфа(x )).
                     t
   Для расчета условного математического ожидания для "дополнительного" фактора в "неспокойные" дни авторы используют следующую формулу:
   
               N
              SUM альфа(x )y
              t=1        t  t
       мю   = ———————————————,
         y2     N
               SUM альфа(x )
               t=1        t
   
       тогда   как   для  расчета  условной  корреляции  (ро )  между
                                                            2
   "основным"  и  "дополнительным"  факторами  для "неспокойных" дней
   применяется выражение:
   
             SUM альфа(x )(x  — мю  )(y  — мю  )
                        t   t     x2   t     y2
       ро  = ———————————————————————————————————.
         2                       N
                 сигма  сигма   SUM альфа(x )
                      x2     y2 t=1        t
   
   Чтобы продемонстрировать, как работает данная модель, авторы рассматривают в качестве основного актива индекс USD S&P 500, за исторический период принимается промежуток времени с 23 августа 1996 г. по 13 июля 1999 г.
   Интересно отметить, что волатильность "неспокойного" распределения "основного" фактора более чем в два раза превышает волатильность "спокойного" распределения, что свидетельствует о том, что существует небольшое количество выбросов, которые и составляют толстые хвосты, если рассматривать общее распределение.
   Дополнительными факторами выступают различные параметры: обменные курсы, цены государственных ценных бумаг, индексы акций и цены на товары.
   Для примера авторы полагают, что изменение USD S&P 500 равно —3,4% (что соответствует безусловному дневному стандартному отклонению). При этом дополнительные факторы меняются в соответствии с различными методами. То есть либо нет изменений вообще, либо они меняются так, как они изменились в прошлом при падении USD S&P 500 на 3,4% (причем за анализируемый период такое падение происходило четыре раза), либо рассматривается зависимость дополнительного фактора от основного при различных параметрах. Авторы полагают, что условное ожидаемое значение "дополнительного" фактора может быть выражено следующим образом <1>:
   
                         /росигма \        /росигма \
        —     ¬         |        y |      |        y |
       E|y |x | = мю  — |——————————|мю  + |——————————|x ,
        L t  t—     y   |  сигма   |  x   |  сигма   | t
                         \      x /        \      x /
   
   где мю и сигма — характеристики распределения (математическое ожидание и дисперсия);
   ро — коэффициент корреляции.  
   ————————————————————————————————
   

<1> Авторы основываются на линейной связи между "основным" и "дополнительным" факторами, которая выражается как y - мю /x - мю \ ---- ———— t y ¦ t x ¦ / 2

     
   ———————— = ро|——————————| + \/1 — ро эпсилон ,    где   эпсилон  —
    сигма       |  сигма   |                   t                  t
         y       \      x /
   случайная    ошибка   с   нулевым   математическим   ожиданием   и
   дисперсией, равной единице.
   
   В качестве параметров мю, сигма и ро можно использовать их безусловные значения (т.е., например, корреляции, характерные для нормальных условий) или же условные величины (формулы для них были приведены выше).
   В результате авторы получили, что если дополнительные факторы не менять, то оценки ожидаемых потерь получаются существенно заниженными. Оценки просто на основе исторических зависимостей не имеют смысла, так как авторы рассмотрели четыре исторических варианта, и при этом разброс потерь оказался достаточно большим. При использовании условных корреляций потери получились больше, чем при использовании безусловных параметров распределения. Авторы полагают, что применение именно условных корреляций и других параметров распределения является наиболее оптимальным и лучше отражает реальность.
   Таким образом, видно, что можно делать различные предпосылки о том, как могут меняться одни факторы риска в зависимости от изменения других. Безусловно, при стрессовых ситуациях не всегда сохраняется прежняя взаимосвязь факторов риска. Поэтому важно учитывать и предыдущий опыт, а также характеристики самого портфеля и факторов риска.
   Существуют также сценарии, которые основываются на методе Монте—Карло. Основными преимуществами этого метода являются, во—первых, возможность использования любых распределений, а во—вторых, возможность моделирования сложного поведения рынков (например, меняющихся корреляций между факторами риска).
   Но у этого метода есть и недостатки, а именно: сложность реализации, необходимость мощных вычислительных ресурсов. Возможно, поэтому на сегодняшний день не очень много банков (в России) применяют такой подход, хотя результаты, полученные с его помощью, могут быть весьма полезными при анализе способности банка противостоять неблагоприятным условиям.
   Наконец, можно выделить систематические сценарии, которые опираются на так называемую теорию экстремальных значений. Например, такой подход представлен в [28]. В данном случае автор рассматривает распределение экстремальных значений факторов риска за определенный период времени (исторический). Далее на основе этого распределения рассчитывается величина VAR (value at risk). Стоит отметить, что когда анализируется просто нормальное распределение, то зачастую вероятности стрессовых ситуаций недооцениваются. Если же построить распределение непосредственно экстремальных значений, можно избежать такой проблемы.
   
   Агрегированное стресс—тестирование
   
   Агрегированное стресс—тестирование — это оценка чувствительности группы организаций к определенным стрессовым ситуациям. Целью такого анализа является определение структурных уязвимостей и общей подверженности риску в финансовой системе.
   Рассмотрим проблемы, возникающие при осуществлении такого стресс—тестирования. Первая проблема: как проводить агрегирование? Если суммировать все открытые лимиты на рынке межбанковских кредитов, то в чистом выражении результаты могут получиться гораздо более оптимистичными (например, из виду может быть упущен систематический риск), нежели если рассматривать общую величину лимитов. Помимо этого, довольно трудно определить, какие финансовые институты стоит включить в рассмотрение (например, если включить только крупных игроков, то это может исказить реальное положение дел). Другая проблема заключается в том, как учитывать иностранный капитал.
   Существуют два метода агрегированного стресс—тестирования: "снизу вверх" и "сверху вниз".
   Подход "снизувверх" означает, что каждый банк самостоятельно оценивает свои потенциальные убытки при том или ином стрессовом событии, а потом передает полученные результаты в центральный банк для агрегирования.
   При подходе "сверхувниз" регулятивный орган сам осуществляет стресс—тестирование на основе агрегированных данных. В данном случае можно избежать проблемы сопоставимости методологий и полученных результатов среди различных банков, однако при этом можно упустить из виду корреляции и взаимозависимости между финансовыми институтами.
   В [13] выделяются три типа агрегированного стресс—тестирования:
   — анализ чувствительности (в данном случае часто используются простые регрессионные модели на основе временных рядов и панельных данных);
   — сценарный анализ;
   — анализ "эффекта заражения" (т.е. анализ переноса шоков от отдельного финансового института на всю финансовую систему).
   
   (Продолжение следует)
   
   И.К.Андриевская
   Государственный университет —
   Высшая школа экономики
   Подписано в печать
   11.09.2007
   
   
   ——