模型的局限性:为什么简化情景才是明智之举

文摘   2024-09-02 07:30   美国  

本文编译自GARP风险智库 Risk  Weighted主题博客The Limitations of Models and the Need for Simpler Scenarios一文。作者 Tony Hughes是一位专业的风险建模专家。他在北美、欧洲和澳大利亚拥有超过20年的高级风险管理专业人士的实务经验,专注于模型风险管理、模型构建/验证和量化气候风险解决方案。他经常在UnpackingClimateRisk.com上撰写有关气候相关风险管理问题的文章。


如今的风险模型被要求实现统计上的奇迹,涵盖众多无法验证的远景情景。然而,这种方法根本不现实。对于希望提高预测准确性的模型设计者来说,专注于少量更基本的、与近期事件密切相关的情景,可能更为有效

当前,银行面临的潜在威胁种类繁多,因此情景设计变得越来越复杂。但这样的复杂性真的是一个好的趋势吗?

当我们仔细审视情景分析和模型的发展过程,并考虑到当前建模和验证中的缺陷时,有充分的理由认为我们实际上应该简化这些情景

在压力测试的早期阶段,这些情景主要是再现2008/09年全球金融危机的情景。行业内几乎所有人都对这些事件非常熟悉,风险模型也基于近期数据进行校准。这些需求非常明确,用户也对预测结果的准确性充满信心。

然而,随着风险管理变得更加推测性,所需情景的范围也变得更广泛。如今,风险模型设计者必须开发独特的情景,并模拟可能威胁流动性的假设情景。此外,还需要考虑短期和长期的气候情景的影响。

总之,情景设计者现在可能会被要求模拟几乎任何情况。但模型是有其局限性

模型的局限性

学术界有句格言,叫做:“一个想法,一篇论文。”  在统计学中,这种建议非常宝贵,因为它意味着可以集中数据收集和建模工作,针对一个特定任务开发一个模型,或少数几个相似的模型。虽然仍然需要包含适当的控制变量,但这些通常在文献中已明确定义并且容易获取。开发的模型将是简洁的,因此符合核心统计原则

相比之下,如今在业界开发的模型必须涵盖一系列不同的情景——多个想法,一个模型。管理者不希望为每个要素单独制定规范,因为这样做会带来一长串需要完成的任务。因此,最终得到的是复杂的模型,这些模型被要求完成多项统计上的“奇迹”。

这是很危险的,因为技术知识较少的业务管理者往往会毫不怀疑地相信摆在他们桌上的每一组预测。而实际上,即使是最好的模型也会受到数据中固有的统计不确定性以及始终存在的模型风险的影响。更糟糕的是,由专家判断带来的不确定性无法被量化。

情景预测中的不确定性很少被公开承认——但它总是存在的。随着对某个模型的要求增加,模型风险不可避免地会上升。

验证方面的挑战

我多次提到,我们在正确验证或否定情景方面所面临的困难。简而言之,由风险模型设计者创建的情景很难在现实中完全重现,因此我们无法在预测时或事后判断这些情景的准确性。

随着情景描述变得越来越复杂,这个问题就变得更加严重。我们在假设事件中叠加的要素越多,类似情况发生的可能性就越小。事实上,复杂的情景往往与我们实际经历的情况越来越脱节

举例来说,全球金融危机(GFC)。在GFC之后,早期的压力测试考虑了近期事件的再现,因此在灾难发生后产生的预测是相对简单且可靠的。但如果当时雷曼兄弟没有得到破产救助,问题资产救助计划未能实施,奥巴马总统也选择不拯救通用汽车免于破产。

那么在这些假设条件下,你对全球金融危机后的压力测试预测是否仍然可靠?

简化情景的案例

坚持采用与最近事件紧密相关的情景显然不太令人满意,尽管这样做能给我们最好的机会生成准确的压力预测。

我们需要通过统计数据来了解尚未发生的事情。应该有办法提出一系列事件,将对模型的要求降到最低,同时还能解决我们想要回答的问题。

例如,考虑以下情景

  1. 美联储在年底前降息。

  2. 美联储不降息。

这些显然与当前的关注点密切相关,并且在概念上非常简单明了。它们也是完备且互斥的。

通过使用尽可能少的条件来指定情景,我们更接近于损失预测的实务,这种方法在整个行业中已被广泛采用,并且具有成熟的模型验证和评估标准。

假设你有一个负责预测信用损失的建模团队。如果团队预测第三季度的组合信用损失为1200万美元,挑战者模型预测为1450万美元,而实际损失为1400万美元,那么挑战者显然胜出。如果类似的结果经常发生,那么越来越明显的是,挑战者模型在此任务中表现更为优越。

由于所提出的简单情景是完备的,因此我们的一些预测将在今年剩余时间内保持与业务相关,并且可以实时评估其准确性。如果反复使用相同的一组简单情景,可以建立一条历史性记录,显示模型和/或分析师是否做得很好。

当然,如果我们只考虑美联储是否降息这样的条件,在任何给定时期内只有一半的情景是相关的。尽管如此,这仍然比持有一堆质量可疑或不确定的情景要好。由于我们能够验证其中一些预测,我们将能够识别出有效的方法,然后改进这些方法供将来使用。而复杂情景下,这是不可能做到的。

对于行业内常见的其他问题,甚至是更极端的情景,也可以采取同样的简化方法。例如,在气候领域,可以根据《巴黎协定》目标的实现与否来区分不同的情景。同时,抵押贷款建模人员可以模拟信贷损失的分布情况——例如,假设未来两年房价下跌,然后将其与假设房价上涨的分布情况进行比较。

你甚至可以结合不同的条件,但建议不要过度。例如,你可以将简单的降息情景与房价情景相结合,然后预测预期损失。这将给你四种可能的状况——其中之一将真正与实际情况相关。

进一步的想法

所建议的方法显然与敏感性分析非常相似,但这是有意为之的。作为一名统计学家,我的直觉告诉我,应该从一种久经考验的方法入手,然后采取循序渐进的方法将其应用于新的应用领域

情景分析的初衷是简单的,但随后对这一技术的期望过高了。人们认为他们可以可靠地预测任何事情,但这是一个统计上的幻想。

我们需要回归使用可以正确验证的简单技术。我们应该保持谦逊,了解数据的局限性,并尝试逐步提升对银行系统中存在的脆弱性的理解。

追求分析上的极致听起来很美好,但遗憾的是,这并不现实。

行动起来,获得FRM®认证,向顶级雇主展示你的金融风险管理技能。

11FRM®考试标准价注册现已开放点击阅读原文登录GARP官网即可报名。

GARP
关注全球风险管理专业人士协会(GARP)中国官方公众号,了解相关考试和金融风险行业最新动态。
 最新文章