企业依赖历史数据

风险管理模型通常是用过去的情况来预测某种风险在未来发生的概率。假如2006年时你是一家银行的风险经理，你认为房地产价格在来年可能会出现暴跌，并将这种担忧告诉了你的上司。然而，银行的高管们必须知道这种暴跌出现的可能性有多大，一旦出现会给银行带来多少损失，并以此来确定银行对房地产市场的风险暴露(risk exposure)水平。

接着，你的工作可能就是检验房地产价格的历史波动数据，计算年平均波动率以及标准差。在这个过程中，你实际上假定了过去的情况能够很好地模拟未来的趋势。在检验过历史数据之后，你发现价格的变动似乎是随机的，就好像抛硬币的正反面一样，价格上涨和下跌同样的幅度具有同样的概率，而且价格波动通常是小幅度的，出现大幅波动的概率比较低。在直角坐标中，用横轴表示价格变化，用纵轴表示出现概率，那么房地产价格变化的概率分布应该是以平均波动率为中轴呈“钟形”。

这个模型看起来似乎很严密，但在现实中，它很可能会出错。如果未来房地产价格的波动率高于过去的数字(现实市场确实如此)，那么模型就大大低估了价格暴跌的可能性，因为现实的波动概率分布要比你的模型描述的“钟形”扁平得多。另外，“钟形”分布本身很可能就是错的，如果价格变化不服从正态分布，那么波动率的概率分布曲线就会变得不规则——就像抛出一枚表面被弯曲的硬币，落地时出现正反面的可能性就不再相等了。

当你开始计算房地产价格下跌对银行的影响时，问题就更严重了。如果大量次级贷款无法按时偿还，房地产市场出现危机，那么，可能根本就没有恰当的历史数据能够模拟这种情况。如果银行还持有CDOs(债务抵押债券)这类衍生证券，那么要预测房地产价格变化对银行的影响就更难了。

即使你真的能计算出房地产价格下跌对银行资产负债表的影响，但若考虑到其他非直接关联因素，你的预测结论依然不堪一击。金融机构通常会持有多种资产，其他种类资产的价格很可能与房地产价格相关，若要正确估计银行对某种风险的暴露情况，你就必须正确计算出各种资产之间的价格相关度。在用历史数据来估算该相关度时，你又要面对上述的所有问题。

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/122075/viewspace-605805/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/122075/viewspace-605805/