Вероятностные модели и рыночные риск-метрики: что именно измеряет показатель
Чем отличаются сценарий, VaR, ожидаемый дефицит, чувствительность и Cash Flow at Risk; какие предпосылки лежат в исторических и параметрических моделях и почему результат не является прогнозом.
5 мин чтения·База знаний
Ревизия 2Применимость к указанным контекстамЧастичное покрытиеКонтекст: CTX-S4-ONPREMдокументальная опора: недостаточно данных
Справочный материал. Контракты данных, архитектурные решения и ограничения применения. Источники приведены в материалах, где используются внешние основания.
Вероятностная оценка не превращает прошлые наблюдения в знание будущего. Она строит условное описание результатов при выбранных данных, временном горизонте, составе портфеля, модели переоценки и предположениях о распределении. Если меняются эти условия, меняется и смысл числа.
Сценарий задаёт конкретное движение одного или нескольких факторов и показывает условный результат. Он не сообщает, насколько вероятно такое движение. Вероятностная модель задаёт правило построения набора исходов и, явно или неявно, веса этих исходов. Прогноз требует отдельного утверждения о будущем и не следует автоматически из исторической выборки или модельной симуляции.
Исторические данные требуют проверки временного окна, частоты, пропусков, выбросов, методики очистки, синхронизации факторов и соответствия исторических позиций текущему портфелю. Симуляция добавляет допущения модели и генератора. Большой набор наблюдений не устраняет смещение выборки, структурный сдвиг или ошибку переоценки.
Чувствительность показывает локальное изменение выбранной оценки при заданном сдвиге фактора. Она удобна для разложения на факторы при ограниченном изменении, но обычно не описывает весь диапазон исходов.
Value at Risk (VaR) задаёт квантиль распределения убытка для названных горизонта, доверительного уровня, набора факторов и модели. VaR не сообщает средний или максимальный убыток за порогом этого квантиля.
Ожидаемый дефицит / Expected Shortfall (ES) обобщает тяжесть убытков в хвосте за выбранным порогом согласно установленной конвенции. Результат зависит от определения хвоста, уровня, данных и модели; термин и расчёт в продукте надо сверять с документацией и настройками.
Stress loss показывает результат заданного неблагоприятного набора условий. Без отдельно обоснованного распределения стрессу нельзя приписывать частоту или вероятность.
Cash Flow at Risk относится к денежному потоку на заданном горизонте и не заменяет рыночную NPV-метрику, лимит контрагента или проверку наличия денег к сроку платежа.
Ни одна метрика не является универсальным рейтингом риска. Перед сравнением зафиксируйте единицы, знак убытка, дату оценки, валюту, горизонт, доверительный уровень, входные позиции, факторы и способ переоценки.
Историческая симуляция переносит наблюдавшиеся изменения факторов на текущие позиции. Её результат зависит от окна наблюдений и полноты данных; поведение за пределами выбранной истории не видно. Одновременные исторические движения могут сохранять совместное поведение факторов в этой выборке, но не гарантируют будущие корреляции.
Параметрический подход упрощает распределение, например оценивая волатильность и связи факторов. Его простота может быть полезной, но ошибочная форма распределения или параметры систематически искажают хвост. Если прибыль и убыток принимаются нормально распределёнными, тяжёлый хвост может быть недооценён.
Монте-Карло создаёт сценарии по заданной модели и параметрам. Тысячи повторов уменьшают случайный шум моделирования, но не исправляют неверные предположения, слабые данные, неполный набор факторов или некорректную оценку инструмента. Число симуляций не является доказательством точности модели.
Для инструментов с опционами или нелинейной выплатой локальная delta-оценка может пропускать выпуклость; delta-gamma учитывает дополнительный член приближения, а полная переоценка пересчитывает позицию при каждом сценарии. Для денежных и фиксированных потоков ключевы график потоков, ставки переоценки и горизонт. Для валютных позиций важно выбрать измеряемую валюту и направление потока. Для контрагентского риска нужны свои границы экспозиции, будущий горизонт, неттинг и обеспечение; обычная рыночная VaR не заменяет эти правила.
В исторической симуляции SAP строит сценарии из наблюдавшихся ежедневных изменений рыночных факторов. Все изменения одного дня применяются совместно, поэтому в выбранной истории сохраняются совместные движения факторов. Для оценки описаны полная переоценка позиций, delta и delta-gamma методы, а также комбинация методов по правилам оценки.
Structured Monte Carlo использует генератор случайных чисел для построения сценариев. Описанное распределение изменений факторов имеет нулевое математическое ожидание и положительную дисперсию; параметры структурированного варианта могут оцениваться по историческим значениям. Модельное предположение о нормальном распределении не становится проверенным описанием хвостов реального рынка.
SAP определяет Mean Excess Loss (MEL) как средний убыток в сценариях, где превышен порог VaR, с учётом самой величины VaR. В документации MEL также называется expected shortfall, tail VaR или conditional VaR; для конкретного отчёта нужно проверять именно выбранный метод. Страница описывает поддержку MEL для исторической и Monte Carlo симуляции и указывает, что MEL недоступен для variance-covariance подхода.
Обзор NPV Analysis перечисляет NPV, чувствительность, VaR, MEL и Cash Flow at Risk. Этот перечень описывает категории показателей в On-Premise Help, но сам по себе не подтверждает наличие процедуры или приложений в конкретной системе.
Четыре процитированные страницы SAP Help прочитаны и сохранены во внутренних снимках; точный выпуск в их текстах не отображается. Поэтому утверждения здесь не приписываются отдельно 2025 FPS01 или FPS02. В проекте рыночные ряды, портфель, SAP-система и расчёт не проверялись. Текст объясняет различия и контрольные вопросы, а не воспроизводит продуктовый результат. См. также обзор сценариев и стресс-тестов, а также статьи о процентной чувствительности и риске ликвидности.
A probabilistic estimate does not turn past observations into knowledge of the future. It describes conditional outcomes under selected data, horizon, portfolio, valuation model, and distribution assumptions. Change those conditions and the meaning of the number changes.
A scenario specifies movements in one or more factors and shows a conditional result. It does not say how likely those movements are. A probabilistic model defines how outcomes are generated and, explicitly or implicitly, how they are weighted. A forecast makes a separate statement about the future; it does not follow automatically from historical observations or simulation.
Historical data requires checks for window, frequency, missing values, outliers, cleaning, synchronization of factors, and relevance of historical positions to the current portfolio. A simulation adds model and generator assumptions. A large sample does not remove sampling bias, structural change, or valuation error.
Sensitivity shows a local change in a selected valuation when a factor moves by a stated amount. It helps decompose exposure for a limited movement but usually does not describe the full outcome range.
Value at Risk (VaR) is a loss-distribution quantile for a named horizon, confidence level, factor set, and model. VaR does not report the average or maximum loss beyond the quantile.
Expected Shortfall (ES) summarizes loss severity in the tail beyond a selected threshold under a stated convention. Its result depends on tail definition, level, data, and model; verify product terminology and calculation settings.
Stress loss shows the result of a specified adverse set of assumptions. Without a separately justified distribution, a stress cannot be assigned a frequency or probability.
Cash Flow at Risk concerns cash flows over a selected horizon. It does not replace market-value risk, counterparty limits, or a check that funds are available when payments fall due.
No measure is a universal risk ranking. Before comparing values, state unit, loss sign, valuation date, currency, horizon, confidence level, included positions, factors, and valuation method.
Historical simulation applies observed factor changes to current positions. Its result depends on the observation window and data completeness; behavior outside that history is invisible. Simultaneous historical moves preserve joint behavior in the sample, but do not guarantee future correlations.
A parametric approach simplifies a distribution, for example by estimating factor volatility and relationships. Its simplicity can help, but a wrong distribution or parameter estimate can distort the tail. If gains and losses are assumed normal, a heavy tail may be understated.
Monte Carlo generates scenarios from a specified model and parameters. More iterations reduce random simulation noise but do not correct wrong assumptions, weak data, omitted factors, or a flawed instrument valuation. The number of simulations is not evidence that the model is accurate.
For options or nonlinear payoffs, local delta valuation may omit convexity; delta-gamma adds a second-order approximation, while full valuation recalculates a position for every scenario. For cash and fixed flows, the cash-flow schedule, valuation rates, and horizon matter. For FX positions, specify the measured currency and flow direction. Counterparty risk needs its own exposure boundary, future horizon, netting, and collateral rules; ordinary market VaR does not replace them.
What SAP Treasury and Risk Management documentation describes#
In historical simulation, SAP builds scenarios from observed daily market-factor changes. All changes from one day are applied together, preserving their joint movement in the selected history. The documentation describes full position revaluation, delta and delta-gamma methods, and method combinations selected by evaluation rules.
Structured Monte Carlo uses a random-number generator to create scenarios. The described distribution of factor changes has zero expected value and positive variance; parameters for the structured variant can be estimated from historical values. A normal-distribution model assumption does not become a verified description of real-market tails.
SAP defines Mean Excess Loss (MEL) as the mean loss in scenarios exceeding the VaR confidence threshold, taking the VaR amount into account. The documentation also calls MEL expected shortfall, tail VaR, or conditional VaR; a specific report must be interpreted using its selected method. The page describes MEL support for historical and Monte Carlo simulation, and says it is unavailable for the variance-covariance approach.
The NPV Analysis overview lists NPV, sensitivity, VaR, MEL, and Cash Flow at Risk. This describes metric categories in the On-Premise Help; it does not by itself confirm a procedure or app is present in a specific system.
Four cited SAP Help pages were read and retained as private snapshots; their captured text does not show an exact release. These statements are therefore not individually attributed to 2025 FPS01 or FPS02. This project did not check market series, a portfolio, an SAP system, or a calculation. The article explains distinctions and control questions rather than reproducing a product result. See scenarios and stress tests, interest-rate sensitivity, and liquidity risk.