ОБЩЕЕ УСТРОЙСТВО ПОДХОДОВ К ХЕДЖИРОВАНИЮ РЫНОЧНОГО РИСКА

COMMON CONSTITUTION OF APPROACHES TO HEDGING MARKET RISK

Denis Zhilkin

postgraduate, National Research Tomsk State University

Russia, Tomsk

Ключевые слова: Хеджирование; рыночный риск; подходы к хеджированию.

Keywords: hedging; market risk; hedging approaches.

В современных финансово-экономических условиях вопрос о способе хеджирования рыночного риска, позволяющем достичь оптимального баланса выгод и затрат, сохраняет свою актуальность. В данном случае рассматривается хеджирование с помощью производных финансовых инструментов (далее – ПФИ), которое представляет собой рыночную позицию в ПФИ, позволяющую смягчить неблагоприятный эффект, исходящий от изменений рыночных цен и влияющий на основной подверженный риску актив [7]. На сегодняшний день исследователями разработаны различные подходы к хеджированию рыночного риска.

В целом из анализа экономической литературы можно выделить несколько основополагающих логических блоков, из которых состоит тот или иной подход к хеджированию рыночного риска (рисунок 1). Работа на каждом блоке осуществляется посредством определённых методов, которые могут быть специфическими для того или иного блока или универсальными.

Рисунок 1. – Общая структура подхода к хеджированию рыночного риска с помощью ПФИ

Первый блок, с которого начинается реализация любого из изученных подходов, – это выбор категории рыночного риска, подлежащего хеджированию. Такой категорией может выступать валютный, фондовый, процентный или ценовой товарный риск. Особым блоком представлен коэффициент хеджирования и выбор финансовых инструментов. Коэффициент хеджирования, а вернее, точность его определения – один из наиболее распространённых аспектов, которые стремятся усилить исследователи [3, 4, 7, 8, 10, 11, 14]. Блок выбора финансовых инструментов особенно актуален при перекрёстном хеджировании. Он соседствует со смежным логическим блоком – выбором между одиночным и композитным хеджированием, то есть хеджированием с помощью одного инструмента и хеджированием с помощью нескольких. При композитном хеджировании добавляется ещё один блок – оптимальное распределение весов инструментов в портфеле ПФИ. Некоторые подходы включают также блок оценки риска, в котором с помощью специализированных метрик соизмеряются величина и вероятность рискового исхода. И, наконец, практически все без исключения подходы содержат блок оценки эффективности хеджирования, который позволяет производить как тестовые, так и рабочие измерения и, как следствие, располагать информацией о целесообразности внесения в подход тех или иных изменений.

Для определения оптимального коэффициента хеджирования используются различные модели. Данные модели можно разделить на условные и безусловные. Первые опираются на условные числовые характеристики объясняемой случайной величины, тогда как вторые – на  аналогичные безусловные характеристики. Условные модели это, как правило, это регрессионные модели типа GARCH. Предпочтение к данным моделям абсолютно обоснованно, поскольку модели GARCH характеризуются специфической зависимостью ошибок регрессии. Специфика заключается в том, что большее отклонение от прогнозируемого значения в предыдущем наблюдении приводит к большей вероятности значительного отклонения также и в последующем наблюдении [1]. Данное свойство очень характерно для финансовых временных рядов и носит название кластеризация волатильности. Наиболее яркий пример безусловной регрессионной модели – это линейная регрессия, построенная по методу наименьших квадратов. В рамках различных подходов и стратегий чаще всего отдаётся явное предпочтение использованию условной или безусловной модели [6]. Однако существуют и исключения. Например, Баесова стратегия хеджирования позволяет объединить сильные стороны модели GARCH и линейной регрессии по методу наименьших квадратов, которые используются для оценки коэффициентов хеджирования [5]. Кроме того, существуют подходы, полностью исключающие использование какого-либо коэффициента хеджирования. В частности, к таким подходам относится робастная оптимизация, более подробно описанная ниже.

При хеджировании с помощью портфеля ПФИ существенное значение имеет распределение капитала по инструментам используемого портфеля. В рамках тех или иных подходов к хеджированию существуют различные решения данной задачи. Наибольшее распространение, как и в случае с поиском оптимальных коэффициентов хеджирования, здесь получили регрессионные методы и, в частности, модели семейства GARCH [9, 14]. Однако на их фоне явно выделяется робастная оптимизация. В целом робастная оптимизация это методология решения оптимизационных задач, в рамках которой входные данные представлены случайными числами и могут принимать значения из заданной области неопределённости, а от решений требуется, чтобы они оставались допустимыми для всех наборов значений входных данных из указанного множества неопределённости [2]. Применительно к хеджированию рыночного риска робастная оптимизация также находит своё успешное применение. В частности, в одной из изученных работ Ракуэля Фонсеки и Берка Рустема [12] посредством робастной оптимизации решается задача по определению наилучшей стратегии хеджирования мультивалютного портфеля финансовых активов. При этом доходности портфеля представлены случайными числами и принимают значения из заданной области неопределённости. А поиск оптимального решения направлен не на максимизацию доходности портфеля как в большинстве подобных исследований, а на максимизацию доходности портфеля по пессимистическому сценарию, то есть получаемую при реализации наихудшего набора значений случайных входных параметров. Веса всех инструментов портфеля, включая как ПФИ, так и основные активы, выступают управляемым параметром при оптимизации.

Самым популярным на протяжении последних десятилетий методом оценки рыночного риска является метод «стоимости под риском» (Value at Risk, VaR). Его суть заключается в вычислении критического уровня убытка, который не будет превышен с заданной вероятностью. При этом распределение доходностей того или иного финансового актива предполагается нормальным [3, 14].

Достаточно часто критерием, по которому оценивается эффективность хеджирования рыночного риска, выступает среднеквадратическое отклонение доходностей хеджируемого актива или портфеля активов [15]. При оценке эффективности хеджирования может также применяться метод VaR, описанный выше. Отличие будет состоять лишь в том, что объектом оценки будут выступать не доходности самих активов, а доходность хеджированного портфеля, включающего как активы, так и ПФИ [13]. Как известно, допущение о нормальном распределении доходностей хеджированного портфеля является достаточно грубым. Поэтому для повышения точности оценки качества хеджирования метод «стоимости под риском» дополняют каким-либо вспомогательным логико-математическим аппаратом. В частности, это может быть GARCH-модель, совмещённая с условной копулой (специальной многомерной функцией распределения) [10].

Таким образом, в экономической литературе относительно выбора подхода к хеджированию выделяются два наиболее существенных вопроса: выбор наиболее подходящих инструментов, который напрямую зависит от поставленной задачи, и расчёт оптимальных коэффициентов хеджирования [7]. Результатом проведённого анализа различных подходов к хеджированию рыночного риска с помощью ПФИ, описанных в экономической литературе, стала полученная общая структура хеджирования рыночного риска, иллюстрирующая методический аспект данного сложного процесса.

Список литературы:

1. Кремер Н.Ш. Эконометрика: учебник для вузов / Н.Ш. Кремер, Б.А. Путко; под ред. Н.Ш. Кремера. – 2-е изд., стереотип. – М.: ЮНИТИ-ДАНА, 2008. – 311 с.
2. Немировский А.С. Основные концепции и результаты робастной оптимизации в применении к линейному программированию с неточными данными // Электронный журнал Cloud of Science. – 2014. – Т. 1. – № 2 [Электронный ресурс] URL: https://cloudofscience.ru (дата обращения: 15.10.2017).
3. Alvarez-Diez Susana. Hedging foreign exchange risk: Multi-currency diversification / Susana Alvarez-Diez, Eva Alfaro-Cid, Matilde O. Fernandez-Blanco // European Journal of Management and Business Economics. – 2016. – № 25. – pp. 2-7.
4. Basher Syed Abul. Hedging emerging market stock prices with oil, gold, VIX, and bonds: A comparison between DCC, ADCC, and GO-GARCH / Syed Abul Basher, Perry Sadorsky // Energy Economics 54 (2016) pp. 235-247.
5. Bessler Wolfgang. Analyzing hedging strategies for fixed income portfolios: A Bayesian approach for model selection / Wolfgang Bessler, Alexander Leonhardt, Dominik Wolff // International Review of Financial Analysis. – 2016. – № 16. – pp. 239-256.
6. Bessler Wolfgang. Hedging European government bond portfolios during the recent sovereign debt crisis / Wolfgang Bessler, Dominik Wolf // Journal of Int. Fin. Markets, Inst. and Money. – 2014. – № 33. – pp. 379-399.
7. Billio Monica. Markov Switching GARCH models for Bayesian Hedging on Energy Futures Markets / Monica Billio, Roberto Casarin and Anthony Osuntuyi. – Departament of Economics Ca` Foscari University of Venice. – 2014. – № 07/WP. – 30 p.
8. Caporin Massimiliano. Currency hedging strategies in strategic benchmark and the global and Euro sovereign financial crises / Massimiliano Caporin, Juan-Angel Jimenez-Martin, Lydia Gonzalez-Serrano // Journal of Int. Fin. Markets, Inst. and Money. – 2014. – № 31. – pp. 159-177.
9. Chang Chia-Lin. Crude oil hedging strategies using dynamic multivariate GARCH / Chia-Lin Chang, Michael McAleer, Roengchai Tansuchat // Energy Economics. – 2011. – № 33. – pp. 912-923.
10. Chen Yi-Hsuan. Estimating hedged portfolio value-at-risk using the conditional copula: An illustration of model risk / Yi-Hsuan Chen, Anthony H. Tu // International Review of Economics and Finance. – 2013. – № 27. – pp. 514-528.
11. Cifarelli Giulio. A dynamic model of hedging and speculation in the commodity futures markets / Giulio Cifarelli, Giovanna Paladino // Journal of Financial Markets. – 2015. – № 25. – pp. 1-15.
12. Fonseca Raquel J. Robust hedging strategies / Raquel J. Fonseca, Berc Rustem // Computers & Operations Research. – 2012. – № 39. – pp. 2528-2536.
13. Palzer Andreas. Evaluation of different hedging strategies for commodity price risks of industrial cogeneration plants / Andreas Palzer, Gunther Westner, Reinhard Madlener // Energy Policy. – 2013. – № 59. – pp. 143-160.
14. Syriopoulos Theodore. Stock market volatility spillovers and portfolio hedging: BRICS and the financial crisis / Theodore Syriopoulos, Beljid Makram, Adel Boubaker // International Review of Financial Analysis. – 2015. – № 39. – pp. 7-18.
15. Zhang Jingong. Optimal hedging with basis risk under mean-variance criterion / Jingong Zhang, Ken Seng Tan, Chengguo Weng // Insurance: Mathematics and Economics. – 2017. – № 75. – pp. 1-15.