РИСК-АНАЛИТИКА И МОДЕЛИРОВАНИЕ
Статистика, машинное обучение, Monte Carlo. Когда интуиция не катит.
Риск-аналитика - это место, где математика встречает хаос реального мира и пытается его приручить. Иногда получается. Иногда хаос побеждает. Но без попытки вообще никак.
Monte Carlo
Генерируешь тысячи (или миллионы) случайных сценариев, прогоняешь через модель, собираешь статистику. Метод назвали в честь казино, что символично. Работает на всё: от ценообразования экзотических опционов до оценки проектных рисков. Единственное ограничение - вычислительная мощность, но при современных GPU это уже не проблема (ну, почти).
ML в управлении рисками
Gradient Boosting для скоринга. Random Forest для классификации дефолтов. LSTM для временных рядов. Autoencoders для детекции аномалий. Звучит модно? Да. Работает? Зависит от данных и от того, кто настраивает. Модель - как хирургический инструмент: в руках профессионала спасает жизни, в руках любителя - ну, ты понял.
Главная ловушка ML в рисках - overfitting. Модель идеально описывает прошлое и абсолютно беспомощна перед будущим. Регулятор это знает, поэтому требует model validation, backtesting, и объяснимость (explainability). Попробуй объяснить совету директоров, почему нейросеть решила, что этот заёмщик - мусор. «Потому что нейросеть так сказала» - не ответ.
Copulas и зависимости
Корреляция - это линейная мера зависимости. А в хвостах распределений зависимости нелинейные и всё ломается. Копулы позволяют моделировать зависимости между рисками без предположения о нормальности. Гауссова копула стала знаменита (и проклята) после того, как её использовали для ценообразования CDO. Модель давала красивые цены. Потом рынок показал, что модель была неправильной. Несколько триллионов долларов позже все извлекли урок (или нет).