# Джеймс Шеперд: как банки оптимизируют риски контрагентов с помощью математики

Источник: https://www.youtube.com/watch?v=VbtXo62ROC4
Канал: MIT OpenCourseWare
Опубликовано: 03.12.2025

---

## 📊 Оптимизация рисков контрагента: подход Quantile

[[JUMP:0:44]]

Джеймс Шеперд, эксперт из компании Quantile (дочерняя структура London Stock Exchange Group), в рамках лекции в MIT OpenCourseWare представил комплексный обзор методов минимизации рисков при торговле деривативами. Основное внимание в дискуссии уделяется оптимизации начальной маржи (initial margin) — критического показателя, защищающего участников рынка от дефолта контрагента в период между моментом неплатежа и закрытием позиции.

### 📉 Природа рисков в торговле деривативами
[[JUMP:3:06]]

Торговля деривативами сопряжена с рядом специфических рисков, требующих четкого математического определения и методов смягчения:

*   **Рыночный риск:** Изменение стоимости дериватива вслед за колебаниями рынка.
*   **Кредитный риск:** Вероятность невыполнения долговых обязательств эмитентом базового актива.
*   **Операционный риск:** Потери, возникающие вследствие ошибок персонала или сбоев систем, что делает их наиболее сложными для моделирования.
*   **Риск ликвидности:** Невозможность закрыть крупную позицию по текущей рыночной цене без существенного влияния на рынок.
*   **Риск контрагента:** Exposure к дефолту стороны, с которой заключена сделка. Шеперд подчеркивает различие: если вы держите облигацию JPMorgan через своп с Goldman Sachs, вы имеете кредитный риск к JPMorgan и риск контрагента к Goldman Sachs, который может не выплатить причитающуюся сумму.

Для снижения этих рисков используются методы хеджирования и коллатерализации (сбор маржи как «страхового платежа»). Особую роль играют центральные контрагенты (CCP), которые выступают посредниками, позволяя участникам неттировать позиции и существенно снижать совокупный риск.

### ⚖️ Value at Risk и Expected Shortfall
[[JUMP:9:01]]

Для количественной оценки рисков портфеля используются две основные метрики:

*   **Value at Risk (VaR):** Максимальный убыток, который с заданной вероятностью (например, 99%) не будет превышен за определенный временной горизонт.
*   **Expected Shortfall (ES):** Средний ожидаемый убыток в тех случаях, когда потери превышают уровень VaR. По словам Шеперда, эта метрика является более «когерентной» и лучше отражает риск в «хвостах» распределения.

Эксперт отмечает, что VaR, популяризированный JPMorgan в 1990-х годах, обладает существенными недостатками: он не учитывает экстремальные потери («толстые хвосты») и не является субаддитивным (риск объединенного портфеля может превышать сумму рисков отдельных частей). Тем не менее, VaR остается отраслевым стандартом из-за относительной простоты бэктестинга — процесса проверки точности модели на исторических данных.

### 🔄 Оптимизация начальной маржи
[[JUMP:42:27]]

Центральная задача Quantile — минимизация совокупной начальной маржи в сети финансовых институтов через создание системы хеджирующих сделок. Математически это сводится к задаче выпуклой оптимизации:

1.  **Симметрия:** Если участник P продает актив Q, участник Q обязан купить тот же объем у P. Это предотвращает системные ошибки при согласовании сделок.
2.  **Плоскость денежных потоков (Cash flow flatness):** Участник должен сбалансировать продажи покупками у других сторон, чтобы избежать чистого арбитража или изменения рыночного риска системы.
3.  **Рисковые ограничения:** Индивидуальные лимиты банков на допустимые изменения рыночных позиций.

Шеперд указывает, что современные вычислительные мощности позволяют решать такие задачи с десятками тысяч переменных за секунды благодаря использованию специализированных солверов (например, Gurobi) и разреженной структуре матриц риска.

### 💡 Проблемы «красоты» и справедливости
[[JUMP:1:03:12]]

Помимо чисто математической оптимизации, важными факторами являются:

*   **«Ницесс» (Niceness):** Потребность в «красивых» числах для notionals (объемов сделок), так как торговые системы банков часто имеют ограничения по количеству знаков после запятой в валютных курсах.
*   **Справедливость (Fairness):** Отсутствие единого определения справедливости в распределении экономии маржи между участниками сети. Шеперд предлагает алгоритм минимизации квадратичного отклонения от «наилучшего возможного» сценария для каждого участника как один из путей решения.

В завершение лекции Шеперд подчеркнул, что объединение большого количества участников в одну сеть экспоненциально повышает эффективность системы, позволяя минимизировать капитал, «замороженный» в качестве обеспечения.