Value at Risk

در مطلب قبلی دیدیم که گاهی دست نامریی درست همان موقعی که بیشتر از همیشه بهش نیاز هست (یعنی هنگام بحران) کار نمی کند. امروز می خواهیم کمی به روش های محاسبه ریسک در فاینس گیر بدهیم و ببینیم حداقل آنها در زمان بحران کار می کنند یا نه.

یک کوانت (Quantitative Analyst - از همان دکتراهای ریاضی یا فیزیک که بحثش در این مطلب رفت البته از نوع حواس پرتش که روز قبلش هم شکست عشقی خورده و به پوچی رسیده است) در یک بانک سرمایه گذاری را در نظر بگیرید. بانک او تصمیم دارد وارد تجارت استراتژیک آبمیوه شود و تعدادی سهم از سهام یک شرکت آب میوه گیری به ارزش یک ملیون دلار را بخرد و فردایش بفروشد. حالا رییس او آمده و از او می خواهد بر مبنای نوسانات روزانه قیمت أب میوه در گذشته به آنها بگوید ریسک این خرید و فروش چقدر است. مشکل او این جاست که نمی داند دقیقا چه طوری باید ریسک را اندازه گیری کرد. در تلاش برای حل این مساله او می آید تغییرات قیمت آبمیوه را در هر روز در یک سال گذشته را محاسبه می کند و در یک نمودار پراکندگی رسم می کند. می بیند که ظاهرا توزیع داده ها نرمال است. کوانت ما از این که الگویی در داده هایش کشف کرده خوشحال می شود و سریع واریانس و انحراف معیار داده هایش را حساب می کند. این دو پارامتر به او تابع توزیع احتمال داده هایش را خواهد داد. چون سود یا ضرر از یک منحنی توزیع نرمال تبعیت خواهد کرد او می تواند با کمک این توزیع شما محاسبه کند که دقیقا به ازای چه مقدار ضرر می شود ۹۵٪ مطمئن بود که ضرر بانک از آن مقدار کمتر خواهد بود. به این عدد در فایننس VaR یا Value at Risk گفته می شود. فرض کنید نتیجه محاسبات او می گوید VaR این خرید و فروش ۱۰۰۰۰ دلار است. پس بانک او می داند که به احتمال ۹۵٪ ضررش از ۱۰۰۰۰ دلار کمتر خواهد بود. بنابر این کوانت عاشق ما توانسته یک عدد به دلار روی ریسک این معامله بگذارد. حالا بانک او یک معیار کمی دارد که بر اساس می تواند یک ارزیابی از ریسکی که در معرضش خواهد بود داشته باشد.

عملیات بالا صورت ساده شده کاری هست که برای محاسبه ریسک در نهاد های مالی می شود. حالا ممکن است که ملت فرض کنند توزیع احتمال سود و ضرر ها چیز دیگری غیر ار نرمال باشد یا تغییرات دیگری در جزییات قضیه بدهند اما در نهایت ایده پشت قضیه ساده است. شما می خواهید ببینید آن ته های تابع توزیع احتمال سود و ضرر شما که نماینده ضرر های زیاد با احتمال خیلی کم است چه اتفاقی می افتد و بر مبنای آن VaR را محاسبه می کنید. به آن ته های توزیع احتمال هم به انگلیسی دم (tail) نمودار گفته می شود:

حتی ممکن است شما بیایید VaR را برای یک مجموعه از متغیر ها حساب کنید. مثلا فرض کنید قیمت آب میوه متاثر از قیمت اجاره خانه است و هر وقت اجاره خانه بالا می رود مردم به آبمیوه برای فراموش کردن سختی ها پناه می برند. در نتیجه تقاضا برای آبمیوه زیاد شده قیمت آب میوه هم زیاد می شود. قیمت اجاره خانه هم خودش متاثر از نرخ بهره بانک مرکزی است چون بهره وام های مسکن متاثر از این نرخ است. شما حالا می خواهید VaR را با در نظر گرفتن هر سه این متغیر ها حساب کنید. در این صورت شما به علاوه بر توزیع تغییرات هر کدام از این متغیر ها نیاز به تابع وابستگی احتمال دو به دوی آنها هم دارید. (این تابع های وابستگی این اطلاعات که مثلا افزایش نرخ بهره باعث افزایش قیمت خانه می شود و مانند آن را در خودشان دارند.) اینکه این تابع وابستگی احتمال از کجا می آید بماند، اما با داشتن این اطلاعات شما می توانید VaR در این حالت را برای معامله آبمیوه محاسبه کنید و تخمین دقیق تری از ریسک آن به دست بیاورید. در عمل ممکن است با کمک کامپیوتر ها VaR با در نظر داشتن صد ها و هزار ها متغیر حساب شود تا تخمین بهتری از ریسک به دست بیاید. حتی ممکن است شما از روش های آماری پیچیده تر که توزیع خاصی را برای متغیر ها فرض نمی کنند و آن توزیع را خودشان از داده ها «بیرون می کشند» استفاده شود.

نهاد های نظارتی هم پیرو استفاده گسترده بانک ها از VaR یک جور هایی مترادف بودن ریسک را با VaR قبول کرده اند و بانک ها موظفند در هر معامله میزان پولی متناسب با VaR آن کنار بگذارند تا یک حاشیه امنیت حداقلی بین بانک و ورشکستی در صورت ضرر احتمالی وجود داشته باشد.

تا این جای قضیه بدون مشکل به نظر می آید. اما بیایید کمی عمیق تر به قضیه فکر کنیم. اصلا تحلیل آماری به چه معناست؟ استفاده از روش های آماری یک فرضی در درون خودش دارد. این که آینده یک جور هایی شبیه گذشته است. آن هم فقط تکه های مربوط و به درد بخور گذشته نه همه آن. مثلا نمی شود ما قیمت فردای نفت را را تنها با نگاه کردن به تاریخچه نفت در دوران مصدق پیش بینی می کنیم و احتمالا داده های قیمت نفت در سالهای اخیر در همین موقع سال بیشتر به درد ما خواهد خورد. این فرض به نظر بدیهی می آید اما یک مشکل بزرگ بحران مالی اخیر عملا غفلت از همین فرض بدیهی بود. نکته مهم که شما باید متوجه آن باشید این است که ما برای محاسبه ریسک بر خلاف خیلی مساله های دیگر ما می خواهیم به یک سوال آماری سخت جواب بدهیم. حالا چرا این سوال سخت است؟ چون آنچه ما به آن در این مساله علاقه مندیم در آن دم نمودار توزیع احتمال یعنی به هنگام رویداد های استثنایی و نادر مثل یک بحران مالی اتفاق می افتد، و در نتیجه بالا و پایین رفتن های کوچک که در زمان ثبات اقتصادی به کرات اتفاق می افتند برای ما چندان مهم نیستند. بنابراین ما به تکه هایی از گذشته نیاز داریم که یک ربطی به این رویداد های نادر داشته باشند. این چند مشکل ایجاد می کند. مشکل اول این که ما معمولا مقدار زیادی داده از زمان ثبات اقتصادی داریم و برعکس از زمان بحران - آن جایی که برای ما مهم است - داده های ما کم است زیرا بحران ها هر چند سال یکبار اتفاق می افتند. بنابراین اگر تلاش خاصی نکنیم دقت بازسازی آماری ما در آن دم نمودار که مهم ترین بخش نمودار هستند پایین می آید. به عبارت دیگر برای آنکه ما رویداد هایی که فاصله های زمانی بزرگ اتفاق می افتند را لحاظ کنیم باید برای زمانی طولانی مثلا چند دهه داده جمع آوری کنیم تا مجموعه داده های ما شامل تعداد کافی از این نوع رویداد ها شود. مشکل این جاست که احتمالا چند دهه قبل دینامیک های بازار تفاوت های اساسی با الان داشته اند و داده های آن زمان عملا به کار ما نمی آیند. مثلا اینکه دو دهه پیش چیزی به نام derivative عملا وجود نداشت خیلی از داده های قدیمی را در محاسبه ریسک بی اعتبار می کند. نکته دوم این است که روش های آماری نمی توانند بگویند کدام تکه از داده ها در گذشته به درد می خورند و کدام نمی خورند. برای آنکه ما بدانیم کدام بخش از داده ها به کار می آیند باید از مسیر مدلی بیرونی دانشی اضافه داشته باشیم که به ما بگوید کدام بخش از داده هایمان را در نظر بکیریم. به این دانش بیرونی گاهی تحلیل fundamental هم می گویند. به عنوان مثال ما باید درکی از گذشته و مکانیزم های حاکم بر بازار داشته باشیم تا بدانیم که دقیقا تا چند سال که عقب بریم شرایط شبیه الان است و می توان به نتیجه های آماری از زمان اعتماد کرد. یا از آن مهم تر اگر مدل بیرونی به ما بگوید که شرایط حال حاضر تفاوت بنیادی با گذشته دارد عملا نمی شود از تحلیل آماری برای پیش بینی آینده استفاده کرد. به عبارت دیگر یک روش آماری نمی تواند مدل سازی کند. یک مثال از چنین شرایطی وضعیت آمریکا از سال ۲۰۰۱ به بعد و هنگام رکود بعد از بعد از ترکیدن حباب شرکت های اینترنتی بود. در آن زمان یک رکود اقتصادی در آمریکا شکل گرفته بود که با تمام رکود هایی قبلی بعد از جنگ جهانی دوم متفاوت بود. این رکود تورم نداشت که حالا بانک مرکزی مجبور شود با بالا بردن نرخ بهره آن را کنترل کند و در نتیجه این امکان برای بانک مرکزی پیش آمده بود که در راستای سیاست های اقتصادی آن زمان نرخ بهره تا یک درصد پایین ببرد. در نتیجه این رکود با رکود های قبل از نظر ساختاری متفاوت بود و عملا نمیشد از VaR بعد از این رکود برای محاسبه ریسک استفاده کرد (منبع)*.

به نظر من مشکل اول حلش آسان تر است. زیرا اگر ما به نحوی یک مدل بیرونی مطمئن در در مورد مساله داشته باشیم می توان مشکل اول را حل کرد. مثلا اگر ما به یقین از تحلیل بیرونی خود بدانیم که توزیع احتمال سود و زیان از چه نوعی است ما می توانیم یک توزیع خاص را به داده هایمان منطبق کنیم و بعد از این توزیع برای تخمین زدن ریسک پدیده های نادر استفاده کنیم. این جا باید روی یک نکته تاکید کنم. این که توزیع داده ها چه باید باشد حتما باید از تحلیلی بیرونی بیاید و نمی تواند تنها با نگاه کردن به داده ها توزیعی را برای آنها حدس زد. یعنی اگر مثل کوانت عاشق مثال بالا پراکندگی داده هایمان را رسم کردیم و دیدیم نتیجه منطبق بر یک توزیع نرمال است، حق نداریم نتیجه بگریم توزیع نرمال به ما در مورد دم توزیع هم اطلاعاتی خواهد داد. مشکل از اینجا ناشی می شود که ما در مورد دم توزیع داده کافی نداریم که استفاده از یک توزیع خاص را توجیه کند. حتی اگر یک توزیع خاص کاملا منطبق بر داده های ما در نواحی دیگر باشد هیچ دلیلی وجود ندارد همان توزیع در دم هم به کار بیاید. به عبارت دیگر ممکن است مکانیزمی که سبب تولید اتفاق های نادر در داده های ما می شود تفاوت اساسی با مکانیزمی که اتفاق های معمول را تولید می کند داشته باشد و در نتیجه اتفاق های نادر حوالی دم توزیع متفاوتی با بقیه داده ها داشته باشند. این نکته دقیقا در مورد داده هایی که از بازار های مالی می آیند صدق می کند. شواهد به روشنی نشان می دهند مکانیزم هایی که بر بازار صادق اند از اساس به هنگام بحران با حالت های عادی متفاوتند. به عبارت دیگر به زبان این مطلب مدل بازار در زمان بحران از اساس متفاوت با مدل بازار در حالت های عادی است. بنابراین اگر وقتی که دیدیم توزیع نرمال بر داده هایمان منطبق است ریسک را با توزیع نرمال محاسبه کنیم، محاسبات ریسک ما درست در زمان بحران یعنی دقیقا در همان زمانی که به آن نیاز است فرو خواهد ریخت. به عبارت دیگر ما عملا ما در محاسبات خود ریسک ضرر های خیلی بزرگ ناشی از اتفاقات نادر را وارد نمی کنیم و در نتیجه به صورت سیستماتیک ریسک را خیلی کمتر از آنچه هست محاسبه خواهیم کرد. اشاره هم بکنم این که توزیع داده ها طرف های دم متفاوت است یک اسم خوبی در فایننس دارد. fat tail یا دم کلفت. به این معنی که احتمال وقایع نادر متفاوت با آن چیزی است که توزیع نرمال پیش بینی می کند و هر وقت دیدیم توزیعی دم کلفت است معنی اش آن است که به آنالیز ریسک باید مشکوک بود (انتقاد ریاضد دان معروف Mandelbrot را از VaR در این کتاب ببینید). یک نکته دیگر هم ممکن است باعث سو تقاهم شود. یک انتخاب در حالتی که با VaR برای تعداد زیادی متغیر سر و کار داریم این است که با استفاده از کامپیوتر رخداد های نادر را شبیه سازی کرد و مشکل کمبود داده را حل کرد. یعنی برای این منظور یک توزیع احتمالی برای ریسک متغیر های مختلف در مساله تعیین می کنیم و بعد کامپیوتر تعداد زیادی نمونه تصادفی از تغییرات قیمت ممکن را بر مبنای این توزیع ها تولید می کند و بعد می بینیم تغییرات قیمت شدید با چه احتمالی در نمونه های تصادفی تولید شده اتفاق می افتند. به این روش که به صورت گسترده در فایننس به کار می رود Monte Carlo Method گفته می شود. این درست، اما نکته ای که به آن باید توجه داشته باشیم این است به هر حال در این روش هم دانش بیرونی ما خودش در تعیین توزیع احتمال متغیر های مختلف در مساله نشان می دهد و اگر این توزیع ها همان مشکل نا کار آمد بودن در دم نمودار را داشته باشند نتیجه شبیه سازی ما هم در دم نمودار نا کار آمد خواهد بود و Monte Carlo Method نمی تواند جایگزین مدل سازی بیرونی شود.

اما مشکل دوم که در بالا به آن اشاره کردیم عملا راه حلی ندارد. هر چه قدر هم روش آماری ما برای پیش بنی آینده از گذشته پیچیده باشد نمی تواند بر این مشکل غلبه کند. برای مثال یک روشی آماری پیچیده که در حال حاضر خیلی از آن استفاده می شود GARCH است. این GARCH خواص با مزه ای دارد. اولا خودش از داده ها می فهمد که چه کار باید بکند و نیازی به دانش بیرونی مثل Monte Carlo Method ندارد. به علاوه می تواند جاهایی از داده ها را که توزیع تغییر ناگهانی می کند را لحاظ کند یا اینکه این نکته را که اتفاقات بد معمولا بعد از دوره طولانی از آرامش پشت سر هم اتفاق می افتند می فهمد. به این معنا GARCH می تواند بخش زیادی از دم کلفتی یک توزیع را در نظر بگیرد. اما همین GARCH مناسب دم های کلفت هم وقتی مدل زیرین توصیف کننده داده از اساس عوض می شود به مشکل می خورد. به عبارت دیگر با وجود توانایی های مثال زدنی، این روش هم نمی تواند هنکام بحران پیش بینی درستی انجام دهد.

حالا فرض کنید که ما یک سخنرانی طولانی برای کوانت عاشق بالا کرده ایم و او را متوجه دو مشکل فوق کرده ایم. اما او می آید مشکل دوم را کلا بیخیال می شود و برای حل مشکل اول او که درس های دوران تحصیلش را بلد است می آید نکته ای را گوشزد میکند. قضیه حد مرکزی. این قضیه می گوید که اگر تعدادی متغیر تصادفی مستقل داشته باشیم که همه دارای توزیعی دلخواه و البته مشابه باشند و بعد بیاییم یک متغیر تصادفی جدید از جمع این متغیر های تصادفی تشکیل دهیم، توزیع این متغیر جدید بدون توجه به این که توزیع اولیه هر کدام از توزیع ها چه بوده است به منحنی نرمال شبیه خواهد بود. هر چه هم تعداد این متغیر های مستقل بیشتر باشد توزیع متغیر حاصل از جمع آنها بیشتر و بیشتر شبیه توزیع نرمال خواهد شد. حالا می توان سود و زیان هر فراورده مالی را در یک بازه زمانی به اندازه کافی طولانی نتیجه جمع تعداد زیادی بالا و پایین رفتن مستقل از هم دانست که هر کدام از این بالا و پایین رفتن ها را یک متغیر تصادفی مستقل نمایندگی می کند.در نتیجه حتی اگر توزیع احتمال هر کدام از این بالا و پایین رفتن های قیمت پیچیده و عجیب غریب باشد توزیع مجموع این بالا و پایین رفتن ها که سود و زیان کلی را به ما می دهد نرمال خواهد بود و ما می توانیم با خیال راحت فرض کنیم که توزیع سود و زیاد در همه جا از جمله دم مربطه نرمال است و ریسک را برای توزیع نرمال محاسبه کنیم. متاسفانه اینجا کوانت ما باز یاد معشوقش افتاده و در نتیجه دارد از قضیه حد مرکزی استفاده غلط می کند. کل چیزی که قضیه حد مرکزی به ما می گوید این است که اگر تعدادی متغیر با توزیع دلخواه داشته باشیم برای هر میزان احتمال ثابت و به ازای هر میزانی از خطا که ما انتخاب کنیم لازم است یک تعداد مشخصی از این متغیر خاص را جمع بزنیم تا اختلاف توزیع حاصل جمع از توزیع نرمال در آن احتمال خاص کمتر از میزان خطای انتخاب شده شود. اما این قضیه به ما نمی گوید اولا که این تعداد مشخص که لازم است جمع زده بشود دقیقا چند تا هست و ثانیا میزان اختلاف توزیع حاصل جمع به ازای مقادیر مختلف احتمال ها از توزیع نرمال چقدر است. نکته مهم این است که می توان نشان داد که اختلاف بین توزیع حاصل جمع و توزیع نرمال هر چه به سمت دم توزیع حرکت می کنیم بیشتر می شود. به عبارت برای تقریب زدن دم توزیع با دقت بهتر به تعداد بیشتر و بیشتری از متغیر های مستقل نیاز داریم. اما دقیقا چند تا؟ درست است که توزیع اولیه متفیر های مستقل هرچه باشد حاصل جمع در هر صورت در نهایت شکل توزیع نرمال خواهد شد؛ اما جای جالبش این جاست که تعداد متغیرهایی که توزیع نرمال را در حوالی دم تقریب معتبری از توزیع حاصل جمع می کند کاملا بستگی به این دارد که توزیع متغیر های اولیه چه قدر به نرمال شبیه باشد. معنی این حرف دقیقا برای مایی که می خواهیم ریسک را محاسبه کنیم چیست؟ معنی اش این است که اگر بازار رفتار های عجیب و غریب بکند و توزیع هر کدام از بالا و پایین رفتن ها چیز عجیبی باشد برای آنکه توزیع نرمال تقریب خوبی از سود و زیان کل در حوالی دم توزیع باشد ما باید تعداد زیادی بالا و پایین رفتن را با هم جمع کنیم و به داده خود در بازه زمانی خیلی بلندی نگاه کنیم. اینجا باز هم این خطر وحود دارد که این قدر بازه زمانی لازم طولانی شود که دینامیک های بازار در طول زمان عوض شود و تحلیل ریسک ما را بی معنی کند. در عمل چون بازه زمانی داده های ما محدود است همیشه از یک جایی به بعد دم توزیع سود و زیان نرمال بی ربط خواهد بود و برای مایی که از این دم برای تخمین ریسک استفاده می کنیم این یعنی محاسبات ریسک ما اشتباه خواهد بود. حالا از این نکته هم بگذریم که موقع بحران که می شود بالا و پایین رفتن ها از هم مستقل نیستند و با هم همبستگی پیدا می کنند (یعنی اتفاق های بد با هم میافتند). در نتیجه فروض اولیه قضیه حد مرکزی هم هنگام بحران فرو می ریزند.

اما کوانت ما دست بر دار نیست و راه حل دیگری را پیشتهاد می کند. این که ما بیاییم در سبد دارایی هایمان تنوع ایجاد کنیم و در تحلیلمان به مجموع سود و ضرر های این دارایی های متنوع نگاه کنیم. اول از همه کوانت ما پیش نهاد می کند که مجموع سود و زیان ها بر طبق قضیه حد مرکزی باید توزیع نرمال داشته باشد. وقتی انتقاد بالا را به او خاطر نشان می کنیم که چون برای توصیف دم ها به زمانی طولانی نیاز داریم عملا دم ها درست توصیف نمی شوند، او می گوید اصلا می آییم از تابع وابستگی احتمال دو به دوی فراوردهای داخل سبد استفاده می کنیم و VaR را مستقیما محاسبه می کنیم. وابستگی (dependences) دو متغیر را هم که به راحتی می توان با میزان همبستگی (correlation) آنها توصیف کرد پس همه چیز حل است. اما او باز هم او اشتباه می کند. بر خلاف آنچه که در ذهن خیلی ها جا افتاده همبستگی فقط برای کلاس کوچکی از توابع توزیع که شامل توزیع نرمال است احتمال وابستگی دو به دوی متغیر را به ما می دهد و در حالت کلی ممکن است همبستگی دو متغیر صفر باشد اما آنها وابسته باشند (ببینید). بنابراین برای محاسبه وابستگی واقعی دو به دوی فراورده ها به روش های آماری نسبتا پیچیده ای نیاز است. این نکته هم که ما به دم توزیع علاقه مندیم هم غوز بالا غوز است و کار را مشکل تر می کند. در نهایت هم آن قدر روش ها پیچیده می شوند که آن شهود ساده VaR از بین می رود.

این کوانت عاشق نمونه ای است از انچه قبل از بحران مالی در خیلی از موسسات مالی می گذشت (این گزارش دولت فدرال در این مورد را ببینید - هشدار: فایل بزرگ). VaR به صورت گسترده بدون توجه به محدودیت های آن در تمام موسسات مالی استفاده می شد. البته دقت کنید که من نمی گویم VaR ابزار بدرد نخوری است. اتفاقا VaR اطلاعات مفیدی به ما می دهد و به ما می گوید ریسک های میانه (ریسک اتفاق های بد نسبتا کوچک تر که احتمال بیشتری دارند) دقیقا چه قدر است. بنابراین همیشه VaR می تواند ابزاری کارآمد در کنار ابزار های دیگر به خصوص تحلیل fundamental باشد. مشکل وقتی پیش می آید که بر VaR به عنوان تنها ابزار تکیه شود. یک مطالعه جالب نشان می دهد مدیرانی که تنها از VaR برای تحلیل ریسک استفاده می کردند در مقایسه با آنهایی که تنها از تحلیل fundamental و شناخت خود از بازار استفاده می کردند در عمل سازمانشان را در معرض ریسک های بزرگ تری قرار دادند (منبع). علت هم این است که تکیه بر VaR سبب می شود همه توجه به کاهش ریسک های میانه معطوف شود و از ریسک های بزرگ که احتمال خیلی کمی دارند غفلت شود. به هر حال در همان زمان هم این ایراد هایی را که من مطرح کردم هر کسی که کمی آمار بلد بود می دانست (ایده این نوشته از این کتاب عالی که چاپ سال ۲۰۰۷ است آمده است). اما به هر دلیلی وال استریت و همین طور قانون گذاران به این نکات توجه نکردند و VaR را در مرکز محاسبات ریسکشان قرار دادند. کوانت ها هم مدام با روش های پیچیده و پیچیده تر ور رفتند تا بر مشکل اول در پاراگراف های قبلی غلبه کنند و در نهایت مشکل دوم که پایه ای بود آنها را زمین زد. این که واقعا چرا این اتفاق افتاد و این همه آدم باهوش چشم خود را بستند واقعا برای من درکش سخت است. به هر حال حدس هایی می شود زد که چرا این اتفاق افتاد. یک عده آدم بد بین تر می گویند که VaR رسما یک جور کلاه برداری بود و در واقع تنها عذری بود که بانک ها می خواستند به سهام دارانشان و بعد مالیات دهندگان نشان دهند که اتفاق هایی که افتاده نتیجه ای غیر قابل پیش بینی و نه نتیجه ریسک کردن های بی کله بانک ها بوده است تا مورد باز خواست قرار نگیرند. شاید هم درست به همین دلیل است که اصولا لازم و مطلوب نبود که روش های محاسبه ریسک یتوانند ریسک های ضرر های بزرگ با احتمال خیلی کم را پیش بینی کنند. تمام وال استریت می خواست که ریسک بیشتری کند و سواستفاده از VaR این امکان را به آن می داد. بنابراین کسانی که در درپارتمان های محاسبه ریسک سازمان های مالی بودند انگیزه داشتند که دهنشان را ببندند تا هم شغل هایشان حفط شود و هم آنها هم سهمی از این سود موقتی ریسک های بزرگ داشته باشند (ص ۲۷۸ این را ببینید). یکی از نشانه هایی که این حدس را تقویت می کند یکی از معدود گزارش های در دسترس عموم است که جزییات فرایند محاسبه ریسک را در یک بانک تشریح کرده است. این گزارش توسط بانک UBS به سهام دارانش نوشته شده است و از اینجا قابل دسترس است. در این گزارش آمده است که اولا برای محاسبه VaR تنها از پنج سال داده استفاده شده بود و در نتیجه داده ها هیچ کدام از بحران های مالی در گذشته را در خود نداشتند. پیش بینی منتج از چنین مجموعه داده ای هم طبیعتا این است که همه چیز همیشه گل و بلبل خواهد بود. به علاوه بانک برای محاسبه ریسکش تنها بر VaR تکیه کرده بود و از هیچ تحلیل fundamental که کلا در دنیا چه خبر است در کنار VaR استفاده نشده بود. حدس من این است که اگر بقیه بانک ها هم گزارش های مشابهی را منتشر می کردند می دیدیم روش بانک های مختلف چندان تفاوتی با بانک UBS نداشته و تازه باید بانک UBS را طلا هم گرفت که آمده و صداقت به خرج داده و این اطلاعات را منتشر کرده است. نمی خواهم بدون دلیل حرف بزنم اما من در این یک مورد فکر می کنم آدم های بدبین خیلی هم بیراه نمی گویند.

پی نوشت:
* بعدا معلوم شد این کاهش نرخ بهره که با رای آلن گرینسپن رییس بانک مرکزی انجام شد اشتباهی مهلک بود. در واقع با توجه به این که کاهش مالیات های بوش در آن زمان خود تحرکی را در اقتصاد به وجود آورده بود لازم بود او نرخ بهره را افزایش دهد تا جلوی رشد حبابی گرفته شود نه این که آن را کاهش دهد. اما به هر حال آلن باز هم گل کاشت و نرخ بهره را کاهش داد تا پول قرض کردن ازران تر و ارزان تر شود (وقتی بانک مرکزی نرخ بهره را کاهش می دهد به دنبالش نرخ بهره وام ها کم می شود و ملت راحت تر می توانند پول قرض کنند) و همه از بانک ها تا کارمند مک دونالد وام های تخیلی بگیرند و بحران سال ۲۰۰۸ خیلی بدتر شود.

** یک چیزی که برای من مهم است این است که ناشناس بمانم. بنابراین لطفا اگر اسم من را می دانید آن را جایی نگویید و اگر هم کشف کردید که من کی هستم آن را برای ملت اعلام نکنید.