Skenaarioanalyysi arvioi ehdotetun investoinnin tai liiketoiminnan odotetun arvon. Tilastollinen keskiarvo on korkein todennäköisyystapahtuma, jota odotetaan tietyssä tilanteessa. Luomalla erilaisia ​​skenaarioita, joita voi esiintyä ja yhdistämällä ne todennäköisyyden kanssa, että ne tapahtuvat, analyytikko voi paremmin määrittää investoinnin tai liiketoiminnan arvon ja todennäköisyyden, että laskettu odotettu arvo todella tapahtuu.

Sijoituksen todennäköisyysjakauman määrittäminen on yhtä suuri kuin sijoituksen riski. Vertaamalla odotettua tuottoa odotettuun riskiin ja päällekkäin, että sijoittajan riskitoleranssin avulla saatat pystyä tekemään parempia päätöksiä siitä, sijoittaako se mahdolliseen yrityshankkeeseen. Tässä artikkelissa esitellään joitain yksinkertaisia ​​esimerkkejä erilaisista tavoista tehdä skenaarioanalyysi ja tarjota perustelut niiden käytölle. (Lisätietoja todennäköisyysjakaumista on kohdassa Löydä oikea sovitus todennäköisyysjakaumilla .)

Yleiskatsaus
Historiallisia tehokkuustietoja tarvitaan, jotta saadaan selville investoinnin suorituskyvyn vaihtelu ja autetaan sijoittajat ymmärtävät riskin, jonka osakkeenomistajat ovat aiemmin kohdanneet. Tutkiessaan säännöllisiä tuotto-tietoja sijoittaja voi saada selvää sijoituksen aiemmasta riskistä. Esimerkiksi koska vaihtelevuus vastaa riskiä, ​​investointi, joka tuotti saman tuoton joka vuosi, pidetään vähemmän riskialttiina kuin investointi, joka antoi vuosittaiset tuotot, jotka vaihtelivat negatiivisten ja positiivisten välillä. Vaikka molemmat investoinnit saattavat tarjota saman kokonaistuoton tietylle sijoitushorisontille, jaksotetut tuotot osoittavat näiden sijoitusten riskierot. (Lue lisää Salkun tehokkuuden mittaaminen .

Tieteelliset säännökset aiempien tuottojen laskemisesta ja esittämisestä takaavat paluuinformaation vertailukelpoisuuden arvopapereiden, sijoitusjohtajien ja rahastojen kesken. Aiempi tuotto ei kuitenkaan takaa sijoituksen tulevaa riskiä tai tuottoa. Scenarioanalyysi yrittää ymmärtää yrityksen mahdollisen riski / palautusprofiilin. Suorittamalla analyysin useista pro forma -ennusteista tietylle hankkeelle ja ilmaisemalla kunkin skenaarion todennäköisyys alkaa luoda todennäköisyysjakauma (riskiprofiili) kyseiselle yritykselle.
Esimerkkejä
Scenarioanalyysiä voidaan soveltaa monin tavoin. Tyypillisin tapa on suorittaa monitekijäanalyysi (malleja, jotka sisältävät useita muuttujia) seuraavilla tavoilla:

• Kiinteän skenaarion määrän luominen
  • Korkean alhaisen leviämisen määrittäminen
  • Välikohtaisten skenaarioiden luominen
• Satunnainen tekijäanalyysi
  • Lukuisat skenaarioiden lukumäärään
  • Monte Carlo Analyysi

Monet analyytikot luovat monimuuttujamallin (malli, jossa on useita muuttujia), liittävät kunkin muuttujan arvoon parhaat arvot ja esittele yhden ennustetun arvon.Mahdollisten todennäköisyysjakauman keskiarvo on se, jolla esiintyy korkeinta todennäköisyyttä. Käyttämällä arvoa jokaiselle muuttujalle, jonka odotetaan olevan todennäköisimpi, analyytikko itse asiassa laskee potentiaalisten arvojen potentiaalijakauman keskiarvon. Vaikka keskiarvolla on informaatioreaktiota, kuten aiemmin todettiin, se ei osoita mahdollisia muutoksia tuloksissa.

Riskianalyysillä pyritään määrittämään todennäköisyys, että tuleva tulos on muu kuin keskimääräinen arvo. Eräs tapa osoittaa vaihtelu on laskea arvio ääri- ja vähiten todennäköisistä tuloksista keskimääräisen positiivisen ja negatiivisen puolen osalta. Yksinkertaisin tapa investointien tai hankkeen mahdollisten tulosten ennustamiseksi on tuottaa ylös- ja taaksepäin tapaus jokaiselle tulokselle ja sitten spekuloida todennäköisyys siitä, että se toteutuu. Kuvio 1 käyttää kolmea skenaariomenetelmää, jossa arvioidaan peruskotelo (B) (keskimääräinen arvo), ylössuojakotelo (U) ja huono tapaus (D).

Kuva 1

Esimerkiksi yksinkertainen kaksi tekijäanalyysi:
Arvo V = Variable A + Variable B, jossa jokainen muuttujan arvo ei ole rajoitettu.

Antamalla kaksi A: n ja B: n äärimmäistä ylös- ja alaspäin-arvoa, saisimme sitten kolme skenaarioarvoamme. Olettaen, että todennäköisyys esiintyy, oletetaan:
50% arvolle (B) = 200
25% arvolle (U) = 300
25% arvolle (D) = 1 00 > Todennäköisyyksien määrittämisessä on osoitettava, että todennäköisten summien summa on 100%. Piirtämällä nämä arvot ja niiden todennäköisyydet voimme päätellä melko raaka-uskottavuusjakauman (kaikkien laskettujen arvojen jakautumisen ja näiden arvojen todennäköisyyden). Kehittämällä ylös- ja taaksepäin tapauksia aloitamme ymmärtämyksen muista mahdollisista paluutuloksista, mutta on olemassa monia muita potentiaalisia tuloksia joukossa, jota ääritapaukset ja haittatekijät ovat jo arvioineet.

Kuvassa 2 on esitetty yksi menetelmä kahden ääripään välisten tulosten kiinteän määrän määrittämiseksi. Olettaen, että jokainen muuttuja toimii itsenäisesti, eli sen arvo ei ole riippuvainen minkä tahansa muun muuttujan arvosta, voimme tehdä kunkin muuttujan ylösalaisin, perus- ja haittatapauksen. Yksinkertaisessa kahden tekijän mallissa tämän tyyppinen analyysi johtaisi yhteensä yhdeksään tulokseen. Kolmen tekijän malli, joka käyttää kolmea potentiaalista tulosta kullekin muuttujalle, päätyisi 27 tulokseen ja niin edelleen. Yhtälö tulosten kokonaismäärän määrittämiseksi tällä menetelmällä on
( Y X ⁾ , missä Y = kunkin tekijän mahdollisten skenaarioiden määrä ja X = mallin määrää tekijöitä. (Katso lisää Modern Portfolio Theory Stats Primer .) Kuva 2

Kuviossa 2 on yhdeksän lopputulosta, mutta ei yhdeksän erillistä arvoa. Esimerkiksi BB: n tulos voi olla yhtä suuri kuin tulos DU tai UD. Tämän tutkimuksen lopettamiseksi analyytikko antaisi todennäköisyydet kutakin lopputulosta varten ja lisää sitten nämä todennäköisyydet mille tahansa samanlaiselle arvolle.Odotamme, että arvo, joka vastaa keskiarvoa, tässä tapauksessa BB, näyttäisi eniten aikaa, koska keskiarvo on suurin todennäköisyys. Samankaltaisten arvojen esiintymistiheys lisää todennäköisyyden esiintymistä. Mitä enemmän kertaa arvot eivät toistu, varsinkin keskiarvo, sitä todennäköisempää, että tulevat tuotot ovat jotain muuta kuin keskiarvo. Mitä enemmän tekijöitä on mallissa ja mitä enemmän tekijä skenaarioita yksi sisältää, sitä suuremmat mahdolliset skenaarioarvot lasketaan, mikä johtaa vankkaan analyysiin ja mahdollisen investoinnin riskiin.

Skenaarioanalyysin haitat

Tämäntyyppisten kiinteiden lopputulosanalyysien tärkein haitta on arvioitu todennäköisyys ja loppuraportti rajoittaa äärimmäisten positiivisten ja negatiivisten tapahtumien arvot. Vaikka ne voivat olla pienet todennäköisyystapahtumat, useimmilla investoinneilla tai sijoitussalkkuilla voi olla erittäin suuria positiivisia ja negatiivisia tuottoja. Sijoittajien on muistettava, että vaikka ne eivät tapahdu usein, nämä vähäiset todennäköisyystapahtumat tapahtuvat ja riskianalyysi auttaa ratkaisemaan, ovatko nämä mahdolliset tapahtumat sijoittajan riskinsietokyvyn sisällä. (Katso lisätietoja
Riskitoleranssin muokkaamisesta ja Vain riskinsiirtymä kertoo puolet tarinasta .) Menetelmä edellisten esimerkkien ongelmien kiertämiseksi on äärimmäinen monimuuttujamallien kokeiden lukumäärä. Satunnaislaskennan analyysi suoritetaan suorittamalla tuhansia ja jopa satoja tuhansia itsenäisiä kokeita tietokoneen kanssa, jotta voidaan määrittää arvot tekijöihin satunnaisesti. Yleisimpiä satunnaiskertoimen analyysiä kutsutaan "Monte Carlo" -analyysiksi, jossa tekijäarvoa ei arvioida vaan valitaan satunnaisesti joukosta, jonka rajoittavat muuttujat oma todennäköisyysjakauma.

. Päätelmä Sijoitustoiminnan raportoinnin asettamissa standardeissa varmistetaan, että sijoittajilla on riskiprofiili (suorituskyvyn vaihtelu) investointien aikaisempi tulos. Koska menneisyydellä ei ole mitään vaikutusta tulevaisuuden riskiin tai tuottoihin, sijoittajien tai yritysten omistajien on määritettävä sijoitustensa tuleva riski luomalla pro forma -malleja. Mikä tahansa ennuste tuottaa vain kyseisen aloitteen odotettua tai keskimääräistä arvoa. tulos, jonka analyytikko uskoo esiintyvän suurimmalla todennäköisyydellä. Suorittamalla skenaarioanalyysi sijoittaja voi tuottaa riskiprofiilin ennustetulle sijoitukselle ja luoda perustan mahdollisten sijoitusten vertaamiseksi.