Local EPUB Text
3.4 概率风险评估方法综述
既然我们已经研究过了情景分析、决策树和模拟算法，那么我们不仅要考虑哪一种方法何时更合适，还要探究这些方法与风险调整型价值法是互补的还是替代的。
3.4.1 方法比较
假设你决定采用概率方法评估风险，且可以在情景分析、决策树和模拟算法之间做选择，那么你会挑选哪一种方法呢？答案取决于你计划如何使用相关的输出结果和你面临的风险类型。
●有选择的风险分析和全型风险分析。在最佳/最差情景分析里，我们仅仅研究三种情景（最佳情景、最可能的情景和最差情景），并忽略其他所有情景。即便考虑多重情景，我们也不会对出自风险性投资或资产的所有可能结果进行完整的评估。对于决策树和模拟法，我们试图考虑所有的可能结果。在应用决策树时，我们的做法是，把连续性的风险转化为一组可掌控的可能结果。至于模拟算法，我们可以运用分布来捕捉所有的可能结果。就概率而言，我们在情景分析中探究的情景概率总值可能小于1。另一方面，决策树和模拟法的结果概率加总值必须等于1。所以，我们能以概率为权重在后者的各种结果中计算预期价值。这些预期价值相当于我们第2章单点评估的风险调整型的价值。
●离散风险和连续风险。情景分析和决策树通常是围绕分析事件的离散结果进行的，而模拟算法则更适合于连续性风险。仅就情景分析和决策树而言，后者更适用于贯风险，因为这种风险是按阶段考虑的。前者更易于在并发类风险环境中使用。
●风险的关联性。如果一项投资所含的各种风险都是相互关联的，模拟算法则可以明确地模拟这些关联性（假设你能够评估和预测它们的话）。在情景分析里，我们可以主观地处理这些关联性，方法是拟定内含这些风险的相关情景。高（或低）利率的情景通常会内含更低（或更高的）经济增长。关联风险很难在决策树的方法里进行模拟。
表3-6概述了相关的风险类别和概率方法的关系。
最后，信息质量会是你选择方法时要考虑的一个因素。因为模拟算法主要取决于能否评估相关的概率分布及其参数，所以它需要使用大量的历史和板块数据。至于决策树，需要的是每个机会节点结果的概率评估值。最适合它们评估的风险，要么是可以采用过往数据的，要么是具有群体特征的。因此正常的情况是，在面临新型或不可预测的风险时，分析师都会先后转向情景分析——尽管这种风险处理方式有其草率性和主观性。