Карта и территория. Риск, человеческая природа и проблемы прогнозирования

Идентификация токсичных активов

Еще одно препятствие для прогнозирования и формулирования политики состоит в том, что мы пытаемся заранее определить, какие активы или рынки могут стать токсичными и спровоцировать кризис. В начале 2000-х гг., несмотря на мнение многочисленных комментаторов, судящих задним числом, не было очевидно, что именно низкокачественные ценные бумаги станут токсичными. Облигации, обеспеченные долговыми обязательствами, с рейтингом ААА на основе низкокачественных ипотечных кредитов, выданных в 2005 г., например, успешно покупались по номинальной стоимости до середины 2007 г. До самого кризиса за них предлагали более 90 % номинала. К марту 2009 г., через полгода после начала кризиса, их стоимость упала до 60 % от номинала14.

Банкиры, как и все другие управляющие активами, стараются избегать концентрации связанных активов в портфелях, сформированных с массированным использованием заемных средств, во избежание их одновременного падения. Тем не менее в итоге именно такие активы — секьюритизированные ипотечные кредиты — сконцентрировались на балансах бесчисленных банков как в США, так и в других странах. В то время даже съевшие собаку на оценке активов считали их достаточно надежными. Большинство лишь в ретроспективе могут отличать хорошие активы от плохих. Секьюритизация породила обманчивое ощущение финансового благополучия. Крупные пакеты внешне диверсифицированных ипотечных кредитов казались намного менее рискованными, чем отдельно взятые ипотечные кредиты. Однако если все эти ипотечные кредиты чувствительны к одному и тому же макрошоку (падению стоимости жилья), то риск оказывается намного выше, а диверсификация — намного ниже, чем полагают инвесторы.

Регуляторы, по моему опыту, дают такие оценки ничуть не лучше, чем инициаторы инвестиций. Именно по этой причине я давно говорю, что регуляторы должны позволить банкам покупать (в рамках лимитов) все, что они посчитают нужным, и установить высокие общие требования к собственному капиталу, резерву для покрытия убытков, которые так или иначе случатся, но которые невозможно предвидеть15. Как я показываю в главе 5, регулирование, которое сильно зависит от прогнозов регулятора относительно качества кредитных портфелей, практически всегда оказывается неэффективным.

Опасайтесь успешной политики

Все спекулятивные пузыри имеют примерно одинаковую траекторию развития и временные рамки, в которых пузырь надувается16. Пузыри нередко возникают на ожиданиях стабильного долгосрочного роста производительности и объемов производства в сочетании со стабильными ценами.

Почти четверть века с 1983 по 2007 г. продолжался период очень незначительных рецессий и внешне чрезвычайной стабильности. Но затянувшаяся экономическая стабильность — это фитиль, который способен взорвать пузырь. Нужно лишь, чтобы небольшая часть участников рынка воспринимала изменение как структурное. Четверть века стабильности очевидно ведет к интоксикации. Стадное поведение становится главенствующим и усиливает восходящий тренд.

Центральные банки столкнулись с тем, что их успех в обеспечении стабильности цен закладывает основу для формирования ценовых пузырей. Этот вопрос волновал меня в течение многих лет. Я поделился своими опасениями на заседании Комитета по операциям на открытом рынке ФРС в мае 1995 г. «Дисбаланс, который подразумевает этот [текущий] прогноз есть не что иное, как ценовой пузырь… Я не уверен, что мы на этом этапе знаем, как или каким именно образом следует реагировать на него, и отважимся ли мы… Я надеюсь, что экономика будет лишь немного менее спокойной, растущей и оживленной из-за того, что конечный результат этого оказался не слишком полезным»17.

Что делать с этим, остается проблемой, не имеющей простого решения, по крайней мере, на сегодняшний момент. Когда стадное поведение инвесторов превращает «скептиков» в «оптимистов», у цен на акции, капиталовложений и экономики не остается иного пути, кроме как вверх. Несмотря на разнообразие активов и игроков, многочисленные пузыри последнего столетия развивались по одной и той же схеме.

История повторяется

Все-таки, учитывая повторяемость истории, я никогда не мог отделаться от общей идеи о том, что годы экономического роста, прерываемые незначительными спадами, ведут нас в конечном счете к сокрушительным финансовым кризисам. Как я отмечал в 2000 г., «мы не знаем и, наверное, не можем знать точный характер следующего международного финансового кризиса. То, что он будет, настолько же очевидно, насколько очевидно упорное неблагоразумие людей в области финансов»18. Есть убедительные доказательства того, что такие события, хотя они и происходят один или два раза в столетие, слишком закономерны и похожи друг на друга по характеру.

В последующих главах я более детально рассмотрю причины нынешнего кризиса и его последствия, дам оценку инструментам, которые мы, экономисты, создали, чтобы заглядывать в будущее, а также разберу основные расхождения в политике, которыми страдала экономическая наука в последние годы. Каждая политическая инициатива отражает одновременно видение будущего и представления о том, как работает экономика. Нынешние дебаты являются частью непрерывной эволюции экономического прогнозирования.

Основы регрессионного анализа

Астрономы могут предсказать, во сколько именно взойдет солнце за окном моей спальни через шесть месяцев. У экономистов нет такой возможности. Чтобы увидеть будущее, мы обращаемся к истории, выделяем «движущие силы» прошлых экономических событий и считаем, что они продолжат действие и в будущем. Другими словами, мы стремимся понять, что определяло поток капиталовложений в прошлом и куда они пойдут, если те же силы продолжат действовать в будущем. Чтобы облегчить решение этой сложной задачи, экономисты обращаются к такой дисциплине, как регрессионный анализ19 — статистическому методу, в основе которого лежит анализ вероятности, хорошо знакомый любителям азартных игр.

Исходные данные для прогнозирования деловой активности — это большие массивы временных рядов, которые относятся, например, к розничным продажам, промышленному производству или к объему строительства новых домов. Мы стараемся понять экономические факторы, которые определяют, скажем, месячный объем строительства односемейных домов, и пытаемся спрогнозировать его. В результате общения со строителями я могу для начала взять цены на дома и число создаваемых домохозяйств в качестве объясняющих переменных. Мы называем анализируемые временные ряды зависимыми переменными, а факторы, объясняющие их, — цены на дома и число создаваемых домохозяйств — независимыми переменными. Регрессионный анализ статистически показывает, как изменение любой независимой переменной влияет на объем строительства новых домов. Смысл такого фильтрования состоит в том, что он позволяет получить относительные статистические веса — коэффициенты, — которые в случае применения к ценам на дома и числу создаваемых домохозяйств дают «аппроксимированные» временные ряды, максимально близкие к историческим данным по объему строительства новых домов.

Обладая этими данными, мы можем измерить долю отклонений (дисперсию) зависимой переменной, которая «объясняется» флуктуациями независимых переменных в модели. Эту долю мы называем коэффициентом множественной регрессии (R2). Чем выше R2, тем ближе аппроксимированные временные ряды к историческим рядам. При значении 1,0 модель точно предсказывает реальные ряды данных и полностью объясняет дисперсию зависимой переменной.

Однако надежность результатов зависит от ряда математических условий, предъявляемых к регрессионным переменным. Например, независимые переменные не должны коррелировать друг с другом, т. е. цена дома не должна коррелировать с числом создаваемых домохозяйств. Плюс к этому регрессионные остатки, т. е. разница между фактическим объемом строительства новых домов и его аппроксимированным (расчетным) значением в каждом периоде, не могут быть «сериально коррелированными», другими словами, остатки одного периода не могут влиять на остатки следующего.

В реальности эти условия практически никогда не выполняются. Специалисты по статистике изобрели способы измерять и частично устранять эффект невыполнения необходимых допущений. Например, статистика Дарбина — Уотсона (D — W) характеризует степень сериальной корреляции остатков. D — W варьирует от 0 до 4,0. D — W, равная 2,0, означает, что остатки не коррелируют, а D — W менее 2,0 указывает на положительную сериальную корреляцию, которая приводит к завышению статистической значимости независимых переменных (см. обсуждение t-статистики и статистической значимости ниже)20. Сериальная корреляция характерна практически для всех экономических временных рядов, так как остаток предыдущего квартала в реальности оказывают влияние на остаток текущего квартала. Преобразование уровня временных рядов в абсолютное изменение снижает сериальную корреляцию регрессии, однако при этом теряется важная информация. Лично я при анализе предпочитаю иметь дело с сериальной корреляцией.