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。

3.4.2　与风险调整型估值法的互补性或替代性

就像我们在决策树和模拟算法讨论中提到过的，这些方法既可以被用于风险调整型估值法的补充方式，也可作为其替代方法。在另一方面，情景分析总是互补于风险调整型估值法，因为它不涉及所有的可能结果。

在把这些方法中的何一个当做风险调整型估值法的补充形式时，我们在本章提出过的相关警示不仅仍然有效，并且值得在这里重新阐述。所有这些方法都是使用预期现金流，而不是调整过风险的现金流，而且使用的贴现率应该是调整过风险的贴现率。无风险利率不能用于贴现预期现金流。在所有三种方法里，我们仍然保留着相当的灵活性，可对不同结果改变调整过风险的贴现率。由于所有这些方法也为评估值提供了一个范围和一个变异性指标（决策树里终端节点价值或模拟算法中价值的标准差），所以，很重要的一点是我们不要双倍计入风险。换言之，如果我们用一个调整过风险的利率贴现一项风险投资的现金流（在模拟法和决策树里），然后，就因为这个价值的变异性高而放弃这项投资——这显然不是一个合理的做法。

无论是模拟算法还是决策树，都可作为风险调整型估值法的替代方式，但它们的推导过程必须附加约束。首先，为了求取价值，现金流必须以无风险利率进行贴现。其次，我们再把通过这两种方法获得的价值的可变性指标作为衡量投资的风险指标。在模拟算法中，若两项资产所得预期价值（以无风险利率作为贴现率算得的）相同，那么我们就把模拟价值可变性低的那项资产作为较好的投资。我们这样做实际上是在假设，对于投资决策而言，我们计入模拟运算的所有风险都是相关的。实际上，我们这里无视了在各种风险之间划好的界线，即在一个投资组合里可以分散掉的风险与现代金融据此建立的资产专属风险是有区别的。对于把其财富完全投入到一项资产的投资者，上述做法应该是合理的。对于一个正在比较两个风险性股票，并考虑把其中之一加入自己的多元化组合账户的经理而言，这样做会导致一个误估的结果。被放弃的具有较高模拟价值方差的股票，可能与组合账户里其他投资没有关联性，因而几乎没有边际风险。