II Ogólnopolska Studencka Konferencja

Matematyki Finansowej i Ubezpieczeniowej

pod tytułem:
”Matematyka a zapobieganie kryzysom finansowym”

Wzór, który wywołał kryzys

Autorzy:
Karolina Dziedzic
Wojciech Antoniak

SKN TRiADA
UNIWERSYTET ŁÓDZKI
Wydział Matematyki i Informatyki

17 kwietnia 2009
1 Wstęp
Nie ma już chyba osoby, która nie słyszałaby o ogarniającym świat kryzysie.
Niektórych jego skutki dotknęły nas bardziej, innych mniej. Ekonomiści ostrze-
gają, że kryzys jeszcze się nie skończył, a być może - co gorsza - jeszcze nie
osiągnął apogeum. Większość wie, że zapoczątkował go krach na amerykańskim
rynku kredytów hipotecznych subprime1 . Jednak nie wszyscy zastawiali się lub
zdają sobie sprawę z tego, co wywołało tą sytuację. Mówi się o błędnie sza-
cowanym ryzyku związanym z wyceną owych kredytów hipotecznych, chciwości
bankierów, błędach rynku - jednak co umożliwiło rozwój takich wydarzeń? Choć
wydaje się to niemożliwe wszystko zaczęło się od jednego człowieka i jego formu-
ły, którą przechwycił świat finansów i po niedługim czasie wykorzystywał ją nie
tylko na Wall Street. Wdrożyły ją także banki, agencje ratingowe, korporacje
- słowem wszystkie instytucje związane w mniejszym lub większym stopniu z
wyceną ryzyka.

Człowiek, o którym tu mowa to David X. Li. Pojawił się na arenie finansowej

w 1997 roku, kiedy to zaczął pracę w nowojorskiej siedzibie Canadian Imperial
Bank of Commerce2 - gdzie zajmował się nowym wówczas rynkiem pochodnych
kredytowych - a następnie w 2004 przeniósł się wiodącego banku inwestycyjne-
go Barlay’s Capital. Skąd właściwie skąd wziął się człowiek, który ”wywołał”
światowy kryzys. Jego krótką biografię można zleźć na wielu stronach interne-
towych. Urodził się i dorastał w latach 60-tych w wiejskiej części Chin . Jego
ojciec (funkcjonariusz policji) ze względu na czystkę Mao Zedonga postanowił
uciec wraz z rodziną na wieś. David X. Li był wyróżniającym się uczniem. Tytuł
magistra z nauk ekonomicznych otrzymał na uniwersytecie w Nankai. Po wyjeź-
dzie z kraju skończył studia MBA na Laval University w Qubeck (Kanada), a
następnie studia doktoranckie na Waterloo University (Kanada). Jednak płace
uniwersyteckie nie mogły równać się z tymi oferowanymi przez wielkie instytucje
finansowe. Tak wic Li rozpoczął pracę jako quant.

Jego artykuł ”On Default Correltaion: A Copula function Approach” i opi-

sany w niej model - opublikowana w 2000 roku na łamach Journal of Fixed
Income - zawojował świat.

2 Zastosowanie kopuły w modelowaniu ryzyka

Li uważał, że:
”Default is like the death of a company, so we should model this the
same way we model human life”.
1 Kredyty subprime (ang. subprime loan / subprime mortgage) udzielane były osobom o

niskiej zdolności kredytowej, zwykle o wyższej stopie procentowej ale też bardziej ryzykowne.
2 Canadian Imperial Bank of Commerce, w skrócie CIBC - czwarty co do wielkości bank w

Kanadzie, należący do tak zwanej Wielkiej Piątki.

1
W swoim modelu wykorzystał oznaczenia i terminologię zaczerpniętą z nauk ak-
tuarialnych - a dokładniej z matematyki ubezpieczeń na życie, gdzie przewiduje
się dalszy czas życia człowieka. Przypomnimy krótko te oznaczenia.

2.1 Time until default

Definicja 1 (Czas do bankructwa) Niech ciągła zmienna losowa TA o gę-
stości f : R → [0, +∞), oznacza dalszy czas trwania życia jednostki A w wieku
x , czyli czas jaki pozostał jednostce do śmierci. Zmienną tą nazywać będziemy
czasem do bankructwa (ang. time until default).

Definicja 2 (Dystrybuanta, Funkcja przeżycia) Dystrybuantą (ang. distri-

bution function) zmiennej losowej TA nazywamy funkcję F : R → [0, 1] zdefi-
niowaną:
F (t) = P (TA ¬ t), dla t ∈ R (1)
Funkcją przeżycia (ang. survival function) zmiennej losowej TA nazywamy funk-
cję S : R → [0, 1] daną jako:

S(t) = 1 − F (t) = P (TA > t), dla t ∈ R (2)

Aby rozważać dalszy czas trwania życia jednostki w wieku x należy wpro-
wadzić jeszcze dwie pomocnicze notacje:

S(x + t)
t qx = P (TA ¬ t + x|T > x) = , dla t ­ 0
S(x)
(3)
S(x) − S(x + t)
t px = 1 −t qx = P (TA > t + x|T > x) = , dla t ­ 0
S(x)

gdzie t qx oznacza prawdopodobieństwo, że jednostka nie przeżyje następnych t

lat pod warunkiem, że przeżyła x lat (t px prawdopodobieństwo zdarzenia prze-
ciwnego).

Zauważmy, że dystrybuanta F , funkcja przeżycia S oraz gęstość f opisują

równoważnie rozkład zmiennej losowej TA . Jednakże rozkład ten najczęściej
w statystyce wprowadza się - także równoważnie - poprzez funkcję hazardu
zdefiniowaną następująco:
Definicja 3 (Funkcja hazardu) Funkcję h : R → [0, +∞) daną jako:

f (x)
h(t) = , dla x ∈ R (4)
1 − F (x)

nazywamy funkcją hazardu (ang. hazard rate function).

Między funkcją hazardu a funkcją przeżycia zachodzi następujący związek:

f (x) F 0 (x) S 0 (x) 0

h(x) = = =− = − (ln S(x)) dla x ∈ R
1 − F (x) S(x) S(x)

2
Po prostym przekształceniu dostajemy:
Rt
− h(s)ds
S(t) = e 0

Z powyższego wynika, że także prawdopodobieństwa warunkowe t px oraz t qx

można wyrazić przy użyciu funkcji hazardu jako:
Rt
− h(s+x)ds
t px =e 0

(5)
Rt
− h(s+x)ds
t qx =1−e 0

Warty zapamiętania jest także prosty do wyprowadzenia wzór:

n+1 qx = n qx + n px · 1 qx+n (6)

wynikający wprost z (5).

2.2 Rozkład Time until default

W celu wyznaczenia rozkładu zmiennej TA można posłużyć się znanymi meto-
dami estymacji na podstawie danych historycznych.

Agencje ratingowe regularnie publikują informacje na temat skali ryzyka

niewypłacalności dla poszczególnych firm. Przykładem może być opublikowa-
ny 20.01.2009r rating dla polskiej firmy PKN Orlen na poziomie Baa3. Na tej
podstawie można określić krzywą kredytową.
Przykład 1 (Określanie krzywej kredytowej) Agencja Moody’s3 publiku-
je współczynniki niewypłacalności dla danej firmy o horyzoncie czasowym od 1
do 20 lat [3]. I tak dla ratingu B skumulowane prawdopodobieństwa dla pierw-
szych pięciu lat wynoszą odpowiednio 7.27%, 13.87%, 19.94%, 25.03% oraz
29.45%. Wówczas obliczenie prawdopodobieństw niewypłacalności w kolejnych
latach pod warunkiem, że firma nie zbankrutowała w poprzednich może być ob-
liczona wprost ze wzoru:
n+1 qx − n qx
qx+n = ,
1 − n qx
który jest przekształceniem (6). Tak więc mamy 1 q1 = 7.27%, 1 q2 = 7.12%,
1 q3 = 7.05%, 1 q4 = 6.36%, 1 q5 = 5.90%. Jeśli przypuścimy, że funkcja hazardu
jest stała na przedziałach [n, n + 1), dla n = 0, 1, 2, 3, 4, to używając równości
(5) możemy uzyskać jej dokładne wartości.
3 Obok Standard&Poor’s oraz Fitch Ratings jedna z najbardziej znanych agencji ratingo-

wych w Stanach Zjednoczonych.

3
Niech x ∈ [n, n + 1) dla n = 0, 1, 2, 3, 4, wówczas:
Rt Rt
− h(x+t)dt − h(x)dt
1 qx =1−e 0 =1−e 0 = 1 − e−h(x) ⇔ h(x) = − ln(1 − 1 qx )

W ten sposób otrzymujemy:

 
 − ln(1 − 1 qx )


dla x ∈ [0, 1) 


0.075 dla x ∈ [0, 1)

 − ln(1 − 2 qx ) dla x ∈ [1, 2) 
 0.074 dla x ∈ [1, 2)
h(x) = − ln(1 − 3 qx ) dla x ∈ [2, 3) ≈ 0.073 dla x ∈ [2, 3)

 


 − ln(1 − 4 qx ) dla x ∈ [3, 4) 
 0.066 dla x ∈ [3, 4)
 
− ln(1 − 5 qx ) dla x ∈ [4, 5) 0.061 dla x ∈ [4, 5)

Co jest zilustrowane na poniższym rysunku:

Rysunek 1: Funkcja hazardu

W jednej ze swych prac David X. Li [1] zaproponował podejście do modelo-

wania funkcji hazardu zmiennej losowej TA opierając się na aktualnych danych
z rynku. Twierdził, że z uwagi na zbliżony sens ekonomiczny rozkład rzeczonej
zmiennej losowej przypominać powinien krzywa zysku4 (ang. yield curve), więc
może być interpretowany jako krzywa kredytowa (ang. credit curve). Obecnie
funkcjonuje wiele sposobów konstrukcji krzywej kredytowej, jednak z miejsca
ekonomii nie będziemy się tym zajmować, gdyż nie jest to główny cel naszego
referatu.
4 Krzywa zysku (lub krzywa dochodowości) reprezentuje zależność stopy dochodu od dłu-

gości okresu, którego ta stopa dotyczy; inaczej mówiąc jest to ilustracja graficzna struktury
terminowej stóp procentowych.

4
2.3 Kopuła
Przechodząc powoli do meritum tematu, zajmiemy się teraz omówieniem kopu-
ły, funkcji stanowiącej podstawę modelu Li. Kopuła jest ważną częścią staty-
styki. Używa się jej do wyznaczania wielowymiarowych rozkładów zmiennych
losowych. Podamy jej definicję i podstawowe własności.
Definicja 4 (Kopuła) Kopułą (ang. Copula function) nazywamy funkcję C :
[0, 1]n → [0, 1], dla n ∈ N, określoną jako:

C(u1 , u2 , . . . , un ) = P (U1 ¬ u1 , U2 ¬ u2 , . . . , Un ¬ un ) (7)

gdzie (u1 , u2 , . . . , un ) ∈ [0, 1]n i U1 , U2 , . . . , Un są zmiennymi losowymi o rozkła-

dzie jednostajnym na odcinku [0, 1].
Zanim omówimy podstawowe własności kopuły przypomnimy krótko sposób od-
wracania dystrybuanty. Jak wiadomo w przypadku dystrybuant ściśle rosnących
nie stanowi to większego problemu. Kłopot może pojawić się, gdy rozważamy
funkcję, która nie jest ściśle monotoniczna. Wówczas przyjmujemy następującą
uogólnioną definicję:
Definicja 5 Niech F : R → [0, 1] będzie dystrybuantą, wówczas funkcja:

F −1 (t) := inf{x ∈ R : t ¬ F (x)}, dla t ∈ [0, 1] (8)

jest jej funkcją odwrotną.

Powyższą definicję ilustruje przykład:
Przykład 2 Niech dana będzie dystrybuanta F dana wzorem:


 0 x<0
 1
4 x ∈ [0, 1)
F (x) = 1 1

 + x x ∈ [1, 2)
 4 4
1 x­2

Korzystając z definicji 5 otrzymujemy, że funkcja odwrotna do powyższej dys-

trybuanty jest postaci:

 0 y = 14
−1
F (y) = 4y − 1 y ∈ [ 12 , 34 )

2 y=1

Można teraz sformułować własności kopuły:

Własność 1 Mając dane dystrybuanty F1 , F2 , . . . , Fn : R → [0, 1], dla n ∈ N
funkcja
F (x1 , x2 , . . . , xn ) := C(F1 (x1 ), F2 (x2 ), . . . , Fn (xn )
dla (x1 , x2 , . . . , xn ) ∈ Rn , zdefiniowana przy pomocy kopuły jest dystrybuantą
wielowymiarową o rozkładach brzegowych danych dystrybuantami F1 , F2 , . . . , Fn .

5
 Rysunek 2: Wykresy funkcji F i F −1

Dowód. Dla dowolnego (x1 , x2 , . . . , xn ) ∈ Rn mamy:

C(F1 (x1 ), F2 (x2 ), . . . , Fn (xn )
= P (U1 ¬ F1 (x1 ), U2 ¬ F2 (x2 ), . . . , Un ¬ Fn (xn ))
= P (F1−1 (U1 ) ¬ x1 , F2−1 (U2 ) ¬ x2 , . . . Fn−1 (Un ) ¬ xn )
= P (X1 ¬ x1 , X2 ¬ x2 , . . . , Xn ¬ xn )
= F (x1 , x2 , . . . , xn )
∀i∈{1,2,...,} F (+∞, . . . , +∞, xi , +∞, . . . , +∞)
= P (X1 ¬ +∞, X2 ¬ +∞, . . . , Xi ¬ xi , . . . , Xn ¬ +∞)
= P (Xi ¬ xi )
= Fi (xi ),
gdzie Xi dla i ∈ {1, 2, . . . , n} jest zmienną losową postaci Xi = Fi−1 ◦ U .
¥
Dla uproszczenia zapisu dalej rozważamy tylko własności kopuły dwuwymiaro-
wej.
Własność 2 Prawdziwe są następujące własności:
A. Dla dowolnych u1 , u2 ∈ [0, 1] zachodzi C(u1 , 0) = 0 = C(0, u2 )
B. Dla dowolnych u1 , u2 ∈ [0, 1] zachodzi C(u1 , 1) = u1 oraz C(1, u2 ) = u2
C. Dla niezależnych zmiennych losowych U1 , U2 oraz dowolnych u1 , u2 ∈ [0, 1]
zachodzi C(u1 , u2 ) = u1 u2 .
Dowód. Punkt A. i B. wynika wprost z definicji kopuły i własności dystrybu-
anty wielowymiarowej. Zatem dowodu wymaga tylko punkt C. Weźmy dowolne
u1 , u2 ∈ [0, 1], wówczas mamy:
C(u1 , u2 ) = P (U1 ¬ u1 , U2 ¬ u2 ) = P (U1 ¬ u1 )P (U2 ¬ u2 ) = u1 u2

6
 ¥
Sformułujemy dalej twierdzenie uwidaczniające najważniejsze zastosowanie ko-
puły.
Twierdzenie 1 (Sklar) Jeżeli F : Rn → [0, 1], dla dowolnego n ∈ N jest dys-
trybuantą wielowymiarową, o dystrybuantach brzegowych F1 , F2 , . . . , Fn : R →
[0, 1], to istnieje kopuła C : [0, 1]n → [0, 1], taka że dla dowolnego (x1 , x2 , . . . , xn ) ∈
Rn :
F (x1 , x2 , . . . , xn ) = C(F1 (x1 ), F2 (x2 ), . . . , Fn (xn )).
Jeżeli ponadto dla każdego i ∈ {1, 2, . . . , n} dystrybuanta brzegowa Fi jest ciągła
wówczas C jest określone jednoznacznie.
Dowód. Zainteresowanych odsyłamy do [2].

Podamy teraz przykład najczęściej wykorzystywanej kopuły.

Przykład 3 (Dwuwymiarowa kopuła normalna) Dwuwymiarową kopułą nor-
malną5 nazywamy

C(u1 , u2 ) = Φ2,ρ (Φ−1 (u1 ), Φ−1 (u2 )), dla u1 , u2 ∈ [0, 1]

gdzie Φ2,ρ jest dwuwymiarową dystrybuantą normalną o współczynniku korelacji

ρ oraz Φ jest dystrybuantą rozkładu normalnego.

2.4 Sformułowanie modelu

Zaczniemy od przedstawienia w jaki sposób oblicza się prawdopodobieństwo
łączne bankructwa wielu firm w ciągu jednego roku według modelu RiskMe-
trics6 , opisanego dokładnie w [5]. Ograniczymy się do dwóch kredytobiorców A
i B. Niech odpowiednio qA , qB oznaczają prawdopodobieństwa niewypłacalności
kredytobiorców A, B. Następnie znajdźmy liczby ZA , AB takie że:

qA = P (Z < ZA ) oraz qB = P (Z < Zb )

gdzie Z jest zmienną o rozkładzie normalnym standaryzowanym. Jeśli ρ jest

współczynnikiem korelacji między poziomem aktywów firm, to zgodnie z mo-
delem CreditMetrics prawdopodobieństwo, ze obie firmy zbankrutują w ciągu
jednego roku wynosi:
ZZA ZZB
P (Z < ZA , Z < ZB ) = ϕ2,ρ (x, t)dxdy = Φ2,ρ (ZA , ZB ) (9)
−∞ −∞

5 Dwuwymiarowa kopuła normalna swoją nazwę zawdzięcza niemieckiemu statystykowi

Carlowi Friedrichowi Gaussowi.
6 Model RiscMetrics opublikowany został w 1997 roku przez JP Morgan - jednego z najwięk-

szych holdingów finansowych na świecie. Jego działanie polegało na możliwości przenoszenia

ryzyka z jednego instrumentu finansowego na drugi w ciągu danego horyzontu czasowego
(zwykle jednego roku).

7
gdzie ϕ2,ρ , Φ2,ρ oznaczają odpowiednio gęstość i dystrybuantę dwuwymiarowe-
go rozkładu normalnego o współczynniku korelacji ρ.

David X. Li chciał aby jego model był równoważny powyższemu. Przeprowa-

dził on następujące rozumowanie. Używając dwuwymiarowej kopuły normalnej
ze współczynnikiem korelacji γ - nazywanym współczynnikiem korelacji niewy-
płacalności (ang. default correlation) - utworzonej z zmiennych losowych TA , TB
określających czasy do bankructwa firm A i B, prawdopodobieństwo łączne ban-
kructwa obu firm w ciągu roku wynosi:

P (TA < 1, TB < 1) = Φ2,γ (Φ−1 (FA (1)), Φ−1 (FB (−1))) (10)

gdzie FA , FB oznaczają odpowiednio dystrybuanty zmiennych TA , TB . Oznacza-

jąc:

qi := P (Ti < 1) = Fi (1) oraz następnie Zi := Φ−1 (qi ) dla i = A, B

Widać, że (10) jest równoważne (9) jeśli ρ = γ.

Zatem model Davida X. Li jest równoważny podejściu RiscMetrics przy za-

łożeniu że współczynnik korelacji poziomu aktywów i współczynnik korelacji
niewypłacalności są równe. Ponadto bardzo upraszcza obliczenia, dając jako
efekt wyjściowy jedną liczbę.

2.5 Błędne uogólnienia

Tak sformułowany model Li nie był obciążony błędami. Jednak autor postanowił
go uogólnić, aby możliwe było rozważanie dowolnej liczby ryzyk. W ten sposób
dla dowolnego n ∈ N powstawała n-wymiarowa kopuła normalna. Skutkiem tego
była możliwość łączenia papierów wartościowych o dużym prawdopodobieństwie
niewypłacalności w nowe instrumenty finansowe o znikomym ryzyku. Było to
możliwe ze względu na fakt liniowości współczynnika korelacji.

Przykład 4 (Liniowość współczynnika korelacji) Mając dane zmienne lo-

sowe o rozkładzie normalnym X, Y, Z takie, że Cov(X, Y ) = 0.5 oraz Cov(X, Z) =
−0.5, otrzymujemy, że Cov(X, Y + Z) = Cov(X, Y ) + Cov(X, Z) = 0. Czyli
zmienna X jest nieskorelowana z (Y+Z), co w tym przypadku implikuje także
niezależność.

Jednak, bez dodatkowych założeń o strukturze zależności zmiennych loso-

wych, ostatnie wynikanie zachodzi tylko w przypadku, gdy X, Y,Z są zmiennymi
o rozkładach normalnych. Mimo, ze Centralne Twierdzenie Graniczne pozwala
na stosowanie rozkładu normalnego w wielu znanych modelach, to należy za-
uważyć, ze nie jest tak w przypadku badania zależnych zmiennych losowych.
Można powiedzieć, ze wersja uogólniona gubi różnice miedzy niezależnością a
nieskorelowaniem. W sposób dobitny pokazuje to następujący przykład:

8
Przykład 5 (Zmienne losowe niezależne parami.) Wśród układów ortonor-
malnych znany jest układ funkcji Walsha definiowany jako iloczyn funkcji Rade-
machera. Rozważmy następujące trzy zmienne losowe: X, Y, Z : [0, 1] → {−1, 1}
takie, że:

1 ω ∈ [0 12 )
X(ω) :=
−1 ω ∈ [ 12 , 1]

1 ω ∈ [0, 14 ) ∪ [ 12 , 34 )
Y (ω) :=
−1 ω ∈ [ 41 , 12 ) ∪ [ 34 , 1]

1 ω ∈ [0, 41 ) ∪ [ 34 , 1]
Z(ω) :=
−1 ω ∈ [ 14 , 43 )

Łatwo jest sprawdzić, rysując wykresy tych funkcji, że podane zmienne są nie-
zależne parami (a co za tym idzie nieskorelowane).

Rysunek 3: Wykresy zmiennych X, Y, Z

Lecz jako trójka są one zależne, co można sprawdzić wprost z definicji:

P ({ω : X(ω) ∈ {1}, Y (ω) ∈ {1}, Z(ω) ∈ {1}}) =

1 1 1 3 1 3
= P ({ω : ω ∈ [0 ), ω ∈ [0, ) ∪ [ , ), ω ∈ [0, ) ∪ [ , 1]}
2 4 2 4 4 4
1 1
= P ({ω : ω ∈ [0, )}) =
4 4
P ({ω : X(ω) ∈ {1}})P ({ω : Y (ω) ∈ {1}})P ({ω : Z(ω) ∈ {1}})
1 1 1 3 1 3
= P ({ω : ω ∈ [0 )})P ({ω : ω ∈ [0, ) ∪ [ , )})P ({ω : ω ∈ [0, ) ∪ [ , 1]})
2 4 2 4 4 4
1 1 1 1 1
= · · = 6=
2 2 2 8 4
Ponadto model zakłada, że współczynnik korelacji jest stały w czasie, co
także nie jest prawdą - może podlegać on ciągłym modyfikacjom.
Przykład 6 (Zmienność współczynnika korelacji) Rozważmy dwie rozwi-
jające się firmy A i B produkujące pewien produkt. Do momentu gdy nie będą

9
one działać na różnych rynkach współczynnik korelacji między poziomem ich ak-
tywów jest bliski zeru. Natomiast gdy wejdą na rynek międzynarodowy i zaczną
działać na tym samym terenie, współczynnik korelacji poziomu aktywów zmie-
ni się i będzie ujemny. Rozważmy na przykład przypadek gdy firma C opracuje
substytut dobra produkowanego przez firmy A i B, który będzie lepszy ale także
znacznie tańszy. W takim przypadku aktywa obu firm będą się kurczyć, zatem
będą dodatnio skorelowane.

Jak widać współczynnik korelacji może zmieniać się w czasie. W modelu

Davida X. Li jest on stały, wyestymowany na podstawie danych historycznych.
Czyli dla powyższego przykładu może on być zarówno dodatni, ujemny jak i
bliski zeru.

3 Wykorzystanie modelu i skutki

3.1 Charakterystyka udzielania kredytów w USA
Jak już zaznaczyliśmy we wstępie kryzys na rynku amerykańskim rozpoczął uła-
twiony mechanizm udzielania kredytów subprime i koncentracja uwagi pożycz-
kodawców nie na sytuacji finansowej i zdolności kredytowej pożyczkobiorców ale
na zabezpieczeniach kredytów. Oczywiście nie bez znaczenia okazała się również
kwestia błędnego oszacowania realnej wartości owych zabezpieczeń. Oczywiste
jest, że w dobie globalizacji gospodarki finansowej różne segmenty rynku są ze
sobą silnie powiązane. Dlatego też załamanie w przypadku kredytów subprime
szybko przeniosło się na inne działy rynku. Ze względu na powszechnie stoso-
waną sekurytyzację kredytów hipotecznych i innych pochodnych kredytowych
kryzys uderzył nie tylko w banki, które faktycznie udzielały subprime ale tak-
że we wszystkie instytucje uczestniczące pośrednio w refinansowaniu subprime -
firmy ubezpieczeniowe, agencje ratingowe czy też fundusze i banki inwestycyjne.

Dla czytelników mniej zorientowanych tematyką sekurytyzacji instrumen-

tów finansowych omówimy zwięźle ich system działania. Bank - kredytodawca -
udzielając dużej ilości subprime (czyli kredytów bez należytego zabezpieczenia)
zdaje sobie sprawę z ryzyka, które ponosi - niemniej jednak nie jest to dla nie-
go sytuacja komfortowa. Dlatego też korzysta z sekurytyzacji, dzięki której ma
sposobność przetransferowania całości bądź części ryzyka na innych uczestników
rynku. Jest to możliwe poprzez zastosowanie skomplikowanych instrumentów
pochodnych (między innymi Mortage Backed Securities - MBS). Bank zbiera
wszystkie kredyty, a dokładniej zobowiązania przyszłych strumieni pieniężnych
z tytułu ich spłaty i emituje MBS, czyli papiery wartościowe zabezpieczone
hipotekami a następnie odsprzedaje je firmom autoryzowanym do udzielania
gwarancji kredytowych (np. Fannie Mae, Freddie Mac). Firmy te sekurytyzu-
ją zakupione papiery i emitowały własne instrumenty finansowe, które również
mogą być zabezpieczone tzw. Credit Default Swaps (CDS) - to ubezpieczenie
na wypadek niewypłacalności gwaranta. Zatem wszystkie instytucje zamiast za-
rządzać ryzykiem, występowały w roli pośredników, transferując je na innych

10
uczestników. W procesie tym oprócz dwóch wymienionych podmiotów brały
udział także agencje ratingowe, banki inwestycyjne, spółki celowe.

3.2 Użycie modelu

Model Li używany był przez inwestorów do wyceniania ryzyka instrumentów
finansowych, wskazywał strategię jak owo ryzyko minimalizować. Kopuła Gaus-
sowska była innowacją na rynku pochodnych kredytowych i przyczyniła się do
gwałtownego wzrostu tej dziedziny gospodarki.

Jak działała koncepcja Li? Model poprzez wykorzystanie kopuły dawał ja-
ko wyjściowy parametr współczynnik korelacji bankructwa dla danego poola
(koszyka firm) - był on interpretowany jako prawdopodobieństwo, że wszyst-
kie firmy staną się niewypłacalne w z góry określonym czasie. Było to wielkie
uproszczenie dotychczas stosowanych sposobów wyceny ryzyka. Ale tu pojawia
się ważny fakt - korelacja nie jest właściwym wskaźnikiem miary zależności, a
zerowa korelacja nie implikuje niezależności zmiennych. Jednak model w takiej
postaci przyjął się:
”People got very excited about the Gaussian copula because of its
mathematical elegance, but the thing never worked” 7 .
Mimo, że:
”Coassociation between securities is not measurable using correla-
tion”
Jako wynik błędnego użycia modelu, wszystkie emitowane instrumenty mogły
zostać połączone i przetransferowane na obligacje typu AAA. Wynikiem była
możliwość powstania derywaty finansowej zwanej Collateralized Debt Obliga-
tion (CDO) - czyli instrument typu debt-to-debt (dług zabezpieczony długiem).
Skutkowało to takim dzieleniem poola - złożonego z bardzo ryzykownych papie-
rów wartościowych - aby powstały instrumenty o ratingu AAA mimo, że żaden
z jego komponentów nie był bezpieczny. Tworzono zatem instrumenty tak od-
dalone od bazowego, że trudno było powiedzieć co wchodzi w ich skład. Jednak
to nie miało znaczenia, ważna była formuła Li. Ale gdzie podziało się ryzyko,
skoro nagle wszystkie nowopowstałe papiery wartościowe miały rating AAA?
Nikt nie zastanawiał się nad tym pytaniem. Ważne były miliardowe zyski, które
osiągano dzięki błędniej interpretacji wyników.

4 Zakończenie
Historia działania modelu pana Li od razu nasuwa na myśl teorię chaosu i ilu-
strujący ją efekt motyla, którego trzepot skrzydeł wywołuje burzę na drugim
końcu świata. Czy podobnie było w przypadku wykorzystania kopuły Gaus-
sowskiej? Obwinianie jednego człowieka za kryzys światowej gospodarki byłoby
7 Nassim Nicholas Taleb - specjalista z dziedziny pochodnych instrumentów finansowych.

11
błędem. Bo przecież zawiódł zarówno system BESSEL jak i nadzór finansowy
w postaci FED-u. Li opisał model, który został błędnie zinterpretowany przez
bankierów, finansistów, analityków. Sam dobrze zdawał sobie sprawę z jego ogra-
niczeń - jak to określił:
”The most dangerous part is when people believe everything coming
out of it. Investors who put too much trust in it or don’t understand
all its subtleties may think they’ve eliminated their risks when they
haven’t”.

Historia modelu Li nie jest ewenementem w dziejach gospodarki. Historia lubi

się powtarzać. Co pewien czas pojawia się magiczna formuła, z której korzystają
wszyscy, a efekty złego jej wykorzystania prędzej czy później okazują się takie
same.

Literatura
[1] David X. Li, ”On Default Correlation: A Copula Function Approach”, Jo-
urnal of Fixed Income, 2000

[2] A. Sklar, ”Fonctions de rpartition a‘ n dimensions et leurs marges”, Pu-

blications de l’Institut de Statistique de L’Universit de Paris, 1959, Paryż

[3] L. Carty, D. Lieberman, ”Historical Default Rates of Corporate Bond Issu-

er, 1920-1996”, Moodys Investors Service, 1997, Nowy Jork

[4] Felix Salmon, ”Recipe for Disaster: The Formula That Killed Wall Street”,
Wired Magazine, 2009

[5] Ronald Domingues, ”CreditMetrics model”, ronalddomingues.com, 2004

[6] Mark Whitehouse, ”Slice of risk”, The Wall Street Journal, 2005

12