1.4　金融風(fēng)險管理中的信息不對稱

現(xiàn)代金融理論的主要組成部分——完全理性的決策者假設(shè)，雖然在理論上很直觀、很容易理解，但是過于完美而無法實現(xiàn)。因此，行為經(jīng)濟(jì)學(xué)家抨擊了這一觀點，認(rèn)為人們做決策并非總是理性的，很多時候決策就像平常說話一樣隨便，心理學(xué)在決策過程中起著關(guān)鍵作用：

做決策就像平常說話一樣，無論有意還是無意，人們每時每刻都在做著這些事。這實在沒什么好驚訝的，而決策的主題涉及各個方面，從數(shù)學(xué)、統(tǒng)計學(xué)，到經(jīng)濟(jì)學(xué)、政治學(xué)以及社會學(xué)和心理學(xué)[7]。

——丹尼爾·卡尼曼和阿莫斯·特沃斯基

---

[7]　譯者注：此處內(nèi)容并非譯者翻譯，直接引用《選擇、價值與決策》一書的觀點。

完全理性的決策者假設(shè)無法實現(xiàn)的另一個原因是信息不對稱對融資成本和組織估值的影響很大，因此信息不對稱和金融風(fēng)險管理是相輔相成的。也就是說，組織資產(chǎn)估值的不確定性可能會提高借貸成本，從而對組織的可持續(xù)性構(gòu)成威脅。

可見，我們必須從人類的本能去思考那些導(dǎo)致市場失靈的因素。其中，逆向選擇和道德風(fēng)險是導(dǎo)致市場失靈的兩個明顯因素。

1.4.1　逆向選擇

逆向選擇是信息不對稱的一種，其中一方試圖利用其信息優(yōu)勢占取另一方的便宜。當(dāng)賣家比買家更了解產(chǎn)品情況時，就會出現(xiàn)這種情況。這種現(xiàn)象稱為“檸檬市場”，即次品市場（檸檬在美國俚語中指“殘次品”或“不中用的東西”），又稱阿克洛夫模型，因為是著名經(jīng)濟(jì)學(xué)家喬治·阿克洛夫在其論文“The Market for Lemons”中提出的。

阿克洛夫在其論文中假設(shè)了一個劣質(zhì)和優(yōu)質(zhì)汽車都有的市場，即使賣家說得天花亂墜，買家也不太相信賣家的話，因為他們知道很可能會購買到劣質(zhì)車，。買家唯一的辦法就是壓低價格以避免信息不對稱所帶來的損失風(fēng)險。買家提出的過低的價格也使賣家不愿意提供高質(zhì)量的產(chǎn)品，從而導(dǎo)致低質(zhì)品充斥市場，高質(zhì)品被逐出市場，最終導(dǎo)致整個市場萎縮。

由于逆向選擇的復(fù)雜性和不透明性，金融危機(jī)前的抵押貸款市場是用于講解逆向選擇的一個很好的例子。借款人比貸款人更了解他們的支付意愿和能力。金融風(fēng)險是通過貸款的證券化（即基于抵押貸款的證券產(chǎn)品）產(chǎn)生的。從那時起，信息越來越不對稱，最終導(dǎo)致整個市場像前面例子中的汽車市場一樣萎縮崩潰[8]。

---

[8]　譯者注：這個說法雖然不嚴(yán)謹(jǐn)，但是從某個角度講，還是有道理的。

現(xiàn)在，我們用Python對逆向選擇進(jìn)行建模。由于在保險行業(yè)很容易觀察到逆向選擇，所以將以保險行業(yè)為例建模逆向選擇。

我們假設(shè)消費者效用函數(shù)為：

其中，x表示收入，希臘字母γ對應(yīng)后面代碼中的gamma（In [11]）。

消費者效用函數(shù)是一種用來表示消費者對商品和服務(wù)偏好的工具，它與風(fēng)險厭惡者和風(fēng)險喜好者相關(guān)[9]。

---

[9]　譯者注：搜索關(guān)鍵詞“效用函數(shù)與風(fēng)險厭惡”，了解相關(guān)信息。

我們將從均勻分布中隨機(jī)采樣（In [12]）。

我們假設(shè)收入為2美元，出事故后出險成本為1.5美元（In [14]）。

最后，定義保險供給和保險需求函數(shù)（In [15]和In [16]）：

In [10]: import matplotlib.pyplot as plt
         import numpy as np
         plt.style.use('seaborn')
　
In [11]: def utility(x):
             return(np.exp(x ** gamma)) ?
　
In [12]: pi = np.random.uniform(0,1,20)
         pi = np.sort(pi) ?
　
In [13]: print('The highest three probability of losses are {}'
               .format(pi[-3:])) ?
         The highest three probability of losses are [0.834261   0.93542452
         0.97721866]
　
In [14]: y = 2
         c = 1.5
         Q = 5
         D = 0.01
         gamma = 0.4 
　
In [15]: def supply(Q):
             return(np.mean(pi[-Q:]) * c) ?
　
In [16]: def demand(D):
             return(np.sum(utility(y - D) > pi * utility(y - c) + (1 - pi)
                           * utility(y))) ?
　
In [17]: plt.figure()
         plt.plot([demand(i) for i in np.arange(0, 1.9, 0.02)],
                  np.arange(0, 1.9, 0.02),
                  'r', label='insurance demand')
         plt.plot(range(1,21), [supply(j) for j in range(1,21)],
                  'g', label='insurance supply')
         plt.ylabel("Average Cost")
         plt.xlabel("Number of People")
         plt.legend()
         plt.show()

? 定義消費者效用函數(shù)。

? 從均勻分布中隨機(jī)采樣。

? 選擇最后3個樣本。

? 定義保險供給函數(shù)。

? 定義保險需求函數(shù)。

結(jié)果如圖1-2所示[10]。我們可以看到，供求兩條曲線都是向下傾斜的，這體現(xiàn)了信息不對稱會導(dǎo)致保險市場像前面例子中的汽車市場一樣，價格不斷降低，市場逐漸萎縮[11]。

---

[10]　譯者注：代碼使用了隨機(jī)數(shù)，所以讀者的代碼運行結(jié)果可能與圖1-2不一致，但是原理是一樣的。

[11]　譯者注：這個說法不嚴(yán)謹(jǐn)，但是實現(xiàn)了用最少代碼量和篇幅講解逆向選擇的目的。

圖1-2　逆向選擇

1.4.2　道德風(fēng)險

除了逆向選擇，另一個因素是道德風(fēng)險。道德風(fēng)險和逆向選擇一樣，其根本原因都是信息不對稱。我們可以從信貸市場上找到一個簡單的例子：假設(shè)實體A向銀行B申請貸款用于銀行B認(rèn)為可行的項目，但是實體A將這筆貸款用于支付銀行C的信貸債務(wù)，而沒有事先通知銀行B，這就會產(chǎn)生道德風(fēng)險。從這個例子可以看到，由于信息不對稱，銀行可能會遇到道德風(fēng)險，從而降低銀行的貸款欲望，這也是銀行在信貸配置過程中不得不投入大量人力的原因之一。