Professor Frank Knight, oprichter van de Chicago School of Economics, schreef in 1921 een dissertatie over ondernemen, met als centrale thesis dat risico onzekerheid wordt als er geen waarschijnlijkheidsverdeling uit het verleden beschikbaar is. Hoe ziet dat eruit voor de post-COVID-19-wereld?

   

Het was velen al duidelijk dat volatiliteit en correlatie, de risico-indicatoren in de huidige toezichtkaders voor de financiële sector, niet goed bruikbaar zijn om het risico van een asset class of product voor langeretermijnbeleggers te duiden. Volatiliteit is immers erg afhankelijk van de meetperiode, hetgeen ik in een eerdere column al eens heb geïllustreerd aan de hand van het voorbeeld van Emerging Market Debt in lokale valuta. Ik liet toen zien dat over perioden van langer dan drie jaar de volatiliteit van de rendementen in euro’s van deze EM-obligaties zelfs beneden de volatiliteit van obligaties van de euro-landen lag (periode 2002 – 2018). Ook correlatie is vaak een slechte maatstaf. Weliswaar geeft het inzicht in hoeverre assets in dezelfde richting bewegen, maar het zegt niets over de relatieve omvang van die beweging, de drawdown. En de grootte van de potentiële drawdown is wel het belangrijkste voor de solvabiliteit van financiële instellingen.

   

Wat betekent dit nu in een wereld waarin, naar mijn verwachting, Covid-19 langere tijd aanwezig zal zijn? Een statistisch bruikbare historie van pandemieën is er niet en we hebben sowieso al lange tijd te maken met structurele veranderingen die het gebruik van statistieken van historische relaties voor toekomstscenario’s bemoeilijken.

   

Wellicht helpt het om ons te realiseren dat de uitkomst van elk model in grote mate bepaald wordt door de input. Voor die input kunnen we gebruikmaken van scenario’s. Niemand heeft een kristallen bol, dus is het raadzaam om te kijken naar wat er zou kunnen gebeuren wanneer we verschillende scenario's gebruiken. In statische modellen doen we dat door naar de waarschijnlijkheidsverdelingen van uitkomsten bij bepaalde gebeurtenissen te kijken. Vervolgens proberen we die op een intelligente manier naar de toekomst te vertalen. Helaas, ook al maakt u duizenden scenario’s, relevante uitkomsten krijgt u niet indien die scenario’s gebaseerd zijn op statistische relaties uit het verleden. Zeker niet als het een verleden is waarin de betreffende gebeurtenis, zoals de COVID-19-pandemie, niet heeft plaatsgevonden.

   

Kunnen we dan zinvollere informatie als input voor onze ALM vinden? Zeer zeker! In diverse wetenschappen, waaronder de epidemiologie, wordt gebruik gemaakt van Agent Based Modelling. Daarbij brengt men het effect van actie en interactie van afzonderlijke onderdelen van een systeem in kaart. Hierbij is het uitermate belangrijk dat de scenaristen de ‘drivers’ met betrekking tot bepaalde kernonderdelen van een systeem weten te definiëren. Een veelgehoord argument is dat dit betekent dat er keuzes gemaakt moeten worden die betrekking hebben op een toekomst die we niet kennen. Dat is echter maar beperkt waar. Keuzes ten aanzien van ‘drivers’ zijn mogelijk, maar het vereist inspanning om kennis te verwerven. Dientengevolge kunnen er geïnformeerde keuzes worden gemaakt. In vele wetenschappen wordt Agent Based Modelling al als bruikbaarder beoordeeld dan statistische modellen. Waarom? Omdat het ‘zinvolheidsgehalte’ hiervan groter is dan dat van een betekenisloze statistische uitkomst. En waarom kiest u nu waarvoor?