На эффективность работы многих компаний неблагоприятное воздействие оказывает погода. Этим компаниям следует попытаться хеджировать риск, связанный с погодой, точно так же как они хеджируют риски, связанные с колебаниями валютного курса или процентных ставок.
Первые внебиржевые погодные деривативы появились в 1997 году. Чтобы понять механизм их работы, рассмотрим две переменные.
HDD: градусо-день отопительного сезона.
CDD: градусо-день прохладительного сезона.
Показатель HDD вычисляется по формуле
HDD = max(0.65 – А),
а показатель CDD – по формуле
CDD = max(0, А – 65).
Здесь А – среднее значение, вычисленное по наибольшей и наименьшей температурам на протяжении дня на указанной метеорологической станции, измеренным по шкале Фаренгейта. Например, если максимальная температура на протяжении дня (от полудня до полуночи) равна 68 °F, а минимальная – 44 °F, то А = 56. Таким образом, дневной показатель HDD равен 9, a CCD – 0.
Типичным внебиржевым финансовым инструментом является форвардный или опционный контракт, выигрыш по которому зависит от совокупного показателя HDD или CDD на протяжении определенного периода. Представим себе, например, что инвестиционный дилер в январе 2004 года продает клиенту опцион “колл” на показатель HDD, измеренный на протяжении февраля 2005 года на метеорологической станции аэропорта Чикаго О’Хэйр (Chicago O’Hare Airport), с ценой исполнения 700 и выплатами по 10000 долл. в день. Если фактический совокупный показатель HDD равен 820, то выигрыш составит 1,2 млн долл. Часто в контрактах устанавливается верхний предел выплат. Если в нашем примере верхний предел выплат равен 1,5 млн долл., то контракт эквивалентен бычьему спрэду. Клиент занимает длинную позицию в опционе “колл” на совокупный показатель HDD с ценой исполнения 700 и короткую позицию в опционе “колл” с ценой исполнения 850.
Дневной показатель HDD представляет собой средство измерения количества энергии, требуемой для отопления на протяжении дня, а дневной показатель CDD – средство измерения количества энергии, требуемой для охлаждения на протяжении дня. На момент написания книги большинство погодных деривативов заключалось между производителями и потребителями электроэнергии. Однако потенциальными потребителями погодных деривативов являются также розничные торговцы, сети супермаркетов, производители продовольственных товаров и прохладительных напитков, компании, предоставляющие услуги в сфере здравоохранения, сельскохозяйственные компании и компании, работающие в области развлечений. Недавно для обслуживания интересов отраслей экономики, подвергающихся погодному риску, была создана Ассоциация погодного риск-менеджмента (Weather Risk Management Association – www.wrma.org).
В сентябре 1999 года Чикагская товарная биржа начала торговлю погодными фьючерсами и европейскими опционами на погодные фьючерсы. Эти контракты заключаются на совокупные показатели HDD и CDD, измеренные в течение месяца на определенной метеостанции. Расчеты по контрактам осуществляются наличными деньгами сразу после завершения месяца, когда становятся известными совокупные показатели HDD или CDD. Сумма фьючерсного контракта в 100 раз превышает значение совокупных показателей HDD или CDD, вычисляемых компанией Earth Sattelite Corporation с помощью оборудования для автоматического сбора данных.
Резонно предположить, что температура воздуха в определенной географической точке свободна от систематического риска. Из рассуждений, изложенных в разделе 23.1, следует, что погодные деривативы можно оценить на основе исторического подхода. Рассмотрим, например, опцион “колл” на показатель HDD, измеренный в феврале 2005 года на метеостанции аэропорта Чикаго О’Хэйр. Проанализируем данные, собранные в течение 50 лет, и оценим распределение вероятностей для HDD. С помощью этих данных можно вычислить распределение вероятностей для выигрыша по опциону. Стоимость этого опциона равна математическому ожиданию распределения вероятностей для выигрыша по опциону, дисконтированному по безрисковой процентной ставке. Распределение вероятности иногда целесообразно скорректировать с учетом температурных трендов. Например, с помощью линейной регрессии можно показать, что кумулятивный показатель HDD, измеренный в течение февраля, в среднем уменьшается со скоростью 10 единиц в год. Этот вывод можно использовать для оценки скорректированного распределения вероятностей для показателя HDD, измеренного в феврале 2005 года.
|