1.4　金融風險管理中的信息不對稱

現代金融理論的主要組成部分——完全理性的決策者假設，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。因此，行為經濟學家抨擊了這一觀點，認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，心理學在決策過程中起著關鍵作用：

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，從數學、統計學，到經濟學、政治學以及社會學和心理學[7]。

——丹尼爾·卡尼曼和阿莫斯·特沃斯基

---

[7]　譯者注：此處內容并非譯者翻譯，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無法實現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險管理是相輔相成的。也就是說，組織資產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性構成威脅。

可見，我們必須從人類的本能去思考那些導致市場失靈的因素。其中，逆向選擇和道德風險是導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勢占取另一方的便宜。當賣家比買家更了解產品情況時，就會出現這種情況。這種現象稱為“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，因為是著名經濟學家喬治·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了一個劣質和優質汽車都有的市場，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險。買家提出的過低的價格也使賣家不愿意提供高質量的產品，從而導致低質品充斥市場，高質品被逐出市場，最終導致整個市場萎縮。

由于逆向選擇的復雜性和不透明性，金融危機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。金融風險是通過貸款的證券化（即基于抵押貸款的證券產品）產生的。從那時起，信息越來越不對稱，最終導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：這個說法雖然不嚴謹，但是從某個角度講，還是有道理的。

現在，我們用Python對逆向選擇進行建模。由于在保險行業很容易觀察到逆向選擇，所以將以保險行業為例建模逆向選擇。

我們假設消費者效用函數為：

其中，x表示收入，希臘字母γ對應后面代碼中的gamma（In [11]）。

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

---

[9]　譯者注：搜索關鍵詞“效用函數與風險厭惡”，了解相關信息。

我們將從均勻分布中隨機采樣（In [12]）。

我們假設收入為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（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。

? 從均勻分布中隨機采樣。

? 選擇最后3個樣本。

? 定義保險供給函數。

? 定義保險需求函數。

結果如圖1-2所示[10]。我們可以看到，供求兩條曲線都是向下傾斜的，這體現了信息不對稱會導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：代碼使用了隨機數，所以讀者的代碼運行結果可能與圖1-2不一致，但是原理是一樣的。

[11]　譯者注：這個說法不嚴謹，但是實現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　道德風險

除了逆向選擇，另一個因素是道德風險。道德風險和逆向選擇一樣，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：假設實體A向銀行B申請貸款用于銀行B認為可行的項目，但是實體A將這筆貸款用于支付銀行C的信貸債務，而沒有事先通知銀行B，這就會產生道德風險。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。