企业依赖历史数据

模型通常是用过去的情况来预测某种风险在未来发生的概率。假如2006年时你是一家银行的风险经理，你认为房地产价格在来年可能会出现暴跌，并将这种担忧告诉了你的上司。然而，银行的高管们必须知道这种暴跌出现的可能性有多大，一旦出现会给银行带来多少损失，并以此来确定银行对房地产市场的风险暴露(risk exposure)水平。

接着，你的工作可能就是检验房地产价格的历史波动数据，计算年平均波动率以及标准差。在这个过程中，你实际上假定了过去的情况能够很好地模拟未来的趋势。在检验过历史数据之后，你发现价格的变动似乎是随机的，就好像抛硬币的正反面一样，价格上涨和下跌同样的幅度具有同样的概率，而且价格波动通常是小幅度的，出现大幅波动的概率比较低。在直角坐标中，用横轴表示价格变化，用纵轴表示出现概率，那么房地产价格变化的概率分布应该是以平均波动率为中轴呈“钟形”。

这个模型看起来似乎很严密，但在现实中，它很可能会出错。如果未来房地产价格的波动率高于过去的数字(现实市场确实如此)，那么模型就大大低估了价格暴跌的可能性，因为现实的波动概率分布要比你的模型描述的“钟形”扁平得多。另外，“钟形”分布本身很可能就是错的，如果价格变化不服从正态分布，那么波动率的概率分布曲线就会变得不规则——就像抛出一枚表面被弯曲的硬币，落地时出现正反面的可能性就不再相等了。

当你开始计算房地产价格下跌对银行的影响时，问题就更严重了。如果大量次级贷款无法按时偿还，房地产市场出现危机，那么，可能根本就没有恰当的历史数据能够模拟这种情况。如果银行还持有CDOs(债务抵押债券)这类衍生证券，那么要预测房地产价格变化对银行的影响就更难了。

即使你真的能计算出房地产价格下跌对银行资产负债表的影响，但若考虑到其他非直接关联因素，你的预测结论依然不堪一击。金融机构通常会持有多种资产，其他种类资产的价格很可能与房地产价格相关，若要正确估计银行对某种风险的暴露情况，你就必须正确计算出各种资产之间的价格相关度。在用历史数据来估算该相关度时，你又要面对上述的所有问题。