Syntha Lab EN

Сценарии и риск: tornado, Monte Carlo сезона, вероятность кассового разрыва, VaR-lite, стресс-тесты

Количественная оценка неопределённости сезона: какие допущения сильнее всего двигают прибыль (tornado), каков разброс результата (Monte Carlo), с какой вероятностью сезон окажется убыточным или упрёт в кассовый разрыв, какой «запас на плохой случай» нужен (VaR-lite) и что будет при жёстких стрессах. Решение: размер закупки, подушка денег и триггеры пересмотра плана.

Математика и аналитика Бренд и ритейл Проверено: 2026-11-13

Открыть интерактивно →

Зачем этот документ

Документ читают финансовый директор и собственник, когда утверждают бюджет сезона и решают, какой запас прочности держать. Один прогноз прибыли скрывает неопределённость, а решения принимают именно под неё. Tornado показывает, какое допущение двигает результат сильнее всего и за чем следить, Monte Carlo даёт вероятность убыточного сезона или кассового разрыва. Стресс-тест отвечает, переживёт ли бизнес плохой, но реальный сценарий. Без этого запас прочности и кредитный лимит выбирают наугад.

Коротко

Что это за документ и зачем он нужен?
Количественная оценка неопределённости сезона: какие допущения сильнее всего двигают прибыль (tornado), каков разброс результата (Monte Carlo), с какой вероятностью сезон окажется убыточным или упрёт в кассовый разрыв, какой «запас на плохой случай» нужен (VaR-lite) и что будет при жёстких стрессах. Решение: размер закупки, подушка денег и триггеры пересмотра плана.
Кто отвечает за документ и как часто его пересчитывать?
Финансовый директор и аналитик планирования; расчёт перед утверждением бюджета сезона и при каждом заметном изменении курса, спроса или условий; результат идёт на совет и в лимиты казначейства.
Какие ошибки встречаются чаще всего?
Строят один «пессимистичный» сценарий → вероятность и размер потерь неизвестны → tornado, Monte Carlo и стресс вместе. Считают риск только по прибыли → прибыльный сезон упирается в кассовый разрыв → отдельная модель денег по месяцам. Задают независимые драйверы → хвост занижен → корреляция спроса и снижений и стресс «всё плохо».

Для кого

Бренд
Бренд несёт риск закупки заранее: объём фиксируется за месяцы, а спрос, курс и возвраты партнёров неизвестны; главные драйверы это спрос сезона, курс закупки, снижение цены и возвраты партнёров. Кассовый разрыв возникает из-за разрыва между оплатой производства и поступлением от опта.
Ритейл
Ритейлер несёт риск остатков и постоянных расходов (аренда, персонал): при падении трафика расходы не уменьшаются, а закупка уже оплачена. Главные драйверы — это трафик и конверсия, снижение цены, аренда и курс закупки; кассовый разрыв приходится на пик оплаты поставщикам до высокого сезона.

Из чего состоит

Модель сезона

  • Учебная модель: закупка 10 000 шт. по себестоимости 1 000 ₽, цена 3 300 ₽ без НДС, средний спрос 9 400 шт. по полной цене, возвраты 6 %, среднее снижение цены 12 %, остаток уходит по 30 % цены, постоянные расходы 10,5 млн ₽. Базовая прибыль сезона 5,75 млн ₽.
  • Модель должна быть простой: 5–8 драйверов, которые бизнес реально обсуждает; чем больше параметров, тем меньше доверия к результату и тем труднее его объяснить.

Tornado: что двигает прибыль

  • Каждый драйвер сдвигают в плохую и хорошую сторону при остальных на базе и смотрят изменение прибыли. Самый сильный драйвер в примере: Спрос сезона ±15 % (от −2,45 до +1,04 млн ₽); следующий Глубина снижения цены 8 % / 18 % (от −1,75 до +1,17).
  • Несимметрия tornado это информация: спрос ограничен закупкой, поэтому рост спроса выше плана почти не добавляет прибыли, а падение бьёт полностью. Диаграмма показывает, где держать резервы и за чем следить еженедельно.

Monte Carlo: распределение результата

  • Драйверы задают распределениями (спрос логнормальный с σ 18 %, снижение цены нормальное ±3,5 п. п., возвраты ±1,5 п. п., курс закупки σ 5 %, постоянные расходы σ 5 %) и разыгрывают 10 000 сезонов с фиксированным зерном. Средняя прибыль 4,96 млн ₽ ниже базовой из-за ограничения спроса закупкой; вероятность убытка 2,1 %.
  • Корреляции важны: плохой спрос обычно идёт вместе с более глубокими снижениями цены; независимая модель занижает хвост. Если связь известна, её задают коэффициентом; если нет, добавляют стресс-сценарий, где всё плохо сразу.

Кассовый разрыв, VaR-lite и стресс

  • Деньги по месяцам: начальный остаток 10,2 млн ₽, оплата закупки 50/50 в первые два месяца, продажи по кривой сезона. Вероятность, что остаток хотя бы раз уйдёт в минус, 13,8 %, хотя сезон убыточен лишь в 2,1 % случаев: прибыльный сезон может упереться в кассовый разрыв.
  • VaR-lite: 5-й перцентиль прибыли 0,86 млн ₽ (в 95 % случаев результат не хуже), среднее по худшим 5 % случаев (expected shortfall) −0,05 млн ₽. Это простая оценка, не формальный VaR финансового рынка: распределение смоделировано допущениями.
  • Стресс-тесты: спрос −25 % даёт 1,67 млн ₽, курс +20 % даёт 3,75, оба вместе −0,33, а с глубоким снижением цены −3,18 млн ₽. Для каждого стресса заранее задают действия: сократить дозаказ, ускорить переоценку, использовать кредитную линию.

Бренд и ритейл: что считают в риск-модели

  • Бренд: драйверы бренда: спрос партнёров (sell-out), курс закупки, возвраты и компенсации партнёрам, сроки фабрики и оплата производства; ключевой разрыв денег это время от оплаты производства до поступления от опта.
  • Ритейл: драйверы ритейлера: трафик и конверсия, средний чек, снижения цены, аренда и персонал, курс закупки; ключевой разрыв денег это пик оплат поставщикам до высокого сезона при постоянных расходах.
  • Бренд: стресс бренда: срыв поставки фабрикой, потеря партнёра, рост курса на 20 %, отказ партнёров от заказа сезона; для каждого заранее задают действия по заказам и по финансированию.
  • Ритейл: стресс ритейлера: падение трафика на 15–20 %, закрытие ТРЦ, срыв поставки, рост курса и ставки аренды; для каждого заранее задают действия по закупке, площадям и персоналу.
  • Бренд: tornado бренда показывает, что объём закупки ограничивает выигрыш от спроса: для бренда важна гибкость (дозаказ ткани, малые партии) и условия возврата партнёров.
  • Ритейл: tornado ритейлера показывает силу постоянных расходов: при слабом трафике аренда и персонал не уменьшаются, поэтому важны переменные части аренды и гибкость расписания.
  • Бренд: кассовый разрыв бренд закрывает авансами партнёров, кредитной линией, факторингом или отсрочкой поставщику; условия согласуют до сезона, а не в момент разрыва.
  • Ритейл: кассовый разрыв ритейлер закрывает кредитной линией, отсрочкой поставщикам, ускоренной переоценкой остатков и сдвигом капитальных расходов; план действий привязан к порогам остатка денег.
  • Бренд: VaR-lite бренд показывает совету вместе с вероятностью кассового разрыва: решение о размере закупки сезона принимают по этим двум числам, а не по базовой прибыли.
  • Ритейл: VaR-lite ритейлер показывает вместе с запасом по ковенантам: если ковенанты нарушаются при плохом сезоне, закупку сокращают или заранее договариваются с банком.

Откуда берутся данные

Источник данныхПоля
Бюджет сезонаПлан продаж, цена, себестоимость, возвраты, снижения, постоянные расходы, график оплат и поступлений.
История отклоненийОтклонения факта от плана по спросу, снижению цены, возвратам и курсу за прошлые сезоны: из них берут разброс драйверов.
КазначействоОстатки денег, кредитные линии и лимиты, ковенанты, ставка и условия овердрафта.

Как собрать по шагам

  1. Шаг 1. Постройте модель прибыли и денег сезона на 5–8 драйверах; сверьте базу с утверждённым бюджетом.
  2. Бренд: Шаг 2. Добавьте разрыв оплаты производства и поступления от опта и возвраты партнёров как отдельные драйверы.
  3. Ритейл: Шаг 3. Добавьте трафик и конверсию, аренду и постоянные расходы и пик оплат поставщикам перед сезоном.
  4. Шаг 4. Задайте диапазоны драйверов (плохо, база, хорошо) по истории отклонений, а не «по ощущениям».
  5. Шаг 5. Постройте tornado: сдвиг каждого драйвера при остальных на базе; отсортируйте по размаху.
  6. Шаг 6. Задайте распределения драйверов и корреляции, разыграйте не менее 5 000 сезонов с фиксированным зерном.
  7. Шаг 7. Получите среднее, перцентили, вероятность убытка, VaR-lite и expected shortfall; проверьте устойчивость к числу прогонов.
  8. Шаг 8. Постройте денежный поток по месяцам для каждого прогона и найдите вероятность ухода в минус и перцентили остатка по месяцам.
  9. Шаг 9. Задайте 3–5 стресс-сценариев с действиями и триггерами и посчитайте результат по каждому.
  10. Шаг 10. Определите подушку денег и объём закупки: подушка закрывает худший месяц на уровне перцентиля, закупку уменьшают, если вероятность разрыва выше допустимой.

Формулы

ПоказательФормулыПояснение
Прибыль сезонаΠ = min(Q, D)·(1 − r)·P·(1 − m) + (Q − min(Q, D))·P·k − Q·C·φ − FQ закупка, D спрос, r возвраты, m снижение цены, k цена ликвидации, φ курсовой множитель, F постоянные расходы. Допущение: возвращённые единицы не перепродаются и в остаток не попадают, себестоимость по ним уже уплачена, поэтому оценка осторожная. Если возвраты пригодны к перепродаже по цене ликвидации, к прибыли добавляется r·min(Q, D)·P·k: в примере около 0,56 млн ₽.
Размах tornadoR_j = max(|Π(x_j^low) − Π₀|, |Π(x_j^high) − Π₀|)Драйверы сортируют по R_j.
Monte Carlo оценкаP̂(Π < 0) = (1/N)·Σ 1[Π_i < 0]; ошибка ≈ √( p̂(1 − p̂)/N )Для N = 10 000 и p = 2 % ошибка около 0,14 п. п.
VaR-lite и expected shortfallVaR₅ = P₅(Π); ES₅ = среднее Π по худшим 5 % прогоновНе регуляторный VaR; опирается на допущенные распределения.
Остаток денегS_t = S_(t−1) + Receipts_t − Purchases_t − Fixed_t; разрыв, если min_t S_t < 0Поступления зависят от кривой сезона и отсрочек; оплаты от графика поставщиков.
Логнормальный спросD = D₀·exp(σ·Z − σ²/2), Z ~ N(0, 1)Поправка −σ²/2 сохраняет среднее D₀.
Подушка денегПодушка = max(0, −P₁₀(min_t S_t))Уровень перцентиля задаёт политика риска; 10 % условный.

Формулы в записи

Спрос
D = D₀·exp(σ·Z − σ²/2), Z ~ N(0; 1)
Логнормальный спрос с сохранением среднего.
Вероятность убытка
p̂ = (1/N) · Σ_i 1[ Π_i < 0 ]
Оценка Monte Carlo; ошибка √(p̂(1−p̂)/N).
VaR-lite
VaR_5 = P_5(Π); ES_5 = E[ Π | Π ≤ P_5(Π) ]
Квантиль и среднее хвоста.

Пример с числами

Стресс-тесты сезона: прибыль при сдвиге драйверов, млн ₽

СценарийПрибыль, млн ₽Изменение к базе, млн ₽
База5,750
Спрос −25 %1,67−4,09
Курс +20 %3,75−2
Спрос −25 % и курс +20 %−0,33−6,09
Спрос −25 %, курс +20 %, снижение цены 25 %−3,18−8,93

Базовая прибыль 5,75 млн ₽; Monte Carlo (10 000 прогонов): среднее 4,96, VaR-lite 5 % 0,86, вероятность убытка 2,1 %, вероятность кассового разрыва 13,8 %. Сценарий «спрос −25 %, курс +20 %, снижение 25 %» убыточен: нужны действия по сокращению закупки и использованию кредитной линии. Все вводные условные.

Рисунки

Tornado: изменение прибыли при сдвиге драйверов
Столбчатая диаграмма: Спрос сезона ±15 % −2,45, Глубина снижения цены 8 % / 18 % −1,75, Постоянные расходы ±10 % −1,05, Курс закупки ±10 % −1, Возвраты 9 % / 3 % −0,82−3−2−1012Спрос сезона ±15 %Спрос сезона ±15 %Плохой сдвиг: −2,45−2,45Хороший сдвиг: 1,041,04Глубина снижения цены 8 % / 18 %Глубина сниженияцены 8 % / 18 %Плохой сдвиг: −1,75−1,75Хороший сдвиг: 1,171,17Постоянные расходы ±10 %Постоянные расходы±10 %Плохой сдвиг: −1,05−1,05Хороший сдвиг: 1,051,05Курс закупки ±10 %Курс закупки ±10 %Плохой сдвиг: −1−1Хороший сдвиг: 11Возвраты 9 % / 3 %Возвраты 9 % / 3 %Плохой сдвиг: −0,82−0,82Хороший сдвиг: 0,820,82млн ₽
  • Плохой сдвиг
  • Хороший сдвиг
Данные таблицей
ПоказательПлохой сдвигХороший сдвиг
Спрос сезона ±15 %−2,451,04
Глубина снижения цены 8 % / 18 %−1,751,17
Постоянные расходы ±10 %−1,051,05
Курс закупки ±10 %−11
Возвраты 9 % / 3 %−0,820,82

Tornado: изменение прибыли при сдвиге драйверов. Каждая строка показывает плохой и хороший сдвиг; спрос бьёт вниз сильнее, чем помогает вверх, потому что ограничен закупкой.

Распределение прибыли сезона (Monte Carlo)
Столбчатая диаграмма: -2 0,7, -1 2,3, 0 5,6, 2 9,7, 3 14,3, 4 17,70510152025-2-2Доля прогонов, %: 0,70,7-1-1Доля прогонов, %: 2,32,300Доля прогонов, %: 5,65,622Доля прогонов, %: 9,79,733Доля прогонов, %: 14,314,344Доля прогонов, %: 17,717,755Доля прогонов, %: 20,420,466Доля прогонов, %: 17,217,288Доля прогонов, %: 9,29,299Доля прогонов, %: 2,52,5%
Данные таблицей
ПоказательДоля прогонов, %
-20,7
-12,3
05,6
29,7
314,3
417,7
520,4
617,2
89,2
92,5

Распределение прибыли сезона (Monte Carlo). Распределение скошено влево (спрос ограничен закупкой): левый хвост длиннее; убыточных прогонов 2,1 %. По оси: нижняя граница интервала прибыли, млн ₽.

Остаток денег по месяцам: коридор 10-50-90 %
Линейный график: Перцентиль 10: 4,27 → 12; Медиана: 4,67 → 15,4; Перцентиль 90: 5,06 → 18; Ноль: 0 → 0−505101520123456Перцентиль 10, 1: 4,27Перцентиль 10, 2: −0,17Перцентиль 10, 3: 2,57Перцентиль 10, 4: 5,83Перцентиль 10, 5: 8,46Перцентиль 10, 6: 12Медиана, 1: 4,67Медиана, 2: 0,88Медиана, 3: 4,65Медиана, 4: 9,18Медиана, 5: 13Медиана, 6: 15,4Перцентиль 90, 1: 5,06Перцентиль 90, 2: 1,79Перцентиль 90, 3: 6,11Перцентиль 90, 4: 11,3Перцентиль 90, 5: 15,7Перцентиль 90, 6: 18Ноль, 1: 0Ноль, 2: 0Ноль, 3: 0Ноль, 4: 0Ноль, 5: 0Ноль, 6: 0млн ₽
  • Перцентиль 10
  • Медиана
  • Перцентиль 90
  • Ноль
Данные таблицей
ПоказательПерцентиль 10МедианаПерцентиль 90Ноль
14,274,675,060
2−0,170,881,790
32,574,656,110
45,839,1811,30
58,461315,70
61215,4180

Остаток денег по месяцам: коридор 10-50-90 %. Нижняя граница коридора уходит в минус во втором месяце, когда оплата закупки уже прошла, а продажи ещё малы. По оси: месяц сезона.

Стресс-тесты: прибыль сезона
Столбчатая диаграмма: База 5,75, Спрос −25 % 1,67, Курс +20 % 3,75, Спрос −25 % и курс +20 % −0,33, Спрос −25 %, курс +20 %, снижение цены 25 % −3,18−4−20246БазаБазаПрибыль, млн ₽: 5,755,75Спрос −25 %Спрос −25 %Прибыль, млн ₽: 1,671,67Курс +20 %Курс +20 %Прибыль, млн ₽: 3,753,75Спрос −25 % и курс +20 %Спрос −25 % и курс+20 %Прибыль, млн ₽: −0,33−0,33Спрос −25 %, курс +20 %, снижение цены 25 %Спрос −25 %, курс+20 %, снижение цен…Прибыль, млн ₽: −3,18−3,18млн ₽
Данные таблицей
ПоказательПрибыль, млн ₽
База5,75
Спрос −25 %1,67
Курс +20 %3,75
Спрос −25 % и курс +20 %−0,33
Спрос −25 %, курс +20 %, снижение цены 25 %−3,18

Стресс-тесты: прибыль сезона. Спрос и курс по отдельности оставляют прибыль положительной, вместе уводят её к нулю, а с глубоким снижением цены в убыток.

Особенности по категориям

Одежда
Главный риск — это погода и объём закупки сезона; спрос ограничен закупкой, поэтому tornado несимметричен; кассовый разрыв приходится на оплату производства до начала продаж.
Обувь
Долгий цикл и импорт: курс закупки и размерный риск сильнее всего; остаток по размерам хуже ликвидируется, поэтому цена ликвидации в модели ниже, а хвост убытка тяжелее.
Аксессуары
Пик подарочных продаж концентрирует риск в нескольких неделях: недельная модель и стресс «пик не удался»; оборачиваемость высокая, разрыв короткий, но глубокий.
Детское
Школьный сезон с жёсткой датой: стресс по срыву поставки; размерный остаток теряется быстро, поэтому цена ликвидации низкая; спрос зависит от демографии и доходов семей.
Мужское
Спрос стабильнее, σ спроса ниже, хвост убытка легче; базовые позиции допускают перенос остатка, поэтому цена ликвидации выше; главные риски курс и цена хлопка и материалов.
Женское
Широкий модный ассортимент: σ спроса выше, снижения цены глубже и коррелируют со слабым спросом; в модели важна положительная корреляция спроса и снижений.

Типичные ошибки

  • Строят один «пессимистичный» сценарий → вероятность и размер потерь неизвестны → tornado, Monte Carlo и стресс вместе.
  • Считают риск только по прибыли → прибыльный сезон упирается в кассовый разрыв → отдельная модель денег по месяцам.
  • Задают независимые драйверы → хвост занижен → корреляция спроса и снижений и стресс «всё плохо».
  • Берут разброс драйверов с потолка → красивая, но пустая цифра → разброс по истории отклонений.
  • Принимают VaR-lite за гарантию → худший случай бывает хуже → показывайте expected shortfall и стресс с действиями.
  • Не называют действия при стрессе → цифра есть, решения нет → каждому стрессу действие, владелец и срок.

Особенности России

  • Кредитные линии и займы часто содержат ковенанты (DSCR, долг/EBITDA, минимальный остаток): стресс-тест проверяет, не нарушатся ли ковенанты при плохом сезоне, и заранее согласует с банком отступление.
  • Платёжный график поставщикам и налогам (НДС, налог на прибыль, взносы) задаёт календарь оттока денег; в РФ налоговые платежи приходятся на фиксированные даты и должны быть в модели денег. Норма: НК РФ ст. 164: Налоговый кодекс РФ, ст. 164 (ставки НДС) (проверка нормы не завершена).
  • Резерв под снижение стоимости запасов в стресс-сценарии нужно оценить по ФСБУ 5/2019: убыток от обесценения запасов уменьшает прибыль и ковенантные показатели. Норма: приказ 180н от 15.11.2019: Приказ Минфина от 15.11.2019 № 180н (ФСБУ 5/2019 «Запасы») (проверка нормы не завершена).

Открыть интерактивно →