Sie sind auf Seite 1von 67

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Value at Risk (VaR) – Einfuhrung¨ I Dr. Wolfgang B¨ohme

Value at Risk (VaR) – Einfuhrung¨

I

Dr. Wolfgang B¨ohme

November 2007

Cornish-Fisher-Approximation Value at Risk (VaR) – Einfuhrung¨ I Dr. Wolfgang B¨ohme November 2007

Einfuhrung¨

Varianz-Kovarianz-Methode

Einfuhrung¨ Varianz-Kovarianz-Methode Inhalt Definitionen / Value at Risk Varianz-Kovarianz-Methode

Inhalt

Definitionen / Value at Risk Varianz-Kovarianz-Methode Cornish-Fisher-Approximation

Cornish-Fisher-Approximation

Definitionen / Value at Risk Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Cornish-Fisher-Approximation

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Definitionen 1 Gegeben sei ein Portfolio, dessen Marktwert

Definitionen 1

Gegeben sei ein Portfolio, dessen Marktwert man in funktionaler Abh¨angigkeit von Marktdaten (wie z.B. Wechselkursen oder Zinss¨atzen) beschreiben kann.

P(t) = P(Y (t), t) - der Marktwert des Portfolios zum Zeitpunkt t P(t 0 ) = P(Y (t 0 ), t 0 ) - der Marktwert des Portfolios zum Anfangseitpunkt t 0

Annahme:

die Zusammensetzung des Portfolios ¨andert sich nicht im Zeitraum t t 0 > 0

P(t) = P(t) P(t 0 ) - Wertver¨anderung des Portfolios (Profit and Loss - PnL)

t 0 > 0 ∆ P ( t ) = P ( t ) − P

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Definitionen 2 Bezeichnungen: Y ( t ) - Vektor der

Definitionen 2

Bezeichnungen:

Y (t) - Vektor der Marktdaten zum Zeitpunkt t

Y i (t) - i-te Komponente des Vektors der Marktdaten

ν(t)

P M (Y (t), ν(t)) - Preisfunktion

- Zeitkomponente

Die Wertver¨anderung des Portfolios (PnL) l¨asst sich dann darstellen:

P(t) = P M (Y (t), ν(t)) P M (Y (t 0 ), ν(t 0 ))

sich dann darstellen: ∆ P ( t ) = P M ( Y ( t )

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Value at Risk (VaR) Das Ziel der Absch¨atzung des

Value at Risk (VaR)

Das Ziel der Absch¨atzung des Marktrisikos ist eine Aussage uber¨ den potentiellen Wertverlust des Portfolios innerhalb einer fixierten Halteperiode (t) , der mit einer vorgegebenen Wahrscheinlichkeit (1 α) nicht ubertroffen¨ wird.

Die Wahrscheinlichkeit P wird auch als Konfidenznivau (1 α) bezeichnet. Der potentielle Wertverlust heißt Value at Risk.

Nur in α% der F¨alle wird ein Verlust-Szenario eintreffen, das den VaR-Wert uberschreitet.¨

α = P(∆P(t) < VAR(t, α))

Mathematisch gesehen ist VAR(t, α) das α-Quantil der Verteilung von ∆P(t).

P ( t ) < VAR ( t , α )) Mathematisch gesehen ist VAR (

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Dichtefunktion / Verteilungsfunktion Dichtefunktion: Eine

Dichtefunktion / Verteilungsfunktion

Dichtefunktion:

Eine integrierbare Funktion f heißt Dichtefunktion der Zufallsvariable X, wenn gilt:

b

a

Verteilungsfunktion:

F X (x) = P(X < x) =

x

−∞

f (t)dt = P(a X b)

f (t)dt mit x R und X reele Zufallsvariable

< x ) = x −∞ f ( t ) dt = P ( a ≤

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Dichte- (Verteilungs-) funktion / Normalverteilung Beispiel:

Dichte- (Verteilungs-) funktion / Normalverteilung

Beispiel: Normalverteilung

f (t)

F(x)

=

=

1

2πσ 2 e

(tµ) 2 2σ 2

1

2πσ 2

x

−∞

e

(tµ) 2 2σ 2

dt

√ 2 πσ 2 e − ( t − µ ) 2 2 σ 2 1
√ 2 πσ 2 e − ( t − µ ) 2 2 σ 2 1

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Interpretation des p-Quantils 1 Quantil der Ordnung p − 1

Interpretation des p-Quantils 1

Quantil der Ordnung p

1

F

X

(p) = inf [x R, F X (x) p] mit X reelle Zufallsvariable

oder in der VaR-Terminologie:

1

VaR P (α) = F P (α) = inf [x R, F (x) α]

mit ∆P - Wertver¨anderung des Portfolios und F (x) Verteilungsfunktion der Wertver¨anderung des Portfolios

α ] mit ∆ P - Wertver¨anderung des Portfolios und F ( x ) Verteilungsfunktion der

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation p = α = 0 , 05 Interpretation des p-Quantils 2 in

p = α = 0, 05

Interpretation des p-Quantils 2

p = α = 0 , 05 Interpretation des p-Quantils 2 in Worten: P ( X

in Worten:

P(X < Q p )

1

F

X

(p)

=

=

F(Q p ) =

Q p

−∞

f (t)dt = p

inf [x R, F X (x) p] = Q p

die dunkle Fl¨ache betr¨agt 5 Prozent der Gesamtfl¨ache der kleinste Wert auf der x-Achse, fur¨ den gilt F X (x) p ist Q p (Quantil)

der Gesamtfl¨ache der kleinste Wert auf der x-Achse, fur¨ den gilt F X ( x )
der Gesamtfl¨ache der kleinste Wert auf der x-Achse, fur¨ den gilt F X ( x )

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Interpretation des p-Quantils 4 Bei Standardnormalverteilung

Interpretation des p-Quantils 4

Bei Standardnormalverteilung :

des p-Quantils 4 Bei Standardnormalverteilung : − 1 F X − 1 F X − 1

1

F

X

1

F

X

1

F

X

1

F

X

(0, 01)

=

2.326348

(0, 99)

=

2.326348

(0, 05)

=

1.644854

(0, 95)

=

1.644854

Bemerkung: Bei schiefen Verteilungen gilt nicht:

1

F

X

1

(α) = F

X

(1 − α)
(1 − α)

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Bemerkungen Gebr¨auchliche Gr¨oßen fur¨ das

Bemerkungen

Gebr¨auchliche Gr¨oßen fur¨

das Konfidenzniveau sind:

Fur¨

interne Modelle in Deutschland: α= 0,01 und 0,001

Fur¨

interne Berechnungen in der Bank:α= 0,01 und 0,05

Risk Metrics (JP Morgans):α= 0,05

Die fixierte Halteperiode t sollte so gew¨ahlt werden, dass die im Portfolio enthaltenen Positionen aufgel¨ost werden k¨onnen.

Gebruchliche¨

Halteperioden sind:

Fur¨

interne Modelle in Deutschland: t = 10

Fur¨

interne Berechnungen in der Bank: t = 1 und t=10

sind: Fur¨ interne Modelle in Deutschland: t = 10 Fur¨ interne Berechnungen in der Bank: t

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Varianz-Kovarianz-Methode Modellierung der Marktdaten

Varianz-Kovarianz-Methode

Modellierung der Marktdaten Modellierung der Wertver¨anderung eines Portfolios VaR eines Portfolio

Modellierung der Marktdaten Modellierung der Wertver¨anderung eines Portfolios VaR eines Portfolio

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Modellierung der Marktdaten - 1 Risikofaktor Wir

Modellierung der Marktdaten - 1 Risikofaktor

Wir beschr¨anken uns zun¨achst auf einen Risikofaktor Y Ziel: die Bewegung (Ver¨anderung) von Y mit Hilfe eines stochastischen Prozesses beschreiben.

Wiener Prozeß:

W - stochastische Gr¨oße X - Normalverteilte Zufallsgr¨oße N (0, 1)

W N(0, t)

W = X · t

X - Normalverteilte Zufallsgr¨oße N ∼ (0 , 1) ⇒ ∆ W ∼ N (0 ,

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Modellierung der Marktdaten - 1 Risikofaktor

Modellierung der Marktdaten - 1 Risikofaktor

Verallgemeinerter Wiener Prozeß:

Y = a · t + b · X · t

Y N(a · t, b 2 · t) Interpretation:

a · t - deterministischer Teil mit Drift (a)

X · t - Wiener Prozeß b - Multiplikator des Wiener Prozesses

auch geometrische Brown’sche Bewegung genannt

· √ ∆ t - Wiener Prozeß b - Multiplikator des Wiener Prozesses auch geometrische Brown’sche

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation geometrische Brown’sche Bewegung Interpretation ∆ Y =

geometrische Brown’sche Bewegung Interpretation

geometrische Brown’sche Bewegung Interpretation ∆ Y = µ · ∆ t + σ · X ·
geometrische Brown’sche Bewegung Interpretation ∆ Y = µ · ∆ t + σ · X ·

Y = µ · t + σ · X · t

geometrische Brown’sche Bewegung Interpretation ∆ Y = µ · ∆ t + σ · X ·

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Modellierung der Marktdaten - 1 Risikofaktor Annahme: Wir

Modellierung der Marktdaten - 1 Risikofaktor

Annahme:

Wir modellieren den Prozeß als eine geometrischen Brownschen Bewegung. Die Entwicklung des Risikofaktors Y kann durch folgende Differenzengleichung beschrieben werden:

Y (t) = µ · Y (t 0 ) · t + σ · Y (t 0 ) · W (t)

oder als Differentialgleichung:

dY (t) = µ · Y (t) · dt + σ · Y (t) · dW (t)

mit µ - Drift und σ - Volatilit¨at

W (t) -Standard-Wiener Prozess

) · dt + σ · Y ( t ) · dW ( t ) mit

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Modellierung der Marktdaten - 1 Risikofaktor Umformung nach

Modellierung der Marktdaten - 1 Risikofaktor

Umformung nach Itˆo-Lemma (stochastische Differentialgleichung)

2

dlnY (t) = (µ σ 2 )dt + σ · dW (t)

lnY (t) lnY (t 0 )

=

=

Itˆo

=

t

t

0

2

(µ σ 2 )dt +

t

t

0

σ · dW (t)

2

(µ σ 2 )(t t 0 ) + σ ·

t

t 0

dW (t)

2

(µ σ 2 )(t t 0 ) + σ · (W (t) W (t 0 ))

0 ) + σ · t t 0 dW ( t ) 2 ( µ −

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Modellierung der Marktdaten - 1 Risikofaktor Wegen ∆ W (

Modellierung der Marktdaten - 1 Risikofaktor

Wegen ∆W (t) = W (t) W (t 0 ) N(0, t t 0 ), t > t 0 0 kann fur¨ die Ver¨anderung des Risikofaktors in der Zeit ∆t = t t 0 geschrieben werden:

2

lnY (t) = lnY (t) lnY (t 0 ) = (µ σ 2 )∆t + σ · t · X

Wobei X eine standardnormalverteilte Zufallsr¨oße ist. (X N(0, 1)) Unter Verwendung des reskalierten Drifts µ˜ = (µ σ 2 ) gilt:

2

lnY (t)

Y (t)

lnY (t)

=

=

µ˜∆t + σ · t · X

Y (t 0 )e µ˜t+σ· t·X

Nµt, σ 2 t)

(wenn sich die Marktdaten gem¨aß einer geometrisch Brownsche Bewegung entwickeln, sind die Ver¨anderungen der Marktdaten normalverteilt)

gem¨aß einer geometrisch Brownsche Bewegung entwickeln, sind die Ver¨anderungen der Marktdaten normalverteilt)
gem¨aß einer geometrisch Brownsche Bewegung entwickeln, sind die Ver¨anderungen der Marktdaten normalverteilt)

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Modellierung der Marktdaten - 1 Risikofaktor Definition der

Modellierung der Marktdaten - 1 Risikofaktor

Definition der logarithmischen Rendite:

R(t) = ∆lnY (t) = lnY (t) lnY (t 0 ) = ln(

(t)

Y

(t 0 ) )

Y

Bemerkung: es genugt¨

R(t) Nµt, σ 2 t)

die t¨aglichen Renditen zu berechnen (t 0 = t 1):

R(t) = ∆lnY (t) = lnY (t) lnY (t 1) = ln(

R(t) Nµ, σ 2 )

Y

Y (t)

(t 1) )

( t ) = lnY ( t ) − lnY ( t − 1) = ln

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Modellierung der Marktdaten - 1 Risikofaktor weitere

Modellierung der Marktdaten - 1 Risikofaktor

weitere Modellannahme:

Zentriertheit der logarithmischen Rendite µ˜ = 0:

R(t) N(0, σ 2 )

Y

Y

(t)

(t)

=

=

Y (t 0 )e R(t)t

Y (t 0 )e σ· t·X

(0 , σ 2 ) Y Y ( t ) ( t ) = = Y

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation VaR eines Risikofaktors α oder a da X ∼ N (0 , 1) und

VaR eines Risikofaktors

α

oder a

da X N(0, 1)

und

= P(∆P(t) VAR(t, α)) =

= P(Y (t) Y (t 0 ) VAR(t, α)) =

= P(Y (t 0 )(e σ· t·X 1)) VAR(t, α))

=

=

P(X a) = P(X ln(1 + VAR(t)

)

Y (t 0 ) )
Y
(t 0 )
)

σ · t

ln(1 + VAR(t)

Y

(t 0 )

)

σ · t

1

α = P(X a) = F X (a) a = F

X

(α)

1

F

X

(α)

VAR(t, α)

=

=

ln(1 + VAR(t)

Y

(t 0 )

)

σ · t

Y (t 0 )(e σ· (t)·F

1

X

(α) 1)

Y ( t 0 ) ) σ · √ ∆ t ⇒ Y ( t 0

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Approximation des VaR eines Risikofaktors Taylor- Zerlegung:

Approximation des VaR eines Risikofaktors

Taylor- Zerlegung: e x 1 + x + 1 2 x 2

e σ· t·F 1 (α)

VAR(t, α)

1 + σ · t · F 1 (α)

Y (t 0 )(σ · t · F 1 (α))

Bemerkung:

σ = σ R Volatilit¨at der Logarithmischen Rendite R

VAR(t, α) Y (t 0 )[Volatilitaet · Haltedauer · Quantil(α)]

Logarithmischen Rendite R VAR ( t , α ) ≈ Y ( t 0 )[ Volatilitaet

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Beispiel: VaR eines Risikofaktors-Daten   Datum FXR

Beispiel: VaR eines Risikofaktors-Daten

 

Datum

FXR

R FXR

2007

08 31

0.7333

2007

08 30

0.7336

0.00038

2007

08 29

0.7329

+0.00092

2007

08 28

0.7329

+0.00000

R i (t)

=

ln(

Y i

Y i

(t

(t) 1) )

− 08 − 28 0 . 7329 +0 . 00000 R i ( t ) =

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Beispiel: VaR eines Risikofaktors-Daten Rohdaten Y(t)

Beispiel: VaR eines Risikofaktors-Daten

Beispiel: VaR eines Risikofaktors-Daten Rohdaten Y(t) Logarithmische Rendite Wechselkurs Dollar -

Rohdaten Y(t)

Beispiel: VaR eines Risikofaktors-Daten Rohdaten Y(t) Logarithmische Rendite Wechselkurs Dollar - Euro

Logarithmische Rendite

Wechselkurs Dollar - Euro (4.9.2006-31.8.2007) 251(0) Beobachtungen

(Inverse Zeitachse)

Y(t) Logarithmische Rendite Wechselkurs Dollar - Euro (4.9.2006-31.8.2007) ⇒ 251(0) Beobachtungen (Inverse Zeitachse)

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Beispiel: VaR eines Risikofaktors-H¨aufigkeitsverteilung

Beispiel: VaR eines Risikofaktors-H¨aufigkeitsverteilung

Beispiel: VaR eines Risikofaktors-H¨aufigkeitsverteilung Rohdaten Y(t) Logarithmische Rendite

Rohdaten Y(t)

Beispiel: VaR eines Risikofaktors-H¨aufigkeitsverteilung Rohdaten Y(t) Logarithmische Rendite

Logarithmische Rendite

Beispiel: VaR eines Risikofaktors-H¨aufigkeitsverteilung Rohdaten Y(t) Logarithmische Rendite

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Beispiel: VaR eines Risikofaktors Volatilit¨at der

Beispiel: VaR eines Risikofaktors

Volatilit¨at der Logreturns σ R =

1

n

n

i=1 (x i x¯) 2 = 0.003701

mit dem Mittelwert x¯ = 1

n

n

i=1

x i = 0.000232

und Haltedauer t = 1 t = 1 Konfidenzniveau α = 0.01 F 1 (α) = 2.326348 Wechselkurs am 31.8.2007 Y (t 0 ) = 0.73338

VAR(t, α))

Y (t 0 ) · σ R · t · F 1 (α)

0.73338 · 0.003701 · 1 · (2.326348)

0.006314

t · F − 1 ( α ) ≈ 0 . 73338 · 0 . 003701

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Beispiel: VaR eines Risikofaktors Haltedauer t = 10 ⇒

Beispiel: VaR eines Risikofaktors

Haltedauer t = 10 t = 10 = 3.162278

VAR(t, α))

Y (t 0 ) · σ R · t · F 1 (α)

0.73338 · 0.003701 · 3.162278 · (2.326348)

0.019968

Konfidenzniveau α = 0.05 F 1 (α) = 1.644854

VAR(t, α))

Y (t 0 ) · σ R · t · F 1 (α)

0.73338 · 0.003701 · 1 · (1.644854)

0.004465

t · F − 1 ( α ) ≈ 0 . 73338 · 0 . 003701

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation VaR eines Instrumentes - 1 Risikofaktor bisher: P ( t ) =

VaR eines Instrumentes - 1 Risikofaktor

bisher: P(t) = Y (t) P(t) = Y (t) Y (t 0 ) nun: P(t) = N · Y (t) P(t) = N(Y (t) Y (t 0 ))

VAR(t, α))

N · Y (t 0 ) · σ · t · Φ 1 (α)

N(t 0 ) · σ · t · Φ 1 (α)

mit:

N(t 0 ) = N · Y (t 0 ) - Portfoliowert zum Zeitpunkt t 0

VAR(t, α) N(t 0 )[Volatilitaet · Haltedauer · Quantil(α)]

zum Zeitpunkt t 0 VAR ( t , α ) ≈ N ( t 0 )[
zum Zeitpunkt t 0 VAR ( t , α ) ≈ N ( t 0 )[

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Beispiel: VaR einer FX-Cash Position - 1 Risikofaktor

Beispiel: VaR einer FX-Cash Position - 1 Risikofaktor

Position N = 1,000,000 USD Heimatw¨ahrung EUR Volatilit¨at der Logreturns σ R = 0.0037 mit dem Mittelwert x¯ = 0.000232

und Haltedauer t = 1 t = 1 Konfidenzniveau α = 0.01 F 1 (α) = 2.326348 Wechselkurs am 31.8.2007 Y (t 0 ) = 0.73338

VAR(t, α))

N

· Y (t 0 ) · σ R

· t · F 1 (α)

1, 000, 000.00 · 0.73338 · 0.0037 · 1 · (2.326348)

733, 381.79 · 0.0037 · 1 · (2.326348)

6, 314.28

 
2 . 326348) ≈ 733 , 381 . 79 · 0 . 0037 · 1 ·

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Beispiel: VaR einer FX-Cash Position - 1 Risikofaktor

Beispiel: VaR einer FX-Cash Position - 1 Risikofaktor

Haltedauer t = 10 t = 10 = 3.162278

VAR(t, α))

N · Y (t 0 ) · σ R · t · F 1 (α)

733, 381.79 · 0.0037 · 3.162278 · (2.326348)

19, 967.51

Konfidenzniveau α = 0.05 F 1 (α) = 1.644854

VAR(t, α))

N · Y (t 0 ) · σ R · t · F 1 (α)

733, 381.79 · 0.0037 · 1 · (1.644854)

4, 464.54

F − 1 ( α ) ≈ 733 , 381 . 79 · 0 . 0037

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Modellierung der Marktdaten - n Risikofaktoren Bisher

Modellierung der Marktdaten - n Risikofaktoren

Bisher erfolgte die Modellierung durch eine eindimensinale geometrische Brownsche Bewegung:

dY (t)

=

Y (t)

=

R(t)

µ˜

=

µ · Y (t) · dt + σ · Y (t) · dW (t)

Y (t 0 )e µ˜t+σ· t·W

Nµt, σt)

µ σ 2

2

) Y ( t 0 ) e µ ˜ ∆ t + σ · √ ∆

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Modellierung der Marktdaten - n Risikofaktoren Die

Modellierung der Marktdaten - n Risikofaktoren

Die Modellierung erfolgt nun durch eine mehrdimensinale geometrische Brownsche Bewegung:

dY i (t)

Y i (t)

R i (t)

µ˜ i

=

=

=

µ · Y i (t) · dt + Y i (t)

n

j=1

σ ij · dW j (t)

n

Y (t 0 )e (

j=1 σ ij ·W j (t)+t·(µ i 1

2

n

j=1

σ

2

ij )

N n µ i t, Σ · Σ T · t)

µ i 1

2

n

j=1

σ

2

ij

− 1 2 n j =1 σ 2 ij ) N n (˜ µ i ∆

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Modellierung der Marktdaten - n Risikofaktoren mit der

Modellierung der Marktdaten - n Risikofaktoren

mit der Kovarianzmatrix Σ :

Σ =

σ

σ

11

21

.

.

.

σ

σ

12

22

.

mit σ ij = σ i · ρ ij · σ j

ρ ij Korrelationskoeffizient

σ ij Kovarianzen

.

.

.

.

.

.

.

.

.

ρ i j · σ j ρ i j − Korrelationskoeffizient σ i j − Kovarianzen

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Modellierung der Marktdaten - n Risikofaktoren Der Vektor

Modellierung der Marktdaten - n Risikofaktoren

Der Vektor der eint¨agigen logarithmischen Renditen:

ln

ln

Y 1 (t) Y 1 (t1)

.

.

.

Y j (t) Y j (t1)

.

.

.

ln

Y n (t) Y n (t1)

R 1 (t) .

R j (t)

.

.

.

R n (t)

R(t) =

=

R(t) N n (0 , Σ · Σ T )

. R j ( t ) . . . R n ( t )  

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Modellierung der Marktdaten - n Risikofaktoren unter

Modellierung der Marktdaten - n Risikofaktoren

unter Verwendung der eint¨agigen Renditen und der Modellannahme der Zentriertheit (˜µ i = 0) erh¨alt man :

Y i (t)

X i

=

=

=

Y i (t 0 )

· e

Y i (t 0 ) · e

n

( j=1 σ ij W i (t))

n

(

j=1 σ ij X i t)

Y i (t 1) · e

n

(

j=1 σ ij X i )

N n (0, 1)

( t )) n ( j =1 σ i j X i ∆ t ) Y

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Approximation der Wertver¨anderung - n Risikofaktoren ∆ P

Approximation der Wertver¨anderung - n Risikofaktoren

P

=

P(Y 1 (t),

Y 2 (t),

, Y n (t))

P(Y 1 (t 0 ),

Y 2 (t 0 ),

,

Y n (t 0 )) =

=

P(R 1 (t),

R 2 (t),

, R n (t)) P(R 1 (t 0 ),

R 2 (t 0 ),

,

R n (t 0 ))

Taylorzerlegung

P

n

i=1

1

P

n

R

i

ν

(R i (t) R i (t 0 )) + P

t=t 0

(ν(t) ν(t 0 ))

t=t 0

n

2

1

i=1

j=1

ν

t=t 0

n

i=1

P

R i

P

R i ,R j

t=t 0 (R i (t) R i (t 0 ))(R j (t) R j (t 0 ))

+

+


+

2 P

(ν(t) ν(t 0 )) 2 +

(R i (t) R i (t 0 ))(ν(t) ν(t 0 ))

t=t 0

ν ( t ) − ν ( t 0 )) 2 + ( R i (

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Approximation der Wertver¨anderung - n Risikofaktoren ohne

Approximation der Wertver¨anderung - n Risikofaktoren

ohne Ableitung nach der Zeit

P

Γ

+

n

i=1

1

P

n

R

i

t=t 0

n

2

P

i=1

j=1

(R i (t) R i (t 0 )) +

R i ,R j

t=t 0 (R i (t) R i (t 0 ))(R j (t) R j (t 0 ))

n

i=1

P

R

i

t=t 0

R i (t) +

=

· R + 1

2 · R T · Γ · R

i = P

R

i

t=t 0

i

= Γ ij Γ ij = P

R i ,R j

t=t 0

1

2

n

n

i=1

j=1

P

R i ,R j

t=t 0 R i (t)∆(R j (t) ()

= P R i , R j t = t 0 1 2 n n i

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Marktdaten, Marktrisikodaten und logarithmische Rendite Wir

Marktdaten, Marktrisikodaten und logarithmische Rendite

Wir unterscheiden:

Marktdaten (Y i (t))

Marktrisikodaten

logarithmische Rendite (R i (t))

Marktdaten

MAPPER

Marktrisikodaten

MAPPER

logarithmischeRendite

P

R

i

t=t 0

=

P

Y

i

t=t 0

· Y i (t 0 )

i

=

P

Y

i

t=t 0

·

Y i (t 0 )

P R i t = t 0 = P Y i t = t 0 ·

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation VaR eines Portfolios / mehrere Risikofaktoren Annahme:

VaR eines Portfolios / mehrere Risikofaktoren

Annahme:

lineare Aproximation der Wertver¨anderung des Portfolios ∆P R mit R N n (0, tΣ T Σ)

P - lineare Transformation von multivariat normalverteilten Zufallsgr¨oßen

allgemein

σ

σ

2

Z

2

P

Var (t, α)

:

=

=

=

Z = a T · Y , Y N n (µ, Σ T Σ)

var (Z ) = var (a T · Y ) = a T · Σ · a

var (∆P) = ∆ T Σ∆t

σ P · t · F 1 (α) = T Σ∆ · t · F 1 (α)

· √ ∆ t · F − 1 ( α ) = √ ∆ ∗ T

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation VaR eines Portfolios / mehrere Risikofaktoren Annahme:

VaR eines Portfolios / mehrere Risikofaktoren

Annahme:

nichtlineare Aproximation der Wertver¨anderung des Portfolios:

P

n

i=1

W i (t) + +

i

1

2

n

n

i=1 j=1

W i (t) N n (0, Σ · Σ T t)

var (∆P) = ∆ T Σ∆t + 1 2 [(Γ Σ∆t) 2 ]

P - in der Regel nicht normalverteilt

Var (t, α)

= σ P · t · F 1 (α)

Γ ij W i (t) · W j (t)

Verwendung der Cornish-Fisher-Approximation

( α ) Γ i j ∗ ∆ W i ( t ) · ∆ W

Einfuhrung¨

Varianz-Kovarianz-Methode

Cornish-Fisher-Approximation

Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Beispiel 1: VaR fur¨ ein USD/EUR Forward Trade Position N

Beispiel 1: VaR fur¨

ein USD/EUR Forward Trade

Position N USD = 1, 000, 000 USD (Heimatw¨ahrung EUR)

Verkauf der Position in einem Jahr fur¨

Risikofaktoren:

N EUR = 700, 000 EUR

Y 1 (t) = w (t) WechselkursEUR/USD

Y 2 (t)

Y 3 (t) = IBZ EUR (t) Zero ZinsenEUR

IBZ USD (t) Zero ZinsenUSD

=

Wert der Position / Portfolio P(t 0 ):

P(t 0 )

=

= P(w(t