Sie sind auf Seite 1von 17

Das Mapping von Delta- und Gamma-Risiken im

Rahmen von Varianz-Kovarianz-Verfahren


Thorsten Sauder

13. Juli 2000

Inhaltsverzeichnis
1 Einleitung 2

2 Ein allgemeines quadratisches Approximations-


Schema 3

3 Ein quadratisches Approximations-Schema zum


Mapping von Marktpreisrisiken 7

4 Interpolations-Verfahren 11
4.1 Aktie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.2 Zero-Rate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.3 Diskontfaktor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.4 Forward-Rate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.5 Swap-Rate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.6 Foreign-Exchange-Rate . . . . . . . . . . . . . . . . . . . . . . . . 15
4.7 Volatilitäts-Kurven . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.8 Volatilitäts-Flächen . . . . . . . . . . . . . . . . . . . . . . . . . . 15

5 Pseudo-Code 17

1
1 Einleitung
Zur mathematischen Modellierung des Marktrisikos eines Finanzproduktes be-
nötigt man im wesentlichen eine Formel PM , die den Preis des Finanzproduktes
in Abhängigkeit von den Marktdaten angibt, und einen mehrdimensionalen
stochastischen Prozeß M , der die möglichen Bewegungen dieser Marktdaten
beschreibt. Die möglichen Preise des Finanzproduktes zum Zeitpunkt t sind
dann durch die Zufallsgröße PM ◦Mt gegeben. Neben dem Prozeß M betrachten
wir noch die logarithmischen Renditen von M
Rt = ln Mt /M0 ,
(der Logarithmus wird natürlich komponentenweise gebildet) die wir annähernd
als multivariat-normalverteilt annehmen. Den Preisprozeß können wir dann
mittels einer geeigneten Funktion PR auch in die Form
PM ◦ Mt = PR ◦ Rt
bringen. Diese alternative Darstellung wird nun bevorzugt zur Berechnung
des VaR verwendet. Solche Rechnungen werden im allgemeinen aber nicht di-
rekt mit der Funktion PR ◦ Rt durchgeführt, sondern mit einer geeigneten
Approximation dieser Funktion. In der Praxis wird neben der linearen Ap-
proximation zunehmend eine quadratische Approximation eingesetzt, um die
nicht-linearen Marktrisiken teilweise zu erfassen. Im Rahmen des quadratischen
Approximations-Schemas möchte man einen Vektor ∆P und eine Matrix ΓP
verwenden, so daß gilt
1  
PR ◦ Rt = PR ◦ R0 + (∆P , Rt ) + (Rt , ΓP Rt ) + O R3 .
2
Für deterministische Prozesse wären aufgrund der Taylor-Formel der Gradient
und die Hesse-Matrix von PR geeignete Kandidaten für den Delta-Vektor und
die Gamma-Matrix, d.h.
∆P = ∇PR (R0 ) , ΓP = ∇2 PR (R0 ) . (1)
Im nicht-deterministischen Fall könnte es aber bessere Kandidaten geben, da
man eine Ito-Taylor-Entwicklung durchführen muß, um eine geeignete Approxi-
mation zu erhalten. Dadurch werden der Delta-Vektor und die Gamma-Matrix
im allgemeinen Ausdrücke sein, die auch höhere als die zweiten Ableitungen von
PR enthalten. Nun treibt aber die Berücksichtigung von höheren Ableitungen
den Aufwand zur VaR-Berechnung in die Höhe, so daß man sich mit Ableitun-
gen bis zur zweiten Ordnung begnügt. Diese Einschränkung führt dann dazu,
daß analog zum deterministischen Fall der Gradient und die Hesse-Matrix von
PR für das folgende Approximations-Schema ausreichend sind
1   
PR ◦ Rt = PR ◦ R0 + (∇PR , Rt ) + Rt , ∇2 PR Rt + O ∇3 PR , (2)
2
d.h. trotz des stochastischen Charakters des Renditeprozesses sind zur Approxi-
mation des linearen Terms keine zweiten Ableitungen von PR nötig. Im nächsten
Abschnitt befindet sich eine Begründung für das obige Approximations-Schema,
das dort aber zusätzlich erweitert wird, um die Verkürzung von Restlaufzeiten
zu erfassen.

2
2 Ein allgemeines quadratisches Approximations-
Schema
In diesem Abschnitt werden wir das in der Einleitung angegebene Approxi-
mations-Schema 2 durch iteriertes Anwenden der Ito-Formel herleiten. Wir fi-
xieren zuerst die Voraussetzungen. Es sei ein m-dimensionaler Prozess V von
beschränkter Variation gegeben; insbesondere lassen sich Restlaufzeiten durch
solch einen Prozeß modellieren. Des weiteren sei ein n-dimensionaler driftloser
Diffusions-Prozeß X mit Diffusions-Matrix A bezüglich eines N -dimensionalen
Wiener-Prozesses W gegeben, d.h. X genüge der stochastischen Differential-
gleichung dXt := A · dWt . Im folgenden stehe Z für den n + m-dimensionalen
Prozeß (X, V ). Außerdem geben wir noch eine beliebige glatte Abbildung g von
Rn+m nach R vor. Unter diesen Voraussetzungen zeigen wir jetzt, daß folgende
quadratische Approximation für den Prozeß g ◦ Z besteht

g (Zt ) = g (Z0 ) + D1 g (Z0 ) (Xt ) + D2 g (Z0 ) (Vt ) + D2 D1 g (Z0 ) (Xt , Vt )


1 1
+ D12 g (Z0 ) (Xt , Xt ) + D22 g (Z0 ) (Vt , Vt ) + R,
2 2
wobei D1 (bzw.D2 ) die Ableitung von g nach den ersten n (bzw. letzten m)
Variablen bezeichnen und das Symbol R für die Summe der Terme steht, in
denen die Ableitungen von g mindestens von dritter Ordnung sind.
Unter den fixierten Voraussetzungen lautet die Ito-Formel
n+m n
1 X h i
(∂i,j g) (Zt ) d Zti , Ztj .
X
dg (Zt ) = (∂i g) (Zt ) dZti + (3)
i=1
2 i,j=1

Man beachte, daß in der Doppelsumme nur bis n zu summieren ist, da ein
Klammer-Prozeß null ist, falls eine seiner Komponenten ein Prozeß von be-
schränkter Variation ist. Die restlichen Klammer-Prozesse lassen sich wie folgt
umformen
h i N h i
Xti , Xtj
X
= Ai,k Aj,l Wtk , Wtl
k,l=1
N
Ai,k A∗l,j δk,l dt
X
=
k,l=1
N
Ai,k A∗k,j dt
X
=
k=1
= (AA∗ )i,j dt.

Setzen wir diese Darstellung des Klammer-Prozesses in die Formel 3 ein, so


können wir unter Beachtung der Symmetrie der Matrix AA∗ die Doppelsumme
noch in folgender Weise umformen
 
n n n
(∂i,j g) (Zt ) (AA∗ )i,j (∂i,j g) (Zt ) (AA∗ )j,i 
X X X
= 
i,j=1 i=1 j=1

3
n
(G (Zt ) AA∗ )i,i
X
=
i=1
= tr (G (Zt ) AA∗ )
= tr (A∗ G (Zt ) A)
 
= tr D12 g (Zt ) (A·, A · ·) ,

wobei G die Hesse-Matrix von g bezüglich der ersten n Variablen bezeichnet.


Der lineare Term in der Formel 3 läßt sich wie folgt schreiben
n N m
D2 g (Zt ) (ēi ) dVtj ,
X X X
(∂i g) (Zt ) dXti = D1 g (Zt ) (Aei ) dWti +
i=1 i=1 j=1

wobei ei (bzw. ēi ) die Standardeinheits-Vektoren in RN (bzw. Rm ) bezeichnen.


Damit haben wir dann die Formel 3 in die folgende äquivalente Form gebracht
Z t
1  
g (Zt ) = g (Z0 ) + tr D12 g (Zs ) (A·, A · ·) ds
2 0
N Z t
X m Z t
X
+ D1 g (Zs ) (Aei ) dWsi + D2 g (Zs ) (ēj ) dVsj . (4)
i=1 0 j=1 0

Wendet man nun diese Formel auf die beiden Funktionen

D1 g (z) (Aei ) , D2 g (z) (ēj )

an, so erhält man folgendes Resultat


Z t
1  
g (Zt ) = g (Z0 ) + tr D12 g (Zs ) (A·, A · ·) ds
2 0
N Z t
X m Z t
X
+ D1 g (Z0 ) (Aei ) dWsi + D2 g (Z0 ) (ēj ) dVsj
i=1 0 j=1 0
N Z tZ s
X
+ D12 g (Zu ) (Aei , Aej ) dWuj dWsi (5)
i,j=1 0 0

N X
X m Z tZ s
+ D2 D1 g (Zu ) (Aei , ēj ) dVuj dWsi (6)
i=1 j=1 0 0

m X
X N Z tZ s
+ D1 D2 g (Zu ) (ēj , Aei ) dWui dVsj (7)
j=1 i=1 0 0
m Z tZ s
X
+ D22 g (Zu ) (ēj , Aei ) dVuj dVsi (8)
i,j=1 0 0

+R

Indem wir jetzt nochmals die Formel 4 auf die Integranden in den Doppelinte-
gralen anwenden und die Identität

D2 D1 g (Zu ) (Aei , ēj ) = D1 D2 g (Zu ) (ēj , Aei )

4
beachten, erhalten wir das Ergebnis
Z t
1  
g (Zt ) = g (Z0 ) + tr D12 g (Zs ) (A·, A · ·) ds
2 0
N m
D2 g (Z0 ) (ēj ) Vtj
X X
+ D1 g (Z0 ) (Aei ) Wti +
i=1 j=1
N
X Z t
+ D12 g (Z0 ) (Aei , Aej ) Wsj dWsi (9)
i,j=1 0

N X
X m Z t Z t 
+ D2 D1 g (Zu ) (Aei , ēj ) Vsj dWsi + Wsi dVsj (10)
i=1 j=1 0 0
m
X Z t
+ D22 g (Z0 ) (ēj , Aei ) Vsj dVsi (11)
i,j=1 0

+R

Als nächstes werden wir die Integrale berechnen. Dazu beginnen wir mit dem
Term 9, der in folgender Weise umgeformt werden kann
N
X Z t
D12 g (Z0 ) (Aei , Aej ) Wsj dWsi
i,j=1 0

N
X Z t
= D12 g (Z0 ) (Aei , Aei ) Wsi dWsi
i=1 0
N
X Z t Z t 
+ D12 g (Z0 ) (Aei , Aej ) Wsj dWsi + Wsi dWsj ,
i<j 0 0

wobei wir die Tatsache benutzt haben, daß die zweite Ableitung von g eine
symmetrische Bilinearform ist. Indem wir die Regel über die partielle Integra-
tion für stochastische Integrale auf die Komponenten des Wiener-Prozesses W
anwenden, erhalten wir
Z t
1  i 2
 
Wsi dWsi = Wt − t
0 2
Z t Z t
Wsi dWsj + Wsj dWsi = Wti Wtj .
0 0

Setzen wir jetzt diese Formeln in die vorige Gleichung ein, so folgt
N
X Z t
D12 g (Z0 ) (Aei , Aej ) Wsj dWsi
i,j=1 0

N
1X
 2 
= D2 g (Z0 ) (Aei , Aei ) Wti −t
2 i=1 1
N
D12 g (Z0 ) (Aei , Aej ) Wti Wtj
X
+
i<j

5
N
1 X
= D2 g (Z0 ) (Aei , Aej ) Wti Wtj
2 i,j=1 1
N
tX
− D2 g (Z0 ) (Aei , Aei ) (12)
2 i=1 1

Mit einer ähnlichen Argumentation wie eben erhalten wir für den Term 11 die
Identität
m Z t m
X 1 X
D22 g (Z0 ) (ēj , ēi ) Vsj dVsi = D2 g (Z0 ) (ēj , ēi ) Vst Vti . (13)
i,j=1 0 2 i,j=1 2

Es gilt nun Z t Z t
Vsj dWsi + Wsi dVsj = Vtj Wti ,
0 0
so daß der Term 10 wie folgt umgeformt werden kann
N X
X m Z t Z t 
D2 D1 g (Z0 ) (Aei , ēj ) Vsj dWsi + Wsi dVsj
i=1 j=1 0 0

N X
m
D2 D1 g (Z0 ) (Aei , ēj ) Vtj Wti .
X
= (14)
i=1 j=1

Mittels der Formeln 12 bis 14 erhalten wir dann


Z t
1    
g (Zt ) = g (Z0 ) + tr D12 g (Zs ) (A·, A · ·) − tr D12 g (Z0 ) (A·, A · ·) ds
2 0
N m
D2 g (Z0 ) (ēj ) Vtj
X X
+ D1 g (Z0 ) (Aei ) Wti +
i=1 j=1
N
1 X
+ D12 g (Z0 ) (Aei , Aej ) Wtj Wti
2 i,j=1
N X
m
D2 D1 g (Zu ) (Aei , ēj ) Vtj Wti
X
+
i=1 j=1
m
1
D2 g (Z0 ) (ēj , ēi ) Vtj Vti
X
+
2 i,j=1 2
+R

Mit der Formel 4 erkennt man sofort, daß das Integral zu R gehört. Damit
erhalten wir schließlich das gesuchte quadratische Approximations-Schema für
den Prozeß g ◦ Z.

6
3 Ein quadratisches Approximations-Schema zum
Mapping von Marktpreisrisiken
Wir werden hier das quadratische Approximations-Schema aus den vorigen Ab-
schnitt verwenden, um Regeln für das Mapping von nicht-linearen Risiken zu
erhalten. Der Wert PM (y, τ ) eines Portfolios P hängt von einer gewissen An-
zahl von Marktdaten ab, die wir hier durch einen m-dimensionalen Vektor y
repräsentieren, sowie einem r-dimensionalen Vektor τ , der z.B. die Restlaufzei-
ten der in P enthaltenen Finanzprodukte zusammenfaßt. Von diesen Markt-
daten unterscheiden wir einen zweiten Satz von Marktdaten, für den die zur
Berechnung des Value-at-Risk relevanten statistischen Daten, das sind Vola-
tilitäten und Korrelationen, zur Verfügung stehen. Diese Marktdaten stellen
wir im folgenden durch einen n-dimensionalen Vektor x dar und bezeichnen
sie als Risikofaktoren. Jedem Risikofaktor i ordnen wir den logarithmischen
Rendite-Prozeß Rti zu und fassen diese Prozesse in dem n-dimensionalen Prozeß
Rt = Rt1 , . . . , Rtn zusammen. Aufgrund dieser Festlegung wird die Verände-
rung der aktuellen Marktwerte x0 am Zeitpunkt t durch folgende Formel be-
schrieben  
1 n
Xt = x0 eRt := x0,1 eRt , . . . , x0,n eRt .
Nun befinden sich aber im allgemeinen nicht alle Marktdaten, die in y zusam-
mengefaßt sind, unter den Risikofaktoren. Daher verwendet man Interpolations-
Verfahren, um die y-Daten durch die x-Daten auszudrücken. Ein Interpolations-
Verfahren ist also eine Abbildung f , die einem n-dimensionalen Vektor x eine
reelle Zahl zuordnet. Im allgemeinen hängt eine Interpolations-Vorschrift nicht
von jeder Komponente des Vektors x ab, z.B. sind im Fall der linearen In-
terpolation nur zwei Komponenten wesentlich. Es ist aber für das Folgende
zweckmäßig, eine Interpolations-Vorschrift vom gesamten Vektor x abhängen
zu lassen. Die interpolierten Marktdaten y erhalten wir dann aus den Risiko-
faktoren x und den Interpolations-Verfahren (f1 , . . . , fm ) mittels der Abbildung

y = F (x) := (f1 (x) , . . . , fm (x)) .

Indem wir noch die Abbildung

ΦF (x, τ ) = (F (x) , τ )

einführen, können wir die möglichen Werte des Portfolios P zum Zeitpunkt
t durch die Zufallsvariable PM ◦ ΦF ◦ (Xt , Tt ) beschrieben, wobei T ein k-
dimensionaler Prozeß von beschränkter Variation sei. Mittels der Funktion

PR (r, τ ) := PM (ΦF (x0 er , τ )) ,

welche die möglichen Werte des Portfolios in Abhängigkeit von den möglichen
Werten der logarithmischen Renditen der Risikofaktoren beschreibt, und dem
Prozeß Z = (R, T ) gilt dann

PR ◦ Zt = PM ◦ ΦF ◦ (Xt , Tt ) .

7
Damit haben wir die zur Bewertung eines Portfolios benötigten Komponenten
formal beschrieben und die Bewertungsformel in eine Gestalt gebracht, auf die
sich das Approximations-Schema aus dem vorigen Abschnitt anwenden läßt.
Wir beginnen jetzt mit der Behandlung der linearen Terme. Es gilt

Dx PR (Z0 ) · ei = x0,i DPM (ΦF (X0 , T0 )) (DF (X0 ) · ei , 0) ,


Dτ PR (Z0 ) · ēi = DPM (ΦF (X0 , T0 )) (0, ēi ) ,

wobei ei (bzw. ēi ) die Standardeinheits-Vektoren in Rn (bzw. Rk ) bezeichnen.


Diese Formeln stellen dann zwischen dem Portfolio-Delta ∆M bezüglich der
Marktdaten (y, τ )
∆M = DPM (ΦF (X0 , T0 )) ,
und dem Delta-Vektor ∆R folgenden Zusammenhang her
( Pm
x0,i · · ∂i fj (X0 )
j=1 ∆M,j 1≤i≤n
∆R,i = (15)
∆M,m−n+i n + 1 ≤ i ≤ n + k.

Als nächstes ist die zweite Ableitung von PR zu behandeln, für deren Darstel-
lung das Portfolio-Gamma ΓM bezüglich der y-Daten gebraucht wird

ΓM = D2 PM (ΦF (X0 , T0 )) .

Die zweite partielle Ableitung von PR nach der Variablen r lautet nun

Dx2 PR (Z0 ) · (ei , ej ) = x0,i x0,j ΓM (DF (X0 ) · ei , DF (X0 ) · ej )


 
+ x0,i x0,j Dy PM (ΦF (X0 , T0 )) D2 F (X0 ) · (ei , ej )
+ δij x0,i Dy PM (ΦF (X0 , T0 )) (DF (X0 ) · ei ) .

Diese Formel zeigt, daß drei Faktoren einen Einfluß auf den Gammawert ΓR
bezüglich der Risikofaktoren haben. Zum einen ist dort der Einfluß des nicht-
linearen Verhaltens des Portfolios bezüglich der Veränderungen der Marktwerte
y (erster Summand), zum anderen macht sich das nicht-lineare Verhalten der
Interpolations-Verfahrens bemerkbar (zweiter Summand), und nicht zuletzt be-
einflußt sogar unsere Festlegung, die Marktveränderungen mittels der logarith-
mischen Renditen zu modellieren, den Gammawert (dritter Summand). Für die
gemischten partiellen zweiten Ableitungen von PR erhalten wir

Dτ Dx PR (Z0 ) (ei , ēj ) = x0,i Dτ Dy PM (ΦF (X0 , T0 )) (DF (X0 ) · ei , ēj )

und für die zweiten partiellen Ableitungen von PN nach τ

Dτ2 PR (Z0 ) (ēi , ēj ) = Dτ2 PM (ΦF (X0 , T0 )) (ēi , ēj ) .

Hieraus erhalten wir folgende Formeln für die normalisierte Gamma-Matrix ΓR


m
X
ΓR;i,j = x0,i x0,j ΓM;k,l · ∂i fk (X0 ) · ∂j fl (X0 ) (16)
l,k=1

8
m
X
2
+ x0,i x0,j ∆M,k ∂ij fk (X0 )
k=1
m
X
+ x0,i δij ∆M,k ∂i fk (X0 ) , 1 ≤ i, j ≤ n, (17)
k=1

sowie
( Pm
x0,i · · ∂i fl (X0 ) 1 ≤ i ≤ n, n + 1 ≤ j ≤ n + k
l=1 ΓM;m−n+j,l
ΓR;i,j =
ΓM;m−n+i,m−n+j n + 1 ≤ i, j ≤ n + k.
(18)

Damit haben wir im Rahmen des Varianz-Kovarianz-Verfahrens das abstrak-


te Approximations-Schema beschrieben. Um ein konkretes Schema zu erhal-
ten, sind diverse Interpolations-Verfahren festzulegen. Diese Verfahren haben
natürlich unterschiedliche Komplexitätsgrade. Ein Verfahren, das zum Beispiel
einen beliebigen Diskontfaktor aus zwei benachbarten Diskontfaktoren interpo-
liert, hat eine geringe Komplexität. Hat man hingegen die n-jährige Swap-Rate
sn aus den Diskontfaktoren di mittels der Formel
1 − dn
sn = Pn
i=1 di

zu berechnen, so steht man vor einem deutlich größeren Problem, da jetzt Dis-
kontfaktoren interpoliert werden müssen und zudem die Anzahl der zu berück-
sichtigen Risikofaktoren variabel ist. Daher ist es zweckmäßig, sich eine Me-
thode zu überlegen, welche in diesen Fällen die Komplexität reduziert. Eine
komplexitätsreduzierende Methode läßt sich wie folgt beschreiben: die Symbole
F, F ∗ bezeichnen Abbildungen, welche zwei Sätze von Interpolations-Verfahren
zusammenfassen, die durch eine Abbildung G in der folgenden Weise verknüpft
sind
F ∗ = G ◦ F.
Hierbei stellen wir uns vor, daß in F m einfache Verfahren zusammengefaßt
sind, während F ∗ einen Satz von m̃ komplexen Verfahren beschreibt. Im obigen
Beispiel würde G dann lauten
1 − xn
G (x1 , . . . , xn ) = Pn .
i=1 xi

Wird die Bewertung eines Portfolios aufgrund der komplexen Verfahren durch-
geführt, so wird der Barwert des Portfolios durch die Funktion

PM ◦ ΦF ∗

dargestellt. Indem wir die Funktion



PM (x, τ ) = PM (G (x) , τ )

verwenden, erhalten wir



PM ◦ ΦF = PM ◦ ΦF ∗ .

9
Da wir annehmen, daß die Sensitivitäten bezüglich der Funktion PM bekannt
sind, haben wir noch die Sensitivitäten bezüglich PM∗ zu berechnen. Durch

Ableiten dieser Funktion erhalten wir


( P
m
j=1 ∆M,j · ∂i Gj (F (x0 )) 1 ≤ i ≤ m̃
∆∗M,i = (19)
∆M,m−m̃+i m̃ + 1 ≤ i ≤ m̃ + k.

Für die zweiten Ableitungen gilt


m
Γ∗M;i,j
X
= ΓM;k,l · ∂i Gk (F (x0 )) · ∂j Gl (F (x0 ))
l,k=1
m
X
2
+ ∆M,k ∂ij Gk (F (x0 )) , 1 ≤ i, j ≤ m̃, (20)
k=1

sowie
( P
m
l=1 ΓM;m−m̃+j,l · ∂i Gl (F (x0 )) 1 ≤ i ≤ m̃, m̃ + 1 ≤ j ≤ m̃ + k
Γ∗M;i,j =
ΓM;m−m̃+i,m−m̃+j m̃ + 1 ≤ i, j ≤ m̃ + k.
(21)

10
4 Interpolations-Verfahren
Eine wesentliche Komponente des im vorigen Abschnitt beschriebenen Mo-
dells sind die Interpolations-Verfahren, die einen Zusammenhang zwischen den
Marktgrößen und den Risikofaktoren herstellen. Im folgenden geben wir für
einige Marktgrößen mögliche Interpolations-Verfahren an.

4.1 Aktie
Im Rahmen eines Single-Index-Modells wird das Risiko einer Aktie A linear
durch das Risiko eines geeigneten Aktien-Index I ausgedrückt. Der Koeffizient,
der die Kopplung der Aktien-Rendite an die des Index mißt, wird durch das
Symbol β bezeichnet. Es gilt dann
RA = β · RI .
Der Aktie A ist der Index I als Risikofaktor zugeordnet. Daher haben wir
nun eine Funktion fSI zu finden, die den Aktienkurs durch den Kurs des Index
ausdrückt und zusätzlich die vorige Formel impliziert. Eine Funktion mit diesen
Eigenschaften ist
 β
I
fSI (I) = A0 · ,
I0
wobei A0 (bzw. I0 ) den aktuellen Kurs der Aktie (bzw. des Index) bezeichnet.
Die ersten beiden Ableitungen von fSI lauten
A0 A0
∂I fSI (I0 ) = β und ∂I2 fSI (I0 ) = β (β − 1) .
I0 I02
Später ist dieser Ansatz so zu verallgemeinern, daß auch das vollständige Single-
Index- Modell
RA = α + β · RI + 
behandelt werden kann.

4.2 Zero-Rate
Im folgenden gehen wir davon aus, daß sich eine Zero-Rate zT durch lineare
Interpolation aus den Zero-Rates zT1 und zT2 ergibt, d.h.
T2 − T
zT = α · zT1 + (1 − α) · zT2 , mit α = .
T2 − T1
Als Risikofaktoren stehen nun die Zero-Rates zT1 und zT2 oder die aus diesen
abgeleiteten Diskontfaktoren zur Auswahl. Wir werden jetzt für beide Varianten
die Interpolations-Verfahren angeben.

Variante 1: Zero-Rate als Risikofaktor


Es seien zuerst die Zero-Rates die Risikofaktoren. In diesem Fall lautet das
Interpolations-Verfahren
T2 − T
fZ (zT1 , zT2 ) = α · zT1 + (1 − α) · zT2 , mit α = .
T2 − T1

11
Als erste partielle Ableitungen von fZ erhalten wir

∂zT1 fZ = α , ∂zT2 fZ = 1 − α,

und die zweiten partiellen Ableitungen ergeben sich zu

∂z2T fZ = ∂z2T fZ = ∂zT1 zT2 fZ = 0.


1 2

Variante 2: Diskontfaktor als Risikofaktor


Seien jetzt die Diskontfaktoren die Risikofaktoren. Wir nehmen folgenden Zu-
sammenhang zwischen dem Zinssatz zT und dem Diskontfaktor dT an

dT = e−zT ·T .

Indem wir diese Formel nach dem Zinssatz auflösen und in die lineare Interpo-
lationsformel für den Zinssatz einsetzen, erhalten wir
α 1−α
zT = fZ (dT1 , dT2 ) = − · ln dT1 − · ln dT2 .
T1 T2
Als erste partielle Ableitungen von fZ ergeben sich
α
∂dT1 fZ (dT1 , dT2 ) = −
T1 · dT1
1−α
∂dT2 fZ (dT1 , dT2 ) = − .
T2 · dT2
Die zweiten partiellen Ableitungen lassen sich durch folgende Formeln aus-
drücken
α
∂d2T fZ (dT1 , dT2 ) =
1 T1 · d2T1

1−α
∂d2T fZ (dT1 , dT2 ) =
2 T2 · d2T2

∂dT1 ,dT2 fZ (dT1 , dT2 ) = 0.

4.3 Diskontfaktor
Wir nehmen jetzt an, daß der Diskontfaktor dT wie folgt durch die Zero-Rate
zT ausgedrückt wird
dT = e−zT ·T .
Wir untersuchen auch in diesem Abschnitt die Fälle, in denen entweder die
Zero-Rate oder der Diskontfaktor der Risikofaktor ist.

Variante 1: Zero-Rate als Risikofaktor


Da wir folgenden Zusammenhang zwischen der Zero-Rate zT und dem Diskont-
faktor dT annehmen
dT = e−zT ·T

12
und die Zero-Rate mittels lineare Interpolation aus bekannten Zero-Rates er-
mitteln, folgt

dT = fDF (zT1 , zT2 ) = e−αzT1 ·T · e−(1−α)zT2 ·T .

Als erste partielle Ableitungen von fDF ergeben sich

∂zT1 fDF (zT1 , zT2 ) = −α · T · dT


∂zT2 fDF (zT1 , zT2 ) = − (1 − α) · T · dT .

Als zweite partielle Ableitungen erhalten wir

∂z2T fDF (zT1 , zT2 ) = α2 · T 2 · dT


1

∂z2T fDF (zT1 , zT2 ) = (1 − α)2 · T 2 · dT


2

∂zT1 ,zT2 fDF (zT1 , zT2 ) = α (1 − α) · T 2 · dT .

Variante 2: Diskontfaktor als Risikofaktor


Wir benötigen jetzt eine Darstellung des Diskontfaktors dT durch die Diskont-
faktoren dT1 , dT2 . Dazu nehmen wir wiederum folgenden Zusammenhang zwi-
schen dem Zinssatz zT und dem Diskontfaktor dT an

dT = e−zT ·T .

Indem wir in diese Formel die lineare Interpolationsformel für den Zinssatz
einsetzen, erhalten wir
α TT (1−α) TT
dT = fDF (dT1 , dT2 ) = e−αzT1 ·T −(1−α)zT1 ·T = dT1 1 · dT2 2
.

Als erste partielle Ableitungen von fDF ergeben sich dann


T · dT
∂dT1 fDF (dT1 , dT2 ) = α ·
T1 · dT1
T · dT
∂dT2 fDF (dT1 , dT2 ) = (1 − α) · .
T2 · dT2

Die zweiten partiellen Ableitungen lassen sich durch folgende Formeln aus-
drücken
T 2 · dT T · dT
∂d2T fDF (dT1 , dT2 ) = α2 · −α·
1 T12 · d2T1 T1 · d2T1
T 2 · dT T · dT
∂d2T fDF (dT1 , dT2 ) = (1 − α)2 · − (1 − α) ·
2 T22 · d2T2 T1 · d2T2
T 2 · dT
∂dT1 ,dT2 fDF (dT1 , dT2 ) = α (1 − α) · .
T1 · T2 · dT1 · dT2

13
4.4 Forward-Rate
Die Forward-Rate F für den Zeitraum, der durch die Zeitpunkte T1 , T2 begrenzt
ist, wird mittels Diskontfaktoren aus folgender Formel berechnet
1 dT1
 
F = G (dT1 , dT2 ) = −1 .
T2 − T1 dT2
Wir können in diesem Fall die im vorigen Kapitel beschriebene Reduktions-
methode anwenden, wodurch das Mapping der Sensitivitäten bezüglich der
Forward-Rate auf das Mapping der Diskontfaktoren reduziert wird. Wir benöti-
gen daher die Kenntnis über die ersten beiden Ableitungen von G. Die ersten
partiellen Ableitungen der Funktion G sind
1 1 1 dT1
∂dT1 G (dT1 , dT2 ) = , ∂dT2 G (dT1 , dT2 ) = − .
T2 − T1 dT2 T2 − T1 d2T2

Die zweiten partiellen Ableitungen der Funktion G sind


2 1
∂d2T G (dT1 , dT2 ) = 0 , ∂d2T G (dT1 , dT2 ) = ,
1 2 T2 − T1 d2T2
1 1
∂dT1 ,dT2 G (dT1 , dT2 ) = − .
T2 − T1 d2T2
Mittels dieser Ableitungen und den Formeln 19-21 werden die Sensitivitäten
bezüglich der Forward-Rate in Sensitivitäten bezüglich der Diskontfaktoren um-
gerechnet. Anschließend werden diese Sensitivitäten mit Hilfe der in Abschnitt
4.3 beschriebenen Interpolations-Methoden gemappt.

4.5 Swap-Rate
Das Mapping der n-jährigen Forward- Swap-Rate sn kann auf das Mapping der
Diskontfaktoren zurückgeführt werden, da der folgende Zusammenhang zwi-
schen diesen Marktgrößen besteht
d0 − dn
sn = G (d1 , . . . , dn ) = ,
ν ni=1 di
P

wobei ν die Payment-Frequenz ist. Die ersten partiellen Ableitungen von G sind
 Pn
 − l=1 dl i=0


1
∂di G (d1 , . . . , dn ) = − Pn 2 · 0 d −d
n 0<i<n
ν( l=1 dl )

 Pn−1 d

l=0 l i = n.

Die zweiten partiellen Ableitungen sind durch folgende Formeln gegeben




 0 i=j=0
 Pn
− l=1 dl i = 0, j > 0




1 
∂di ,dj G (d1 , . . . , dn ) = Pn 3 · 2 (d − d )
0 n 0 < i, j < n
ν( l=1 dl )
 Pn−1
d − d + l=0 dl i = n, 0 < j < n




 0 n
 Pn−1
2· dl i = j = n.

l=0

14
Mittels dieser Ableitungen und den Formeln 19-21 werden die Sensitivitäten
bezüglich der Swap-Rate in Sensitivitäten bezüglich der Diskontfaktoren um-
gerechnet. Anschließend werden diese Sensitivitäten mit Hilfe der in Abschnitt
4.3 beschriebenen Interpolations-Methoden gemappt.

4.6 Foreign-Exchange-Rate
Wir nehmen im folgenden an, daß eine Basis-Währung B (z.B. EUR) fixiert ist.
Den Wert einer Fremdwährungs-Einheit in der Preis-Währung bezeichnen wir
dann durch wA,B , wobei A die Fremdwährung und B die Preiswährung kenn-
zeichnet. Für zwei beliebige Währungen A, C definieren wir die Interpolations-
Vorschrift durch
wA,B
wA,C = fF X (wA,B , wC,B ) = .
wC,B
Die ersten partiellen Ableitungen dieser Funktion lauten
1 wA,B
∂wA,B fF X (wA,B , wC,B ) = , ∂wC,B fF X (wA,B , wC,B ) = − 2 .
wC,B wC,B

Als zweite partielle Ableitungen erhalten wir


2 2 wA,B
∂w f
A,B F X
(wA,B , wC,B ) = 0 , ∂w f
C,B F X
(wA,B , wC,B ) = 2 · 3 ,
wC,B

1
∂wA,B ,wC,B fF X (wA,B , wC,B ) = − 2 .
wC,B

4.7 Volatilitäts-Kurven
Wir gehen davon aus, daß die Volatilität σT durch lineare Interpolation aus den
Volatilitäten σT1 und σT2 berechnet wird, d.h.

T2 − T
σT = fV K (σT1 , σT1 ) = α · σT1 + (1 − α) · σT2 , mit α = .
T2 − T1
Als erste partielle Ableitungen von fV K erhalten wir dann

∂σT1 fV K = α , ∂σT2 fV K = 1 − α,

und die zweiten partiellen Ableitungen sind alle null, da die Interpolations-
Vorschrift linear ist.

4.8 Volatilitäts-Flächen
Die Volatilitäts-Flächen werden durch eine zwei-dimensionale lineare Interpo-
lation aus vorgegebenen Stützstellen gewonnen. Die Interpolations-Vorschrift
lautet
(T2 − T ) · (S2 − S)
fV F (σT1 ,S1 , σT2 ,S1 , σT1 ,S2 , σT2 ,S2 ) = · σT1 ,S1 +
(T2 − T1 ) · (S2 − S1 )

15
(T − T1 ) · (S2 − S)
· σT2 ,S1 +
(T2 − T1 ) · (S2 − S1 )
(T2 − T ) · (S − S1 )
· σT1 ,S2 +
(T2 − T1 ) · (S2 − S1 )
(T − T1 ) · (S − S1 )
· σT2 ,S2 .
(T2 − T1 ) · (S2 − S1 )

Als erste partielle Ableitungen erhalten wir natürlich

(T2 − T ) · (S2 − S) (T − T1 ) · (S2 − S)


∂σT1 ,S1 fV F (σ) = , ∂σT2 ,S1 fV F (σ) =
(T2 − T1 ) · (S2 − S1 ) (T2 − T1 ) · (S2 − S1 )

und
(T2 − T ) · (S − S1 ) (T − T1 ) · (S − S1 )
∂σT1 ,S2 fV F (σ) = , ∂σT2 ,S2 fV F (σ) =
(T2 − T1 ) · (S2 − S1 ) (T2 − T1 ) · (S2 − S1 )

mit σ = (σT1 ,S1 , σT2 ,S1 , σT1 ,S2 , σT2 ,S2 ). Die zweiten partiellen Ableitungen sind
alle null, da die Interpolations-Vorschrift linear ist.

16
5 Pseudo-Code
In diesem Abschnitt geben wir für das oben beschriebene Verfahren einen
Pseudo-Codes an, der zeigt wie das Verfahren implementiert werden könnte.
Das Symbol I steht im folgenden für ein Finanzprodukt, und wir bezeichnen
mit Ex (I) (bzw. Ex (f )) die Menge derjenigen Komponenten von y (bzw. x),
die für die Berechnung von I (bzw. f ) relevant sind. Der Pseudo-Code für die
Berechnung des normalisierten Delta-Vektors und der normalisierten Gamma-
Matrix lautet dann

noch nicht vollständig


for I ∈ P do {
for j ∈ Ex (I) do {
berechne ∆I,j
for i ∈ E (fj ) do {
berechne ∂i fj
∆N
I,i + = x0,i · ∆I,j · ∂i fj
ΓN
I;i,i + = x0,i · ∆I,j · ∂i fj
for k ∈ E (fj ) do {
berechne ∂i,k fj
ΓN
I;i,k + = x0,i · x0,k · ∂i,k fj
}
}
}

for i ∈ Eτ (I) do {
berechne ∆I,i
∆N
I,i + = ∆I,i
}

for (k, l) ∈ Ex (I) × Ex (I) do {


berechne ΓI;k,l
for (i, j) ∈ E (fk ) × E (fl ) do {
berechne ∂i fk , ∂j fl
ΓN
I;i,j + = x0,i · x0,j · ΓI;k,l · ∂i fk · ∂j fl
}
}

∆N N
P + = ∆I
ΓN N
P + = ΓI
}

17