Sie sind auf Seite 1von 96

2 3

Modellierung und Berechnung des Marktpreisrisikos


in BGB

Author: RaP Risikocontrolling

Revisions: 8 Date (last saved): 15 April 2003

Status: open for discussion sealed

Approved by:

Sealed by: -/-

Location: L:\IRD\Methods\MarketRisk\RiskPaper\BGB_Risikomeßmethodik.doc

Summary
Das vorliegende Dokument stellt die Risikomeßmethode im Rahmen der Value-at-Risk
Berechnung für Marktpreisrisiken der Bankgesellschaft Berlin AG vor. Dabei wird zuerst die
grundlegende Fragestellung der Modellierung der stochastischen Eigenschaft der
Marktwertveränderung, (barwertige Profit&Loss P&L) dargestellt. Zur Bestimmung des
Value-at-Risk werden Annahmen über die Verteilung der Marktwerte getroffenen, die dann
über die Cornish-Fisher-Approximation die Bestimmung des Quantils ermöglichen. Als
flankierende Methode wird in der Bankgesellschaft das Verfahren der historischen Simulation
in den Varianten full- und partial Simulation eingesetzt. Die Vorgehensweise wird in diesem
Dokument ebenfalls beschrieben.

Keywords:= Value-at- Risk Var, CaR, Marktrisiko, Mapping, Cornish-Fisher, Marktpreisrisiko, Back-
testing, Stresstesting, Historische Simulation

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 1 of 96


printed by: Administrator
2 3
testing, Stresstesting, Historische Simulation

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 2 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Index

1 Einleitung..................................................................................................................................................6
2 Symbol-Definition...................................................................................................................................14
2.1 Zum Marktwert/Barwert ..................................................................................................................14
2.2 Zeit..................................................................................................................................................14
2.3 Greeks ............................................................................................................................................15
2.4 Zu Value at Risk und Mapping .........................................................................................................15
2.5 Statistik ...........................................................................................................................................16
3 Methodik ...............................................................................................................................................17
3.1 Marktwert .......................................................................................................................................17
3.2 Marktrisiko......................................................................................................................................17
3.3 Modellierung der Marktdaten...........................................................................................................18
3.4 Zur Bestimmung der Quantile der Wertveränderungsverteilung ..........................................................21
3.5 Approximation der Wertveränderungsfunktion ..................................................................................23
3.5.1 Anzahl der Ableitungen..............................................................................................................24
3.5.2 Ordnungen in der Zeit................................................................................................................25
3.6 Vergleich mit RiskMetrics von JPMorgan.........................................................................................26
4 Risikoberechnung in der Riskengine ........................................................................................................28
4.1 Approximation von charakteristischen Funktionen.............................................................................29
4.2 Cornish-Fisher Entwicklung..............................................................................................................29
4.2.1 Die Cornish-Fisher-Entwicklung................................................................................................30
4.2.2 Bestimmung der Kumulanten .....................................................................................................33
4.3 Beispiele ..........................................................................................................................................35
4.3.1 Cash Flow in einer Fremdwährung.............................................................................................35
4.3.2 FX-Cash-Position.....................................................................................................................37
4.3.3 Beispiel Cornish-Fisher .............................................................................................................39
4.4 Alternativen .....................................................................................................................................42
4.4.1 Johnson-Verteilung....................................................................................................................42
4.4.2 Saddlepoint-Approximation, Lugannani-Rice-Formel.................................................................43

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 3 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

5 Mapping ................................................................................................................................................43
5.1 Marktrisikodaten .............................................................................................................................44
5.1.1 Einführung von Marktrisikodaten...............................................................................................44
5.1.2 Der Risikodatensatz ..................................................................................................................45
5.2 Darstellung.......................................................................................................................................46
5.3 Umrechnung der Ableitungen............................................................................................................48

5.3.1 Bezeichnungen ..........................................................................................................................49


5.3.2 Erste Ableitung ..........................................................................................................................49
5.3.3 Zweite Ableitung .......................................................................................................................51
5.4 Beispiele ..........................................................................................................................................54
5.4.1 Cash Flow Beispiel und Konsistenz des Verfahrens....................................................................54
5.4.2 Caplet.......................................................................................................................................56
5.5 Alternativen .....................................................................................................................................60
5.5.1 Barwert- und Risikoerhaltendes Mapping ..................................................................................61
5.5.2 Duration-erhaltendes Mapping...................................................................................................62
6 Realisierung des Theta-Add-ons .............................................................................................................62
6.1 Ein-Tages-Theta-Add-on vs. 10-Tages-Theta-add-on .....................................................................63
6.2 Funding und Cash-Flows der Finanzprodukte...................................................................................64
6.3 Beispiel: Ein Cash-Flow...................................................................................................................66
6.4 Realisierung in ARMADA................................................................................................................67
7 AddOns .................................................................................................................................................67
7.1 Besonderes Kursrisiko aus Aktien/Aktiederivaten.............................................................................68
7.2 Volatilitätsrisiko aus Aktien/Aktienderivativen...................................................................................68
7.3 Das IndexArbitrageAddOn..............................................................................................................69
7.4 CreditSpreadRisk............................................................................................................................70
7.5 Differential Swap Addon..................................................................................................................71
7.6 RiskAddOn für SPG........................................................................................................................72
8 Das aggregierte Marktpreisrisiko ............................................................................................................72
9 Schätzung der Risikoparameter ...............................................................................................................73
9.1 Berechnung von Rendite und Kovarianz............................................................................................73

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 4 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

9.2 Update der ungewichteten Daten......................................................................................................75


9.3 Update gewichtete Daten .................................................................................................................77
10 Historische Simulation .........................................................................................................................78
10.1 Einleitung und Grundideen.............................................................................................................78
10.2 Beschreibung des Verfahrens........................................................................................................80

10.2.1 Szenariobildung auf Basis relativer Änderungen über Periode L ....................................................80


10.2.2 Szenariobildung auf Basis relativer Änderungen über Periode L mit Antithetik ...............................81
10.2.3 VaR mittels Full Valuation ..........................................................................................................82
10.2.4 VaR mittels Partial Valuation ......................................................................................................83
11 Backtesting .........................................................................................................................................85
11.1 Der Grundsatz I............................................................................................................................85
11.2 Das unkontaminierte Handelsergebnis ...........................................................................................86
11.3 Beispiele ......................................................................................................................................88
11.4 Eine alternative Variante des unkontaminierten Handelsergebnis.....................................................90
11.5 Das eintägige zeitfreie Value at Risk ..............................................................................................91
11.6 Clean Backtesting.........................................................................................................................91
11.7 Beidseitiges Backtesting................................................................................................................92
12 Marginal VaR und Component VaR....................................................................................................92
12.1 Herleitung.....................................................................................................................................92
12.2 Beispiel........................................................................................................................................93
13 Literaturverzeichnis..............................................................................................................................94
14 Change History...................................................................................................................................96

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 5 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Modellierung und Berechnung des Marktpreisrisikos in BGB

1 Einleitung

Während der vergangenen Dekade sind die Aktivitäten in den Finanzmärkten von Banken, Versicherungen und
Finanzintermediären signifikant gestiegen. Bedingt durch die zunehmende Globalisierung, die Innovationskraft der
Banken beim Design von neuen Finanzderivaten, die exponentiell wachsenden Möglichkeiten durch die
Informationstechnologie sowie den zunehmenden Druck auf Margen und Ergebnisse stiegen die Volumina und
damit verbunden die Risiken immer stärker an. Äußeres Erscheinungsbild dieser Entwicklung war der allgemein
zu verzeichnende Anstieg in der Volatilität der Finanzmärkte. Gleichzeitig wuchs die Angst, einen globalen oder
auch nur partiellen Finanz-Crash zu erleiden. Spektakuläre Beispiele in der Vergangenheit für die Gefahren, die
aus fehlendem oder mangelhaftem Risikomanagement erwachsen können, sind z.B.:

• der Zusammenbruch der 233-Jahre alten Barings Bank am 26.2.1995 durch den Verlust in Höhe von
ca. 1,3 Milliarden Dollar resultierend aus einer riesigen Position in Derivaten.

• der “beinahe” Zusammenbruch der Metallgesellschaft 1993, bedingt durch Marginverpflichtungen


aus Öl-Terminkontrakten – die Summe der Verluste wurde auf ca. 1,3 Milliarden Dollar beziffert –

• ein Verlust aus unzureichend gesicherten Call-Optionen in Höhe von 950 Millionen SFR entstanden
1998 bei der Union Banks of Switzerland in Verbindung mit dem Hedge-Fund LTCM.

Die Beschleunigung der oben aufgeführten zugrundeliegenden Prozesse, sowie weitere Beispiele spektakulärer
Verluste in Verbindung mit sogenannten ”Derivativen Instrumenten” haben nicht nur bei den Aufsichtsorganen
die Wichtigkeit aufgezeigt, ein qualifiziertes Risikomanagement zu betreiben, sondern auch bei Banken,
Versicherungen. Viele der bekannten (und unbekannten) finanziellen Disaster hätten vermieden werden können,
falls adäquate interne und externe Kontrollen verbunden mit einem qualifizierten Risikomanagement vorhanden
gewesen wären. Die Techniken zum Risikomanagement und die aufsichtsrechtlichen Rahmenbedingungen waren
der Geschwindigkeit der Weiterentwicklung in den Finanzmärkten nicht gewachsen.

1995 veröffentlichte das Basle Committee eine Ergänzung zum BIS Accord von 1988, die gewisse
Mindestandards zur Deckung der Marktpreisrisiken für “Financial Institutions” vorschlägt. [Basle, Amendment to

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 6 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

the Capital Accord to incorporate Market Risk, 1996, Bank of International Settlement]. Diese verlangt u.a. eine
Bewertung aller Positionen nach der sogenannten Mark-to-Market-Methode, unabhängig, ob diese Positionen
im Handelsbuch oder im Anlagebuch vorliegen und unabhängig davon, ob dies sogenannte Off-balance-Sheet
Instrumente sind. Basierend auf diesem Vorschlag wurden Gesetze zur nationalen Umsetzung dieser Vorschläge
in den folgenden Jahren weltweit realisiert. Neben den Eigenkapitalanforderungen zur Deckung von
Marktpreisrisiken wurden auch Mindeststandards für das Risikomanagement vorgelegt. Populär wurde dabei die
Option, ein “internes Modell” einzuführen. Dies ermöglicht den Banken, die Standardverfahren zur Berechnung
des notwendigen Eigenkapitals durch die Ergebnisse aus “inhouse”-Risikomanagement-Verfahren zu ersetzen,
falls diese gewisse Mindestandards erfüllen.

In der Folgezeit hat sich eine sehr große Anzahl von Veröffentlichungen mit dem Thema Value-at-Risk mit dem
Ziel beschäftigt, das Marktpreisrisiko eines Portfolios möglichst exakt zu bestimmen.

Dabei lassen sich zwei große Strömungen feststellen:


• die eine Richtung beschäftigt sich mit der funktionalen Abhängigkeit des Marktwertes eines betrachteten
Instrumentes oder Portfolios von den relevanten Marktfaktoren, beginnend mit linearer Abhängigkeit über
quadratische bis hin zu sehr komplexen funktionalen Abhängigkeiten, und den damit verbundenen
Implikationen für die Value-at-Risk Bestimmung,

• die andere Strömung beschäftigt sich mit der Modellierung der statistischen Eigenschaften der zugrunde
liegenden Verteilungen der marktpreisbestimmenden Faktoren (von der üblichen gemeinsamen
Normalverteilung bis zu Pareto-Verteilungen).

Die Bankgesellschaft hat 1995 beschlossen, den wachsende Anforderungen an das Controlling und
Risikomanagement durch den Aufbau eines zentralen Middle-Offices zu begegnen. Die Firma INFINITY bot
zum damaligen Zeitpunkt das am weitesten entwickelte Produkt zu dieser damals innovativen IT-Strategie an. Ein
Projekt unter Begleitung der Unternehmensberaterfirma LOGICA zur Integration der Kapitalmarktaktivitäten in
ein ”Central Datawarehouse” wurde ins Leben gerufen. Die Neuartigkeit der IT-Plattform sowie die Komplexität
dieser Aufgabe führte im Ergebnis nur zum Teilerfolg der Integration des Devisenhandels und des Aktienhandels1
in das Middle-Office. Basis zur Risikoberechnung war eine originalgetreue Umsetzung des RiskMetrics

1
Aktien und Aktienderivate waren nicht Bestandteil der INFINITY-Funktionalität. Deshalb wurde hier eine Individuallösung gemeinsam mit der
Firma RISKCARE implementiert.

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 7 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Ansatzes. Flankierend wurden über die Zeit sogenannte Add-ons zur Erfassung nicht-linearer Optionsrisiken
sowie zur Erfassung von Volatilitätsrisken hinzugefügt. Um die aufsichtsrechtlichen Anforderungen an ein
vollständiges Risikomanagement zu erfüllen, wurde im Handelscontrolling der Bankgesellschaft zur
Risikoberechnung ein eigenes Verfahren, basierend auf einem Sensitivitätenansatz entwickelt (Bankgesellschaft
M arket Risk Quantification, BMARQ). Dieses Verfahren basiert auf einem Varianz-Kovarianz-Ansatz, das
große Ähnlichkeit zum Ansatz von RiskMetrics aufweist. Risikofaktoren waren hier allerdings nicht
Diskontfaktoren, sondern Renditen und anstelle eines Cash Flow Mappings wurden hier numerisch bestimmte
Sekantensteigungen, die Sensitivitäten, benutzt. Die Kombination der beiden Verfahren war dann die jahrelange
Grundlage der Risikoberechnung sowie der Limitausnutzung. Vermehrte Kritik der Wirtschaftsprüfer, eine §44-
Prüfung der MaH in der Bankgesellschaft sowie ein von Herrn Pawlowski initiiertes Projekt zur Evaluierung der
Risikomanagements unter Begleitung von McKinsey im Jahr 1998 führte schließlich zum Entschluß, die
Risikomanagement-Architektur prinzipiell zu überdenken. Es wurde 1999 ein Evaluierungsprojekt unter
Begleitung von PriceWaterhouse-Coopers (PwC) in Leben gerufen, mit dem Ziel eine zukunftssichere und
tragfähige Lösung zum Risikomanagement zu erarbeiten. Das Ergebnis war das Projekt ARMADA zur
Implementierung einer dezentralen Middle-Office Architektur. Die methodischen Grundlagen zur Berechnung des
barwertigen Ergebnisses sind in dem internen Papier ”General Principles for Calcula ting npv-based P&L”
niedergelegt. Neben den grundlegenden Prinzipien werden hier Vorgaben für Spezialprobleme bei einzelnen
Asset-Klassen methodisch festgelegt. Die Methodik zur Marktrisiko-Berechnung, die Grundlage dieser
Architektur ist und in den beiden zentralen Programmen Mapper und RiskEngine implementiert wurde, wird im
Folgenden dargestellt.

Im ersten Teil dieses Dokumentes wird der stochastische Charakter des barwertigen Profit&Loss (P&L) als
Funktion der stochastischen Marktdaten und dem als konstant angenommen Portfolio dargestellt. Der Typ der
funktionalen Abhängigkeit zwischen den Marktwertveränderungen und dem P&L wird über die drei Stufen
a) linear
b) quadratisch (oder hinreichend gut quadratisch approximierbar)
c) wesentlich nicht-linear
betrachtet.

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 8 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Im Zusammenhang mit der praxisüblichen Modellierung der Marktwertveränderungen (relative Veränderungen2


sind gemeinsam normalverteilt) werden dann Aussagen über Value-at-Risk, dem einseitigen Konfidenzintervall
der Zufallsvariablen P&L, entwickelt. Produkte mit nicht-linearem P&L-Verhalten, wie z.B. Optionen, erzeugen
auch unter Normalverteilungsannahmen oft P&L-Verteilungen, die bemerkenswerte Schiefe aufweisen.
Demzufolge sind Mittelwert und Varianz nicht ausreichend, um diese Verteilungen zu charakterisieren. In diesem
Zusammenhang werden sogenannte Theta-Effekte, d.h. deterministische Wertveränderungen des Portfoliowertes
durch Verstreichen der Zeit, vorerst nicht betrachtet, da diese dem Value-at-Risk als deterministischer Faktor
am Ende zugeschlagen werden können. Die hierzu verwendete Methodik sowie die Berechnungsvorgaben
befinden sich in einem eigenen Kapitel.

Die theoretische Modellierung erfolgt dergestalt, daß prinzipiell für jeden Markwert auch die entsprechenden
Verteilungsparameter bekannt sind. Dies führt in der Praxis aufgrund der Datenanforderungen zu
unüberwindlichen Problemen. Deshalb werden in der Praxis nur ausgewählte Marktwerte als Zeitreihen
ausgewertet. Man bezeichnet diese Marktwerte als sogenannte Risikoknoten3. Eine zentrale Fragestellung ist
nun, wie man das auf allen Marktwerten basierende Risiko als Funktion der bekannten verwandten Risikoknoten
möglichst genau darstellen kann. Diese zentrale Fragestellung, die sich nicht nur auf lineare Risikoabhängigkeiten
beschränkt, ist in dem Kapitel ” Mapping” ausführlich dargelegt. Zu betonen sind hier schon einige grundlegende
Unterschiede zum in der Praxis angewandten Marktstandard RiskMetrics:

• Anstelle der Diskontfaktoren werden hier Zero-Zinsen als Marktrisikofaktoren benutzt


• Wir vermeiden Inkonsistenzen bzgl. ” eins überschreitender” Diskontfaktoren, die im RiskMetrics-Ansatz
inhärent sind4

Die Value-at-Risk Bestimmung stellt sich aus Sicht der Stochastik als Schätzung eines einseitigen
Konfidenzintervalls dar. Dazu ist die Verteilungsfunktion des P&Ls notwendig. Da diese nur im ”linearen” Fall
unter der Annahme der gemeinsamen Normalverteilung der ”Returns” bekannt ist5, stellt sich die Frage, wie das

2
präziser formuliert: der Logarithmus des Quotienten zweier aufeinanderfolgender Beobachtungen
3
So benötigt man zur Bewertung eines Cash Flows in 17 Tagen die Verteilungseigenschaften des 17-tägigen Zinses. Der 17-tägige Zins wird in der
Praxis aus interpolierten angrenzenden Marktwerten, z.B. der 7-Tage -Zins und der 4-Wochen-Zins ermittelt.
4
Log-normalverteilte Zinsen können nicht negativ werden, aber beliebig große Werte annehmen
5
Spezialfälle sind allerdings bekannt, z.B. eindimensionale quadratische Abhängigkeit führt zur Chi-Quadrat r(1)-Verteilung, aus der einfach ein
Quantil bestimmt werden kann

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 9 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Quantil einer unbekannten Verteilung bestimmt werden kann. Hier werden zwei Wege vorgestellt, wobei wir uns
entschlossen haben, den Weg über die Approximation durch Momente zu gehen. Basierend auf den ersten vier
Momenten wird über die Cornish-Fisher-Approximation das Quantil der unbekannten Verteilung geschätzt6. Um
die Transparenz der vorgestellten Methoden zu erhöhen, werden umfangreiche Beispiele explizit durchgerechnet
und gegebenenfalls Vergleichsrechnungen zu RiskMetrics durchgeführt.

Ein kritischer Inputfaktor ist die Parametrisierung des angenommenen Verteilungstyps. Dies erfolgt hier basierend
auf Schätzungen aus historischen Beobachtungen7. Die Verfahren, die hier zum Einsatz kommen, sind die
praxisüblichen Verfahren zur Schätzung von Standardabweichung und Korrelation. Wir haben uns grundsätzlich
für exponentiell glättende Schätzverfahren entschieden, da hier empirische Untersuchungen eine ähnlich gute
Qualität der Schätzungen wie bei erheblich aufwendigeren Verfahren wie GARCH-Modellen zeigen. Die
Diskussion, ob ein gleichgewichteter Zeitraum von mindestens einem Jahr als Basis dienen kann, oder ob kürzere
Zeiträume bessere Schätzungen liefern, wurde hitzig geführt, aber letztendlich durch das KWG 6 entschieden,
welches sich auf den Zeitraum von ”mindestens einem Jahr” festgelegte. Offen bleibt weiterhin die Frage, ob
dieser Mindestlängenzeitraum gewichtet oder ungewichtet in die Schätzfunktionen eingehen sollte. Die
Bankgesellschaft berechnet das Value-at-Risk für beide Methoden, hat sich im Reporting jedoch für eine
gewichtete Schätzung entschieden. Eine Diskussion zu diesem Thema findet man in [Brooks, 2000 ] oder in
[Rowe, 2000]

In der Praxis weit verbreitet ist ein nicht-analytischer Ansatz zur Value-at-Risk Berechnung, die ”Historische
Simulation”. Diese wird grundsätzlich in zwei Varianten eingesetzt:
a) full Valuation und
b) partial Valuation.

Der Unterschied besteht darin, daß potentielle Marktwertänderungen, basierend auf vergangenen
Marktwertveränderungen, durch vollständige Neubewertung des Portfolios für jede potentielle Veränderung
geschätzt werden (Full valuation) oder durch lineare bzw. quadratische Approximation der P&L-Funktion

6
Eine Übersicht alternativer Methoden findet man in [Mina, 1999].Jorge & Ulmer, Delta-Gamma Four Ways, Andrew, RiskMetricsGroup, 1999
7
Prinzipielle könnte man auch Schätzungen aus am Markt beobachteten Preisdaten ableiten, z.B. für Volatilitätsschätzungen auf implizite
Volatilitäten der aktuell gehandelten Optionen zurückgreifen. Diese liegen allerdings nich t in ausreichender Qualität für alle benötigten
Risikofaktoren vor.

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 10 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

(Partial valuation) berechnet werden. In der Bankgesellschaft sind beide Verfahren zu Kontroll- und
Vergleichszwecken implementiert worden. Die grundsätzlichen Verfahrensschritte sind in einem eigenen Kapitel
dargelegt.

Die Qualität der ermittelten Value-at-Risk Ergebnisse muß in der Praxis einer Überprüfung unterzogen werden.
Dies wird auch vom KWG 6 sowie den MaH verlangt. Wir haben dazu das gesetzlich vorgeschriebene Ampel-
Verfahren realisiert. Das prinzipielle Vorgehen wird im Kapitel Back-Testing beschrieben.

Zusätzlich zu der nachfolgend beschriebenen Methodik zur Berechnung des Value-at-Risk aus der
Delta/Gamma-Approximation wird noch die Modellierung von RisikoAddOns zur Berücksichtigung des
besonderen Kursrisikos (CreditSpreadsRisk), des Volatilitätsrsikos von Aktien/Aktienderivativen und der
Änderung von Korrelationen (Differential Swaps) beschrieben. Außerdem wird die Vorhensweise zur Ermittlung
des RisikoAddOns für die Strukturierten Produkte dargestellt. Schließlich ergibt sich daraus eine Darstellung zur
Berechnung des gesamten Marktpreisrisikos.

Der dezentrale Aufbau des Middle Office-Systems ARMADA spiegelt sich auch bei der Ablauf- und
Organisationsstruktur zur Berechnung des Value-at-Risk wider. Danach erfolgt die Ermittlung des Value-at-Risk
durch disjunkte Komponenten, wie die nachfolgende Grafik zeigt. Sie stellt einen Zusammenhang zwischen den
Komponenten Marktdaten/Marktrisikodaten, Barwert- und Sensitivitätsermittlung, Ermittlung der RisikoAddOns
und der Riskengine dar.

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 11 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

ZK dMO dMO
Verwaltung zentraler MD und Ermittlung der Sensitivitäten Ermittlung der spezifischen
MRD für zentrale bezüglich der zentralen RisikoAddOns
Risikofaktoren Risikofaktoren {AddOn k k = 1,..., m}
∂ 
 ∂X , ∂ ∂X ∂ X i, j = 1,...n  ,
2
(X i )i =1,..,n ~ N n (µ , Σ )  i i j 
und der Spreadrisikoanteile
{CreditSpre adVar k k = 1,...,l }

Mapper/ Riskengine
(DLL)
Mappen auf logarithmierte Renditen
Risikoberechnung laut Cornish-Fisher
(X i )i =1,..,n ~ N n (µ , Σ )
1 Tr
PL = ∆X + X ΓX
2

RiskengineVaR

Aggregiertes Marktpreisrisiko
(DLL)
Aggregation des RiskengineVaR, der
individullen RiskAddOns und der Spreadrisiken
zu einem Marktpreisrisiko
 Riskengine VaR, (AddOn k )k =1,..,m , 
Risiko = F 
 (CreditSpre adVaR k ) 
 k =1,...,l 

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 12 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Die folgende schematische Übersicht stellt eine Klassifizierung der in der Praxis verwendeten Methoden zur
Value-at-Risk Bestimmung dar. Dabei wird die Einteilung anhand der grundlegenden zwei Fragestellungen
vorgenommen:
a) Welchen Annahme trifft man bzgl. der Verteilung der Marktdaten und
b) Welche funktionale Abhängigkeit bzgl. der Marktdaten liegt bei den unterscuhten Produkten vor?

Welche Methode für


Value-at-Risk

Welche Annahme wird über die gemeinsame Verteilung der Marktdaten getroffen?

lognormalverteilte Marktdaten beliebig spezifiziert wie in Vergangenheit

Welche Annahme wird über die Funktion der Marktpreisveränderung getroffen?

P(t)-P(0) P(t)-P(0) P(t)-P(0)

linear quadratisch beliebig linear oder beliebig linear oder beliebig


quadratisch quadratisch

Delta- Delta- Monte Monte Monte Monte Historische Historische


Normal Gamma Carlo Carlo Carlo Carlo Simulation Simulation
Verfahren Verfahren partial valuation full valuation partial valuation full valuation partial valuation full valuation

Die jeweils grau unterlegten Teile sind Bestandteil der Methoden in der Bankgesellschaft.

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 13 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

2 Symbol-Definition

2.1 Zum Marktwert/Barwert

Symbol Meaning
Ct , C(t) Cash Flow zum Zeitpunkt t
N Nominalwert
dt aktueller Diskontfaktor für den Zeitpunkt t
zτ aktueller Zerozinssatz für den Zeitpunkt t
P(t) Marktwert/Barwert eines Instrumentes oder Portfolios zum Zeitpunkt t
∆P Änderung des Marktwertes/Barwertes
MY Menge aller verwendeten Marktdaten
MX Menge aller Marktrisikodaten, Teilmenge von MY
PM Marktwert eines Instrumentes oder Portfolios in Abhängigkeit von beliebigen
(y(t),v(t)) Marktdaten y und Zeitfaktor v zum Zeitpunkt t, y ∈ MY
PN Marktwert eines Instrumentes oder Portfolios in Abhängigkeit von normierten
(x(t),v(t)) Marktdaten x (Marktrisikodaten) und Zeitfaktor v zum Zeitpunkt t, x ∈ MX ⊂ MY
PR Marktwert eines Instrumentes oder Portfolios in Abhängigkeit von logarithmischen
(r(t),v(t)) Marktdatums-Renditen r und Zeitfaktor v zum Zeitpunkt t
Y(t) Marktdaten zum Zeitpunkt t, Zufallsvariablen
X(t) Marktrisikodaten (auch Risikofaktoren genannt) zum Zeitpunkt t, Zufallsvariablen
R(t) logarithmische Renditen von Markt- und Marktrisikodaten zum Zeitpunkt t,
Zufallsvariablen
y(t) realisierte Marktdaten zum Zeitpunkt t, y(t) ∈ Rm
x(t) realisierte Marktrisikodaten zum Zeitpunkt t, x(t) ∈ Rn
r(t) realisierte logarithmische Renditen von Marktrisikodaten zum Zeitpunkt t, r(t) ∈ Rn

2.2 Zeit

Symbol Meaning

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 14 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

T0=0 heute
t, T Zeitpunkte, wobei T oft die Fälligkeit eines Instruments beschreibt

2.3 Greeks

Symbol Meaning
∆ Delta eines Instruments oder Portfolios
Γ Gamma eines Instruments oder Portfolios
Θ Theta eines Instruments oder Portfolios
ρ Rho eines Instruments oder Portfolios
Vega Vega eines Instruments oder Portfolios

2.4 Zu Value at Risk und Mapping

Symbol Meaning
VaR(h, α ) Value at Risk bezüglich des α -Quantils und eines Zeithorizonts von h Tagen
CaR VaR(10, 0.99) : offizielles Marktrisiko von BGB entsprechend Vorgabe des Basler
Komitees
VaR(α ) Value at Risk bezüglich des α -Quantils und eines Zeithorizonts von einem Tag, d.h.
VaR(α )= VaR(1,α )
yi(t) Marktdatum i zur Zeit t

δiM , ∆ M ,y Portfolio -Delta (erste Ableitung) bezüglich des Marktdatums i (auch “Sensitivität”)
bzw. bezüglich des Risikofaktors y

γ iM
,j, Portfolio -Gamma (zweite Ableitung) bezüglich der Marktdaten i und j (auch

Γ M ,y, y “Sensitivität”) bzw. bezüglich des Risikofaktors y

xi(t) Risikofaktor i zur Zeit t


F(x) Transformation der Risikofaktoren x in Marktdaten y
ri(t) logarithmische Rendite vom Risikofaktor i zur Zeit t

δiR , ∆ R , z Delta (erste Ableitung) bezüglich der logarithmischen Rendite von i-ten Risikofaktor
(auch “Mapper-Delta” oder “Mapper-Sensitivität”) bzw. bezüglich der Rendite des
Risikofaktors z

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 15 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

γ iR, j , Gamma (zweite Ableitung) bezüglich der logarithmischen Renditen der

Γ R ,z ,z Risikofaktoren i und j (auch “Mapper-Gamma” oder “Mapper-Sensitivität”) bzw.


bezüglich der Rendite des Risikofaktors z
Di partielle Ableitung nach der i-ten Variable

Di2 zweite partielle Ableitung nach der i-ten Variable

Di D j partielle Ableitung nach der i-ten und j-ten Variablen

Dx , ∂ x (partielle) Ableitung nach Variable x

Dx2 zweite (partielle) Ableitung nach Variable x

Dx D y zweifache (partielle) Ableitung nach Variablen y und x

2.5 Statistik

Symbol Meaning
α Signifikanzniveau
E[X], µX Erwartungswert (einer Zufallsvariable X)

Var [X], Varianz bzw. Kovarianzmatrix (einer Zufallsvariable X)

σ 2X

Φ (x) Verteilungsfunktion der Standardnormalverteilung


qα α -Quantil der Standardnormalverteilung
x Realisation einer Zufallsvariable X

x arithmetisches Mittel

M:\IRD\Methods\MarketRisk \RiskPaper \BGB_Risikomeßmethodik.doc Page 16 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

3 Methodik

3.1 Marktwert

Wir betrachten ein Portfolio, dessen Marktwert man in funktionaler Abhängigkeit von Marktdaten (wie z.B.
Wechselkursen oder Zinssätzen) beschreiben kann. Sei dann P( t ) der Marktwert dieses Portfolios zum

Zeitpunkt t . Zum heutigen Zeitpunkt t 0 = 0 ist der Marktwert P(0) bekannt. Unter der Annahme, daß sich die

Zusammensetzung des Portfolios über den Zeitraum t − t 0 > 0 nicht ändert, sind wir an der Wertänderung des

Portfolios
∆P ( t ,0) = P (t ) − P ( 0)

interessiert. Dies entspricht der P&L (Profit und Loss) des Portfolios zwischen heute und dem Zeitpunkt t. P( t )

ist somit eine Zufallsgröße, da sie von zukünftigen, heute noch nicht bekannten Marktdaten, d.h. von einem
Marktdatenvektor abhängt. Mit Y ( t ) bezeichnen wir die Marktdaten bzw. den Marktdatenvektor sowie mit

Yi (t ) die i -te Komponente des Marktdatenvektors. Y ( t ) sei eine m-dimensionale reellwertige positive
Zufallsgröße. Nun läßt sich P( t ) als Funktion von den stochastischen Marktdaten Y ( t ) , sowie von

deterministischen Größen, einer Zeitkomponente v (t ) , beschreiben:

P (t ) = PM (Y (t ), v ( t )) .

PM nennen wir Preisfunktion. Damit ist

∆P( t , 0) = PM (Y ( t ), v (t )) − PM (Y (0), v ( 0)) .

Die Zeitkomponente v (t ) wird im allgemeinen die Anzahl von Kalendertagen sein, während wir unter der

Variablen t die Anzahl von Handelstagen verstehen wollen8.

3.2 Marktrisiko

Das Ziel der Abschätzung des Marktrisikos ist eine Aussage über den potentiellen Wertverlust des Portfolios
innerhalb einer fixierten Halteperiode9, der mit einer vorgegebenen Wahrscheinlichkeit nicht übertroffen wird.
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Dabei wird also nicht der maximale Verlust bestimmt, sondern nur eine Wahrscheinlichkeitsaussage über
Verluste größer als dem bestimmten Wert, dem Value at Risk, getroffen. Es ist im allgemeinen keine
praxisrelevante Aussage darüber möglich, wie groß der maximale Verlust werden kann.
Konkret suchen wir also eine von der Wahrscheinlichkeit (d.h. dem Konfidenzniveau) α und der Halteperiode
t abhängige reelle Zahl VaR (t ,α ) , so daß

α = P( ∆P( t ) < VaR( t , α )) ,

wobei α klein ist, etwa 1% oder 5% .


Mathematisch gesehen ist dann VaR (t ,α ) das α -Quantil der Verteilung von ∆P( t ) , d.h. nur mit einer

Wahrscheinlichkeit von α wird die Wertänderung ∆P( t ) noch kleiner als VaR (t ,α ) sein. Für den Normalfall

VaR (t , α ) < 0 bedeutet das, daß höchstens mit einer Wahrscheinlichkeit von α ein Wertverlust von mehr als

|VaR ( t , α )| droht10. VaR bzw. die positive Zahl |VaR | wird daher als “Value at Risk” oder Marktrisiko

bezeichnet.
Zur Notation im Weiteren: Die aus regulatorischen Gesichtspunkten (insbesondere der Novelle von 1996 des
Abkommens des Basler Komitees) verlangte Bestimmung eines Value at Risk auf der Basis von α = 1% und
einer Halteperiode von 10 Tagen soll gesondert mit CaR , dem sogenannten Capital at Risk, benannt werden.
In diesem Kontext bezieht sich “Risiko” nicht auf die Varianz des Portfolio -Returns entsprechend der
Markowitz-Theorie. Es steht in keinem unmittelbaren Zusammenhang mit der Portfolio-Theorie, sondern stellt
eine Wahrscheinlichkeitsaussage bezüglich des drohenden Marktwert-Verlustes eines Portfolios oder eines
einzelnen Finanzinstrumentes oder auch des ganzen Handelsbuches basierend auf einer Modellierung der
Marktdaten dar.

3.3 Modellierung der Marktdaten

Die Verteilung der Zufallsvariable ∆P( t ,0) ist apriori nicht bekannt, sie hängt von der Wertfunktion PM sowie

von der gemeinsamen Verteilung der zugrundeliegenden Marktdaten Y ( t ) , t > 0 , ab. Um somit Aussagen über

die Verteilung der Wertänderung ∆P( t ,0) treffen zu können, müssen wir Annahmen über die Verteilungen der

Marktdaten machen.

8
Sei heute Freitag. Dann bedeutet t=1 nächster Montag, während v(t) = 3 ist!
9
Die hierbei betrachtete Halteperiode soll den Zeitraum entsprechen, in dem die Positionen liquidiert werden können.
10
Im möglichen Fall VaR>0 würde man sagen, daß nur mit einer Wahrscheinlichkeit von α der Wertgewinn geringer als VaR =|VaR| ausfiele.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 18 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Dazu nehmen wir an, daß die einzelnen Marktdaten Yi ( t ) für i = 1,K, m lognormalverteilt sind. Insbesondere

modellieren wir den stochastischen Prozess (Y (t )) mit der Zeit t als mehrdimensionale geometrische

Brownsche Bewegung:
m
dYi (t ) = Yi ( t ) µi dt + Yi (t )∑ σ ij dW j (t ) i = 1,K , m
j =1

wobei W (t ) = (Wi ( t ))i =1 ,K, m eine m -dimensionale Brownsche Bewegung sei, µ = ( µ i )i =1,K,m der m -

dimensionale Vektor der Mittelwerte und σ = (σ ij )i , j =1,K, m eine m × m -Matrix. Aus der stochastischen

Bewegungsgleichung ergibt sich die Lösung11

 m ~ t 
Yi (t ) = Yi (0) exp  ∑ σ ij W j (t ) + µ i = 1,K , m
 j =1 
i

m
mit µi i ∑ ij
~ = µ − 1 / 2 σ 2 . Also gilt für t ≥ 0
j= 1

 Y (t ) 
R (t ) : = ln   normalverteilt
 Y (0) 

mit Kovarianzmatrix t σσ T . Das ist unsere Ausgangsbasis .

Diese Modellierung der Marktdaten ist im eindimensionalen Fall konsistent mit dem Black/Scholes-Modell, siehe
[Hull, 2000, Kapitel 11 ], das in der Praxis breiteste Anwendung gefunden hat:

dY ( t ) = Y ( t )µ ds + Y ( t )σ dW ( t ) ,

Y ( t ) = Y ( 0) exp(σW (t ) + ( µ − 1 2σ 2 )t ) .

Auch in der Modellierung des Marktrisikos bei Risk Metrics wird davon ausgegangen, daß ln(Y (t ))

normalverteilt ist, siehe [Risk Metrics -Technical Document 1995, S. 23 ].


Da einerseits Summen aus Normalverteilungen wieder normalverteilt sind und andererseits Quantile von
Normalverteilungen leicht zu bestimmen sind, betrachten wir im folgenden die normalverteilten logarithmisierten
Marktdaten

Ri ( t ) = ln(Yi ( t ) / Yi (0 )) sowie R (t ) = ( Ri (t ))i = 1,K,m ,

11
eine einfache Anwendung der Ito-Formel, siehe z.B. [Revuz/Yor 1991, Theorem 4.3.3 ]

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 19 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

die sogenannten logarithmischen Returns oder Renditen Ri ( t ) der Marktdaten.

Der Marktwert des Portfolios läßt sich so prinzipiell mit einer neuen Preisfunktion PR beschreiben, wobei die

heutigen Marktdaten nur noch als zeitkonstante Parameter dieser neuen Funktion eingehen. Wir ersetzen

Y ( t ) = Y ( 0) exp( R( t )) und erhalten


P ( t ) = PM (Y ( t ), v( t )) = PM (Y ( 0) exp( R( t )), v (t )) = PR ( R ( t ), v (t ))

PR ist also die Funktion, die den Wert des Portfolios in Abhängigkeit der logarithmischen Renditen der

Marktdaten beschreibt, wohingegen man sich die Preisfunktion PM als aus den gängigen Preisformeln

zusammengesetzt vorstellen kann.

Beispiel FX-Cash-Position:
Wir betrachten eine FX-Cash-Position von 1 Mio. USD, die von einem Investor gehalten wird, dessen
Heimatwährung EUR sei. Diese Position ist nur dem Wechselkurs-Risiko zwischen USD und EUR
ausgesetzt. Als FX-Risikofaktor legen wir den Wert einer Einheit einer Fremdwährung in EUR fest. Im Fall
des USD/EUR-Wechselkurses entspricht diese Festlegung nicht der Marktkonvention, die den Wert eines
Euros in Dollar ausdrückt. In diesem Beispiel legen wir eine USD/EUR-Rate von 1.105063341 zugrunde, so
daß ein USD 1.105063341 EUR wert ist. Die Position hat dann einen Wert von 1105063.34 EUR. Der Wert
der FX-Cash-Position in Abhängigkeit vom Risikofaktor Y , dem Wechselkurs, wird dann zum Zeitpunkt
t durch die Formel
P (t ) = PM (Y ( t )) = N ⋅ Y ( t )
ausgedrückt, wobei N = 1 Mio. USD ist und Y ( t ) den Wert eines USD in EUR angibt. Nun führen wir die
logarithmische Rendite des Risikofaktors Y ein:
R (t ) = ln(Y (t ) / Y (0)) .

Wir nehmen im folgenden an, daß R( t ) für festes t normalverteilt ist. Diese Annahme wird auch in der
Preistheorie von FX -Optionen gemacht. Die Preisfunktion PM läßt sich jetzt in Abhängigkeit von den
Renditen R( t ) beschreiben durch
PR ( R( t )) = N ⋅ Y (0) exp( R( t )) ,
so daß die Identität
PM (Y (t )) = PR ( R( t ))

gilt.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 20 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

3.4 Zur Bestimmung der Quantile der Wertveränderungsverteilung

Im Falle besonders einfacher Preisfunktionen PM lassen sich die Verteilung von ∆P und deren Quantile explizit

bestimmen.
Beispiel FX-Cash-Position (Fortsetzung):
Die Bestimmung des VaR (t ,α ) ist hier explizit möglich. Das Value-at-Risk VaR (t ,α ) ist gegeben durch

P( PR ( R (t )) − PR ( R( 0)) < VaR( t ,α ) ) = α .


Nun gilt
PR ( R (t )) − PR ( R( 0)) < VaR (t ,α ) ⇔ N ⋅ Y (0) exp( R (t )) < VaR (t ,α ) + PR ( R (0))
 VaR( t , α ) + PR ( R( 0)) 
⇔ R( t ) < ln   .
 N ⋅ Y (0) 
Es folgt
  VaR( t , α ) + PR ( R (0))  
α = P( PR ( R (t )) − PR ( R (0 )) < VaR(t , α )) = P R (t ) < ln   .
  N ⋅ Y (0) 

Ist R (t ) normalverteilt mit Erwartungswert µ = 0 und Varianz σ 2 , so ist R (t ) σ standardnormalverteilt

(mit Mittelwert 0 und Varianz 1), so daß die obige Wahrscheinlichkeit aus dem α -Quantil qα der

Standardnormalverteilung12 berechnet werden kann. Wir erhalten


1  VaR (t ,α ) + PR ( R (0)) 
qα = ln  
σ  N ⋅ Y (0) 

und damit

VaR (t ,α ) = PR ( R(0 )) ⋅ (exp(σ q α ) − 1) .

Wir berechnen jetzt das Value-at-Risk für 1 Tag für die 1 Mio. USD Cash-Position. Da der Risikofaktor
den aktuellen Wert Y( 0) = 1.10506334 hat, folgt PR ( R (0 )) = PM (Y (0 )) = 1105063.34 . Die

Standardabweichung für einen Tag sei als σ = 0.007711759 angenommen . Für α = 0.01 ist qα = −2.326 ,
13

woraus folgt
VaR (1, 0.01) = − 19648 EUR .

−1
12
Ist Φ die Verteilungsfunktion zur Standardnormalverteilung, so gilt q α = Φ (α ) .
13
Entspricht einer im Handel üblichen Jahresvolatiliät von σ 250 , also von ca. 12,2 %.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 21 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Trotz der getroffenen Annahme über die Marktdaten gelingt diese explizite Bestimmung im allgemeinen jedoch
nicht und wir können über die Verteilung von ∆P (t ,0 ) wenig aussagen.

Zwei Ansätze stehen im wesentlichen zur Lösung dieser Probleme bei der Bestimmung der Quantile der
Verteilung der Wertveränderung bereit:

1. Die Approximation der Quantile bezüglich der vollen Wertveränderungsfunktion ∆P (t ,0 ) durch ein Monte-

Carlo-Verfahren (full Monte-Carlo). Hierbei wird die Wahrscheinlichkeitsverteilung der Marktpreisänderung


über ein Ensemble von Simulationsläufen approximiert. Jede dieser Simulationen basiert auf einer zufällig -
unter Berücksichtigung der vorgegebenen Verteilungen und Korrelationen der Marktdaten - ausgewählten
Marktdatenrealisierung. Die Abschätzung der Quantile geschieht über die relative Häufigkeit, mit der ein
gewisser Verlust überschritten wird.

2. Die Approximation der Wertveränderungsfunktion ∆P (t ,0 ) , die eine vereinfachte Abschätzung der Quantile

erlaubt. Hierunter fällt beispielsweise die Approximation von ∆P (t ,0 ) entsprechend der ersten Terme einer

Reihenentwicklung und die anschließende Charakterisierung der unbekannten Verteilungsfunktion über


Momente. Das α -Quantil wird dann zum Beispiel via Cornish-Fisher Entwicklung oder durch eine Monte-
Carlo-Simulation (partial Monte-Carlo) bestimmt. Ersteres Vorgehen wird in den folgenden Kapiteln näher
dargelegt.

Die Bestimmung des α -Quantils mittels der Monte-Carlo-Simulation ist sehr rechenaufwendig, zumal eine sehr
große -- Zahl von Simulationsläufen (und damit Bewertungen des Portfolios) durchgeführt werden muß, um zu
verläßlichen Ergebnissen zu kommen. Daher basiert die Quantilbestimmung bei der Bankgesellschaft Berlin
derzeit auf einer Approximation der Wertveränderungsfunktion ∆P (t ,0 ) und der anschließenden Bestimmung

des Quantils mit Hilfe der Cornish-Fisher Entwicklung.


Im allgemeinen Fall lassen sich kaum Aussagen über die Güte der verwendeten Approximation treffen. Damit
sind auf jeden Fall einige flankierende Maßnahmen notwendig. So ist das Modell rückblickend zu testen, d.h. die
tatsächlich eingetretenen Wertveränderungen sind mit den vorhergesagten zu vergleichen. Dies wird im
sogenannten Backtesting (siehe Kapitel “Backtesting”) verwirklicht. Gleichzeitig werden die Annahmen bei der
Modellierung der Marktdaten - insbesondere die Normalverteilungsannahme - anhand von Historischen
Simulationen (siehe Kapitel “Historische Simulation”) unter Verwendung historischer Marktdatenveränderungen
überprüft.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 22 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

3.5 Approximation der Wertveränderungsfunktion

Für genügend häufig differenzierbare Preisfunktionen läßt sich die Wertänderungsfunktionen ∆P mit der
mehrdimensionalen Taylorformel (siehe z.B. [Barner/Flohr 1989, S.128 ] ) wie folgt approximieren14:

∆P = ( D P ) ( R( t) − R( 0)) + ( D P ) (v(t ) − v (0) ) +


R R t =0 v R t =0

+ ( R (t ) − R( 0)) ( D P ) ( R( t) − R(0)) + ( R(t) − R( 0) ) ( D D P )(v (t) − v( 0))


1 T 2 T
R R t =0 R v R t =0
2
+ (v( t ) − v(0) ) ( D P ) (v( t ) − v(0) ) + Ξ
1 T 2
v R t =0 Rest (*)
2
wobei ΞRest alle Terme mit höheren Ableitungen als zweiter Ordnung von der Preisfunktion PR enthält. Hierbei

finden die zu den Risikokenngrößen gehörenden Ableitungen

• Delta ∆ = DR PR t =0
,

• Gamma Γ = DR2 PR t = 0 ,

• Theta Θ = Dv PR t =0

eingang. Das sind nicht die im Handel üblichen Deltas und Gammas!
Die Darstellung (*) für den Fall mehrdimensionaler Marktdatenvektoren und mehrdimensionaler deterministischer
Faktoren vereinfacht sich bei eindimensionalen Marktdaten zu

∂ ∂
∆P = P
∂R R
( R (t ) − R (0) ) + ∂ v PR (v( t ) − v(0)) +
t =0 t= 0

1 ∂ ∂2
2

+ P
2 ∂ R2 R
( R (t ) − R (0)) 2 + ∂ R ∂ v PR ( R (t ) − R( 0))(v( t ) − v(0)) +
t =0 t= 0

∂ 2
+ 1 2 PR
2 ∂v
(v( t ) − v(0)) 2 + ΞRest .
t =0

Beispiel FX-Cash-Position (Fortsetzung):


Die Preisfunktion der FX-Cash-Position hat bezüglich der logarithmischen Returns des Wechselkurses die
Darstellung
PR ( R (t )) = N ⋅ Y (0 ) exp( R( t )) .

14
Die Herleitung dieser Approximation findet sich in Th. Sauder, Das Mapping von Delta - und Gamma-Risiken im Rahmen von Varianz-
Kovarianz-Verfahren, Internes Papier, Bankgesellschaft Berlin, 2000

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 23 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Da keine Abhängigkeit bezüglich v (t ) vorliegt, verbleiben in der Reihenentwicklung (*) lediglich die
Ableitungen nach R . Bei Beachtung von R( 0) = 0 ergibt sich für alle Ableitungen

∂ n PR
= N ⋅ Y (0 ) exp( R( 0)) = N ⋅ Y ( 0) für n = 1,2 ,K
∂ Rn t =0

und damit exakt die Reihenentwicklung der Preisfunktion bezüglich der Rendite R :

R( t ) n
∆P( t ) = ∑ N ⋅ Y (0)
n= 0 n!
= N ⋅ Y (0) exp( R (t )) .

In userem Beispiel haben wir somit die Risikokenngrößen ∆ = Γ = N ⋅ Y (0) und Θ = 0 .

Welche Terme verwenden wir nun für unsere Approximation der Preisfunktion, damit wir eine verläßliche
Abschätzung der Wertänderung erhalten? Dies ist eine der grundlegenden Fragestellungen der
Approximationstheorie und läßt sich in dieser Allgemeinheit nur sehr schwer beantworten. Wir beschränken uns
hier daher auf zwei Vorgehensweisen bei der Auswahl der Terme, die in der Approximation eingehen.
Grundlegend für beide ist die Annahme kleiner Änderungen der Marktdaten, d.h. R (t ) ≈ R (0) = 0 und kleiner

Zeiten15 t ≈ 0 .

3.5.1 Anzahl der Ableitungen

Das wohl gemeinhin übliche Vorgehen basiert auf der Unterscheidung der Terme nach der Anzahl von
Ableitungen der Preisfunktion. (Dies ist damit zu begründen, daß die Berechnung höherer Ableitungen sehr
aufwendig ist.) Innerhalb dieses Ansatzes würde man eine lineare Approximation:

∆ Plinear = ∆ ( R (t ) − R( 0)) + Θ (v(t ) − v( 0))

oder eine quadratische Approximation

∆ Pquadratisch = ∆ ( R (t ) − R( 0)) + Θ (v (t ) − v(0) ) +

( R (t ) − R( 0) )T Γ ( R (t ) − R( 0)) +
1
+
2
+ ( R (t ) − R( 0)) (D D P
T
R v R Y (0 ),v ( 0) )(v (t ) − v(0)) +
+ ( v (t ) − v (0 )) ( D P )( v(t ) − v( 0))
1 T 2
v R Y (0 ),v ( 0)
2
nutzen.

15
Die zweite Forderung erfüllt aufgrund der Modellierung der Marktdaten als geometrische Brownsche Bewegung für normale Modell-Parameter
auch die erste.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 24 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Hier stellt sich die Frage, in welchen Fällen die Approximationsgüte eine lineare bzw. eine quadratische
Approximation rechtfertigt. Diese Frage stellt sich insbesondere vor dem Hintergrund der Transformation auf

logarithmische Returns R (t ) mit Y ( t ) = Y ( 0) exp( R (t )) , zumal hier auch bei linearen oder quadratischen

Preisfunktionen PM in Y aufgrund der Exponentialfunktion formal nichtlineare Preisfunktionen PR in R entstehen.

Für eine in Y lineare Preisfunktion PM (wie z.B. eine Cash Position mit Wechselkurs Y)

PM (Y ( t )) = N ⋅Y (t ) =
= PR ( R (t )) = N ⋅ Y ( 0) ⋅ exp( R( t ))
ergibt sich als quadratische Approximation der Wertänderung ∆P( t ,0) = N ⋅ (Y (t ) − Y (0 ))

1
∆Pquadratisch ( t ,0) = N ⋅ Y (0) ⋅ R (t ) + N ⋅ Y (0) ⋅ R (t ) 2
2
und der Fehlerterm ist von der Ordnung R (t ) 3 . Für beispielsweise eine Marktdatenänderung von 10% (was für

die täglichen Schwankungen recht groß wäre, siehe unten) ergibt sich eine logarithmische Rendite von

R( t ) = 0.095 . Der durch die Approximation getätigte Fehler liegt bei 0.00016 und beläuft sich auf 0.1% der
Wertveränderung. So läßt sich die quadratische Approximation ∆Pquadratisc h für bezüglich der Marktdaten Y

lineare Preisfunktionen PM gut rechtfertigen.

Eine tägliche Volatilität von 10% entspräche einer Jahresvolatilität von mehr als 150%. Die meisten in der BGB
benötigten Marktdaten haben eine Jahresvolatilität zwischen ca. 10 % (FX-Daten) und 50 % (Equities). - Bei
großen Veränderungen stellt sich prinzipiell die Frage der Adäquatheit der Methode. Hier wird üblicherweise, so
auch in der BGB, ein Streßtest-Szenario als flankierende Maßnahme herangezogen!

3.5.2 Ordnungen in der Zeit

Eine Alternative ist die Unterscheidung der Terme nach Ordnungen in der Zeit t , zumal sich die Verteilung der
Wertveränderung stark mit der Zeit ändern kann. Gleichzeitig sind wir an einer Approximation der Verteilung für
ein festes t in der Nähe von t = 0 interessiert. So wollen wir uns auf asymptotische Aussagen für t → 0
stützen. Dabei sind für t → 0 Terme höherer Ordnung in t kleiner als Terme niedrigerer Ordnung. Es ist jedoch
zu beachten, daß in der Realisierung einer solchen Approximation die Vorfaktoren wie z.B. ∆ oder Γ in ihrer
Größe stark variieren können.

Während (v( t ) − v( 0)) größenordnungsmäßig linear in t ist, verhält sich ( R( t ) − R (0) ) abgesehen von einer

normalverteilten Zufallskomponente wie t 1/ 2 , siehe [Hull 2000, S. 221]. Ordnet man die Summanden der

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 25 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

quadratischen Approximation (*) nach den Ordnungen in der Zeit und betrachtet nur noch die Terme mit
Ordnung t 1/ 2 und t, gelangt man zur nichtlinearen Approximation:

∆ ( R (t ) − R (0) ) + ( R (t ) − R (0)) T Γ( R (t ) − R (0) )


1
∆ PΟ (t 3/ 2 ) =
2
+ Θ (v( t ) − v(0 )).

Der bezüglich R und t gemischte Term DR Dv PR mit Ordnung t 3 / 2 sowie der quadratische Zeitterm mit Dv2 PR

mit Ordnung t 2 sind innerhalb dieser Approximationsstufe vernachlässigt worden. Das auf Grundlage dieser
Approximation berechnete Value at Risk VaRapprox( t ,α ) ergibt sich über

( )
P ∆PΟ ( t 3 /2 ) < VaRapprox (t ,α ) = α .

Offensichtlich ist die Approximation ∆ PΟ ( t 3/ 2 ) eine Summe aus einem stochastischen Anteil und einer

deterministischen Größe. Das hat den Vorteil, daß beide Anteile getrennt behandelt werden können. Dieser
Ansatz wird zur Zeit im Armada-Projekt der BGB verfolgt.

Die deterministische Größe, Θ (v (t ) − v (0) ) , werden wir im folgenden Theta-Add-on bezeichnen. Damit

bestimmt sich das auf ∆P 3 /2 basierende Value-at-Risk als Summe über das α -Quantil der Verteilung von
Ο( t )

∆ ( R (t ) − R( 0)) + ( R( t ) − R (0) ) Γ ( R (t ) − R (0) ) und dem Theta-Add-on.


1 T

2
Das Theta-Add-on läßt sich modifizieren indem - wie in Kapitel “Realisierung des Theta-Add-ons” vorgestellt -
alle Terme mit ausschließlichen Ableitungen nach v aufgenommen werden.
Beispiel FX-Cash-Position (Fortsetzung):
Die Preisfunktion der FX-Cash-Position ist unabhängig von der Zeit, wodurch die Approximation nach den
Ordnungen in der Zeit mit der quadratischen zusammenfällt:
1
PR ( R (t )) − PR ( R (0)) ≈ N ⋅ Y ( 0) ⋅ R (t ) + ⋅ N ⋅ Y (0) ⋅ R (t ) 2 .
2

3.6 Vergleich mit RiskMetrics von JPMorgan

Die hier vorgestellte Methodik unterscheidet sich wesentlich von dem Vorgehen im Verfahren RiskMetrics von
JPMorgan.
Auch bei RiskMetrics werden die Marktdaten mittels normalverteilten logarithmischen Returns

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 26 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

 Y (t ) 
R (t ) = ln 
 Y (0) 

modelliert. Anstatt dieser Modellierung bis zur Bestimmung des Value at Risk weiter zu folgen, werden im
Kapitel Mapping (Seite 135) des RiskMetrics Dokuments unter der Annahme kleiner Zeiten t und somit
kleiner Änderungen in den Marktdaten Y (t ) ≈ Y ( 0) die logarithmischen Returns R( t ) approximiert durch

 Y (t )  Y (t ) − Y (0 )
R (t ) = ln  ≈ ,
 Y (0)  Y (0)

was bezüglich R(t) eine Approximation erster Ordnung, also eine Linearisierung des Logarithmus ist. Dadurch
werden also die relativen Marktdatenveränderungen als normalverteilt betrachtet, was eine Approximation
erster Ordnung von R (t ) ist. Die Ausgangsbasis in den Delta- und Delta-Gamma-Beispielen von Risk

Metrics ist also:


Y ( t ) − Y ( 0)
R (t ) = normalverteilt
Y (0)

Diese Approximation macht es möglich, für lineare Preisfunktionen PM in Y

PM (Y ( t )) = PM (Y (0)) + ∆ Y (Y (t ) − Y ( 0))

zu einer Normalverteilung der Wertveränderung zu kommen


Y ( t ) − Y (0 )
∆ P( t ,0) = ∆ Y ⋅ Y (0) ⋅ ,
14 Y2 ( 04
) 3
normalverteilt

womit sich für lineare Preisfunktionen PM in Y jedes α -Quantil aus dem entsprechenden α -Quantil der

Standardabweichung ableiten läßt:


VaRRiskMetrics (1 Handelstag,α ) = ∆ Y ⋅ Y (0) ⋅ σ ⋅ qα .
Die Standardabweichung σ bezieht sich auch in RiskMetrics auf die logarithmischen Renditen (nicht auf deren
Approximation).
Die Erweiterung auf quadratische Preisfunktionen führt auch unter der Approximation von R (t ) , wie bereits

oben beschrieben, zu einer nicht-normalverteilten Verteilung der Wertveränderung ∆P (t ,0) . So muß das α -

Quantil entsprechend der Darstellung im Kapitel “Risikoberechnung” über eine Cornish-Fisher-Approximation,


eine Saddlepoint-Approximation oder über Monte-Carlo-Simulationen bestimmt werden.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 27 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Dies Vorgehen von RiskMetrics unterscheidet sich von dem bei der Bankgesellschaft verfolgten Ansatz, da in
letzterem keine Approximation der logarithmischen Returns benötigt wird. Im Ergebnis stellen sich bei der
Bestimmung des Quantils die gleichen Probleme, ohne bereits einen Fehler durch die Approximation der
logarithmischen Returns eingeschleppt zu haben. Für die lineare Approximation der
Wertveränderungsfunktion ∆P (t ,0 ) führen beide Ansätze zu einem identischen Ergebnis.

Bankgesellschaft Berlin RiskMetrics

 Y (t ) 
R( t ) = ln 
 Y (0) 
Approximation
Y (t ) − Y (0)
R (t ) ≈
Y( 0)

Approximation der Approximation der


Wertveränderung Wertveränderung
∆P( t ,0 ) ≈K ∆P (t ,0 ) ≈K
Lineare Approxi-
PM linear in Y
mation

VaR höherer Ord- VaR höherer Ord-


VaR = ∆ Y ⋅ Y (0) ⋅ σ ⋅ qα ⋅ t
nungen mittels Cor- nungen nicht im
nish-Fischer Standardmodell
enthalten

4 Risikoberechnung in der Riskengine

Die Risikoberechnung innerhalb der Bankgesellschaft Berlin erfolgt über die Bestimmung des α -Quantils von
der Zufallsvariablen ∆P . Wie wir bereits bemerkten, ist die Verteilungsfunktion von ∆P in fast allen Fällen nicht
explizit bestimmbar, um aus ihr das entsprechende Quantil berechnen zu können. Daher ist im Rahmen der
Quantilbestimmung von ∆P eine praktikable und zugleich stabile Approximation der Verteilungsfunktion von

∆P notwendig. Als Grundlage dazu wenden wir die Cornish-Fisher-Entwicklung an. Diese Entwicklung
unterstellt einen polynomialen Zusammenhang zwischen dem Qua ntil einer beliebigen Zufallsvariablen und dessen
Momenten oder Kumulanten und dem Quantil einer Standardnormalverteilung.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 28 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Einen ersten Versuch zur Nutzung der Cornish-Fisher Approximation zur Berechnung der Quantile, falls die
ersten vier Momente bekannt sind, wurde 1996 von Zangari vorgeschlagen [Zangari, P., 1996, A VaR
Methodology for Portfolios that Include Options, RiskMetrics Monitor, First Quarter 1996, Seite 4-12].

4.1 Approximation von charakteristischen Funktionen

Die charakteristische Funktion einer Zufallsvariablen X auf (Ω, F ; P) mit der Verteilungsfunktion F ist definiert

durch

S X (t ): = E [exp(itX ) ] = ∫ exp(itX (ω ))P (dω ) = ∫ exp( itx ) F ( dx ) , ∀ t ∈ IR .


Ω IR

Durch

1 dr
κ r : = r r Log S X (t )
i dt t =0

werden die Kumulanten oder Semi-Invarianten κ r vom Grad r von X unter dem Maß P definiert, wobei

Log( z) den Logarithmus in den Komplexen Zahlen bezeichnet.


Setzt man Existenz aller Ableitungen der charakteristischen Funktion von X an der Stelle t 0 = 0 voraus, woraus

auch die Existenz aller Ableitungen von LogS X (t ) an der Stelle t 0 = 0 folgt, so erhält man für die

Taylorentwicklung von S X um t 0 = 0 die Darstellung

 ∞ κr 
S X (t ) = exp ∑ (it ) r  . (4.1)
 r =1 r ! 

Bekannte verteilungsspezifische Größen können durch Kumulanten folgendermaßen dargestellt werden

κ 1 = E [ X ] und κ 2 = E[ X ] − ( E [ X ] ) = Var[ X ] , sowie


2 2

κ3
ς 3 := = Skewness ,
κ 23

κ4
ς 4 := = Kurtosis .
κ 22

4.2 Cornish-Fisher Entwicklung

Nachfolgend werden wir schematisch die Cornish-Fisher-Entwicklung darstellen und Aussagen über Asymptotik
und Anwendbarkeit machen. Ausgangspunkt ist die Approximation von charakteristischen Funktionen und die

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 29 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

“Invertierung” der sogenannten Edgeworth-Expansion. Auf technische Details wird im folgenden nicht
eingegangen, aber dennoch wird auf eine mathematisch saubere Darstellung nicht verzichtet. Formel (4.7) stellt
letztlich die uns interessierende Cornish-Fisher-Approximation mit vier Kumulanten dar.

4.2.1 Die Cornish-Fisher-Entwicklung

Seien X 1 ,..., X n unabhängige, identisch verteilte Zufallsvariablen mit Werten in IR für ein n ∈IN . Desweiteren

fordert man eine genügende Differenzierbarkeit der charakteristischen Funktion S X1 von X 1 , sowie die

1 n
Bedingung S X1 ∈Ln ( IR ) . Für die charakteristische Funktion von n ( X − κ 1 ) , mit X : = ∑ X , bekommt
n i =1 i
man wegen der Unabhängigkeit der X i und (4.1) die Darstellung [Hall,1992 ]

S n ( X −κ 1 ) [ ( )] (
( t ) = E exp it n X exp − itκ 1 n )
 ∞ κ k  it  k 
= exp n ∑   
 k=2 k!  n  

Entwickeln wir nun wiederum die Exponentialfunktion und ordnen diese Doppelentwicklung von S n ( X −κ 1 )
nach

den Potenzen von n, so ergibt sich die Edgeworth-Expansion der charakteristischen Funktion von n ( X − κ 1) ,

dargstellt durch [Hall,1992]

 κ2   ∞ −k 2 
S ( t ) = exp  −  exp  n ∑ n hk (it ) 
n ( X −κ 1 )  2  k =0 

für geeignete, die Kumulanten beinhaltenden Polynome (hk ) vom Grade (3k ) .
k ∈IN

exp( − x 2 2) , x ∈IR , bezeichne im folgenden Φ( x ): =


1
Mit φ ( x): =

∫ φ ( y )dy
−∞
die Verteilungsfunktion der

Standardnormalverteilung. Nach erfolgter Fouriertransformation und Integration mit Satz von Lebesque
[Jensen,1995] bekommt man die Edgeworth-Expansion für Wahrscheinlichkeiten in der allgemeinen Darstellung

P( X ≤ x) = Φ( ~
x ) + ∑ n− m 2 pm ( ~
x ) φ(~
x) (4.2)
m =1

n (x − κ 1 )
für geeignete Polynome ( pm ) vom Grade (3 k − 1) und ~
x := . Abschneiden nach dem zweiten
κ2

Summanden liefert dann

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 30 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

2
P( X ≤ x) = Φ( ~
x ) + ∑ n− m 2 pm ( ~
x ) φ(~
x ) , wobei
m =1

κr
für die ersten Polynome mit der Notation ς r := , r ∈IN 0 , gilt
κ 2r

ς3 ς ς2
p1 ( y ) = − H 2 ( y ) , p 2 ( y) = − 4 H 3 ( y ) − 3 H 5 ( y ) . (4.3)
6 24 72

Dabei sind die (H ) , definiert durch H n ( x) := ( −1) n


1 dn
φ ( x) , gerade die Hermite-Polynome vom
φ ( x) dx n
n n∈IN

Grad n ∈IN .
Sei nun zα das α -Quantil der Standardnormalverteilung, also Φ( zα ) = α . Das α -Quantil von

X − κ1
Sn = n
κ2
wird definiert via ~ { }
x α : = inf x |P (S n ≤ x ) ≥ α . Um nun für die standardisierte Zufallsgröße

S n das damit verbundene α -Quantil ~


xα und zα in Verbindung zu bringen, macht man den Ansatz [Hall,1992]

xα = zα + n −1 2 q1 ( zα ) + n −1q 2 ( zα )+ ...
~
∞ (4.4)
= zα + ∑ n − j 2 q j (zα ) .
j =1

Dieser Ansatz stellt die Cornish-Fisher-Entwicklung für das α -Quantil von S n dar. Folglich besteht das

Problem der Cornish-Fisher-Entwicklung in der Bestimmung der Funktionen q j . Dabei sind die ( ) (q )j

Polynome und nur durch die ersten ( p1 ,..., p j ) eindeutig bestimmt.

Setzt man (4.4) in die allgemeine Edgeworth-Entwicklung (4.2) ein, so erhält man die Gleichheit

 ∞  ∞  ∞   ∞ 
α = Φ zα + ∑ n − j 2 q j (zα ) + ∑ n −m 2 pm  zα + ∑ n − j 2 q j ( zα ) φ  zα + ∑ n − j 2 q j (zα ) .
 j =1  m =1  j =1   j =1 

Nachfolgend werden wir explizit nur die Cornish-Fisher-Entwicklung mit vierter Kumulante herleiten. Für
Entwicklungen mit höheren Ordnungen gelten analoge Rechnungen. Um nun die erforderlichen Polynome q 1 und

xα ) mit G ( x): = Φ ( x) + ∑ n −m 2 p m ( x )φ ( x)
q 2 zu bestimmen, betrachtet man die Taylorentwicklung von G( ~
m=1

x = zα bis zu der Größenordnung n −3 2 . Nach entsprechendem Koeffizientenvergleich der Terme


um die Stelle ~

( )
mit der Größenordnung n − k 2 k=1,2 erhalten wir schließlich

q 1 ( x) = − p1 ( x) ,

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 31 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

1
q2 ( x) = p1 ( x) p1′( x) − xp12 ( x) − p2 ( x) , (4.5)
2
Die Cornish-Fisher-Entwicklung (4.4) für j = 1,2 ist damit
~
xα ≈ zα + n −1 2 q1 ( zα ) + n −1 q2 ( zα ) (4.6)

mit den Polynomen q 1 und q 2 wie in (4.5) definiert.

Sei nun x α : = inf { x| P( X ≤ x ) ≥ α } das α -Quantil von X . Falls nun X eine stetige Verteilung besitzt, so

κ2 ~
erhält man wegen P( X ≤ xα ) = P( S n ≤ ~
xα ) für vorgegebenes α ∈( 01
, ) durch x α = x + κ 1 eine
n α

Approximation für das α -Quantil von X .

Für n = 1 erhält man nun durch Einsetzen der Polynome aus (4.5) und (4.3) in (4.6) für xα die Cornish-Fisher-

Entwicklung für die vierte Kumulante, gegeben durch

 1 1 1 
xα ≈ κ 1 + κ 2  zα + ς 3 ( zα2 − 1) + ς 4 ( zα3 − 3zα ) − ς 23 ( 2 zα3 − 5zα ) (4.7)
 6 24 36 

Darstellung (4.7) stellt die aktuell in der Bankgesellschaft Berlin angewendete Formel zur Berechnung
des α -Quantils im Rahmen der VaR-Berechnung dar.

κr
Unter Einbindung höherer Kumulanten und der Notation ς r := für r = 5,6 erhalten wir die Cornish-
κ 2r

Fisher-Entwicklung für die fünfte Kumulante

 1 1 1 
xα ≈ κ 1 + κ 2  zα + ς 3 (zα2 − 1) + ς 4 ( zα3 − 3 zα ) − ς 32 (2 zα3 − 5zα )
 6 24 36 
 1 1 1 3 
+ κ2 ς5 (zα4 − 6 zα2 + 3) − ς 3ς 4 ( zα4 − 5zα2 + 2 ) + ς 3 (12 zα4 − 53zα2 + 17)
 120 24 324 

Cornish-Fisher-Entwicklung für die sechste Kumulante

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 32 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

 1 1 1 
xα ≈ κ 1 + κ 2  zα + ς 3 (zα2 − 1) + ς 4 ( zα3 − 3 zα ) − ς 32 (2 zα3 − 5zα )
 6 24 36 
 1 1 1 3 
+ κ2 ς5 (zα4 − 6 zα2 + 3) − ς 3ς 4 ( zα4 − 5zα2 + 2 ) + ς 3 (12 zα4 − 53zα2 + 17)
 120 24 324 
 1 1 
+ κ2 ς 6 ( zα5 − 10 zα3 + 15zα ) − ς 3ς 5 (2 zα5 − 17 zα3 + 21zα ) 
 720 180 
 1 2 1 2 5 
+ κ2 ς 3 ς 4 (14 zα5 − 103 zα3 + 107 zα ) − ς (3 z − 24 zα3 + 29 zα )
 288 384 4 α 
 1 4 
− κ2 ς (252 zα5 − 1688zα3 + 1511zα )
 7776 3 

Wenn man nun über die entsprechenden Kumulanten verfügt, so stellen die Cornish-Fisher-Approximationen
eine schnelle Methodik für beliebige Quantile dar.

Die Cornish-Fisher-Expansion ist gutmütig für Quantilschätzungen um den Mittelwert einer Zufallsvariablen.
Diese Eigenschaft gilt auch noch für Tails von Verteilungen mit keiner großen Schiefe (z.B. Verteilungen von
großen Portfoli). Durch Hinzunahme weiterer Kumulanten kann die Cornish-Fisher-Entwicklung beliebig
verfeinert werden. Dennoch muß man sich stets darüber bewußt sein, daß die Cornish-Fisher-Expansion zwar
asymptotisch korrekt, aber durch Abschneiden der Taylorentwicklung stets polynomial bleibt.16 Durch
flankierende Maßnahmen, wie etwa eine Full Valuation mit Monte Carlo, hat man aber potenziell auftretende
Probleme durch “unvernünftige” Verteilungen unter Kontrolle. Außerdem besteht der große Vorteil der Cornish-
Fisher-Entwicklung in ihrer simplen und leicht zu handhabenden Gestalt.--

4.2.2 Bestimmung der Kumulanten

Zunächst benötigen wir eine Darstellung der charakteristischen Funktion von ∆P . Ausgangspunkt ist die
folgende Darstellung ohne Berücksichtigung des deterministischen Theta-Add-ons, welches nachträglich
aufaddiert wird:
1 T
∆P = ∆R + R ΓR
2

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 33 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Hierbei sind ∆ der Vektor der ersten Ableitungen der Funktion PR nach den logarithmierten Renditen R , Γ

die Hesse-Matrix von PR bezüglich R wobei wir vereinfachend R = R (t ) = R (t ) − R( 0) schreiben. Nach der

allgemein üblich getroffenen Annahme sind diese Renditen multivariat normalverteilt, also R ~ N n ( µ, Σ ) .

Maßgeblich für die explizite Berechenbarkeit der charakteristischen Funktion von ∆P ist jedoch die
Covarianzmatrix von R . Nach erfolgter Cholesky - bzw. Singulärwertzerlegung von Σ 17 (abhängig vom Rang
von Σ ) und einer Diagonalisierung von der transformierten Hesse-Matrix, erhält man eine explizite Darstellung
der charakteristischen Funktion von ∆P . Durch Differenzierung dieser und Ausnutzung der Eigenschaften der
Spur einer Matrix erhalten wir schließlich die bekannten Darstellungen [Mathai 1992 ]18:
1 T 1
κ 1 = ∆T µ + µ Γµ + Trace ( ΓΣ ) ,
2 2

Trace( ( ΓΣ ) 2 + 2( ∆ + Γµ )( ∆ + Γµ ) T Σ) ,
1
κ2 = (4.8)
2

Trace ( 2(ΓΣ ) 3 + 6( ∆ + Γµ)( ∆ + Γ µ) T Σ( ΓΣ) ) ,


1
κ3 =
2

Trace( 6(ΓΣ ) 4 + 24( ∆ + Γµ )( ∆ + Γµ) T Σ( ΓΣ ) 2 ) ,


1
κ4 =
2

Trace( 24 (ΓΣ ) 5 + 120 (∆ + Γµ )( ∆ + Γµ ) T Σ (ΓΣ ) 3 ) ,


1
κ5 =
2

Trace (120( ΓΣ) 6 + 720( ∆ + Γµ )( ∆ + Γµ ) T Σ( ΓΣ) 4 ) .


1
κ6 =
2
Allgemein können wir auch für r ∈ IN 0 schreiben

Trace ( (r − 1)!( ΓΣ) r + r !( ∆ + Γµ )( ∆ + Γµ ) T Σ( ΓΣ) r −2 ) .


1
κr =
2

κr
Mit der Notation ς r : = für r ∈ {3,4 ,5,6} können diese standardisierten Kumulanten direkt in die Cornish-
κ 2r

Fisher-Entwicklungen eingesetzt werden.

16
Für Verteilungen mit einer starken positiven Skewness bzw. Schiefe, also bei sehr viel “Masse” im linken Tail, kann es zu unsinnigen Ergebnissen
kommen .
17
Üblicherweise geht man von positiv -semidefiniten Kovarianzmatrizen aus, da sonst eine Kombination von Instrumenten existiert, die ein
negatives Risiko aufweist.
18
Momentan wird ein Drift von Null unterstellt, also µ ≡ 0 .

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 34 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

4.3 Beispiele

4.3.1 Cash Flow in einer Fremdwährung

Wir erwarten einen Cash Flow in Höhe von 1 Mio USD in 2,75 Jahren.
Der Zinssatz wird aus dem Zinssatz für 2 Jahre (5.2238%) und dem Zinssatz für 3 Jahre (5.4045%) linear
interpoliert und beträgt 5.3593%. Der Wechselkurs ist 1.105063341 EUR je 1 USD.
Zunächst stellen wir fest, daß ein Zahlungsstrom in einer Fremdwährung mit

PM ( w, z) = N ⋅ w ⋅ e − z T ⋅T
bewertet wird.
Da zT aus linearer Interpolation von z1 und z2 hervorgeht, gilt
T2 − T
zT = α ⋅z1 + (1- α )⋅z2 mit α= .
T2 − T1
Wir führen nun die logarithmischen Renditen
w z z
Rw = ln , Rz1 = ln 1 und Rz 2 = ln 2
w(0) z1 (0 ) z2 (0)

ein, denen wir Normalverteilung mit Erwartungswert Null unterstellen.


Die Kovarianzmatrix von R = ( Rw , R z1 , Rz 2 ) bezeichnen wir mit Σ . Die einzelnen Kovarianzen und Varianzen

wurden aus historischen Zeitreihen geschätzt:

 5.94712E - 05 2.75786E - 05 2.82033E - 05


 
Σ =  2.75786E - 05 7.77151E - 05 7.74895E - 05 .
 
 2.82033E - 05 7.74895E - 05 8.10106E - 05

Als Delta- und Gamma-Werte (Ableitungen bezüglich der logarithmischen Renditen R) sind gegeben:

∆R,w = 953631.206
∆R,z1= -34248.6402

∆R,z2 = -106298.399

ΓR;w,w = 953631.206
ΓR;z1,z1 = -33018.637

ΓR;z2,z2 = -94449.6366

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 35 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

ΓR;z1,z2 = 3817.592792

ΓR;w,z1 = -34248.6402

ΓR;w,z2 = -106298.399 .

Aus diesen Daten werden wir nun zunächst einige statistische Parameter berechnen, aus denen wiederum das α -
Quantil der Verteilung der P&L approximiert wird.
Zuerst bestimmt man sogenannte Kumulanten
1
κ1 = trace(Γ ⋅ Σ)
2
1
(
κ 2 = ( ∆ , Σ ⋅ ∆ ) + trace ( Γ ⋅ Σ)
2
2
)
(
κ 3 = 3 ⋅ ( ∆, ΣΓΣ ⋅ ∆) + trace (Γ ⋅ Σ ) ) 3

(
κ 4 = 12 ⋅ ∆ , Σ ⋅ ( ΓΣ)
2
⋅ ∆ ) + 3 ⋅ trace((Γ ⋅ Σ ) )
4

Die Kumulanten sind im Rechenbeispiel


κ1 = 19.60139843
κ2 = 48136531.8
κ3 = 7.19E+09
κ4 = 1.43496E+12

Aus den Kumulanten ermittelt man Parameter der Verteilung der P&L mit den Formeln:

Erwartungswert µ = κ1
Varianz σ2=κ2
κ3
Schiefe γ1 =
κ 23 / 2

κ4
Wölbung γ2 = .
κ 22

Das ergibt Verteilungsparameter von


Erwartungswert 19.60139843

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 36 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Varianz 48136531.8
Schiefe 0.021519141
Wölbung 0.000619283

Nun wendet man die Cornish-Fisher-Approximation an und berechnet das gesuchte Quantil der Verteilung der
P&L.

 
VaR (α ) = µ + σ ⋅  qα + ( qα2 − 1) γ 1 + ( q α − 3 ⋅ q α ) γ 2 − ( 2 ⋅ q α3 − 5 ⋅ qα )γ 12 
1 1 3 1
 6 24 36 

Dabei bezeichnet qα das α -Quantil der Standardnormalverteilung.

Das eintägige Value at Risk beträgt dann VaR(1%) = -16010.69 EUR.

Das eintägige lineare Value at Risk (ausschließliche Berücksichtigung der Mapper-Deltas) beträgt VaR(1%) = -
16140.06 EUR.

Das mit der traditionellen Methode (RiskMetrics) ermittelte VaR ist VaR(1%) = -10,722 EUR. Der Unterschied
zu unserem linearen VaR beruht auf der unterschiedlichen Modellierung der Marktdaten: Bei RiskMetrics
werden lognormalverteilte Diskontfaktoren angenommen, in unserem Modell lognormalverteilte Zerozinsen. -
Man erkennt, daß der Unterschied relativ gering ist.

4.3.2 FX-Cash-Position

Wir setzen die Betrachtung der 1 Mio. USD Cash-Position fort. Diese Position hat einen Marktwert

PR ( R (0 )) = PM (Y (0 )) = 1105063.34 EUR, wobei Y(0) den aktuellen EUR/USD-Wechselkurs darstellt


(siehe Kapitel “Methodik”, dritter Abschnitt).
Die Delta-Gamma-Approximation (siehe Kapitel “Methodik”, vierter Abschnitt) der Preisfunktion PR ( R (t ))

bezüglich der logarithmischen Renditen R (t ) hat das Aussehen:

1
PR ( R (t )) − PR ( R( 0)) ≈ N ⋅ Y (0) ⋅ R (t ) + ⋅ N ⋅ Y (0) ⋅ R( t ) 2 .
2
Hieraus erhalten wir folgende Werte für Mapper-Delta und -Gamma

∆ R = N ⋅ Y (0) sowie Γ R = N ⋅ Y (0) .

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 37 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Das Value-at-Risk VaR(α ) bezüglich des α -Niveaus und einem Tag Haltedauer ist dann approximativ durch

den folgenden Ausdruck gegeben

 1 
P N ⋅ Y ( 0) ⋅ R (t ) + ⋅ N ⋅ Y ( 0) ⋅ R( t ) 2 < VaR(α )  = α .
 2 

Mittels quadratischer Ergänzung können wir diesen Ausdruck auch in die folgende Form bringen

 VaR (α ) 
P ( R( t ) + 1) 2 < 1 + 2  =α.
 Y (0) ⋅ N 

Dieser Ausdruck ist aber äquivalent zu

 VaR(α ) VaR(α ) 
P − 1 + 2 − 1 < R( t ) < 1 + 2 − 1 = α .
 Y ( 0) ⋅ N Y ( 0) ⋅ N 

Unter der Annahme, daß R (t ) normalverteilt ist mit Erwartungswert Null und die Standardabweichung σ hat,

folgt

1 VaR(α )  1  VaR(α ) 


Φ   1 + 2 − 1  − Φ − 1 + 2 − 1  = α .
σ  Y (0 ) ⋅ N  σ  Y (0 ) ⋅ N 

Wenn rα > 0 die Lösung der Gleichung

 rα − 1   − rα − 1
Φ  − Φ  =α
 σ   σ 

bezeichnet, dann folgt


1
VaR (α ) = ⋅ P (Y (0)) ⋅ (rα2 − 1)
2 M
Für σ = 0.00771175919 und α = 0.01 ist rα = 0.9820598 , was folgendes Value-at-Risk liefert

VaR(1%) = − 19647 EUR,

das sich nur um einen Euro vom exakten Wert -19648 EUR unterscheidet.
Verwendet man die Cornish-Fisher-Approximation zur Value-at-Risk-Berechnung, so erhält man gerundet
ebenfalls den Wert

VaR(1%) = − 19647 EUR.


Schließlich geben wir zum Vergleich das lineare Value-at-Risk an, das mittels der Formel

19
Dies entspricht einer Jahresvolatilität von ca. 12,2%, eine für USD/EUR übliche Volatilität.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 38 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

VaR (1%) = − 2.326 ⋅ σ ⋅ PM (Y ( 0))


zu berechnen ist:

VaR(1%) = − 19825 .
Weitere Beispiele finden sich im Dokument “Beispiele_MappingUndRisikoberechnung”.

4.3.3 Beispiel Cornish-Fisher

Im folgenden zeigen wir die Anwendung der Cornish-Fisher-Entwicklung zur Bestimmung des VaR an einem
kleinen Beispiel. Dazu betrachten wir ein Portfolio aus
Aktie long : 550.000 Stück mit Spot 1,8
Europäischer Call short: -1.000.000 Stück mit Strike 1,8 und Verfall in 100 Tagen
Europäischer Put short: -250.000 Stück mit Strike 1,83 und Verfall in 15 Tagen

Als Risikofaktoren werden in diesem Beispiel ausschließlich der Spotpreis und die Volatilität des Spotpreises
betrachtet. Damit wird in der Bankgesellschaft Berlin die Volatilität explizit als Risikofaktor modelliert, was in
sofern eine integrative Behandlung von nicht-linearen Risiken (Ableitungen nach dem Spot) und den
Volatilitätsrisiken (Ableitungen nach der Volatilität) erlaubt.
Option Portfolio 1
Spot 1: 1.800 Vola 1: 10% Zinssatz 1(domestic) 4.0% Zinssatz 1 (foreign) 3.0%
Pos. Exp. c/p/u Strike Value Delta Gamma Theta Vega Rho RhoQ VegSig DelSig
550,000 2 u 2.000 990000.00 550000.0
-1,000,000 100 c 1.800 -39702.94 -526933.7 -4188204.9 207.4 -371520.4 -2488.1 2596.8 -7628.8 103200.1
-250,000 15 p 1.830 -8415.84 195720.5 -2006292.9 78.4 -26695.6 148.1 -144.7 -168859.2 -589511.7
0 15 p 1.830
0 15 p 1.770
Portfolio Greeks 941,881 218,787 -6,194,498 286 -398,216 -2,340 2,452 -176,488 -486,312

Obige Tabelle enthält nun die benötigten Ableitungen nach dem Spot, dargestellt durch Delta und Gamma, und
der Volatilität, also Vega, wobei die zweite Ableitung nach der Zeit durch VegSig und die gemischte durch
DelSig ausgedrückt werden. Der folgende Graph gibt eine Visualisierung der Situation wieder.
15,000
P&L Portfolio 1
10,000

5,000
Profit&Loss

-5,000

-10,000

-15,000

-20,000

-25,000
1.746 1.753 1.760 1.768 1.775 1.782 1.789 1.796 1.804 1.811 1.818 1.825 1.832 1.840 1.847 1.854
Spot1

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 39 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Dabei stellen die parabolischen Kurven gerade die echte Preisfunktion und deren Delta-Gamma-Approximation
des Portfolios dar. Die lineare Kurve spiegelt dagegen den puren Delta-Ansatz wieder. Schon aus dieser
Darstellung wird die Schwäche des Delta-Ansatzes offenbar. Für dieses kleine Portfolio mit zwei Optionen ist
offenbar die Preisfunktion beinahe perfekt durch den Delta-Gamma-Ansatz approximierbar.
Nun unterstellen wir, daß die Renditen der beiden Risikofaktoren Spot und Volatilität, aufgefaßt als Vektor, einer
zweidimensionalen Normalverteilung folgen. Auf Grundlage der obigen Situation und unter Benutzung einer
fiktiven Drift, also Erwartungswert, und fiktiven Korrelationsmatrix und daraus abgeleiteter Covarianzmatrix Σ
gegeben durch
Risk Factors drift % daily stdev. Spot Volatilität Covarianzmatrix
Spot 0.0% 1.0% 1.0 -0.1 0.000100 -0.000010
Volatilität 0.0% 1.0% -0.1 1.0 -0.000010 0.000100

führen wir nun eine Full Valuation mit der Monte-Carlo Methode durch. Dabei erhalten wir folgendes
Histogramm für ∆P :

600
Full Monte-Carlo P&L Distribution
500

400
Frequency

300

200

100

0
-8,293

-5,992

-3,691

-1,391
-29,000

-26,699

-24,398

-22,098

-19,797

-17,496

-15,195

-12,894

-10,594

3,211
910

Profit & Loss

Durchführung einer Partial Valuation mit Monte-Carlo gibt nachfolgendes Histogramm

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 40 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

500
Partial Monte-Carlo P&L Distribution
450
400
350

Frequency 300

250
200
150
100
50
0

3,211
-8,293

-5,992

-3,691

-1,391
-29,000

-26,699

-24,398

-22,098

-19,797

-17,496

-15,195

-12,894

-10,594

910
Profit & Loss

Aus diesen beiden Histogrammen ist offensichtlich der Unterschied zu jeglicher Normalverteilung mit Paramtern
( µ , σ ) erkennbar. Dies führt demzufolge auch zu inakzeptablen Ergebnissen nach dem Standard Risc-Metrics-

Verfahren. Aus Risikomanagement-Gesichtspunkten besteht hier auch die Gefahr der Unterschätzung des
Risikos durch Verwendung von linearen Verfahren. Demgegenüber kann man nun die Cornish-Fisher-
Entwicklung anwenden, um die Quantile zu schätzen. Folgende Tabelle zeigt die Ergebnisse zu dem 1%-Qunatil.
Dabei wurden die Kumulanten gemäß (4.8) berechnet und als Benchmark die empirische Verteilung durch die
Full Valuation benutzt.

V@R - Analytics
Confidence 1.00% Mean Std. Skew. Kurt. 5. Mom. 6. Mom. VAR %-Error
Delta - Normal 0.000 3997.67 0.000 0.000 0.000 9300 -34.5%
Delta & Gamma 3 -1002.722 4241.69 -1.352 2.507 0.000 15087 6.3%
Delta & Gamma 4 -1002.722 4241.69 -1.352 2.507 0.000 14655 3.2%
Delta & Gamma 5 -1002.722 4241.69 -1.352 2.507 -5.854 14725 3.7%
Delta & Gamma 6 -1002.722 4241.69 -1.352 2.507 -5.854 16.473 14692 3.5%
Monte Carlo (partial) -1066.853 4231.58 -1.339 2.549 -19.524 87.212 14721 3.7%
M. C. Full Valuation -1051.876 4130.68 -1.277 2.145 -16.974 71.412 14198

Aus obigen Ergebnissen werden wieder die Schwächen des Delta-Ansatzes offenbar, der jegliche Gamma-
Effekte ignoriert. Betrachtet man die Cornish-Fisher-Entwicklungen mit höheren Kumulanten, so erhalten wir
durch diese in dieser Situation die gleiche Güte, wie wir sie durch die Partial Valuation erhalten. Desweiteren ist
durch Hinzunahme weiterer Kumulanten (von Delta&Gamma 3 zu Delta&Gamma 6) eine Tendenz zur
Verbesserung der Approximationsgüte erkennbar.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 41 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Abschließend ist an dieser Stelle noch zu betonen, daß der Fokus des Risikocontrollings in der Bankgesellschaft
Berlin sich auf Aggregate bezieht, die eine viel höhere Anzahl von Instrumenten beinhalten. Die entstehenden
P&L-Verteilungen weisen durch die Vielzahl der einwirkenden Faktoren eine Nähe zur Normalverteilung auf.

4.4 Alternativen

Als Alternativen zur Berechnung des Value at Risk unter Einbeziehung von nichtlinearen Risiken bieten sich noch
zwei weitere, aber erheblich kompliziertere und rechentechnisch viel aufwendigere Verfahren an.

4.4.1 Johnson-Verteilung

Mit Hilfe des Johnson-Verfahren [Johnson 1949 ] ist es möglich, eine stetige Zufallsvariable X , dessen
Verteilung unbekannt ist, approximativ in eine standardnormalverteilte Zufallsvariable zu transformieren. Dazu
wendet man folgende Transformation an

 X −ξ 
Z = γ +δ f  . (4.9)
 λ 

Die Abbildung f kann dabei folgende Form annehmen:

ln y
 −1
sinh y
f ( y) =  (4.10)
ln( y (1 − y))
 y

Um die Parameter γ ,δ , λ und ξ in (4.9) schätzen zu können, benutzt man das sogennante Moment-Matching,

also eine Anpassung an die ersten vier Momente von X . Die Funktionsform wird durch ein Lineares
Gleichungssystem aus der Skewness und der Kurtosis bestimmt. Hat man also die Parameter aus (4.9) und die
Funktionsform aus (4.10) bestimmt, so erhalten wir zunächst

−1 Z −γ 
X =ζ +λ f  ,
 δ 

und können nun das α -Quantil von X approximieren durch

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 42 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

exp( zα )

−1 ( exp( zα ) − exp( − zα )) 2
f ( zα ) =  ,
1 ( 1 + exp(− zα ))
z
α
wobei zα das entsprechendeQuantil der Standardnormalvetrteilung ist.

4.4.2 Saddlepoint-Approximation, Lugannani-Rice-Formel

Die ursprüngliche Saddllepoint-Approximation basiert auf der Edgeworth-Entwicklung, die auch die Grundlage
für die Cornish-Fisher-Entwicklung darstellt [Hall,1992 ]. Desweiteren kann man auch die sogenannte Lugannani-
Rice-Formel aus der Edgeworth-Entwicklung herleiten. Dazu betrachtet man nun Wahrscheinlichkeiten oder
Quantile unter äquivalenten Wahrscheinlichkeitsmaßen. Das äquivalente Maß wird nun so bestimmt, daß das
Quantil gerade dem Erwartungswert von einer Zufallsvariablen X unter diesem äquivalentem
Wahrscheinlichkeitsmaß entspricht. Notwendig für dieses Verfahren ist jedoch die explizite Kenntnis der
Kumulanten unter den äquivalenten Wahrscheinlichkeitsmaßen und den Eigenvektoren der transformierten
Gammamatrix.
Unter Benutzung der Daten aus dem Beispiel für die Cornish-Fisher-Entwicklung erhalten wir auf Grundlage der
entsprechenden Formeln [Jensen,1995 ] folgende Resultate:
Methode VaR (1%) Abweichung
Benchmark Full Valuation 14.198 0%
Saddlepoint-Approximation 14.711 3.61%
Luggannani-Rice-Formel 14.725 3.71%

5 Mapping

Wir werden hier das quadratische Approximationsschema (*) aus dem Kapitel “Methodik” verwenden, um
möglichst allgemeine Regeln für das Mapping von linearen und nicht-linearen Risiken zu erhalten. Das ist im
beigelegten Dokument “Das Mapping von Delta- und Gamma-Risiken im Rahmen von Varianz-Kovarianz-
Verfahren” noch einmal dargelegt.
Im allgemeinen sind die ersten und zweiten Ableitungen von PM bezüglich der Marktdaten Y gegeben. Wir
benötigen jedoch die Ableitungen von P R bezüglich der logarithmischen Renditen der Risikofaktoren.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 43 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Das Problem besteht also darin, Ableitungen (S ensitivitäten oder “Greeks”) bezüglich der Marktdaten Y in
Ableitungen bezüglich der logarithmischen Renditen R (in die “Mapper-Sensis”) umzuwandeln. Diese
Umrechnung verstehen wir im engeren Sinn unter dem Mapping.
Im weitesten Sinn umfaßt das Mapping drei Stufen:
1. Interpolation von Risikofaktoren auf Marktdaten, beschrieben im Abschnitt “Marktrisikodaten”
2. Bilden der logarithmischen Renditen (nunmehr der Risikofaktoren)
3. Umrechnung der Ableitungen.

5.1 Marktrisikodaten

5.1.1 Einführung von Marktrisikodaten

Der Marktwert eines Portfolios ergibt sich als Summe der Marktwerte der einzelnen Positionen dieses Portfolios,
insofern es mehrere Positionen gibt. Die Marktdaten Y1 ,K ,Ym sind die Vereinigung aller Marktdaten, die zur

Bewertung des Portfolios erforderlich sind.


Um beispielsweise den Marktwert von vielen verschiedenen zukünftigen Cash Flows zu bestimmen, braucht man
für jeden Tag, an dem Ein- oder Auszahlungen stattfinden, prinzipiell ein Extra-Marktdatum, nämlich entweder
einen Diskontfaktor oder einen Zinssatz20. Da nicht für jeden Tag in der Zukunft ein Zinssatz am Markt quotiert
wird, muß man im allgemeinen die gesuchten Zinssätze aus bekannten Zinsätzen interpolieren. Zur Interpolation
existieren verschiedene Marktusancen, z.B. lineare Interpolation exponentieller Zero-Zinssätze für bestimmte
Kurvensegmente oder lineare Interpolation der Geldmarktsätze. Wir haben uns dazu entschieden, prinzipiell die
stetigen Zero-Zinssätze linear zu interpolieren. Der mögliche Unterschied in der Bewertung des Portfolios, zumal
in der Differenz, ist minimal, aber die Vereinfachung in der Programmstruktur enorm21.
Derartige Cash Flows sind Bestandteil beinahe jeden größeren Portfolios. Daher führt die obige Vorgehensweise
zu unüberschaubar vielen Marktdaten, für die wir keine Marktdaten vorhalten möchten, sondern die von Fall zu
Fall errechnet werden.
Desweiteren können aufgrund funktionaler Abhängigkeiten zwischen verschiedenen Marktdaten Widersprüche
auftreten, wenn man alle auftretenden Marktdaten als lognormalverteilt modelliert. So kann man nicht gleichzeitig

20
Das hängt mit der zeitlichen Struktur der Zinskurve zusammen: keine existierende Zinskurve ist völlig flach.
21
Ohne diese Vereinheitlichung gäbe es für jede Währung und für verschiedene Laufzeitabschnitte verschiedene Interpolationsverfahren.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 44 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Diskontfaktoren d t und Zinssätze zt als lognormalverteilt modellieren, da diese in folgendem Zusammenhang

stehen: d t = exp(− z t t ) .

Aus diesen beiden Gründen (Praktikabilität und Konsistenz) schränken wir die Menge der Marktdaten, deren
Verteilung wir modellieren, auf eine überschaubare Menge standardisierter Marktdaten ein. Diese
standardisierten Marktdaten nennen wir Marktrisikodaten und bezeichnen sie mit X = ( X 1 ,K , X n ) . Für diesen

Risikodatensatz müssen zur Berechnung des Marktrisikos statistische Daten vorliegen (siehe dazu auch das
Kapitel “Schätzung der Risikoparameter”).

Die in der Praxis berechneten Sensitivitäten eines Portfolios basieren auf geringfügigen Marktdatenänderungen in
der originalen Preisfunktion und der Approximation der Tangentensteigung durch die entsprechende
Sekantensteigung, falls keine expliziten Ableitungen bekannt oder vorhanden sind. Die für ein beliebiges Portfolio
signifikanten Marktdaten müssen dabei keineswegs mit den allgemein definierten Marktrisikodaten
übereinstimmen. Es sind solche Ableitungen (explizit oder als Differenzenquotienten) von PM (Y , v ) bezüglich der

Marktdaten Y gegeben22, mit denen man das Portfolio leicht berechnen und steuern kann. Daher lassen wir in der
Preisfunktion PM (Y , v ) potentiell alle Marktdaten zu, insbesondere alle interpolierten oder anderweitig

abgeleiteten. Danach fügen wir als Zwischenschritt eine Abbildungsvorschrift F ein, die aus den Marktrisikodaten
X die jeweils benötigten Marktdaten Y erzeugt:

Y = F(X) .
Es ergibt sich eine neue Preisformel PN ( X , v ) :

P (t ) = PM (Y (t ), v (t )) = PM ( F ( X (t )), v( t )) = PN ( X (t ), v (t )) .
Nur für diese Marktrisikodaten werden dann die logarithmischen Renditen R (t ) = ln ( X (t ) / X ( 0) betrachtet.

Man kann also folgende Gleichungskette aufstellen (siehe auch später im Abschnitt “Darstellung”):

P (t ) = PM (Y (t ), v (t )) = PN ( X (t ), v (t )) = PR ( R (t ), v( t )) .

5.1.2 Der Risikodatensatz

Hier wird kurz dargestellt, welche Marktdaten wir als Marktrisikodaten bzw. Risikofaktoren betrachten und
dementsprechend modellieren:

22
Ebenso natürlich solche nach der Zeit - an der Stelle interessieren uns jedoch nur die Marktdaten.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 45 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

1. Aktienindizes
2. Wechselkurse, so daß Euro die Basiswährung ist
3. Zero-Zinssätze
4. FX-Volatilitäten
5. Forward-Volatilitäten für Caps/Floors (d.h. die Volatiliäten der entsprechenden Forward-Zinssätze)
6. Zinsvolatilitäten für Swaptions

Wir haben uns insbesondere dafür entschieden, die stetigen Zerozinsen als lognormalverteilt zu modellieren. Im
Gegensatz dazu werden in Risk Metrics die Diskontfaktoren als Risikofaktoren betrachtet und als
lognormalverteilt angenommen.
Wir verwenden lognormale Zerosätze, da die Zinsen damit per Modell immer größer als Null sind. - Bei der
Modellierung mit Diskontfaktoren als lognormalverteilte Zufallsvariablen treten mit positiver Wahrscheinlichkeit
auch negative Zinssätze auf.
Diskontfaktoren werden trotzdem derart als Risikofaktoren verwendet, weil dies bei einigen Verfahren zu einer
Vereinfachung der Berechnung führt. Insbesondere ist die Ableitung des Barwertes eines Cash Flows der Cash
Flow selbst und somit linear im Risiko, gemessen durch den Diskontfaktor. Für unser Mapping-Verfahren ist das
irrelevant.

5.2 Darstellung

Prinzipiell: Wir interessieren uns hier nicht mehr für den stochastischen Charakter der Marktdaten. Daher
verwenden wir in diesem Abschnitt Kleinbuchstaben, z.B. ist y=Y( ω) ein Vektor reeller Zahlen für ein
Wahrscheinlichkeitsereignis ω. (An dieser Stelle sei noch einmal explizit angemerkt, daß die heutigen Marktdaten
als bekannt vorausgesetzt werden, also y(0)=Y(0, ω) für alle ω.)

Zur Risikomessung gehen wir von unserer standardisierten Menge von Marktdaten aus, den Risikofaktoren
( X 1 , K , X n ) . Wie im Abschnitt “Marktrisikodaten” erläutert, stellen wir die zunächst verwendeten Marktdaten

Y durch die Risikofaktoren X dar. Das geschieht mit Hilfe einer Interpolationsfunktion F:
F : ( x 1 ,K , x n ) → ( y 1 , K , y m )
Hierbei bezeichnen ( x 1 , K , x n ) bzw. ( y 1 ,K , y m ) die entsprechenden Realisationen der Marktdaten.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 46 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

So würde man Zinssätze von z.B. 11 Tagen, 25 Tagen und 15 Tagen mit Hilfe linearer Interpolation aus den
Standard-Zinssätzen von einer Woche (7 Tage, Zinssatz x1 ) und einem Monat (30 Tage, Zinssatz x 2 ) erhalten.

Die Interpolationsfunktion bestünde defacto aus drei eindimensionalen Teilfunktionen: F = (F1 , F2 , F 3 ). Dann
wäre z.B.
19 4
F1 ( x 1 , x 2 ) = x1 + x = y1
23 23 2
unser “Ersatz” für den Zinssatz von 11 Tagen23. -
Der Vorteil unseres Mappings besteht darin, daß sich die Interpolationsvorschrift nicht nach dem Mapping-
Verfahren richten muß, sondern daß umgekehrt das Mapping-Verfahren jede (differenzierbare)
Interpolationsvorschrift als Input akzeptiert. Ändern sich gewisse Marktusancen, können wir darauf schnell
reagieren und unsere Interpolationsfunktion an den neuen Marktstandard anpassen.
Analog würden wir die entsprechenden Diskontfaktoren auf die Standard-Zinssätze zurückführen. In diesem Fall
wäre die Interpolationsfunktion F etwas komplizierter.
In einem zweiten Schritt beim Mapping führen wir die Risikofaktoren X auf ihre logarithmischen Renditen R
zurück. Diese sind nach Annahme normalverteilt. Die Darstellung der Risikofaktoren hat nach Einführung einer
Hilfsfunktion H
die Form
( x1 ,K, xn ) = H (r1 ,K , rn )
= ( a1 exp(r1 ),K , a n exp(rn ) ) ,
wobei a i = X i (0) = xi (0) dem heutigen Marktdatum des i-ten Risikofaktors entspricht.

Faßt man die beiden Umformungen zusammen, erhält man folgende Gleichungskette:
PM ( y(t ), v(t )) = PM ( F ( x(t )), v(t ) )
= PN ( x(t ), v(t )) = PN ( H(r(t )), v(t ) )
= PR (r(t ), v(t )) .
Zur Vereinfachung der Bezeichnung führen wir hier folgende zusammengesetzte Funktionen ein, wobei der
Zeitparameter t zur besseren Übersichtlichkeit weggelassen wird:
~
F = ( F , Id ) : ( x , v ) → ( F ( x ), v ) = ( y, v)
~
H = ( H , Id ) : (r , v ) → ( H (r ), v ) = ( x, v) .
Damit lassen sich die Umformungen sehr einfach aufschreiben:

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 47 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

~
PM ( y, v) = PM o F ( x , v) = PN ( x, v)
~
PN ( x, v ) = PN o H (r , v) = PR ( r , v)
bzw.
~ ~ ~
PR = PN o H = PM o F o H .
Durch im Frontoffice übliche Risikomanagement-Systeme oder Risikoreports sind erste und zweite Ableitungen
nach den verwendeten Marktdaten y gegeben, im allgemeinen in Form von Differenzenquotienten oder “Greeks”.
Diese Sensitivitäten verwenden wir als Input:
einerseits das Portfolio-Delta (erste Ableitungen)

(δ i M ) = ∆ M = DPM ( y (0 ), v ( 0)) = ( D y PM , Dv PM ) ( y ( 0), v (0))

und andererseits das Portfolio-Gamma (zweite Ableitungen)

 D 2y PM D y Dv PM 
(γ M
) = Γ M = D PM ( y(0 ), v( 0)) = 
2
 ( y(0 ), v (0)) .
 D y Dv PM Dv2 PM 
i, j

5.3 Umrechnung der Ableitungen

Aus Portfolio-Delta ∆ M und Portfolio-Gamma Γ M und der Interpolationsformel F sollen jetzt die Mapper-

Deltas und -Gammas berechnet werden.


Das Mapping ist auf beliebig viele deterministische Faktoren ausgelegt. Dieser allgemeine Fall wird im
obengenannten Dokument “Das Mapping von Delta- und Gamma-Risiken im Rahmen von Varianz-Kovarianz-
Verfahren” auch behandelt. Wir schreiben dies für den Fall um, daß v(t) eindimensional ist (Zeitfaktor). Die
Umrechnungsformeln lauten dann unter Verwendung von x(0) = a
m
für Marktdaten-Deltas: δ i R = a i ∑ D F (a ) δ
j =1
i j
M
j

für Zeit-Deltas: δ nR+1 = δ mM+1

für Marktdaten-Gammas: γ iR, j =

23
Lineare Interpolation von Zinssätzen ist das in der Praxis übliche Verfahren. Allerdings sind abweichende Tageszählweisen und
Zahlungsfrequenzen (stetig, jährlich usw.) zu beachten.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 48 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

m m m
ai a j ∑ D F (a) D F (a) γ
l ,k =1
i k j l
M
k ,l + ai a j ∑ D D F (a ) δ
k =1
j i k k
M
+ a i 1{i = j } ∑ Di Fk (a) δ kM
k =1

m
für gemischte Gammas: γ iR, n +1 = a i ∑ D F (a ) γ
i l
M
m +1, j
j =1

für Zeit-Gammas: γ nR+1,n +1 = γ mM+1,m +1 .

Die Zeit-Deltas und -Gammas sind sofort klar: die Zeitvariable wird nicht transformiert, also bleiben die
Ableitungen gleich. Die anderen Formeln sind noch nachzurechnen. - In der von uns favorisierten Approximation
werden lediglich Marktdaten-Deltas und Marktdaten-Gammas gemappt, d.h. daß nur die beiden entsprechenden
Formeln Anwendung finden.

5.3.1 Bezeichnungen

Wir benötigen die oben eingeführten Funktionen ~ ~


F und H sowie die Formel
~ ~ ~
PR = PN o H = PM o F o H . Wir benutzen die Kettenregel und die Tatsache, daß die erste (zweite)
Ableitung an einer beliebigen Stelle eine lineare (bilineare) Abbildung zwischen den ursprünglichen Räumen
darstellt, also daß für
G:X →Y differenzierbar

gilt:
DG ( x ) : X → Y linear,

D 2 G( x) : ( X , X ) → Y bilinear.

Siehe zum Beispiel [Barner/Flohr 1989, S.127].


Bezeichne e in den i-ten Einheitsvektor im n-dimensionalen Raum.

Gesucht ist jetzt also die Ableitung nach (r,v) , das heißt die Ableitung von PR an der Stelle

(r ( 0), v (0)) = (r (0),0) = ( 0,0) ,


wobei die erste Null den n-dimensionalen Nullvektor darstelle.

5.3.2 Erste Ableitung

Mit der Kettenregel gilt für die erste Ableitung:


~ ~ ~ ~ ~ ~ ~
D PR ( r( 0),0) = D ( PM o F o H ) ( r( 0),0) = DPM ( F o H ) DF ( H ) DH ( r( 0),0)
~ ~
= DPM ( y( 0),0) DF ( x(0),0) DH (r ( 0),0)

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 49 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Der Differentialoperator D bezieht sich immer nur auf den direkt hinter ihm stehenden Buchstaben bzw.
Klammerausdruck.
Die Jacobi-Matrizen DF~ und DH
~ sind schnell hingeschrieben:

 D1 F1 L Dn F1 0  H1 0 0
   
~  M M M O M
DH = 
~
DF =  bzw.
D F L Dn Fm 0 0 Hn 0
 1 m   
 0 L 0 1  0 L 0 1

An der Stelle t=0 gilt mit a i = x i ( 0) insbesondere:

 a1 0 0
 
O M
DH (0,0) = 
~ .
0 an 0
 
0 L 0 1

Nach Anwendung der linearen Abbildung DPR ( 0,0) auf den Vektor ein+1 hat man:
~ ~
D PR ( 0,0 ) ein +1 = DPM ( y(0 ),0) DF ( x( 0),0) DH( 0,0) ein +1 =
a i ∆ M DF~ ( x( 0),0 ) ein +1 i≤n
=  ~
 ∆ M DF ( x (0),0) ei
n +1
i = n +1

Das Multiplizieren mit dem i-ten Einheitsvektor ergibt die i-te Spalte. Also steht in der letzten Formel mit
~
∆ M DF ( x (0),0) e in +1 einfach das Skalarprodukt zwischen dem Gradienten und der i-ten Spalte der Jacobi-
Matrix. In Summenschreibweise entspricht das genau den oben angegebenen Formeln.

Beispiel:
~
Sei F : ( x1 , x 2 , v ) → ( x 1 x 22 , x 1 + x 2 , v ) , also n=m=2.

Dann gilt für die Jacobi-Matrix allgemein

 x22 2 x1 x 2 0
~  
DF ( x1 , x 2 , v) =  1 1 0
 
 0 0 1

bzw. in unserem Fall mit der Parametrisierung x1 = x1 (t ) , x2 = x2 (t ) , v = v( t )

 x 22 (t ) 2x1 (t ) x2 ( t ) 0
~  
DF ( x1 (t ), x 2 (t ), v (t )) =  1 1 0
 
 0 0 1

und schließlich ausgewertet an der Stelle t=0, also a i = x i (0), 0 = v (0 ) :

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 50 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

 a22 2a1 a2 0
~ ~   ~ ~
DF ( x(0),0) = DF ( a1 , a2 ,0) =  1 1 0 = DF ( H )( r( 0),0) .
 
0 0 1

Es ergibt sich mit ∆ M = (δ 1M ,δ 2M , δ 3M ) und zum Beispiel für i=2 :

 a 22 2 a1 a 2 0
 
DPR ( 0,0 ) e2n +1 = a 2 (δ 1M ,δ 2M , δ 3M )  1 1 0 e2n +1
 
 0 0 1
 2a 1 a 2 
 
= a 2 (δ ,δ , δ )  1 
1
M
2
M
3
M

 
 0 
= a 2 ( 2 a1 a 2 δ 1M + δ 2M ) .

5.3.3 Zweite Ableitung

Mit der Kettenregel gilt für die zweite Ableitung (zur besseren Übersichtlichkeit ab hier unter Weglassung der
Stelle, an der abgeleitet wird):
~ ~ ~ ~ ~
D2 PR = D ( DPM ( F o H) DF (H) DH )
~ ~ ~ ~ ~ ~ ~ ~ ~ ~
= D(DPM ( F o H)) DF (H) DH + DPM ( F o H) D(DF ( H)) DH
~ ~ ~ ~ ~
+ DPM ( F o H) DF ( H) D2 H
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~
= D 2 PM ( F o H) ( DF ( H) DH, DF ( H) DH) + DPM (F o H) D2 F ( H) ( DH, DH)
~ ~ ~ ~ ~
+ DPM ( F o H) DF ( H) D2 H .

Die Formeln sind wie folgt zu verstehen: die ersten Ableitungen werden wie oben jeweils auf den
dahinterliegenden Vektor angewandt, die zweiten jeweils auf die beiden dahinterliegenden Vektoren. Der
Differentialoperator D bezieht sich immer nur auf den direkt hinter ihm stehenden Buchstaben bzw.
Klammerausdruck.

Wir wenden jetzt diese bilineare Abbildung auf (ein+1 , e nj +1 ) an, um die (i,j)-te Komponente von der Gamma-

Matrix ΓR bezüglich der logarithmischen Renditen zu erhalten:

D2 PR (ein +1 , enj +1 )
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~
= D2 PM ( F o H) (DF( H) DH ein +1 , DF(H) DH enj +1 ) + DPM ( F o H) D2 F(H) (DH ein +1 , DH enj +1 )
~ ~ ~ ~ ~
+ DPM ( F o H) DF(H) D2 H (ein +1 , enj +1 )
~ ~ ~ ~ ~ ~ ~ ~ ~ ~
= ai a j D2 PM (F o H) ( DF(H) ein+1 , DF(H) enj +1 ) + ai a j DPM (F o H) D2 F( H) (ein+1 , enj +1 )
~ ~ ~ ~ ~
+ DPM ( F o H) DF(H) D2 H (ein +1 , enj +1 ) .

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 51 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Der erste Summand läßt sich mit der Regel D 2 PM ( v, w) = v T D 2 PM w (wobei v,w für die entsprechenden

Vektoren stehen) sofort ausrechnen.


Für den zweiten und dritten Summanden geht das analog, wenn man die Funktionen F~ und H
~ zerlegt:

 F1   H1 
m+1
  n +1
 
~  M  M
F = ∑ ek o Fk =   H = ∑ ek o Hk =   .
~ m+1 ~ n+1 ~
und
k =1 Fm k =1 Hn
   
 Id   Id 

Wegen der Linearität der Ableitung selbst und Dλ ( λ ek ) = ek und Dλ ( ek ) = 0 gilt

 D 2 F1   D 2 H1 
   
2 ~  M  2 ~  M 
D F = 2  und D H = 2 .
D Fm D Hm
   
 0   0 

Über die Zwischenschritte

~ Di D j Fk i , j ≤ n, k ≤ m
D 2 Fk (ein +1 , e nj +1 ) = 
 0 sonst

und

~ H k i = j ≤ n, k ≤ n
D 2 H k (ein +1 , e nj +1 ) = 
0 sonst

ergeben sich für i,j ≤ n und an der Stelle (r(0),0) die Ableitungen

~ 0
 Di D j F1 ( H )   
  M
2 ~ ~ n +1 n +1  M  ~  ai 
D F ( H) (ei , e j ) =  ~ , D2 H (ein +1 , enj +1 ) = 1{i = j }
D D F ( H)  
 i j m  0
 0   
M

Ist i oder j gleich n+1 , werden diese beiden Ableitungen zu Nullvektoren.


Durch Einsetzen erhält man die drei oben angebenen Gamma-Formeln: alle Summanden für i,j ≤ n und nur den
ersten Summanden in den anderen beiden Fällen.
Beispiel (Fortsetzung):
~
Wir betrachten wieder F : ( x1 , x 2 , v) → ( x 1 x 22 , x 1 + x 2 , v ) bzw.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 52 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

~
F1 : ( x1 , x 2 , v) → x1 x22
~
F2 : ( x1 , x2 , v ) → x1 + x 2
~
F3 : ( x1 , x 2 , v) → v .
Dann hat man für die Zwischenschritte die drei Hesse-Matrizen

 0 2 x 2 (t ) 0
~  
D F1 ( x1 (t ), x2 ( t ), v(t )) =  2 x2 (t ) 2 x1 (t )
2
0
 
 0 0 0

 0 0 0
~ 2 ~
 
D F2 ( x1 ( t ), x2 (t ), v( t )) = D F3 ( x1 ( t ), x2 (t ), v( t )) =  0 0 0
2

 
 0 0 0

und entsprechend die (i,j)-ten Komponenten (formal aus der Multiplikation mit den Einheitsvektoren).
Als Vektoren erhält man dann zum Beispiel für i=j=2:

 2 x 1 (t )
~ n +1 n +1
 
D F ( x1 (t ), x2 (t ), v(t )) (e2 , e2 ) =  0 
2

 
 0 
 2 a 1 exp(r1 (t ))
~ ~ n +1 n +1
 
= D F o H( r1 (t ), r2 (t ), v(t )) (e2 , e2 ) = 
2
0 
 
 0 

bzw. an der Stelle (r(0),0)=(0,0,0) einfach

 2a1 
~ ~  
D F ( H( 0,0,0)) 2 , 2 =  0  .
2

 
 0
Man erkennt sehr gut, daß sich für i=n+1=3 oder j=n+1=3 der Nullvektor ergibt.
Wir geben noch Formeln für i=j=2 an, ohne alle Rechenschritte aufzuzeigen:

γ 1M,1 γ 1M, 2   2 a1 a 2 
Erster Summand: a 2 a 2 (2 a 1a 2 ,1)  M   = K.
γ 1, 2 γ 2M,2   1 

 2 a1 
Zweiter Summand: a 2 a 2 (δ 1M ,δ 2M )   = K .
 0 

 2 a 1a 2 
Dritter Summand: a 2 (δ 1M , δ 2M )   = K.
 1 

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 53 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

5.4 Beispiele

5.4.1 Cash Flow Beispiel und Konsistenz des Verfahrens

In diesem Kapitel wird nachgewiesen, daß der Mapper konsistent ist in folgendem Sinne:
Wir zeigen, daß der Mapper für einen Cashflow die gleichen Sensitivitäten errechnet, egal, ob man den
Wert des Cashflows als Funktion der Diskontfaktoren auffaßt und an den Mapper die Sensitivitäten ∆ M
bezüglich dieser Diskontfaktoren liefert oder ob man ihn als Funktion der Zinsen ansieht und
entsprechend Sensitivitäten ∆ M bezüglich der Zinsen anliefert.
Hierbei bezeichne zT den Zerozins zur Zeit T und d T = exp(− z T T ) den entsprechenden Diskontfaktor.

5.4.1.1 Cashflow als Funktion der Zinsen

Wir betrachten einen Cashflow in Höhe von N zur Zeit T , der die Bewertungsfunktion
PM ( zT ) = N exp(− zT T )
hat. Daraus folgt für das Delta bezüglich des Zinses:
∆ M , z = − T N exp(− zT T ) .

Für das Gamma bezüglich des Zinses gilt

Γ M , z , z = T 2 N exp(− z T T ) .

Risikofaktoren seien die Zerozinssätze z1 und z 2 . Dann sieht die Interpolationsfunktion F wie folgt aus:

F (z1 , z 2 ) = zT = α ⋅ z1 + (1 − α ) ⋅ z2 .
Wir benötigen die partiellen Ableitungen von F:
∂z1 F = α,

∂z2 F = 1 − α .

Mit der Formel für die Marktdaten-Deltas ergibt sich für das gemappte Delta (bezüglich der Renditen der
Zinsen):
∆ R , z1 = − N ⋅ z1 (0) ⋅ T ⋅ α ⋅ exp( − z T T ) ,

∆ R , z2 = − N ⋅ z 2 (0 ) ⋅ T ⋅ (1 − α ) ⋅ exp( − z T T ) .

Für die Gammawerte bezüglich der Renditen ergibt sich nach der Formel für die Marktdaten-Gammas
Γ R , z1 , z1 = z1 ( 0) ⋅ T ⋅ N ⋅α ⋅ exp(− z T T ) ⋅ (z1 (0) ⋅ α ⋅ T − 1) ,

[
Γ R , z2 , z 2 = z 2 (0 ) ⋅ T ⋅ (1 − α ) ⋅ N ⋅ exp(− zT T ) ⋅ z2 ( 0) ⋅ (1 − α ) ⋅ T − 1) , ]

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 54 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Γ R , z1,z 2 = z1 ( 0) ⋅ z2 (0) ⋅ T 2 ⋅ N ⋅ α ⋅ (1 − α ) ⋅ exp(− zT T ) .

Damit sind die Sensitivitäten bestimmt, die der Mapper ausgibt, wenn der Cashflow als Funktion des Zinses
aufgefaßt wird.

5.4.1.2 Cashflow als Funktion der Diskontfaktoren

Zum Vergleich wird nun die analoge Berechnung der gemappten Sensitivitäten für den Fall durchgeführt, daß der
Cashflow als Funktion der Diskontfaktoren interpretiert wird und der Mapper Sensitivitäten bezüglich der
Diskontfaktoren erhält. Wieder geben wir zunächst die Bewertungsfunktion an:

PM (d T ) = N ⋅ d T .
Daraus erhält man sofort Delta und Gamma bezüglich des Diskontfaktors:
∆ M ,d = N

und
Γ M ,d = 0 .

Die Transformation von den Marktdaten d T zu den Risikofaktoren z1 und z 2 geschieht jetzt durch eine andere

Interpolationsfunktion F :

F (z1 , z2 ) = e −T ⋅(α ⋅z1 +(1−α )⋅ z2 ) = dT .


Wie vorher benötigen wir die Ableitungen dieser Funktion:

∂z1 F = −T ⋅ α ⋅ e − T⋅ (α⋅ z1 +(1−α) ⋅z2 ) ,

∂ z2 F = − T ⋅ (1 − α ) ⋅ e −T ⋅( α ⋅z 1 +(1 −α )⋅z 2 ) .

Nun wenden wir wieder die entsprechende Delta-Formel an und erhalten als Deltas bezüglich der Renditen der
Zinsen:

∆ R , z1 = − z1 (0 ) ⋅ N ⋅ T ⋅ α ⋅ e −T ⋅(α ⋅z1 +(1−α )⋅ z2 ) = − z1 (0 ) ⋅ N ⋅ T ⋅ α ⋅ d T ,

∆ R , z2 = − z 2 (0) ⋅ N ⋅ T ⋅ (1 − α ) ⋅ e − T (α ⋅z1 +(1−α ) ⋅z 2 ) = − z 2 (0) ⋅ N ⋅ T ⋅ (1 − α ) ⋅ d T .

Für die Berechnung der Gammawerte bezüglich der Renditen der Zinsen wenden wir die entsprechende
Gamma-Formel an und erhalten

ΓR, z1 ,z1 = z12 (0) ⋅ N ⋅ T 2 ⋅ α 2 ⋅ d T − z1 (0) ⋅ N ⋅ T ⋅ α ⋅ d T


= z12 (0) ⋅ T ⋅ N ⋅ α ⋅d T ⋅( z1 (0) ⋅ α ⋅ T − 1)

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 55 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

ΓR ,z 2 , z2 = z22 ( 0) ⋅ N ⋅ T 2 ⋅ (1 − α ) 2 ⋅ dT − z2 (0) ⋅ N ⋅ T ⋅ (1 − α) ⋅ d T
= z2 ( 0) ⋅ T ⋅ N ⋅ (1 − α) ⋅ d T ⋅ [z 2 (0) ⋅ (1 − α) ⋅ T − 1]

Γ R,z1 , z2 = z1 (0) ⋅ z2 (0) ⋅ N ⋅ T 2 ⋅ (1 − α ) ⋅ α ⋅ d T .

Der Vergleich mit den Ergebnissen aus 5.4.1.1 zeigt, daß nach der Ersetzung exp(− z T T ) = d T die Sensitivitäten

identisch sind. Der Mapper liefert also, wie erwartet, in beiden Fällen das gleiche Resultat.

5.4.2 Caplet

Mit dem folgenden Beispiel wird illustriert, wie über eine Mapping-Funktion aus vorhandenen Deltas und
Gammas Mapper-Deltas bzw -Gammas berechnet werden. Die Preisfunktion ist dabei explizit nicht bekannt.
Das ist eine realistische Voraussetzung.

5.4.2.1 Input-Daten

Beispiel: Verkauf eines Caps, es existiert nur noch eine Option / ein Caplet.
Gegeben sei das Caplet durch die folgenden Daten:

aktueller Tag 22/02/2001


Nominalvolumen: 10.000.000 EUR
Strike: 5%
Laufzeit Option: 20/03/2001
Start Forward: 22/03/2001
Ende Forward: 22/06/2001
Tages-Zählweise:24 ACT/360

Ferner liegen die folgenden Marktdaten vor:

akt. Forward-Rate: 4,76%


Forward-Volatilität: 15,36%

Als Wertänderungen bzgl. der Forward-Rate liefert ein Frontoffice-System

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 56 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Wertänderungen bzgl. Fwd-Rate


Delta: -31.421
Gamma: -2.539
Vega: -67.772
Theta 14,58

Daraus lassen sich als Annäherung an die ersten und zweiten Ableitungen die Differenzenquotienten ausrechnen,
wobei 1bp=0,0001 bei Delta und Gamma, 1%=0.01 bei der Forward-Volatilität und 1 Tag =0.0027397 beim
Theta als Differenz verwendet wird. Man erhält:

Differenzenquotienten
Delta: -314208,4
Gamma: -253883826.2
Vega: -6777.2
Theta 5322

Als Marktrisikofaktoren werden hier neben der Forward-Volatilität Zerosätze betrachtet. Die Marktpreise per
22.02.2001 sind:

Laufzeit Bezeichnung Zerosatz


7-day z1 5.24%
1-month z2 4.94%
3-month z3 4.87%
6-month z4 4.76%

24
ACT/360 bedeutet, daß sich der Jahresanteil aus der Anzahl der wirklichen Tage geteilt durch 360 (für ein ganzes Jahr) ergibt.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 57 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

5.4.2.2 Transformationsformeln

Delta und Gamma beziehen sich auf den Forward-Zinssatz. Im folgenden wird das Mapping des Forward-
Zinssatzes bezüglich der Marktrisikofaktoren z1 , z2 , z3 , z 4 aufgestellt und die erforderlichen Ableitungen gebildet.

Der Forwardzins FWD errechnet sich allgemein aus

1  d Start 
FWD =  − 1 ,
∆T  d End 

wobei d Start den Diskontfaktor für den Startzeitpunkt bezeichne, entsprechend d End den für den Endzeitpunkt

und ∆T die Periodenlänge des Forwards.


Für einen Diskontfaktor gilt allgemein

d t = exp (− zt t ) ,

wobei wir die Zerozinsen z als stetig, d.h. continuous compound und mit der Tageszählweise ACT/365
darstellen, d.h. t errechnet sich aus Anzahl der wirklichen Tage geteilt durch 365.
Bezeichne z s = z Start , t s = t Start den Zerozins von Startzeitpunkt und Starttag, analog z e = z End , t e = t End , dann

läßt sich der Forwardzins mit der Tageszählweise ACT/360 wie folgt darstellen:

360   ts   te  
FWD = FWD(z s , z e ) =  exp  − z s  exp  z e  − 1 .
te −ts   365   365  

Weiterhin werden die Zerosätze linear interpoliert, d.h.


t2 − ts
zs = α s z1 + (1 − α s )z 2 mit α s = wie oben,
t 2 − t1
entsprechend ze, α e .

Damit läßt sich der Forward-Satz durch die Risikofaktoren ausdrücken:


FWD = f ( z1 , z 2 , z3 , z4 )
360   ts   t   t   t  
=  exp  − α s z1  exp  − (1 − α s ) s z 2  exp α e e z3  exp  (1 − α e ) e z4  − 1 .
te − t s   365   365   365   365  
Als erste Ableitung dieser Funktion f nach dem Risikofaktor z1 erhält man:

D1 f =
ts 360  t   t   t   t 
− αs exp  − α s s z1  exp  − (1 − α s ) s z 2  exp α e e z3  exp  (1 − αe ) e z4 .
365 t e − t s  365   365   365   365 
Die Ableitungen nach z2 , z3 , z 4 ergeben sich analog, ebenso die zweiten Ableitungen, z.B.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 58 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

D13 f =
ts t 360  t   t   t   t 
−αs αe e exp  − α s s z1  exp  − (1 − αs ) s z2  exp αe e z3  exp (1 − α e ) e z4  .
365 365 te − t s  365   365   365   365 

5.4.2.3 Mapping auf Zerosätze und Forward-Volatilitäten

Für die Berechnung der Deltas und Gammas bezüglich der Marktrisikofaktoren z1 , z2 , z3 , z4 , v1 ( v1 stellt den

Risikofaktor Forward-Volatilität dar) sind nun die entsprechenden Formeln aus dem obigen Abschnitt
anzuwenden. Dabei ist n=5, m=2, es ergeben sich die beiden Transformationsformeln
F1 ( z1 , z 2 , z 3 , z4 , v1 ) = f ( z1 , z2 , z3 , z 4 ) = FWD
wie oben sowie

F2 ( z1 , z2 , z3 , z 4 , v1 ) = v1 = VOLA .
In diesem Fall ist die Interpolationsfunktion F = ( F1 , F2 ) also zweidimensional.

Man erhält durch Einsetzen zunächst die ersten Ableitungen:

FWD VOLA
z1 -0.026 0
z2 -0.277 0
z3 0.901 0
z4 0.401 0
v1 0.000 1.000

Als zweite Ableitungen berechnet man für den Forward:

z1 z2 z3 z4 v1
z1 0.000176238 0.0018505 -0.0060134 -0.002672622 0
z2 0.019430253 -0.063140697 -0.028062532 0
z3 0.205182485 0.091192216 0
z4 0.040529874 0
v1 0

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 59 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

sowie für die Volatilität offenbar eine Nullmatrix, da das Frontoffice keine zweite Ableitungen bezüglich der
Volatilität anbietet. Bekannt ist, daß Caps bezüglich der Volatilität nicht-lineare Produkte sind. Ebenfalls
unberücksichtigt in diesem Beispiel bleiben die Kreuzableitungen Volatilität gegen Forwardzins.
Schließlich berechnet man die Mapper-Deltas ∆ R , i (bez. den logarithmischen Renditen) mit der Formel für die

Marktdaten-Deltas, die sich aufgrund der funktionalen Unabhängigkeit von FWD und VOLA stark vereinfacht,
und erhält

Delta bez. z1 435.19

Delta bez. z 2 4309.36

Delta bez. z3 -13798.45

Delta bez. z 4 -5991.44

Delta bez. v1 -1041.05

Für die Mapper-Gammas ΓR , i , j (bez. den logarithmischen Renditen) erhält man mit der Formel für die

Marktdaten-Gammas und m=2

Gamma bez. z1 z2 z3 z4 v1

z1 -51.99 -4824.17 15446.85 6707.19 0.00


z2 -4824.17 -43461.28 152960.24 66417.01 0.00
z3 15446.85 152960.24 -503572.81 -212665.37 0.00
z4 6707.19 66417.01 -212665.37 -98333.07 0.00
v1 0.00 0.00 0.00 0.00 -1041.05

5.5 Alternativen

Eine Vielzahl verschiedener Verfahren wurden entwickelt, um den Zusammenhang zwischen Risikofaktoren und
Marktdaten herzustellen. Der ursprüngliche Ansatz von J.P.Morgan mit RiskMetrics basierte auf der Idee, jedes
Produkt in äquivalente Cash Flows abzubilden. Das in den Technical Documents Release 1 und 2
vorgeschlagenen Verfahren basierte auf der Idee, die Zinsvolatilitäen linear zu interpolieren. Dieses Verfahren

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 60 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

lieferte in der Praxis nicht immer sinnvolle Ergebnisse. Es wurden deshalb weitere Verfahren vorgeschlagen, die
wir im Folgenden kurz vorstellen möchten25. Sie beschäftigen sich mit dem Aufteilen von Cash Flows, die zu
Zeitpunkten stattfinden, deren Zinssätze nicht zu den Risik ofaktoren zählen.

5.5.1 Barwert- und Risikoerhaltendes Mapping

RiskMetrics teilt einen anfallenden Cash-Flow zur Laufzeit t auf die beiden nächstliegenden Laufzeitenτ 1 und τ 2 ,

die in den Risikofaktoren enthalten sind, auf:


C (τ 1 ) = a C (τ ) und C (τ 2 ) = b C (τ )

C(τ )

τ1 τ τ2

Zur Spezifikation der künstlichen neuen Cash Flows werden drei Bedingungen verlangt:
1. die Summe der Barwerte der Teil-Cash-Flows soll gleich dem Barwert des alten Cash Flows sein:
d τ C(τ ) = α d τ1 C (τ 1 ) + (1 − α ) d τ 2 C(τ 2 ) ,

2. das Vorzeichen der Teil-Cash-Flows soll gleich dem Vorzeichen des ursprünglichen Cash-Flows sein:

sgn (C(τ 1 ) ) = sgn (C(τ 2 )) = sgn(C (τ ) )

3. das Marktrisiko des ursprünglichen Cash-Flows soll gleich dem Marktrisiko, das sich aus der Summe
der Teil Cash Flows ergibt, sein. Dies führt natürlich auf eine implizite Aussage, denn das Marktrisiko
soll hier erst bestimmt werden. Da man in der Regel auch die Preisvolatilität des ursprünglichen
Barwertes nicht kennt - normalerweise sind nur die Preisvolatilitäten zu den Risikofaktoren vorhanden
- werden entweder die Preisvolatilitäten interpoliert oder man interpoliert die Volatilitäten der
Zerozinssätze und approximiert daraus die Preisvolatilitäten: Preisvolatilität σ T ≈ DT zT σ z T wobei

T
σ zT die Zinsvolatilität und DT die modified Duration ( DT = für exponentielle Verzinsung)
1+ zT

bezeichnet. Durch die Interpolation der Zinsvolatilitäten kann es vorkommen, daß die für T

25
Eine ausführliche Diskussion aller bekannter Verfahren incl. des Verfahr ens der Bankgesellschaft findet man in der Diplomarbeit: Behnke, “
Risikoneutrles Mapping”, 2000. Dort wird auch ein ausführlicher empirischer Vergleich der Qualität dieser Verfahren durchgeführt.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 61 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

approximierte Preisvolatilität nicht im Intervall zwischen den Preisvolatilitäten zu T1 und T2 liegt. In

diesem Fall interpoliert man die Preisvolatilitäten direkt.


Siehe [RiskMetrics - Technical Document 1995 ] oder [Behnke 2000 ].

5.5.2 Duration-erhaltendes Mapping

Beim Duration-erhaltenden Mapping werden ebenfalls die Cash Flows auf die Zeitpunkte, deren Zinssätze in den
Risikofaktoren sind, aufgeteilt. Hier wird jedoch zusätzlich zu der Erhaltung des Gesamtbarwerte und des
Vorzeichens der einzelnen Barwerte noch gefordert, daß die McCaulay-Duration erhalten bleiben soll. Diese
Forderung stammt aus dem Verständnis, daß das Risiko unter parallelen Zinsstrukturkurvenverschiebungen
konstant bleiben soll. Dieses Verfahren ist in [Mina, 1999 ] vorgeschlagen worden und einer empirischen
Überprüfung unterzogen worden. In diesem Papier wird auch der Vorschlag gemacht, ein Mapping-Verfahren
analog zu dem der Bankgesellschaft durchzuführen. Die theoretische Motivation ist allerdings anders und nicht so
generell gefaßt, wie es in diesem Papier dargestellt wurde. Im Ergebnis sind beide Verfahren für Cash
Flows identisch.

6 Realisierung des Theta-Add-ons

Die Änderung des Wertes eines Portfolios hängt von stochastischen wie auch deterministischen Größen ab. Wie
im Kapitel “Methodik” bereits gezeigt, führt die Approximation der Wertveränderungsfunktion ∆P( t ,0) entweder

auf eine quadratische Approximation ∆Pquadratisch oder auf eine Approximation ∆ PΟ ( t 3/ 2 ) entsprechend den

Ordnungen in t . Während die quadratische Approximation gemischte Terme von Ableitungen nach den
stochastischen Größen und nach den deterministischen Größen enthält, separiert die Approximation ∆PΟ ( t 3 /2 )

stochastische und deterministische Größen vollständig. Sie rechtfertigt die Einführung eines Theta-Add-ons,
welches zu dem Quantil der Verteilung der rein stochastischen Terme addiert wird. (Gleichzeitig umgeht man
innerhalb dieser Approximationsstufe die aufwendige Berechnung der gemischten Ableitungen.)
Wir werden uns daher im Folgenden mit der Realisierung der Berechnung eines solchen Theta-Add-ons
befassen.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 62 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

6.1 Ein-Tages-Theta-Add-on vs. 10-Tages-Theta-add-on

Bei der Ermittlung des Theta-Add-ons wird nicht auf die analytische Form von Θ = Dv PR zurückgegriffen.
t =0

~
Anstelle dessen wird Θ über einen Differenzenquotient Θ approximiert. So nähert man

~ PM (Y (0), v(1 Handelstag)) − PM (Y ( 0), v(0))


Θ≈Θ= .
v (1 Handelstag)
Bei der Bestimmung eines Value-at-Risk mit 10 Handelstagen Haltedauer ergibt sich somit eine Approximation
des Theta-Add-ons in der Höhe von

v(10 Handelstage) ⋅
( P (Y (0), v (1 Tag)) − P (Y (0), v (0) )) = v(10 Handelstage) ⋅Θ~ ,
M M

v(1 Handelstage)

also für den Fall


v(10 Handelstage) = 14 Kalendertage
liegt das Theta-Add-on bei
~
14 ⋅ Θ .

Andererseits läßt sich, wie bereits erwähnt, das Theta-Add-on modifizieren und möglicherweise verbessern,
indem die Wertveränderung des Portfolios über die gesamte Halteperiode betrachtet wird. Dies führt zu einem
Theta-Add-on entsprechend:

PM (Y (0), v(10 Handelstage)) − PM (Y (0), v (0) ) .

Dies ist keine stochastische Größe - daher ist eine Berechnung für jeden Zeitraum mit gleicher Genauigkeit
möglich. Beachten wir weiterhin, daß in der Entwicklung der Wertveränderung ∆P(t ,0) die gesamte

Entwicklung von PM (Y (0), v (t )) − PM ( Y (0 ), v (0 )) enthalten ist:

PM (Y ( 0), v (t )) − PM (Y ( 0), v (0)) = Θ(v (t ) − v(0 )) +

+ (v (t ) − v( 0)) Dv2 PR
1
2
T
( Y (0 ),v ( 0) )( v(t ) − v(0)) +
~
+ R,

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 63 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

so ist das folgende Theta-Add-on gerechtfertigt:

PM (Y ( 0), v(10 Handelstage) ) − PM (Y (0 ), v(0) ) .

Fassen wir zusammen: Für die Bestimmung eines Value-at-Risk bezüglich einer Halteperiode von 10
Handelstagen bieten sich folgende Ansätze an:

1. Die Vernachlässigung aller Theta-Effekte


Theta - Add - on = 0

2. Die Skalierung eines Ein-Tages-Theta-Add-ons auf 10 Handelstage


~
Theta - Add - on = v(10 Handelstage) Θ
144 42444 3
i.d.Regel 14 Kalendertage

3. Die Verwendung eines 10-Tages-Theta-Add-ons

Theta - Add - on = ( P (Y (0), v(10 Handelstage)) − P(Y (0),v (0)) ).

Der dritte Ansatz wird für das zehntägige Value at Risk VaR(10 Handelstage ,α ) realisiert, zumal Experimente

mit Optionen gezeigt haben, daß für den Fall kurzer Restlaufzeiten der Fehler bei Skalierung eines Ein-Tages-
Theta-Add-ons auf 10 Handelstage sehr groß ist verglichen mit einem 10-Tages-Theta-Add-on.

6.2 Funding und Cash-Flows der Finanzprodukte

Die Berechnung des Theta-Add-ons ( P(Y( 0), v (10 Handelstage)) − P(Y (0), v( 0))) sollte für alle

Finanzprodukte, Cash Accounts sowie deren Refinanzierung (Funding) möglich sein. Die Kosten und Erträge der
Refinanzierung beeinflussen zu einem wesentlichen Teil die Änderung des Wertes eines Portfolios und sind somit
zu berücksichtigen.
Geflossene Cash Flows sowie das Funding der Cash Accounts wird bei der Profit-and-Loss-Bestimmung über
Cash Accounts abgewickelt. Hierdurch ändert sich bei Cash Flows zwar der Marktwert der Produkte, während
gleichzeitig von den Cash Flows das zugehörige Cash Account betroffen ist. Damit gle ichen sich beide Effekte in
der Summe über Marktwerte und Cash Accounts aus.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 64 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

(Beispiel: Eine in der Halteperiode gezahlter Kupon eines Bonds führt zu einem bekannten Cash Flow. Durch die
Zahlung des Kupons ändert sich der Marktwert des Bonds, während der Cash Flow dem Cash Account
zufließen wird. Die Summe aus Marktwert und Cash Account bleibt c.p. somit bei diesem Ereignis konstant.)

Aus diesem Grund ist ein Theta für nur ein Produkt ohne gleichzeitiger Betrachtung der zugehörigen Cash
Accounts und dessen Refinanzierung nicht aussagekräftig. Daher wird davon ausgegangen, daß nur Thetas für ein
Portfolio aus Finanzprodukten und zugehörigen Cash-Accounts bewertet werden.

Die deterministische Entwicklung der Cash Accounts hängt von den bereits absehbaren Cash Flows und den
Fundingkosten bzw. -erträgen ab.

Insbesondere gilt für den Wert des Cash Accounts an Handelstag 1 (d.h. nach einem Handelstag)

PCashAccount (Y (0), v (1 Handelstag)) = PCashAccount (Y (0 ), v(0)) + C (1) + Funding (1)

wobei C(1) die Summe der an Handelstag 1 geflossenen Cash Flows und Funding(1) die Fundingerträge an

Handelstag 1 bezeichnet. Dabei bestimmen sich die Fundingerträge an Handelstag 1 anhand von

 r  
Funding(1) = PCashAccoun t (Y ( 0), v(0 ))  exp O / N ( v(1) − v (0) ) − 1
  365  

wobei rO / N den derzeit (an Handelstag 0) aktuellen Overnight-Zinssatz darstellt26.

Wollen wir nun den Wert des Cash Accounts nach 10 Handelstagen ermitteln, d.h. am Ende der Halteperiode,
so müssen wir diese Vorschriften iterieren. Somit erhalten wir bei Cash Flows C (i ) , die an den Handelstagen

i anfallen,
r 
PCashAccount (Y ( 0), v(10 Handelstage)) = PCashAccoun t (Y (0 ), v(0)) exp  O/ N ( v(10) − v(0 )) +
 365 
10
r 
+ ∑ C (i) exp  O/ N ( v(10) − v(i )) .
i =1
 365 

26
Die Annahme, das der Overnight-Zinssatz entsprechend allen anderen Marktdaten über die gesamte Halteperiode gleichbleibt, ist natürlich gerade
an Monatsenden sehr gewagt, zumal hier kurzfristig starke Bewegungen der O/N-Zinsen stattfinden. Daher wird in ARMADA, wie später
ausführlich erläutert, anstelle der aktuellen O/N-Zinsen auf die Forward-Zinsen zurückgegriffen.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 65 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Hieraus bestimmt sich nun das Theta-Add-on für das Cash-Account.

6.3 Beispiel: Ein Cash-Flow

Ein zukünftiger Cash-Flow in Höhe von 100 wird an Handelstag 4 (Dienstag, Kalendertag 6) gezahlt. Das
Finanzprodukt enthält ausschließlich diesen Cash-Flow. Der heutige (Mittwoch, Kalendertag 0) Overnight-
Zinssatz liegt bei 3%, der heutige 6-Tages-Zero-Zinssatz bei 3.5%. Das heutige Cash Account hat den Wert 0.
Für dieses Beispiel sollen das Ein-Tages-Theta-Add-on, das mit 14 skalierte Ein-Tages-Theta-Add-on sowie
zum Vergliech das 10-Tages-Theta-Add-on für Handelstag 10 (Kalendertag 14) bestimmt werden.
Insbesondere der Unterschied zwischen dem mit skalierten Ein-Tages-Theta-Add-on und dem 10-Tages-Theta-
Add-on fällt dabei auf.

Dann folgt:
• PProdukt,Beispiel (Y (0), v( 0)) =100 ⋅ exp( −0.035 ⋅ 6 / 365) (wg. day count act/365)

• PProdukt,Beispiel (Y (0), v(1 Handelstag )) =100 ⋅ exp( −0.035 ⋅ 5 / 365)

• PProdukt, Beispiel ( Y ( 0), v (10 Handelstage )) = 0 (Der Cash-Flow ist geflossen)

• PCashAccount , Beispiel (Y (0), v (10 Handelstage )) = 100 ⋅ exp( 0.03 ⋅ 8 / 365) .

Hieraus ergibt sich für ein Ein-Tages-Theta-Add-on:


• Ein-Tages-Theta-Add-on des Produktes:
100 ⋅ exp( −0.035 ⋅ 5 / 365) − 100 ⋅ exp(− 0.035⋅ 6 / 365) = 0.009584

• Ein-Tages-Theta-Add-on des Cash Accounts: 0


• Ein-Tages-Theta-Add-on des Portfolios aus Produkt und Cash
Account:100 ⋅ exp( −0.035⋅ 5 / 365) − 100 ⋅ exp( −0.035 ⋅ 6 / 365) = 0.009584 .

und für ein mit 14 skaliertes Ein-Tages-Theta-Add-on:

• 14 mal Ein-Tages-Theta-Add-on des Produktes: 0134176


.
• 14 mal Ein-Tages-Theta-Add-on des Cash Accounts: 0
• 14 mal Ein-Tages-Theat-Add-on des Portfolios aus Produkt und Cash Account: 013418
. .

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 66 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Gleichzeitig erhält man für ein 10-Tages-Theta-Add-on, welches in der Bankgesellschaft verwirklicht wird:

• Theta-Add-on des Produktes: −100 ⋅ exp(− 0035


. ⋅ 6 / 365) = −99 ,94248

• Theta-Add-on des Cash Accounts: 100 ⋅ exp ( 0.03 ⋅ 8 / 365) = 100.06578

• Theta-Add-on des Portfolios aus Produkt und Cash Account:


100⋅ exp(0.03 ⋅ 8 / 365) − 100 ⋅ exp(−0.035⋅ 6 / 365) = 012329
. .

6.4 Realisierung in ARMADA

Die Umsetzung des Theta-Add-on Konzeptes in ARMADA verlangt aus einerseits aufwandstechnischen
Gründen und andererseits zur Vermeidung von Fehlaussagen bei starken Schwankungen der Overnight-Zinsen -
wie beispielsweise am Monatsende - folgende Modifikation:

• Die Bestimmung der unbekannten Cash Flows, die innerhalb der Halteperiode anfallen (Cash-Flow-
Projection), wird entsprechend den aktuellen Forward-Rates und nicht basierend auf den aktuellen
Marktdaten durchgeführt.
(Beispiel: Ein zukünftiger Cash-Flow, bei dem in 6 Handelstagen der in 4 Handelstagen gefixte 3-Monats-
EURIBOR Zinssatz angewandt auf eine gegebene Nominale gezahlt werden soll, wird so über den aktuellen
Forward-Zinssatz und nicht über den aktuellen 3-Monats-EURIBOR Zinssatz ermittelt.)

• Analog werden anstelle der aktuellen O/N-Zinssätze die aktuellen Forward-Zinssätze zur Ermittlung der
Fundingerträge /-kosten herangezogen.

7 AddOns

Eine notwendige Voraussetzung für die Anwendung der CornishFisher-Entwicklung ist die Verfügbarkeit von
hinreichend quantifizierbaren Risikofaktoren, bezüglich deren dann entsprechende Sensitivitäten gebildet werden
können. Diese Voraussetzung ist jedoch nicht für alle Barwert-treibenden Risikofaktoren gegeben. Für den
Aktienhandel ergibt sich das Problem des besonderen Aktienkursrisikos bzw. des Volatilitätsrisikos aus

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 67 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Aktien/Aktienderivaten. Desweiteren existiert das besondere Zinsrisiko im Aktienhandel bei Convertibles-Bonds


sowie im Rentenhandel bei Bonds. Für die Mark-To-Modell Bewertung werden hierfür CreditSpreads
verwendet, die sich wiederum aus mehreren Kategorien und individuellen Kursbewegungen ergeben. Außerdem
besitzen Korrelationen zwischen verschiedenen Indezes und Forwartdwechselkursen einen signifikanten Einfluß
auf die Bewertung von Quanto-Produkten (Differential Swaps), wofür jedoch keine Sensitivitäten ermittelt
werden.
Darüberhinaus können modelltechnische Grenzen eine hinreichend schnelle und qualitativ gute Ermittlung von
Sensitiviäten unmöglich machen. Dieses trifft für die Sensitivitätsermittlung für die Struturierten Produkte zu. Um
dieses Problem zu lösen, wird die empirische Verteilung aus der Historische Simulation zu Grunde gelegt.

7.1 Besonderes Kursrisiko aus Aktien/Aktiederivaten

Da es technisch nicht möglich ist alle Aktienkurse als zentrale Risikofaktoren vorzuhalten, wird im Dmo Equities:
• das Allgemeine Lineare Aktienkursrisiko mittels des Single Index Modells auf Indices gemapped,
welche wiederum zentrale Risikofaktoren sind. Das Besondere Lineare Aktienkursrisiko wird als
Wurzel - Addon zum Gesamtrisiko dazugerechnet.

• Bei den Gamma - Aktienkursrisiken wird ebenfalls zwischen einem Allgemeinen und einem Besonderen
Risiko unterschieden. Die Aufteilung folgt ebenfalls dem Single Index Modell. Im Sinne einer konservativen
Abschätzung betrachtet das Dmo Equities nur in der Summe negative Gammas. Außerdem werden beide
Größen als Additives - Addon, also wiederum konservativ, zum Gesamtrisiko dazugerechnet. In Zukunft
werden die Systhematischen Gammas an die Riskengine geliefert und für die Spezifischen Gammas eine
konservative Abschätzung aller negativen Gammas durch eine Chi-quadrat-Verteilung vorgenommen.

Eine detaillierte Beschreibung des Modells befindet sich unter Fk_TPEQ_2001_06_12_V1.3.doc des
ARMADA-Teilprojekts dMO EQ.

7.2 Volatilitätsrisiko aus Aktien/Aktienderivativen

Da es aus technischen Gründen nicht möglich ist, für jede Aktie mehrere (Call/Put, ITM/ATM/OTM, Laufzeit)
Vola - Faktoren zentral vorzuhalten, wird dies lokal im Dmo Equities getan. Anhand der historischen und
impliziten Volatilitäten werden täglich für jedes Underlying eine neue Vola - Surface generiert. Auf dieser Surface

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 68 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

werden täglich feste Vola - Knoten historisiert. Für diese Vola - Knoten kann also eine Vola der Vola bestimmt
werden. Für jedes Derivat kann nun entsprechend seiner statischen Daten (Call/Put, Moneyness, Restlaufzeit)
eine passende Vola und Vola der Vola interpoliert werden. So kann für jedes Derivat ein Vola-Risko durch
Multiplikation der Sensitivtät mit der Vola und der Vola der Vola bestimmt werden. Anschließend werden für
jedes Underlying alle Vola-Risiken der einzelnen Derivate summiert. Da aus konservativen Gründen
Diversifikationsmöglichkeiten ausgeschlossen werden sollen, werden die Absolutbeträge aller Underlying–Vola-
Risiken addiert und als lineares additives Addon zum Gesamtrisiko dazugerechnet.

Eine detaillierte Beschreibung des Modells befindet sich unter Fk_TPEQ_2001_06_12_V1.3.doc des
ARMADA-Teilprojekts dMO EQ.

7.3 Das IndexArbitrageAddOn

Bei der Berechnung des Risikos einer Index-Arbitrage-Position findet ein Netting statt, d.h. die Index-Position
wird in synthetische Aktienpositionen zerlegt. Hierbei wird der theoretische Wert des Futures verwendet, so dass
als Kursrisiko des Bestands nur noch der sogenannte Tracking-Error ausgewiesen wird. Die Position lässt sich
jedoch nicht jederzeit verlustfrei am Markt schließen. Als Näherungswert für die Kosten zum Schließens werden
0.5 Basispunkte (0.05% des Positionswerts) angenommen. Die 0.5 Basisipunkte sind ein Konsenzvorschlag von
McKinsey
1999. Dieser Wert wird als additiver Risikoaufschlag für Index-Arbirtrage-Positionen zugefügt.

Eine detaillierte Beschreibung des Modells befindet sich unter Fk_TPEQ_2001_06_12_V1.3.doc des
ARMADA-Teilprojekts dMO EQ.

7.4 Addon für defaulted Bonds

Im dMO Equitiy ist es nicht auszuschließen, daß Positionen in Defaulted Bonds bestehen. Da es praktisch nicht
möglich ist, die CreditSpreads und Volatilitäten bei defaulted Bonds (Convertibles/ MandatoryConvertibles) so
zu wählen, daß annähernd der Marktpreis repliziert wird, werden Defaulted Bonds mit dem Marktpreis
bewertet. In diesem Fall paßt das theoretische Risiko nicht zur Bewertung. Desweiteren ist nicht sicher, daß der
Defaulted Bond zum aktuellen Marktpreis verkauft werden kann. Aus konservativen Gründen wird deshalb der

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 69 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

gesamte Marktwert der Position in einem Defaulted Bond als RisikoAddOn ausgewiesen. Es erfolgt keine Diver-
sifikation und das Risiko fließt als additives AddOn in das Gesamtrisiko ein.

Eine detaillierte Beschreibung des Modells befindet sich unter Fk_TPEQ_2001_06_12_V1.3.doc des
ARMADA-Teilprojekts dMO EQ.

7.5 CreditSpreadRisk

7.5.1 Allgemeine Vorgehensweise

Aus Gründen der Datenmenge und Qualität wurde für die Berechnung des Spread-Änderungs-Risikos, also des
CreditSpreadRisk, ein Modell in Anlehnung an das für Aktien/Aktienderivate gängige Single Index Modell ( β -

Modell) gewählt.
Hier wird ein Teil der Bewegung des individuellen Spreads eines Bonds aus einer Kategorie heraus erklärt, die
als zentral gepflegter Risiko-Faktor gehalten wird (analog dem Index im β -Modell).

Die Grundidee hierbei ist, den für die Bewertung des Bonds relevanten Zins als Summe aus drei Teilen
darzustellen:
• der aus der relevanten Kurve resultierende Zero-Zins (Inter-Bank, Government oder Mortgage)
• der aus der relevanten Kategorie resultierende Kategorien-Spread (als Parallel-Shift der relevanten
Kurve)

• ein individuelles ε , mit dem man den berechneten Model-Preis an den beobachteten Marktpreis
kalibriert (sofern vorhanden, bei nicht-liquiden Bonds müssen andere Indikatoren zur Schätzung des
individuellen ε dienen)

Das β -Modell kann hier nicht einfach übernommen werden, da die verschiedenen Unabhängigkeitsannahmen im

Falle von Bonds nicht haltbar sind.


So kann bei Bonds des selben Emittenten nicht von einer Unabhängigkeit der einzelnen ε ausgegangen werden.
Weiterhin hat die Untersuchung der Daten auch zur Ablehnung der Unabhängigkeit von ε und Kategorien-
Spread geführt.
Als Ergebnis dieses Modells wird also das Kategorien-bezogene Risiko wie alle anderen Faktoren zentral mittels
Cornish-Fisher-Approximation ermittelt, während das individuelle Restrisiko durch Add-Ons abgedeckt wird.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 70 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Eine detaillierte Beschreibung des Modells befindet sich unter Fachkonzept_IndividualRisk_v1.1.doc des
ARMADA-Teilprojekts dMO FI/CD.

7.5.2 spezifische Vorgehensweise im dMO Equity

Im dMO Equities wird dagegen ein wesentlich gröberer Ansatz verfolgt. Es wird pro Ratingklasse eine Volatilität
für alle darin enthaltenen Creditspreads angenommen. Außerdem wird eine Normalverteilung unterstellt. Es wird
pro Instrument ein AddOn durch Multiplikation der ersten Ableitung nach dem Creditspread mit dem Cred-
itspread und der Vola der Ratingklasse bestimmt. Da von Unkorrelliertheit ausgegangen wird, werden alle einzel-
nen AddOns durch die Wurzel aus der Summe der Quadrate zusammen gefaßt. Dieses dMO-Equities-
spezifische CreditSpread AddOn wird als additives AddoOn zum gesamten VaR Addiert.

Eine detaillierte Beschreibung des Modells befindet sich unter Fk_TPEQ_2001_06_12_V1.3.doc des
ARMADA-Teilprojekts dMO EQ.

7.6 Differential Swap Addon

Die Differential Swaps beinhalten zwei wesentliche Eigenschaften, die eine Benutzung von spezifischen
Korrelationen und Volatilitäten notwendig machen. Dabei handelt es sich um Volatilitäten der ForwardFX-Rate
EUR/GBP und Korrelationen zwischen der 6M-Forward-Rate in EUR und GBP sowie der 6M-Forward-Rate
in GBP und der ForwardFX-Rate EUR/GBP. Diese Größen werden für jedes 6M-Let der aus einem
stochastischem Modell heraus berechnet. Durch das anschließende Monitoring werden diese Daten teilweise
geglättet. Nun erfolgt eine komplette Fullvaluation mit den alten und neuen Korrelationen und Volatilitäten per
Vortagesdatum, womit man also eine reine Barwertänderung bezüglich der Korrelations- bzw.
Volatilitätsänderungen erhält. Das eintägige Diffswap RiskAddon erhält man nun aus dem entsprechenden α -

Quantil der empirischen Verteilung. Durch Multiplikation mit 10 ermittelt man aus dem eintägigen RsikAddon
das 10-tägige RiskAddon. Anschließend fließen diese beiden AddOns als linear additive Addons in das
Gesamtrisiko ein, da auf Grundlage des stochstischen Berechnungsmodells für die Korrelation und Varianzen
eine signifikante Abhängigkeit zu den aktuellen Markt- bzw. Marktrisikodaten besteht.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 71 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Für die zentralen Risikofaktoren wie Zinsen und Volatilitäten werden analytische Sensitivitäten berechnet, die
durch die Riskengine verarbeitet werden.

Eine detaillierte Beschreibung des stochastischen Modells für die Berechnung der Korrelationen und Volatilitäten
befindet sich unter DiffSwaps.pdf des ARMADA-Teilprojekts dMO IRD.

7.7 RiskAddOn für SPG

Für eine Vielzahl von strukturierten Produkten ( z.B. Bermudean Swaptions) existiert keine geschlossene
Bewertungsformel und damit exitsieren keine analytischen Sensitivitäten. Für die Bewertung solcher Produkte
werden Baumstrukturen herangezogen. Die numerische Ermittlung von Sensitivitäten aus Baummodellen ist für
eine hinreichend große Zahl von Geschäften und Risikofaktoren numerisch sehr aufwändig, wobei noch zusätzlich
die Frage nach der Qualität berücksichtigt werden muß.
Sämtliche Geschäfte der Structured Products Group (SPG) in London bilden eine geschlossene Einheit. Die
Risikomessung dieser Einheit erfolgt nicht über Sensitivtäten bezüglich der zentralen Risikofaktoren und der
anschließenden Cornish-Fisher-Approximation in der RiskEngine, sondern durch die Anwendung der
historischen Simulation. Das linear additive Riskaddon für SPG ermittelt sich gerade aus dem entsprechenden
Quantil der empirsichen Verteilung aus den gewonnenen Barwertänderungen der historischen Simulation.

8 Das aggregierte Marktpreisrisiko

Das gesamte Marktpreisrisiko ermittelt sich aus einer geeigneten Aggregation aller Einzelrisiken, wobei folgende
Einzelrisiken berücksichtigt werden:
• RiskEngine-Value-at-Risk (Cornish-Fisher-Approximation)
• besondere Spreadrisiken
• Linear Additive RisikoAddOns
• Quadratisch Additive RisikoAddOns

Für ein gesuchtes Tripel (α ,τ , w) mit

• α - Restwahrscheinlichkeit

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 72 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

• τ - Halteperiode in Tagen

• w - Weighted/Unweighted

wird das aggregierte Marktpreisrisiko nach folgender Darstellung berechnet

∑ (AddOn )2
n
Marktpreisrisiko (α , τ , ω ) = besonderesSpreadrisikoα2 ,τ ,ω + RiskEngine VaR α2 ,τ ,ω + α ,τ ,ω
i =1
quadratisc
h
n
+ ∑ AddOn
i =1
α ,τ ,ω

linear

wobei für das besondere Spreadrisiko gilt


   ∂PV 
2  ∂PVi ∂PV j 
   σ ε2  + σεj 
 ∑   ∂ε i
i
 i  ∑∑ ρ (∆ ε , ∆ε i j )
∂ε i
σ εi
∂ε j 
besonderesSpreadrisikoα2 ,τ ,ω ( 2
)
= Φ −1 (α ) τ 
i    i j
i≠ j 

 ∂PVi ∂PV j 
+ 2 ∑ ∂ε i
∑ ∂e sK
e sK ρ (∆ s K , ∆ε i )σ ∆s K σ ∆ εi 
 i j ∈K 

9 Schätzung der Risikoparameter

In diesem Teil des Dokuments wird eine von den anderen Dokumentteilen abweichende Notation verwendet.
Diese ist an den entsprechenden Stellen erklärt.

In folgendem Abschnitt wird die Methodik zur Schätzung der Parameter der multivariaten Normalverteilung (der
Volatilitäten und Korrelationen) vorgestellt. Diese Parameter werden benötigt, um künftige
Portfoliowertänderungen, die die Grundlage des Value at Risk bilden, zu schätzen.
Die zur Berechnung des Value at Risk benötigten Volatilitäten und Korrelationen müssen aus historischen Daten
geschätzt werden. Die Schätzung der Risikoparameter erfolgt innerhalb des Tools Marktrisikodatenbank. Die
Marktrisikodatenbank ist Bestandteil der zentralen Komponente des neuen dMO (dezentralen Middle Office).

9.1 Berechnung von Rendite und Kovarianz

Die Marktrisikodatenbank der BGB greift zur Berechnung des Value at Risk auf folgende Marktrisikodaten zu:
die Renditen aus Zero Rates, Wechselkurse, implizite Volatilitäten und Aktienindexstände. Hieraus werden die
logarithmischen Renditen nach folgenden Formeln ermittelt:

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 73 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

 X (t ) 
R( t ) = ln  
 X (0 ) 

Mit: X (t ) = Risiko Faktor (Zero Rate (bei Zinsprodukten),

Wechselkurs, implizite Volatilität bzw. Aktienindexstand)

R(t ) = logarithmische Rendite von X (t ) , wird im folgenden

mit x bzw. y bezeichnet.

Die logarithmischen Renditen bilden die Grundlage zur Berechnung der Volatilitäten und Korrelationen, wobei
der Korrelationskoeffizient nach Bravais-Pearson aus der mit dem Produkt der empirischen
Standardabweichungen der Renditen normierten Kovarianz bestimmt wird:

γ ( x, y )1,n
Korrelation: ρ( x, y)1 ,n =
σ ( x) 1,n σ ( y )1,n

1 n
Kovariance: γ ( x, y )1,n = ∑ x y − x1,n y1 ,n
n i =1 i i

Volatilität: σ 1,n = γ ( x , x)1, n

Mit: ρ ( x, y) = Korrelationskoeffizient nach Bravais-Pearson

zwischen den logarithmischen Rendite

γ ( x, y) = empirische Kovarianz der logarithmischen

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 74 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Renditen

n = Anzahl der logarithmischen Renditen der

Zeitreihe

x, y = arithmetisches Mittel über die logarithmischen

Renditen der Zeitreihe

Für alle Eingangsdaten zur Volatilitäts- und Korrelationsberechnung muß eine Historie von mindestens 250
Handelstagen vorliegen. Bei Einführung eines neuen Risk Vertex ist folglich für eine solche Historie zu sorgen.
Sollte keine Zeitreihe ausreichender Länge erhältlich sein, ist die Zeitreihe mit Hilfe von Referenzzeitreihen auf
250 Handelstage zu verlängern. Ebenso ist eine mindestens 250 tägige Historie der logarithmischen Renditen,
Volatilitäten und Korrelationen anzulegen, um diese Daten für Analysezwecke nutzen zu können.

Grundsätzlich wird die Berechnung der Volatilitäten bzw. Korrelationen auf zwei Arten vorgenommen, gewichtet
bzw. ungewichtet.

9.2 Update der ungewichteten Daten

Die Berechnung der gesuchten Parameter findet statt, indem die 250 letzten Observationen in die Berechnung
aufgenommen werden. Der 251 Handelstage zurückliegende Beobachtungswert wird also durch den aktuellen
substituiert. Die entsprechenden empirischen Parameter werden dann wie folgt bestimmt:

Berechnung des arithmetischen Mittels

In Anlehnung an Risk Metrics wird die Annahme eines Erwartungswert der logarithmischen Renditen von Null
getroffen.

Berechnung der Standardabweichung

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 75 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

1 n 2 1 n −1 2 1 2 1 2
xi + xn − x 0 − x12,n = σ 02,n −1 + x02, n −1 + ( xn2 − x02 ) − x12,n
1
σ 1,n = ∑
n i =1
x i − x 2
1,n = ∑
n i =0 n n n

Durch die Annahme eines Erwartungswertes der logarithmischen Renditen von Null vereinfacht sich die
Berechnung zu:

σ 1,n = σ 02, n −1 + ( x − x02 )


1 2
n n

Berechnung der Kovarianz

1 n
γ ( x, y )1,n = ∑ x y − x1,n y1,n
n i =1 i i
1 n −1 1 1
= ∑
n i =0
xi yi + xn yn − x0 y0 − x1,n y1 ,n
n n

= γ ( x, y )0 ,n −1 + x0 ,n −1 y0, n−1 + ( xn 1 y n − x0 y0 ) − x1, n y1,n


1
n

Auch die Berechnung der Kovarianz vereinfacht sich durch die getroffene Annahme:

γ ( x, y)1, n = γ ( x, y) 0 ,n −1 +
1
( x y − x0 y 0 )
n n n

Berechnung des Korrelationskoeffizienten nach Bravais-Pearson

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 76 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

γ ( x, y)1, n
ρ( x, y)1,n =
σ( x)1, n σ( y)1, n

Von den errechneten Volatilitäten und Korrelationen werden also die Vortagswerte jeweils durch die aktuellen
überschrieben und in einer Tabelle abgelegt.

9.3 Update gewichtete Daten

Für die Berechnung der gewichteten Volatilitäten und Korrelationen wurde ein Gewichtungsfaktor (decay factor)
λ eingefügt, der das Gewicht der ‘alten’ Observationen bestimmt. Das Gewicht der letzten neu
hinzugekommenen Beobachtung wird dann durch den Faktor (1-λ) angegeben. Die Gewichtung der ‘neuen’
Beobachtung ist in Anlehnung an RiskMetrics auf 6% festgelegt, kann aber bei Bedarf flexibel angepaßt werden.
Durch die sogenannte exponentielle Gewichtung geht somit die vorletzte Observation mit einem Gewicht von
5,6% (6% * 0,94) in die Volatilitätsberechnung ein, die dieser vorhergehende mit 5,3% (5,6% * 0,94) u.s.w.
Die Gewichtung beginnt mit der 250 Handelstage zurückliegenden Beobachtung 27.

Die gewichteten empirischen Parameter werden wie folgt berechnet:

Kovariance: γ ( x , y )⋅, n = λ ⋅ γ ( x , y )⋅, n−1 + (1 − λ ) ⋅ x n y n

Volatilität: σ ( x )⋅, n = λ ⋅ γ ( x , x)⋅ ,n −1 + (1 − λ ) ⋅ x n2

γ ( x, y) ⋅,n
Korrelation: ρ( x, y) ⋅,n =
γ ( x, x)⋅ ,n γ ( y, y)⋅ ,n

27
Die Beobachtungen erhalten in der Summe ein Gewicht, das minimal kleiner als 1 ist.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 77 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

10 Historische Simulation

10.1Einleitung und Grundideen

Die historische Simulation ist ein zulässiger methodischer Ansatz im Rahmen des Risikocontolling und der VaR-
Bestimmung für bankenaufsichtliche Zielsetzungen. Sowohl vom Bundesaufsichtsamt für das Kreditwesenals
auch vom Basler Ausschuß für Bankenaufsicht wird die Methode der Historischen Simulation gleichrangig zu
konkurrierenden Ansätzen wie der Kovarianz-Methode oder der Monte-Carlo -Simulation genannt.
Die Berechnung des VaR nach der Methode der historischen Simulation erfolgt durch Simulation einer Verteilung
der zukünftigen Erträge. Diese Simulation wird auf Basis historischer Beobachtungen durchgeführt, indem aus
den historischen Daten Szenarien für die Entwicklung der Marktparameter gebildet werden. Dabei werden in der
historischen Zeitperiode auftretende relative Änderungen der Marktparameter auf die aktuell vorliegenden
Marktparameter angewandt.
Bei der Szenariobildung kann neben der tatsächlich aufgetretenden Szenarien auch ein symmetrischer Ansatz
zugrunde gelegt werden (Historische Simulation mit Antithetik). Dies bedeutet, daß zu jeder auftretenden
Marktbewegung gleichzeitig die entgegengesetzte Marktbewegung berücksichtigt wird. Damit soll die Zufälligkeit
der beobachteten Richtung in der Vergangenheit Rechnung getragen werden.
Um das VaR eines Portfolios zu berechnen, wird dieses im ersten Schritt mit den Marktdaten der aus den
historischen Daten generierten Szenarien bewertet. Auf diese Weise erhält man durch Differenzbildung mit der
aktuellen Bewertung zunächst Wertveränderungen, die das aktuelle Portfolio bei den historisch aufgetretenen
Marktveränderungen hypothetisch erzielt hätte. 28
Das VaR erhält man daraus schließlich durch geeignete Quantilsbildung aus der so erhaltenen diskreten
Verteilung. Als Standardmethode wird das VaR mittels linearer Interpolation ermittelt. Dabei wird z.B. das VaR
zu einem 99% Konfidenzniveau und einer Historie von 250 Tagen als Mittelwert des zweit- und drittgrössten
Verlustes ermittelt.
Wie beschrieben sind bei der Historischen Simulation sowohl in der Bildung von Szenarien als auch bei der VaR-
Bestimmung verschiedene Varianten denkbar. In den folgenden Abschnitten werden diese verschiedenen
Varianten dargestellt und es wird dargelegt, welche dieser Varianten im Armada-Projekt der Bankgesellschaft
umgesetzt wurde.

28
Die Differenzenbildung hat als Nebeneffekt den Vorteil, daß die Korrektheit der aktuellen Marktbewertung von untergeordneter Bedeutung ist.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 78 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Die Resultate aus der Historischen Simulation können als Ergänzung zum offiziellen Risiko-Verfahren, dem
dargestellten analytischen Ansatz, gesehen werden. Eine grobe Idee vom Konzept der Historischen Simulation
liefert das folgende Schaubild:

aktuelle
Marktdaten (t=0) Mark-to-Market
(t=0 heute)

Differenzen
aktuell vorliegendes
Portfolio

histor.
Renditen hypoth.Marktdaten Mark-to-Market
der (t=-1,-2,-3,...,-250) (t=-1,-2,-3...-250)
Markt-
daten

VaR-Ermittlung
P&L

Erläuterung zur Grafik: Es wird das aktuelle Portfolio mit hypothetischen Marktdaten aus n Szenarien (in der
Regel n=250) einer vergangenen Zeitperiode bewertet. Zur Generation dieser Marktdaten wendet man
historische Renditen auf den aktuell vorliegenden Marktdatenset an. Die Differenzen der Bewertungen anhand
der hypothetischen Marktdaten zum aktuellen Marktwert ergeben n Wertänderungen. Durch Differenzenbildung
mit dem aktuellen Marktwert P (t ) erhält man n auf der Historie basierende Wertveränderungen

∆Pi (t ): = Pi ( t ) − P (t ) des Portfolios. Diese n Wertänderungen bilden eine diskrete Verteilung, aus der via
geeigneter Quantilsbildung das Value-at-Risk berechnet wird.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 79 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

10.2Beschreibung des Verfahrens

Im folgenden wird beschrieben, auf welche Weise anhand von historischen Marktdaten, Szenarien gene riert
werden. Dabei wird eine Szenariobildung auf Basis relativer Änderungen durchgeführt.

10.2.1 Szenariobildung auf Basis relativer Änderungen über Periode L

Zum aktuellen Zeitpunkt t werden für jeden Marktparameter X j ,( j = 1,.., n ) aus den historischen Zeitreihen

X j ( t + 1 − i ) , (i = 1,..,m) die logarithmierten Renditen der Marktparameter entsprechend der 1-tägigen

Liquidationsperiode ermittelt:

 X j (t + 1 − i ) 
Ri , j ( t ): = ln   mit i = 1,K ,m ; j = 1,K ,n
 X j (t − i ) 

wobei
n Anzahl der Marktparameter
m Anzahl der historischen Marktdaten (bis heute)

{ }
R = Ri , j ( t ) mit i = 1,K,m ; j = 1,K,n kann als Matrix aufgefaßt werden mit den Szenario vektoren als

Zeilen, d.h. für jeden festen vergangenen Zeitpunkt i betrachtet man die logarithmierten Renditen der n
Marktparameter. Jede Spalte j hingegen umfa ßt die relativen Veränderungen des j-ten Marktparameters

bezogen auf den historischen Zeitraum[t + 1 − m, t − m,..., t − 1, t ] .

Um aus den logarithmierten Renditen schließlich m Szenarien zu generieren, wendet man diese historischen
Renditen auf die aktuellen Marktparameter an, d.h. für jedes j mit j = 1,.., n und jedes i mit i = 1,..,m

multipliziert man den aktuellen Marktparameter X j (t ) mit e Rij (t ) . Auf diese Weise erhält man die

{ }
Szenariomatrix Z = Zi , j ( t ) ,deren einzelne Einträge definiert sind durch:

Zi , j (t ) = e
Rij ( t )
X j (t )

bzw. mittels der X j ( t ) ausgedrückt durch

X j (t + 1 − i)
Zi , j (t ) = X j (t ) mit i = 1,K,m ; j = 1,K,n
X j (t − i)

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 80 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Jede Zeile i der Szenariomatrix enthält einen Szenariovektor. Bei diesem sind die in der Vergangenheit
aufgetretenden relativen Marktveränderungen auf die aktuellen Marktparameter angewandt. Jede Zeile beinhaltet
daher einen Marktdatenset, welcher als Input für die Portfoliobewertung verwendet wird. Aus den m
verschiedenen Marktdatensets können daher m Portfoliobewertungen durchgeführt werden.

Beispiel VaR-Bestimmung: Ein einfaches Portfolio bestehe aus 100 Aktien eines Unternehmens xy. Es ist in
diesem Fall j=1 und X 1 (0 ) der gegenwärtige Kurs dieser Aktie. Für die vergangenen 250 Tage (bis heute)

 X 1 ( 0) 
besitze man aus der Marktriskodatenbank 250 Renditen: R1,1 ( 0): = ln  bis
 X 1 ( −1) 

 X 1 ( −249) 
R250,1 ( 0): = ln  . Angewandt auf den aktuellen Kurs der Markdatenbank erhält man die in diesem
 X 1 ( −250) 

Fall aus einer Spalte bestehende Szenariomatrix. Die einzelnen Elemente lautenZ1,1 ( 0) = e R1, 1 ( 0 ) X 1 (0 ) bis

Z 250 ,1 (0 ) = e R2501, 1 ( 0) X 1 (0) . Diese 250 Szenarien werden im folgenden benutzt, um das Portfolio 250 mal zu

bewerten.

10.2.2 Szenariobildung auf Basis relativer Änderungen über Periode L mit Antithetik

Bei der Szenariobildung unter Berücksichtigung von Antithetik wird zu jeder in der historischen Zeitperiode
aufgetretenden Marktbewegung auch die genau entgegengesetzte Marktbewegung in die Szenariomatrix
übernommen. Auf diese Weise wird berücksichtigt, daß selbst für den Fall einer gleichlaufenden positiven
Markttendenz oder einer entgegengesetzten Sensitivität des Portfolios über die Beobachtungsperiode ein
angemessenes Risiko berechnet wird.
Bei einer Szenariobildung mit Antithetik wird die Szenariomatrix um m Zeilen ergänzt. Die zusätzlichen m Einträge
Zi , j (t ) sind definiert durch:

− Rij ( t )
Zi , j (t ) = e X j (t )

bzw. durch

X j (t − i )
Zi , j (t ) = ⋅ X j (t ) mit i = 1, K , m ; j = 1, K , n
X j (t + 1 − i)

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 81 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

d.h. zusätzlich zu den bereits betrachteten m Szenarien werden weitere m Szenarien ergänzt. Anhand des letzten
Termes erkennt man, daß die Generierung dieser Szenarien auch durch bloße Zeitumkehr möglich ist.

10.2.3 VaR mittels Full Valuation

a) ohne Antithetik / mit linearer Interpolation

[ ]
Im folgenden sei P [ t ]: = P X 1 (t ),..., X n (t ) die Bewertungsfunktion für ein Portfolio.

X 1 (t ),..., X n (t ) seien die zur Bewertung notwendigen Input-Marktdaten. Im einfachsten Fall handelt es sich bei
den von der Bewertungsfunktion verlangten Input-Marktdaten genau um die Marktrisikodaten.
Für jedes i mit i = 1,..,m erhält man den “Szenario-Marktwert” des Portfolios durch:

Pi [t ]: = P[ X 1 (t ) e Ri1 ( t ) ,K , X n ( t )e Rin ( t ) ]

Durch Differenzenbildung mit dem aktuellen Marktwert P[ t ] erhält man m auf der Historie basierende Wert-
veränderungen des Portfolios:

∆Pi [ t ]:= Pi [ t ] − P[ t ]

Man beachte, daß sowohl Marktwert als auch Szenario-Marktwert nicht notwendig mit der MtM-Bewert-
ungsfunktion, die zur P&L-Ermittlung herangezogen wird, übereinstimmt, sondern auch mit einer veränderten,
auf Marktrisikodaten basierenden Bewertungsfunktion, berechnet wird.

Betrachtet man die diskrete Verteilung {∆Pi [ t ]: i = 1,..., m} , so kann man unter Berücksichtigung des

Konfidenzniveaus α das VaR auf folgende Weise bestimmen:


Zunächst ordnet man die ∆Pi [ t ] entsprechend ihrer Größe. Anschließend betrachtet man bei einem

Konfidenzniveau von α die j k = int[(1 − p) ⋅ m] kleinste Wertveränderung (∆Pa [ t ] ) und die int[(1− p) ⋅ m] +1

kleinste Wertveränderung ( ∆Pb [ t ] ) dieser m Wertdifferenzen ∆Pi [ t ] . Das VaR zum Konfidenzniveau α kann

über die folgende Formel berechnet werden:

{[ ] [
VaR (1 − p) = Abs ( j k + 1) − (1 − p) ⋅ m ⋅ ∆Pa (t ) + (1 − p) ⋅ m − j k ⋅ ∆Pb (t ) ] }

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 82 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Dabei wird einfach entsprechend dem Konfidenzniveau zwischen den Wertveränderungen ∆Pa [ t ] und ∆Pb [ t ]

linear interpoliert.
So wird z.B. bei einem Konfidenzniveau von α = 99% und einem historischen Zeithorizont von 250 Tagen der
Mittelwert der zweit- und drittkleinsten Wertveränderung genommen.

Fortsetzung Beispiel VaR -Bestimmung: Als Wertänderungen des aus der Aktie xy bestehenden Portfolios

[ ] [ ]
erhalte man die Differenzen: ∆P1 (0 ) = 100 e R1, 1 ( 0) X 1 (0) − X 1 (0) bis ∆P250 (0) = 100 e R250 ,1 (0 ) X 1 ( 0) − X 1 ( 0) .

Ergibt eine Anordnung nach Größe ∆P17 ( 0) = −125000


. EUR , ∆P24 (0 ) = −110.000EUR ,

∆P171 (0 ) = − 99.000EUR , ∆P180 (0) = −71000


. EUR , ∆P12 (0) = − 66.000 EUR , so erhält man via
Interpolation als VaR:

{
VaR(0 ,99) = − [( 2 + 1) − (1 − 0,99 ) ⋅ 250] ⋅ (−110.000 ) + [ (1 − 0,99 ) ⋅ 250 − 2 ] ⋅ ( −99.000) }
= 105.500 EUR

b) mit Antithetik / mit linearer Interpolation


Die Bestimmung des VaR erfolgt auf die gleiche Weise wie unter 1.4.3 a) mit dem einzigen Unterschied, daß 2m
anstelle von m Szenarien verwendet werden.

10.2.4 VaR mittels Partial Valuation

a) ohne Antithetik / mit linearer Interpolation


Im Unterschied zur Full Valuation werden die Wertveränderungen via Taylor-Approximation zweiten Grades
ermittelt. Wir leiten zunächst den traditionellen Ansatz her, in dem die Bewertungsfunktion Pi nach den

Marktdaten X j (t ) abgeleitet wird. Danach wird die Variante, die in der Zentralen Komponente umgesetzt wird,

angegeben. Der Unterschied besteht darin, daß statt nach den Marktdaten nach den R(t), also den
logarithmischen Renditen, abgeleitet wird. Die Zentrale Komponente “Mapper” rechnet die erhaltenen
traditionellen Ableitungen in die für die Risikoberechnung verwendeten um. (Siehe dazu auch das Dokument “
Das Mapping von Delta- und Gamma-Risiken im Rahmen von Varianz-Kovarianz-Verfahren”).
Zunächst die klassische Variante: Die m Wertveränderungen ( i = 1,..,m ), ausgedrückt mittels Delta ∆ und der
Hesse-Matrix Γ erhält man über den Ansatz

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 83 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

dPi [t ] = P[ X 1 ( t ) ⋅ e Ri 1 ( t ) ,..., X n ( t ) ⋅ e Rin (t ) ] − P[ X 1 ( t ),..., X n (t )]

X j (t + 1 − i) − X j (t − i)
Setzt man e Ri , j ( t ) = 1 + ri , j ( t ) , d.h. ri , j (t ) = erhält man die Taylor-Entwicklung:
X j (t − i)

n
δP n  ∂P 2 
dPi [t ] ≈ ∑ ∑ X j ( t ) ri, j ( t )  ∂X ∂X (t ) X k ( t )ri, k (t )
1
( t ) ⋅ X j (t ) ri , j (t ) +
j =1 δ X j 2 j , k =1  j k 

 δP δP 
Führt man die Vektoren ∆ = 
δ X 1
(t ),..., [ ]
( t )  , ri (t ) = X 1 (t ) ri ,1 (t ),..., X n ( t )ri ,n (t ) und die Hesse-
δX n 

 δP 2 
Matrix Γ =  (t) ein, erhält man in übersichtlicher und gewohnter Form:
 δX j , k 1≤ j , k ≤n

dPi [ t ] = ∆ ⋅ ri (t ) T + 0,5 ⋅ ri ( t ) ⋅ Γ ⋅ ri (t ) T für i = 1,..,m

Nun zur Übertragung auf den in der Zentralen Komponente implementierten Fall: Dort liegen Ableitungen nach
der logarithmischen Rendite Rij (t ) vor. Diese werden vom Mapper geliefert. Dann ändert sich die oben

angegebene Berechnungsvorschrift für die Wertveränderung zu:

dPi [ t ] = ∆ R ⋅ Ri (t ) T + 0,5 ⋅ Ri ( t ) ⋅ ΓR ⋅ Ri ( t ) T

Hier sind ∆ R und ΓR die vom Mapper gelieferten Ableitungen der Bewertungsfunktion nach den logarithmischen

Renditen. [ ]
Ri (t ) = Ri ,1 ( t ), Ri ,2 ( t ),... Ri ,n ( t ) ist der Vektor der logarithmischen Renditen selbst, d.h.

X j (t + 1 − i )
Ri , j ( t ) = ln .
X j (t − i )

Der Vorteil gegenüber einer Full Valuation liegt im verminderten Rechenaufwand. Neben den entsprechenden ∆ -
Vektoren und Γ -Matrizen des aktuellen Portfolios sind lediglich die m Vektoren

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 84 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

[
ri (t ) = X 1 ( t )ri ,1 ( t ),..., X n ( t ) ri ,n (t ) ] bzw. [ ]
Ri (t ) = Ri ,1 ( t ), Ri ,2 ( t ),... Ri ,n ( t ) anhand der vorliegenden

Marktdaten zu berechnen.

b) mit Antithetik / mit linearer Interpolation


Analog zu a) mit einem vergrößerten Input-Datenset.

11 Backtesting

11.1 Der Grundsatz I

Der Grundsatz I wurde letztmalig neugeregelt in der Bekanntmachung des Bundesaufsichtsamtes für das
Kreditwesen vom 29. Oktober 1997 über die Änderung und Ergänzung der Grundsätze über das Eigenkapital
und die Liquidität der Kreditinstitute. Im §37 Absatz 1 wird festgelegt
Die Prognosegüte eines Risikomodells ist mittels eines täglichen Vergleichs des anhand des
Risikomodells auf der Basis einer Haltedauer von einem Arbeitstag ermittelten potentiellen
Risikobetrages mit der Wertveränderung der in die modellmäßige Berechnung einbezogenen
einzelnen Finanzinstrumente oder Finanzinstrumentsgruppen nachweislich zu ermitteln
(" Backtesting").
Dabei sind die zum Geschäftsschluss des Vortages im Bestand des Instituts befindlichen
Finanzinstrumente oder Finanzinstrumentgruppen mit den jeweiligen Marktpreisen zum
Geschäftsschluss neu zu bewerten und die negative Differenz zum Bewertungsergebnis des
Vortages festzustellen.
...
Die Durchführbarkeit des Backtesting ist rechtliche Voraussetzung für die Verwendbarkeit eines internen
Modells, die Ergebnisse des Backtesting sind Grundlage dafür, inwiefern ein Modell akzeptiert, durch
Korrekturfaktoren verändert oder ganz abgelehnt wird. Ausgangspunkt für die Fassung des §37 sind die
Ausführungen im Dokument Internal Models Approach to Market Risk Capital Requirements des Basle
Committee on Banking Supervision vom Januar 1996. Entsprechend des Absatz 2 des §37 wird für die letzten
250 Arbeitstage beobachtet, wieviele "Ausreißer" vorhanden sind, das heißt, wie oft ein Verlust eingetreten ist im
Vergleich des gestrigen Bestandes mit der Marktbewertung von gestern zum gleichen Bestand mit der

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 85 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Marktbewertung von heute, welcher größer ist als der gestern vorhergesagte Risikowert für eine Haltedauer von
1 Tag und ein Konfidenzniveau von 99%. Waren es weniger als 5 Ausreißer, wird das Modell akzeptiert, waren
es bis zu 9 Ausreißer, muß das Modell durch einen Korrekturfaktor modifiziert werden, waren es mindestens 10
Ausreißer, so gilt das Modell als unzulänglich. Inhaltlich ist das Backtesting ein Signifikanztest der Hypothese,
daß das vom jeweiligen Modell ermittelte zeitfreie Value at Risk den maximal möglichen Verlust mit einem
Konfidenzniveau von 99% wiedergibt. Aus theoretischer Sicht ist der Wert von 99% recht extrem, so daß bis zu
neun Ausreißer noch nicht zu einer generellen Absage an das verwendete Modell führen.
Für die notwendige Modifikation bei 5 bis 9 Ausreißern schreibt das Bundesaufsichtsamt im Grundsatz I in der
Tabelle 10 zum §37 eine Erhöhung des Gewichtungsfaktor laut §33 um einen Zusatzfaktor vor:

Anzahl der Ausnahmen höherer Faktor


Weniger als 5 0,00
5 0,40
6 0,50
7 0,65
8 0,75
9 0,85
10 und mehr 1,00

11.2 Das unkontaminierte Handelsergebnis

Die für die Umsetzung des §37 entscheidende Frage ist, welches Handelsergebnis mit welcher Risikozahl
verglichen wird. In unserem Fall besteht die Frage darin, wie man die tatsächliche Wertänderung des Portfolios
mit der VaR-Zahl vergleichen muß, um die Güte des Modells zu überprüfen.
Erster Grundsatz ist, daß die für das Backtesting verwendeten Zahlen nach den gleichen Modellen berechnet
werden wie die nach MaH berichteten. Zweiter Grundsatz ist, daß beide Werte vergleichbar sein müssen, das
heißt, daß ein eintägiger Value at Risk-Wert, welcher unter Ausschluß des Zeitrisikos (deterministische Änderung
des Wertes eines Portfolios durch Zeitveränderung, Theta-effekt) nach dem gleichen Verfahren, aber mit
Eingabe der Haltedauer 1 ermittelt wird wie ein zehntägiger Value at Risk-Wert, durch ein unkontaminiertes

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 86 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Handelsergebnis (clean Profit&Loss) zu testen ist. Diesen eintägigen Value at Risk-Wert, welcher unter
Ausschluß des Zeitrisikos ermittelt wird, wollen wir im folgenden “zeitfreies Value at Risk” (ZVaR) nennen.
Unser Backtesting bezieht also bisher das Theta Add On nicht mit ein.
Der Baseler Ausschuß bezeichnet das um die Neugeschäfte bereinigte tatsächliche Handelsergebnis als
unkontaminiert und empfiehlt dieses unkontaminierte Ergebnis mit dem vorhergesagten zeitfreien Value at Risk zu
vergleichen - eine Empfehlung, die durch die Ausführungen im Grundsatz I verbindlich geregelt wurde.

Wir folgern aus dem zweiten Satz folgende Definition (unkontaminiertes Handelsergebnis, clean Profit and Loss):
(I) Das unkontaminierte Handelsergebnis ist gleich der Differenz aus

(A) der Bewertung des gestrigen Portfolios mit heutigen Marktdaten per gestern

(B) und der Bewertung des gestrigen Portfolios mit gestrigen Marktdaten per gestern.
Die Anwendung dieser Formel für Portfolios, deren Positionen vollständig auf Grund zeitunabhängiger
Marktdaten theoretisch bewertet werden (mark-to-model), ist völlig unproblematisch. Schwierig wird die
Realisierbarkeit bei Portfolios mit zeitabhängigen börsenbewerteten Instrumenten wie Bonds, Futures und
Optionen, da eine Bewertung mit heutigen Marktdaten per gestern zwangsläufig eine theoretische ist und keine
Markt-bewertung (mark-to-market) sein kann. Folgende Varianten sind auszuschließen:
• Das unkontaminierte Handelsergebnis ist gleich der Differenz aus der mark-to-model Bewertung des
gestrigen Portfolios mit heutigen Marktdaten per gestern und der mark -to-market Bewertung des
gestrigen Portfolios mit gestrigen Marktdaten per gestern. Dies ist unannehmbar, da hier die value basis,
also die Differenz zwischen theoretischer und Marktbewertung als systematischer Fehler auftritt.
• Das unkontaminierte Handelsergebnis ist gleich der Differenz aus der mark-to-model Bewertung des
gestrigen Portfolios mit heutigen Marktdaten per gestern und der mark-to-model Bewertung des
gestrigen Portfolios mit gestrigen Marktdaten per gestern. Dies ist unannehmbar, da hier zum einen der
oben formulierte Grundsatz verletzt wird, daß MaH-konformes Profit and Loss zum Backtesting
heranzuziehen ist, zum anderen weil die Forderung nach Marktbewertung im Grundsatz I nicht erfüllt wird.

Die Lösung dieses Dilemmas erfolgt durch folgende Definition (unkontaminiertes Handelsergebnis, clean Profit
and Loss):
(II) Das unkontaminierte Handelsergebnis ist gleich

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 87 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

(A) der mark-to-market Bewertung mit heutigen Marktdaten per heute des gestrigen Portfolios so
wie es sich heute darstellt minus

(B) der mark-to-market Bewertung des gestrigen Portfolios mit gestrigen Marktdaten per gestern
minus

(C) der eintägigen deterministischen Zeitwertveränderung des gestrigen Portfolios berechnet mit
heutigen Marktdaten von gestern zu heute.
Die Definitionen (I) und (II) sind dabei im Falle von mark-to-model-bewerteten Portfolios äquivalent. Dies ergibt
sich aus dem Fakt, daß die Zeitwertveränderung gemäß der Fachvorgabe zeitfreies Value at Risk gleich ist der
Differenz aus

(A) der mark-to-model Bewertung mit gestrigen Marktdaten per heute des gestrigen Portfolios so
wie es sich heute darstellt
(B) und der mark-to-model Bewertung des gestrigen Portfolios mit gestrigen Marktdaten per
gestern.

11.3 Beispiele

Das "gestrige Portfolio, so wie es sich heute darstellt" ist keineswegs das heutige Portfolio, da Neugeschäfte und
unter Umständen durch Altgeschäfte verursachte Gebühren, Provisionen und dergleichen herausgerechnet
werden müssen. Es ist aber auch nicht identisch mit dem gestrigen Portfolio in der gestrigen Verfassung, da
Aktien Dividende zahlen, Termingeschäfte verfallen oder ausgeübt werden und so weiter. Diese Änderungen
oder möglichen Änderungen im Bestand sind aber bei der Berechnung der zeitfreien Value at Risks mit
einbezogen worden, so daß sie nun auch beim Testen mit herangezogen werden müssen.

Die folgende Auflistung stellt die Berechnung des unkontaminierten Handelsergebnis für verschiedene Positionen
vor. Dabei ist t 0 jeweils der heutige Tag.

1. Wir bekommen am Tag T die Summe von N US-Dollar. c(t) ist der Umrechnungsfaktor am Tag t und r(t,T)
der Zinssatz am Tag t mit der Laufzeit bis zum Tag T entsprechend den USD-Geldmarktzinsen. Das
unkontaminierte Handelsergebnis dieser Position ist gleich

N ⋅ (c(t 0 ) ⋅ exp((t 0 − 1 − T ) ⋅ r ( t 0 , T + 1)) − c( t 0 − 1) ⋅ exp((t 0 − 1 − T ) ⋅ r (t 0 − 1, T ))) .

Diese Formel entspricht der Definition (I). Die Formel entsprechend der Definition (II) wäre

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 88 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

A− B− C,
wobei

A = N ⋅ c( t 0 ) exp(( t 0 − T ) ⋅ r (t 0 , T )) ,
B = N ⋅ c (t 0 − 1) exp((t 0 − 1 − T ) ⋅ r (t 0 − 1, T ))

und
C = N ⋅ c (t 0 ) exp((t 0 − T ) ⋅ r (t 0 , T )) − N ⋅ c (t 0 ) exp((t 0 − 1 − T ) ⋅ r ( t 0 , T + 1)) ,

was offenbar äquivalent zu oben ist.

2. Wir haben einen börsennotierten Zerobond mit Nennwert N in US-Dollar, welcher am Tag T fällig wird.
Umrechnungsfaktoren und Zinssätze werden wie im Beispiel 1 notiert, nur daß jetzt für den Zinssatz die für
den betreffenden Bond zutreffende Bondkurve verwendet wird. B(t) bezeichnet den Schlußkurs der Anleihe
am Tag t. Im Fall t0 = T setzen wir B(T)=N. Das unkontaminierte Handelsergebnis entsprechend der

Definition (II) ist gleich

A− B− C,
wobei

A = B( t 0 ) ⋅ c( t 0 ) ,
A = B( t 0 − 1) ⋅ c( t 0 − 1)

und
C = N ⋅ c (t 0 ) exp((t 0 − T ) ⋅ r (t 0 , T )) − N ⋅ c (t 0 ) exp((t 0 − 1 − T ) ⋅ r ( t 0 , T + 1)) .

Die Definition (I) kann nicht angewandt werden, da der Bond mark-to-market bewertet werden muss.

Wir haben eine schwedische Aktie, welche am Tag t 0 Dividendentermin hat. Die Dividende in Höhe von D

schwedischen Kronen wird am Tag t1 gezahlt, am Tag t 2 erfolgt eine Steuerrückerstattung in Höhe von R

Kronen. c(t) bezeichnet diesmal den Wechselkurs von Krone zu Euro am Tag t, r(t,T) ist der STIBOR-Zinssatz
am Tag t mit Laufzeit bis zum Tag T und S(t) ist der Schlusskurs der Aktie am Tag t. Die Definition (I) ist hier
wiederum nicht anwendbar, nach Definition (II) ist das unkontaminierte Handelsergebnis gleich A − B − C ,
wobei C = 0 , B = S (t 0 − 1) und

A = c(t 0 ) ⋅ ( S (t 0 ) + exp((t 0 − t 1 ) ⋅ r( t 0 , t 1 )) ⋅ D + exp(( t 0 − t 2 ) ⋅ r (t 0 , t 2 )) ⋅ R ) .

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 89 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

11.4 Eine alternative Variante des unkontaminierten Handelsergebnis

Betrachten wir folgende Definition (alternatives unkontaminiertes Handelsergebnis, alternative clean Profit and
Loss):
(III) Das alternative unkontaminierte Handelsergebnis ist gleich

(A) der mark-to-market Bewertung mit heutigen Marktdaten per heute des gestrigen Portfolios so
wie es sich heute darstellt minus

(B) der mark-to-market Bewertung des gestrigen Portfolios mit gestrigen Marktdaten per gestern
minus

(C) der eintägigen deterministischen Zeitwertveränderung des gestrigen Portfolios berechnet mit
gestrigen Marktdaten von gestern zu heute.
Der Unterschied zur Definition (II) liegt allein im Term (C). Wir setzen

E − das unkontaminierte Handelsergebnis nach Definition (II),


E′ − das alternative unkontaminierte Handelsergebnis nach Definition (III),
V(t0, t1, t2 ) − die Bewertung des Portfolios vom Tag t0 am Tag t1 mit den Marktdaten vom Tag t2 ,
T(t0 ,t1,t2 ) − die eintägige Zeitwertveränderung des Portfolios vom Tag t0 am Tag t1 mit den Marktdaten vom Tag t2.
Dann ist
E = V ( t 0 − 1, t 0 , t 0 ) − V ( t 0 − 1, t 0 − 1, t 0 − 1) − T ( t 0 − 1, t 0 − 1, t 0 ),
E ′ = V ( t 0 − 1, t 0 , t 0 ) − V ( t 0 − 1, t 0 − 1, t 0 − 1) − T ( t 0 − 1, t 0 − 1, t 0 − 1)
und folglich
E − E ′ = T ( t 0 − 1, t 0 − 1, t 0 − 1) − T (t 0 − 1, t 0 − 1, t 0 ).

Dieser Differenz entspricht einer Wertentwicklung des Portfolios, welche innerhalb des zeitfreien Value at Risk
durch die zeitbezogenen Gammas, das heißt durch die zweiten Ableitungen des Wertes nach der Zeit und einem
beliebigen Parameter, abgedeckt wird. Die Einbeziehung dieser Gammas ist entsprechend unserer Fachvorgabe
zeitfreies Value at Risk nicht in jedem Fall obligatorisch, da für die gegenwärtig vorhandenen Portfolios und den
in ihnen vorhandenen genehmigten Produkten nur ein marginale Sensitivität der Zeitwertveränderung aufweisen.
Aus diesem Grund ist auch E − E ′ ≈ 0. Ein weiterer Punkt, der für die Zulässigkeit der Verwendung von

E ′ statt E spricht ist die Tatsache, dass durch die Kontamination mit nichtlinearen Zeitwertveränderungen das
alternative unkontaminierte Handelsergebnis volatiler wird, also die Wahrscheinlichkeit von Ausreißern zunimmt,
das Backtesting somit strenger wird, wenn auch (vernachlässigbar) ungerecht.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 90 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Aus diesen Gründen ist die Verwendung des alternativen Unkontaminierten Handelsergebnisses nach Definition
(III) anstatt des unkontaminierten Handelsergebnisses nach Definition (II) zulässig beim Backtesting aller
derjenigen Portfolios, in denen die Sensitivitäten der deterministischen Zeitwertveränderung (bezüglich Kurse,
Volatilitäten, Zeit usw.) nicht für die Berechnung des zeitfreien Value at Risk berücksichtigt werden.

11.5 Das eintägige zeitfreie Value at Risk

Das eintägige zeitfreie Value at Risk ist wie bereits erwähnt die unter Ausschluss der deterministischen
Zeitwertveränderung berechnete Risikokennzahl, welche mit 99% Wahrscheinlichkeit den maximal möglichen
Verlust eines festen Portfolios von einem Tag zum nächsten beschreibt. Diese Zahl wird entsprechend dem
Fachkonzept Risk Engine von der Risk Engine ohne weitere Zusätze berechnet, wobei das gleiche Modell
verwendet wird wie bei der Berechnung des Risk Engine-Anteil des zeitfreien Value at Risk mit einer Haltedauer
von zehn Tagen.

11.6 Clean Backtesting

Den Test des eintägigen zeitfreien Value at Risks ohne Zeitrisiko anhand des unkontaminierten Handelsergebnis
bezeichnen wir als clean Backtesting. Der Test wird durchgeführt anhand der letzten 250 Arbeitstage. Bezeichnet
E(t) das unkontaminierte Handelsergebnis am Tag t nach Definition (II), gegebenenfalls das alternative nach
Definition (III), und bezeichnet VaR(t) das eintägige zeitfreie Value at Risk am Tag t entsprechend Punkt 2.5, so
lauten die beiden am Tag t 0 zu klärenden Fragen

1. VaR (t 0 − 1) > − E (t 0 ) ?

{
2. # t|0 ≤ t 0 − t ≤ 249 and VaR( t − 1) > − E ( t ) = ? }

Der Vergleich des zeitfreien Value at Risk mit dem tatsächlichen Handelsergebnis wäre demgegenüber ein dirty
Backtesting. Der Baseler Ausschuss empfiehlt auch ein solches, als statistisches Testverfahren ungeeignetes
Testing ebenfalls durchzuführen, um auf diese Weise Einblick zu erhalten in die zusätzlichen Risiken durch
Intradayhandel sowie durch in der Risikoberechnung womöglich nicht betrachtete P&L-Faktoren.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 91 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

11.7 Beidseitiges Backtesting

Zur Beurteilung der Güte eines Modells können neben Ausreißern nach unten auch Ausreißer nach oben
herangezogen werden. Ein solcher Ausreißer nach oben liegt vor, wenn das mit positivem Vorzeichen versehene
eintäge zeitfreie VaR von gestern kleiner ist als das unkontaminierte Handelsergebnis von heute. Beidseitiges
Backtesting ist nicht sinnvoll für Portfolios, in denen Gewinnchancen im Risiko unberücksichtigt geblieben sind.

12 Marginal VaR und Component VaR

Durch die Cornish-Fisher-Approximation besitzt man ein gutes Tool, um das Delta/Gamma-Risiko auf
verschieden Portfolioebenen schnell berechnen zu können. Problematisch bleibt jedoch die Analyse von
Auswirkungen von geringen Portfolioänderungen, die sich auf bestimmte Bereiche der Kovarianzmatrix beziehen.
Flankierende Maßnahmen dazu bietet das MarginalVaR und das Comp onentVaR, um Auswirkungen auf das
Gesamtrisiko aufzuzeigen. Das MarginalVaR beschreibt die Sensitivität des Gesamtrisikos bezüglich einer
Position bzw. eines Geschäftes. Damit können sensible Bereiche der Kovarinazmatrix aufgezeigt werden. Das
ComponentVaR besitzt die Eigenschaft sich zum Gesamtrisiko zu aggregieren. Dabei müssen positive und
negative Risikoanteile entsprechend interpretiert werden.

12.1 Herleitung

Wir betrachten ein Portfolio P bestehend aus n Teilportfolios Pi. Seien PV (t ) der Wert des Gesamtportfolios

zum Zeitpunkt t, PVi (t ) der Wert der Komponente i und α i die Anzahl der Instrumente i in P (bei OTC hat

man i.a. α i = 1 ). Dann gilt:


n
PV (t ) = ∑α
i =1
i ⋅ PVi (t )

Das Marginal- VaR für das Teilportfolio P i wird durch


∂VaR
MVaRi :=
∂α i

definiert.

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 92 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

Nach dem Paper von Hallenbach kann man folgende Formel für das Marginal- VaR herleiten:

 Cov ( PVi (t ), PV (t )) 
MVaRi :=  E [PVi (t ) − PVi (0)] + ⋅ (VaR − E [PV (t ) − PV (0 )])
 Var ( PV (t )) 
wobei Var(⋅) die Varianz und Cov (⋅,⋅ ) die Kovarianz bezeichnen.

Das Component-VaR wird zunächst abstrakt durch folgende Bedingungen definie rt:
1. Das Component-VaR für ein beliegiges Unterportfolio ist eindeutig zuordnungsbar.
n
2. Das Component-VaR ist linear aggregierbar zu dem Gesamtrisiko, also VaR = ∑ CVaRi .
i =1

Nach dem Paper von Hallenbach kann man via bedingte Erwartungen zeigen, daß
CVaRi = α i MVaRi

gilt. Folglich gilt damit i.a. für OTC-Transaktionen CVaRi = MVaRi .

12.2 Beispiel

Sei P ein Portfolio bestehend aus 200 Aktien X und 100 Aktien Y. Wir können das Portfolio auf zwei
verschiedenen Arten aufteilen.
Erster Fall: Aggregierte Positionen

α 1(1) = 1 und α 2(1) = 1

PV(t ) = α1(1) ⋅ PV200X (t ) +α 2(1 ) ⋅ PV100Y (t )

Zweiter Fall: Nichtaggregierte Positionen

α1(2 ) = 200 und α 2(2 ) = 100 :

PV(t ) = α1(2 ) ⋅ PVX (t ) + α 2(2 ) ⋅ PVY (t )

Für das Marginal VaR gilt dann offenbar

MVaR1(1 ) = 200 ⋅ MVaR1(2 )


MVaR2(1 ) = 100 ⋅ MVaR2(2 )

während für das Component VaR andererseits gilt

CVaR1(1 ) = CVaR1(2 )
CVaR2(1 ) = CVaR2(2 )

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 93 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

13 Literaturverzeichnis

1 Alexander, C. (editor) (1998), “Risk Management and Analysis - Measuring and Modelling Financial Risk”,
Volume 1, John Wiley & Sons, Chichester, England
2 Barner, M. and Flohr, F. (1989), “Analysis Band II”, 2. Auflage, de Gruyter, Berlin
3 Bank of International Settlement (BIS), 1996, “Amendment to the Capital Accord to incorporate Market
Risk”, Basle
4 Behnke, Tilo (2000), “Risikoneutrales Mapping”, unveröffentlichte Diplomarbeit Fachochschule für Technik
und Wirtschaft, Berlin FB Wirtschaftsmathematik, Berlin
5 Best, Ph. (1998), “Implementing value at risk”, John Wiley & Sons, Chiche ster, England
6 Brooks, C. and Persand G., (2000) “The pitfalls of Var estimates”, Risk Magazine, Mai 2000, S. 63 ff.
7 Duffie, D. and Pan, J. (1997), “An Overview of Value at Risk”, The Journal of Derivatives 4/3, Spring, Seite
7-49
8 Hall, P.G. (1992), “The Bootstrap and Edgeworth Expansion”, Springer, New York
9 Hull, J. C. (2000), “Options, Futures and Other Derivatives”, Prentice-Hall International, New York
10 Jensen, J.L (1995), “Saddlepoint Approximation”, Oxford Univerity Press, Oxford
11 Jorion, Ph. (1997), “Value at Risk”, Irwin, Chicago Ill
12 JP Morgan (1995), “Risk Metrics - Technical Document”, Third Edition, JP Morgan, New York
13 Mathai, A.M. and Provost, S.B. (1992), “Quadratic Forms in Random Variables”, Marcel Dekker, New
York
14 Mina, Jorge, “Improved Cash Flow Map” (1999), Risk Metrics Group, Working Paper
15 Mina, Jorge and Ulmer (1999), “Delta-Gamma Four Ways”, Andrew, RiskMetricsGroup,
16 Revuz, D. and Yor, M. (1991), “Continuous Martingales and Brownian Motion”, Springer, Berlin
17 Rowe, D. (2000), “How to model VAR over more than one day”, Risk Magazine, Mai 2000, S. 56 ff.
18 Sauder, Th. (2000), “Das Mapping von Delta - und Gamma-Risiken im Rahmen von Varianz-Kovarianz-
Verfahren”, Internes Papier, Bankgesellschaft Berlin
19 Stuart, A. and Ord, K. (1994), “Kendall’s Advanced Theory of Statistics, Vol.1”, Wiley, New York
20 Zangari, P. (1996), “A VaR Methodology for Portfolios that Include Options”, RiskMetrics Monitor, First
Quarter 1996, JP Morgan, Seite 4-12

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 94 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

21 Basle, Amendment to the Capital Accord to incorporate Market Risk, 1996, Bank of International Settle-
ment
22 Hallerbach, W. (1999), “ Decomposing Portfolio Value-at-Risk, A General Analysis”, WorkingPaper,
Erasmus University Rotterdam

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 95 of 96


printed by: Administrator
Modellierung und Berechnung des Marktpreisrisikos in BGB2

14 Change History

Wann Wer Was


27.08.01 Dirk Dumuschat Tipp- und Formatierungsfehler auf den Seiten 8, 20, 24, 37,
42, 45, 57, 66, 74

15.04.03 Robert Häusler Einfügen Kapitel Marginal VaR, incl. kurzer Herleitung und
Beispiel
08.03.04 Robert Häusler Erweiterung Kapitel Einleitung um Prozeßgrafik (Internes
Modell)
08.03.04 Robert Häusler Einfügen Kapitel AddOns, Beschreibung und kurze Einführung
aller AddOns mit Bezug auf entsprechende Fachkonzept
(Internes Modell)
08.03.04 Robert Häusler Einfügen Kapitel Aggregiertes Marktpreisrisiko, Beschreibung
der Aggregation der Einzelrisiken zum Gesamtrisiko (Internes
Modell)
08.03.04 Robert Häusler Erweiterung Kapitel Marginal VaR und Component VaR um
das Component VaR (Internes Modell)
08.03.04 Robert Häusler Kapitelumnennung von „Risikoberechung“ in
„Risikoberechung in der Riskengine“ (Internes Modell)
08.03.04 Robert Häusler Kapitel „Risikoberechung in der Riskengine“: Berechnung der
Kumulanten: Einfügen Fußnote für das Ignorieren der Drift
(Internes Modell)

File: M:\IRD\Methods\MarketRisk \RiskPaper\BGB_Risikomeßmethodik.doc Page 96 of 96


printed by: Administrator