Sie sind auf Seite 1von 73

Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Value at Risk (VaR) – Einführung


Dr. Wolfgang Böhme

November 2007
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Inhalt

I Definitionen / Value at Risk


I Varianz-Kovarianz-Methode
I Cornish-Fisher-Approximation
I Historische Simulation
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Definitionen 1

Gegeben sei ein Portfolio, dessen Marktwert man in funktionaler


Abhängigkeit von Marktdaten (wie z.B. Wechselkursen oder
Zinssätzen) beschreiben kann.
P(t) = P(Y (t), t) - der Marktwert des Portfolios zum Zeitpunkt t
P(t0 ) = P(Y (t0 ), t0 ) - der Marktwert des Portfolios zum
Anfangseitpunkt t0
Annahme:
die Zusammensetzung des Portfolios ändert
sich nicht im Zeitraum t − t0 > 0
∆P(t) = P(t) − P(t0 ) - Wertveränderung des Portfolios
(Profit and Loss - PnL)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Definitionen 2

Bezeichnungen:
Y (t) - Vektor der Marktdaten zum Zeitpunkt t
Yi (t) - i-te Komponente des Vektors der Marktdaten
ν(t) - Zeitkomponente
PM (Y (t), ν(t)) - Preisfunktion

Die Wertveränderung des Portfolios (PnL) lässt sich dann


darstellen:
∆P(t) = PM (Y (t), ν(t)) − PM (Y (t0 ), ν(t0 ))
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Value at Risk (VaR)

Das Ziel der Abschätzung des Marktrisikos ist eine Aussage über
den potentiellen Wertverlust des Portfolios innerhalb einer fixierten
Halteperiode (t) , der mit einer vorgegebenen Wahrscheinlichkeit
(1 − α) nicht übertroffen wird.
Die Wahrscheinlichkeit P wird auch als Konfidenznivau (1 − α)
bezeichnet. Der potentielle Wertverlust heißt Value at Risk.
Nur in α% der Fälle wird ein Verlust-Szenario eintreffen, das den
VaR-Wert überschreitet.
α = P(∆P(t) < VAR(t, α))

Mathematisch gesehen ist VAR(t, α) das α-Quantil der Verteilung


von ∆P(t).
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Dichtefunktion / Verteilungsfunktion

Dichtefunktion:

Eine integrierbare Funktion f heißt Dichtefunktion der Zufallsvariable X, wenn


gilt:
Zb
f (t)dt = P(a ≤ X ≤ b)
a

Verteilungsfunktion:

Zx
FX (x) = P(X < x) = f (t)dt mit x ∈ R und X − reele Zufallsvariable
−∞
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Dichte- (Verteilungs-) funktion / Normalverteilung


Beispiel: Normalverteilung

1 (t−µ)2

f (t) = √ e 2σ2
2πσ 2
Zx (t−µ)2
1 −
F (x) = √ e 2σ2 dt
2πσ 2
−∞
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Interpretation des p-Quantils 1

Quantil der Ordnung p

FX−1 (p) = inf [x ∈ R, FX (x) ≥ p] mit X − reelle Zufallsvariable

oder in der VaR-Terminologie:


−1
VaR∆P (α) = F∆P (α) = inf [x ∈ R, F (x) ≥ α]

mit ∆P - Wertveränderung des Portfolios


und F (x) Verteilungsfunktion der Wertveränderung des Portfolios
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

p = α = 0, 05 Interpretation des p-Quantils 2

ZQp
P(X < Qp ) = F (Qp ) = f (t)dt = p
−∞

FX−1 (p) = inf [x ∈ R, FX (x) ≥ p] = Qp


in Worten:
I die dunkle Fläche beträgt 5 Prozent der Gesamtfläche
I der kleinste Wert auf der x-Achse, für den gilt FX (x) ≥ p ist Qp (Quantil)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Interpretation des p-Quantils 4


Bei Standardnormalverteilung :

FX−1 (0, 01) = −2.326348


FX−1 (0, 99) = 2.326348
FX−1 (0, 05) = −1.644854
FX−1 (0, 99) = 1.644854

Bemerkung: Bei schiefen Verteilungen gilt nicht:

FX−1 (α) = −FX−1 (1 − α)


Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Bemerkungen

I Gebräuchliche Größen für das Konfidenzniveau sind:


Für interne Modelle in Deutschland: α= 0,01
Für interne Berechnungen in der Bank:α= 0,01 und 0,10
Risk Metrics (JP Morgans):α= 0,05
I Die fixierte Halteperiode t sollte so gewählt werden, dass die
im Portfolio enthaltenen Positionen aufgelöst werden können.
Gebrüchliche Halteperioden sind:
Für interne Modelle in Deutschland: t = 10
Für interne Berechnungen in der Bank: t = 1 und t=10
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Varianz-Kovarianz-Methode

I Modellierung der Marktdaten


I Modellierung der Wertveränderung eines Portfolios
I VaR eines Portfolio
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Modellierung der Marktdaten - 1 Risikofaktor

Wir beschränken uns zunächst auf einen Risikofaktor Y


Ziel: die Bewegung (Veränderung) von Y mit Hilfe eines
stochastischen Prozesses beschreiben.
Wiener Prozeß:
W - stochastische Größe
X - Normalverteilte Zufallsgröße N ∼ (0, 1)

∆W = X · ∆t
⇒ ∆W ∼ N(0, ∆t)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Modellierung der Marktdaten - 1 Risikofaktor

Verallgemeinerter Wiener Prozeß:



∆Y = a · ∆t + b · X · ∆t
⇒ ∆Y ∼ N(a · ∆t, b 2 · ∆t) Interpretation:
a · ∆t
√ - deterministischer Teil mit Drift (a)
X · ∆t - Wiener Prozeß
b - Multiplikator des Wiener Prozesses

auch geometrische Brown’sche Bewegung genannt


Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

geometrische Brown’sche Bewegung Interpretation


∆Y = µ · ∆t + σ · X · ∆t
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Modellierung der Marktdaten - 1 Risikofaktor


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

∆Y (t) = µ · Y (t0 ) · ∆t + σ · Y (t0 ) · ∆W (t)


oder als Differentialgleichung:

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


mit µ - Drift
und σ - Volatilität

W (t) -Standard-Wiener Prozess


Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Modellierung der Marktdaten - 1 Risikofaktor


Umformung nach Itô-Lemma (stochastische Differentialgleichung)

σ2
dlnY (t) = (µ − )dt + σ · dW (t)
2

Zt Zt
σ2
lnY (t) − lnY (t0 ) = (µ − )dt + σ · dW (t)
2
t0 t0
Zt
σ2
= (µ − )(t − t0 ) + σ · dW (t)
2
t0
Itô
σ2
= (µ − )(t − t0 ) + σ · (W (t) − W (t0 ))
z}|{
2
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Modellierung der Marktdaten - 1 Risikofaktor


Wegen ∆W (t) = W (t) − W (t0 ) ∼ N(0, t − t0 ), t > t0 ≥ 0 kann für die
Veränderung des Risikofaktors in der Zeit ∆t = t − t0 geschrieben
werden:
σ2 √
∆lnY (t) = lnY (t) − lnY (t0 ) = (µ − )∆t + σ · ∆t · X
2
Wobei X eine standardnormalverteilte Zufallsröße ist. (X ∼ N(0, 1))
2
Unter Verwendung des reskalierten Drifts µ̃ = (µ − σ2 ) gilt:

∆lnY (t) = µ̃∆t + σ · ∆t · X

µ̃∆t+σ· ∆t·X
Y (t) = Y (t0 )e ⇒

∆lnY (t) ∼ N(µ̃∆t, σ 2 ∆t)

(wenn sich die Marktdaten gemäß einer geometrisch Brownsche


Bewegung entwickeln, sind die Veränderungen der Marktdaten
normalverteilt)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Modellierung der Marktdaten - 1 Risikofaktor

Definition der logarithmischen Rendite:

Y (t)
R(t) = ∆lnY (t) = lnY (t) − lnY (t0 ) = ln( )
Y (t0 )

R(t) ∼ N(µ̃∆t, σ 2 ∆t)


Bemerkung: es genügt die täglichen Renditen zu berechnen (t0 = t − 1):

Y (t)
R(t) = ∆lnY (t) = lnY (t) − lnY (t − 1) = ln( )
Y (t − 1)
R(t) ∼ N(µ̃, σ 2 )
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Modellierung der Marktdaten - 1 Risikofaktor

weitere Modellannahme:
Zentriertheit der logarithmischen Rendite µ̃ = 0:

R(t) ∼ N(0, σ 2 )

Y (t) = Y (t0 )e R(t)∆t



Y (t) = Y (t0 )e σ· ∆t·X
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

VaR eines Risikofaktors

α = P(∆P(t) ≤ VAR(t, α)) =


= P(Y (t) − Y (t0 ) ≤ VAR(t, α)) =

= P(Y (t0 )(e σ· ∆t·X
− 1)) ≤ VAR(t, α))
VAR(t,α)
ln(1 + Y (t )
)
= P(X ≤ a) = P(X ≤ √ 0 )
σ · ∆t
VAR(t,α)
ln(1 + Y (t )
)
oder a = √ 0
σ · ∆t
da X ∼ N(0, 1) und α = P(X ≤ a) = FX (a) ⇒ a = FX−1 (α)
VAR(t,α)
ln(1 + Y (t )
)
FX−1 (α) = √ 0 ⇒
σ · ∆t
√ −1
VAR(t, α) = Y (t0 )(e σ· ∆(t)·FX (α) − 1)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Approximation des VaR eines Risikofaktors

Taylor- Zerlegung: e x ≈ 1 + x + 21 x 2

∆t·F −1 (α)

e σ· ∆t · F −1 (α)
≈ 1+σ·

VAR(t, α) ≈ Y (t0 )(σ · ∆t · F −1 (α))

Bemerkung:
σ = σR Volatilität der Logarithmischen Rendite R


VAR(t, α) ≈ Y (t0 )[Volatilitaet · Haltedauer · Quantil(α)]
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel: VaR eines Risikofaktors-Daten

Datum FXR R − FXR


2007 − 08 − 31 0.7333
2007 − 08 − 30 0.7336 −0.00038
2007 − 08 − 29 0.7329 +0.00092
2007 − 08 − 28 0.7329 +0.00000
... ... ...

Yi (t)
Ri (t) = ln( )
Yi (t − 1)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel: VaR eines Risikofaktors-Daten

Rohdaten Y(t) Logarithmische Rendite

Wechselkurs Dollar - Euro (4.9.2006-31.8.2007)


⇒ 251(0) Beobachtungen

(Inverse Zeitachse)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel: VaR eines Risikofaktors-Häufigkeitsverteilung

Rohdaten Y(t) Logarithmische Rendite


Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel: VaR eines Risikofaktors


s
n
1
(xi − x̄)2 = 0.003701
P
Volatilität der Logreturns σR = n
i=1
n
1 P
mit dem Mittelwert x̄ = xi = 0.000232
n
i=1

und Haltedauer t = 1 ⇒ ∆t = 1
Konfidenzniveau α = 0.01 ⇒ F −1 (α) = −2.326348
Wechselkurs am 31.8.2007 Y (t0 ) = 0.73338

VAR(t, α)) ≈ Y (t0 ) · σR · ∆t · F −1 (α)
≈ 0.73338 · 0.003701 · 1 · (−2.326348)
≈ −0.006314
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel: VaR eines Risikofaktors


√ √
Haltedauer t = 10 ⇒ ∆t =
10 = 3.162278

VAR(t, α)) ≈ Y (t0 ) · σR · ∆t · F −1 (α)
≈ 0.73338 · 0.003701 · 3.162278 · (−2.326348)
≈ −0.019968

Konfidenzniveau α = 0.05 ⇒ F −1 (α) = −1.644854



VAR(t, α)) ≈ Y (t0 ) · σR · ∆t · F −1 (α)
≈ 0.73338 · 0.003701 · 1 · (−1.644854)
≈ −0.004465
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

VaR eines Instrumentes - 1 Risikofaktor


bisher: P(t) = Y (t) ⇒ ∆P(t) = Y (t) − Y (t0 )
nun: P(t) = N · Y (t) ⇒ ∆P(t) = N(Y (t) − Y (t0 ))

VAR(t, α)) ≈ N · Y (t0 ) · σ · ∆t · Φ−1 (α)

≈ N(t0 ) · σ · ∆t · Φ−1 (α)

mit:
N(t0 ) = N · Y (t0 ) - Portfoliowert zum Zeitpunkt t0


VAR(t, α) ≈ N(t0 )[Volatilitaet · Haltedauer · Quantil(α)]
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel: VaR einer FX-Cash Position - 1 Risikofaktor

Position N = 1,000,000 USD Heimatwährung EUR


Volatilität der Logreturns σR = 0.0037
mit dem Mittelwert x̄ = 0.000232

und Haltedauer t = 1 ⇒ ∆t = 1
Konfidenzniveau α = 0.01 ⇒ F −1 (α) = −2.326348
Wechselkurs am 31.8.2007 Y (t0 ) = 0.73338

VAR(t, α)) ≈ N · Y (t0 ) · σR · ∆t · F −1 (α)
≈ 1, 000, 000.00 · 0.73338 · 0.0037 · 1 · (−2.326348)
≈ 733, 381.79 · 0.0037 · 1 · (−2.326348)
≈ −6, 314.28
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel: VaR einer FX-Cash Position - 1 Risikofaktor


√ √
Haltedauer t = 10 ⇒ ∆t =
10 = 3.162278

VAR(t, α)) ≈ N · Y (t0 ) · σR · ∆t · F −1 (α)
≈ 733, 381.79 · 0.0037 · 3.162278 · (−2.326348)
≈ −19, 967.51

Konfidenzniveau α = 0.05 ⇒ F −1 (α) = −1.644854



VAR(t, α)) ≈ N · Y (t0 ) · σR · ∆t · F −1 (α)
≈ 733, 381.79 · 0.0037 · 1 · (−1.644854)
≈ −4, 464.54
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Modellierung der Marktdaten - n Risikofaktoren

Bisher erfolgte die Modellierung durch eine eindimensinale


geometrische Brownsche Bewegung:

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



Y (t) = Y (t0 )e µ̃∆t+σ· ∆t·W

R(t) ∼ N(µ̃∆t, σ∆t)


σ2
µ̃ = µ −
2
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Modellierung der Marktdaten - n Risikofaktoren


Die Modellierung erfolgt nun durch eine mehrdimensinale
geometrische Brownsche Bewegung:

n
X
dYi (t) = µ · Yi (t) · dt + Yi (t) σij · dWj (t)
j=1
n n
σij ·Wj (t)+t·(µi − 21 σij2 )
P P
(
Yi (t) = Y (t0 )e j=1 j=1

Ri (t) ∼ Nn (µ̃i ∆t, Σ · ΣT · ∆t)


n
1X 2
µ̃i = µi − σij
2
j=1
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Modellierung der Marktdaten - n Risikofaktoren

mit der Kovarianzmatrix Σ :


 
σ11 σ12 . . .
Σ =  σ21 σ22 . . . 
 
.. .. ..
. . .

mit σij = σi · ρij · σj


ρij − Korrelationskoeffizient
σij − Kovarianzen
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Modellierung der Marktdaten - n Risikofaktoren

Der Vektor der eintägigen logarithmischen Renditen:


Y1 (t)
 

R1 (t)
 ln Y 1 (t−1)
...
 
 ...   
   Y j (t) 
R(t) =   Rj (t)  =  ln Yj (t−1) 
  
 ...   ...

 
Rn (t) ln Yn (t) Yn (t−1)

R(t) ∼ Nn (0 , Σ · ΣT )
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Modellierung der Marktdaten - n Risikofaktoren

unter Verwendung der eintägigen Renditen und der


Modellannahme der Zentriertheit (µ̃i = 0) erhält man :

n
P
( σij ∆Wi (t))
Yi (t) = Yi (t0 ) · e j=1

n
P
( σij Xi ∆t)
= Yi (t0 ) · e j=1

n
P
( σij Xi )
= Yi (t − 1) · e j=1

Xi ∼ Nn (0, 1)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Approximation der Wertveränderung - n Risikofaktoren

∆P = P(Y1 (t), Y2 (t), ..., Yn (t)) − P(Y1 (t0 ), Y2 (t0 ), ..., Yn (t0 )) =
= P(R1 (t), R2 (t), ..., Rn (t)) − P(R1 (t0 ), R2 (t0 ), ..., Rn (t0 ))

Taylorzerlegung

n
X
∆P ≈ PR0 i (Ri (t) − Ri (t0 )) + Pν0 (ν(t) − ν(t0 ))

t=t0 t=t0
i=1
n n
1 X X 00
+ PRi ,Rj (Ri (t) − Ri (t0 ))(Rj (t) − Rj (t0 ))
2 t=t0
i=1 j=1
1 00
+ P (ν(t) − ν(t0 ))2 +
2 ν t=t0
Xn
+ PR00i ,ν (Ri (t) − Ri (t0 ))(ν(t) − ν(t0 ))

t=t0
i=1
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Approximation der Wertveränderung - n Risikofaktoren


ohne Ableitung nach der Zeit
n
X
∆P ≈ PR0 i (Ri (t) − Ri (t0 )) +

t=t0
i=1
n n
1 X X 00
+ PRi ,Rj (Ri (t) − Ri (t0 ))(Rj (t) − Rj (t0 ))
2 t=t0
i=1 j=1
n n n
X 1 X X 00
≈ PR0 i ∆Ri (t) + PRi ,Rj ∆Ri (t)∆(Rj (t) (∗)

t=t0 2 t=t0
i=1 i=1 j=1
1
≈ ∆·R + · RT · Γ · R
2
∆ = k∆i k ∆i = PR0 i

t=t0

00
Γ = kΓij k Γij = PRi ,Rj

t=t0
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Marktdaten, Marktrisikodaten und logarithmische


Rendite
Wir unterscheiden:
I Marktdaten (Yi (t))
I Marktrisikodaten
I logarithmische Rendite (Ri (t))

→ Marktrisikodaten |{z}
Marktdaten |{z} → logarithmischeRendite
MAPPER MAPPER


PR0 i = PY0 i · Yi (t0 )

t=t0 t=t0


∆∗i = PY0 i · Yi (t0 )

t=t0
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

VaR eines Portfolios / mehrere Risikofaktoren

Annahme:

lineare Aproximation der Wertveränderung des Portfolios


∆P ≈ ∆∗R mit R ∼ Nn (0, ∆tΣT Σ)

∆P - lineare Transformation von multivariat normalverteilten
Zufallsgrößen

allgemein : Z = aT · Y , Y ∼ Nn (µ, ΣT Σ)
σZ2 = var (Z ) = var (aT · Y ) = aT · Σ · a
σP2 = var (∆P) = ∆∗T Σ∆t∆∗ ⇒

√ √ √
Var (t, α) = σP · ∆t · F −1 (α) = ∆∗T Σ∆∗ · ∆t · F −1 (α)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

VaR eines Portfolios / mehrere Risikofaktoren

Annahme:

nichtlineare Aproximation der Wertveränderung des Portfolios:


n n n
X 1 XX ∗
∆P ≈ ∆∗i ∆Wi (t) + + Γij ∆Wi (t) · ∆Wj (t)
2
i=1 i=1 j=1

∆Wi (t) ∼ Nn (0, Σ · ΣT ∆t) ⇒

var (∆P) = ∆∗T Σ∆t∆∗ + 21 [(Γ∗ Σ∆t)2 ]

∆P - in der Regel √nicht normalverteilt ⇒


Var (t, α) 6= −σP · ∆t · F −1 (α)
⇒ Verwendung der Cornish-Fisher-Approximation
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel 1: VaR für ein USD/EUR Forward Trade


Position NUSD = −1, 000, 000 USD (Heimatwährung EUR)
Verkauf der Position in einem Jahr für NEUR = 700, 000 EUR
Risikofaktoren:

Y1 (t) = w (t) − WechselkursEUR/USD


Y2 (t) = IBZUSD (t) − Zero − ZinsenUSD
Y3 (t) = IBZEUR (t) − Zero − ZinsenEUR

Wert der Position / Portfolio P(t0 ):

P(t0 ) = P(Y1 (t0 ), Y2 (t0 ), Y3 (t0 )) =


= P(w (t0 ), IBZUSD (t0 ), IBZEUR (t0 )) =
1 1
= NUSD · w (t0 ) · + NEUR ·
1 + IBZUSD (t0 ) 1 + IBZEUR (t0 )
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel 1: VaR für ein USD/EUR Forward Trade

Risikofaktoren:

Y1 (t) = w (t) − WechselkursEUR/USD


1
Y1 (t) = IBDUSD (t) = − Diskontfaktoren USD
1 + IBZUSD (t)
1
Y1 (t) = IBDEUR (t) = − Dscontfaktoren EUR
1 + IBZEUR (t)

Wert der Position / Portfolio P(t0 ):

P(t0 ) = P(w (t0 ), IBDUSD (t0 ), IBDEUR (t0 )) =


= NUSD · w (t0 ) · IBDUSD (t0 ) + NEUR · IBDEUR (t0 )
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel 1: VaR für ein USD/EUR Forward Trade


NUSD = -1,000,000 USD
NEUR = 700,000 EUR
t0 : 31.8.2007

Risikofaktoren:

w (t0 ) =0.733382
IBDUSD (t0 )=0.952415
IBDEUR (t0 )=0.957041

P(t0 ) = NUSD · w (t0 ) · IBDUSD (t0 ) + NEUR · IBDEUR (t0 ) =


= −1, 000, 000 · 0.733382 · 0.952415 + 700, 000 · 0.957041 =
= −28, 554.84
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel 1: VaR für ein USD/EUR Forward Trade


Berechnung der ersten Ableitungen nach Risikofaktoren:

P(t0 ) = NUSD · w (t0 ) · IBDUSD (t0 ) + NEUR · IBDEUR (t0 )



0
Pw = NUSD · IBDUSD (t0 )
0
t=t0
PIBDUSD = NUSD · w (t0 )

0
t=t0
PIBDEUR = NEUR

t=t0

0
Pw = −1, 000, 000 · 0.952415 = −952414.78
0
PIBDUSD = −1, 000, 000 · 0.733382 = −733381.80
0
PIBDEUR = 700, 000
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel 1: VaR für ein USD/EUR Forward Trade

Berechnung der Sensitivitäten ∆∗ :



∆∗i = PY0 i · Yi (t0 )

t=t0

0
Pw · w (t0 ) = −952414.78 · 0.733382 = −698, 483.66
0
PIBDUSD · IBDUSD (t0 ) = −733381.80 · 0.952415 = −698, 483.66
0
PIBDEUR · IBDEUR (t0 ) = 700, 000 · 0.957041 = 669, 928.82
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel 1: VaR für ein USD/EUR Forward Trade

Datum FXR R − FXR IBD − EUR R − IBD − EUR IBD − USD R − IBD − USD

2007 − 08 − 31 0.7333 0.9570 0.9524


2007 − 08 − 30 0.7336 −0.00038 0.9572 −0.00017 0.9524 −0.00006
2007 − 08 − 29 0.7329 +0.00092 0.9574 −0.00020 0.9530 −0.00061
2007 − 08 − 28 0.7329 +0.00000 0.9576 −0.00029 0.9530 +0.00005
... ... ... ... ... ... ...

Yi (t)
Ri (t) = ln( )
Yi (t − 1)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel 1: VaR für ein USD/EUR Forward Trade


LogReturns

Logarithmische Rendite Logarithmische Rendite

IBDEUR (t) IBDUSD (t)


ln( IBD EUR (t−1)
) ln( IBD USD (t−1)
)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel 1: VaR für ein USD/EUR Forward Trade


LogReturns

Logarithmische Rendite Logarithmische Rendite

IBDEUR (t) IBDUSD (t)


ln( IBD EUR (t−1)
) ln( IBD USD (t−1)
)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel 1: VaR für ein USD/EUR Forward Trade


Berechnung der Risiken nach Risikofaktoren:

VaRYi (t, α)) ≈ ∆i · Yi (t0 ) · σi · ∆t · Φ−1 (α)
0

VaRYi (t, α)) ≈ PYi · Yi (t0 ) · σi · ∆t · Φ−1 (α)
t=t0
hier : ∆t = 1 , α = 0, 01

0 √
VaRw = Pw · w (t0 ) · σw · ∆t · Φ−1 (α)
= −952, 414.78 · 0.7334 · 0.0037 · 1 · (−2.326348) = 6, 001.35
0 √
VaRIBDUSD = PIBDUSD · IBDUSD (t0 ) · σIBDUSD · ∆t · Φ−1 (α)
= −733, 381.80 · 0.9524 · 0.0002 · 1 · (−2.326348) = 346.30
0 √
VaRIBDEUR = PIBDEUR · IBDEUR (t0 ) · σIBDEUR · ∆t · Φ−1 (α)
= 700, 000.00 · 0.9570 · 0.0003 · 1 · (−2.326348) = −486.31
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel 1: VaR für ein USD/EUR Forward Trade

Berechnung des GesamtVar:


√ √
Var (t, α) = ∆∗T Σ∆∗ · ∆t · F −1 (α)
hier : ∆t = 1 , α = 0, 01 ⇒
p
= − 6, 554, 785.68 · 1 · (−2.326348) = −5, 955.99

mit

∆∗T = −698, 483.66 −698, 483.66 669, 928.82



 
0.0000136407 0.0000000171 0.0000002320
Σ =  0.0000000171 0.0000000454 0.0000000504 
0.0000002320 0.0000000504 0.0000000974
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel 1: VaR für ein USD/EUR Forward Trade

Berechnung des GesamtVar:


q
Var (t, α) = − VaRYT · P · VaRY
p
= − 35, 473, 808.14 = −5, 955.99

mit

VaRYT =

6001.35 346.30 −486.31
P - Korrelationsmatrix
 
1.000000000 0.021698758 0.201305928
P =  0.021698758 1.000000000 0.757755193 
0.201305928 0.757755193 1.000000000
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Haltedauer 10 Tage
constant level of Risk:
√ √
Var (t, α) = ∆∗T Σ∆∗ · ∆t · F −1 (α)
hier : ∆t = 10 , α = 0, 01 ⇒
p √
= 6, 771, 906.36 · 10 · (−2.326348) = −18, 834.49

Verwendung der 10-tägigen Rendite:


√ √
Var (t, α) = ∆∗T Σ∆∗ · ∆t · F −1 (α)
hier : ∆t = 1 , α = 0, 01 ⇒
p
= 70, 080, 761.65 · 1 · (−2.326348) = −19, 474.85

mit
 
0, 0001420861 −0, 0000000436 −0, 0000016694
Σ =  −0, 0000000436 0, 0000003203 0, 0000004273 
−0, 0000016694 0, 0000004273 0, 0000008036
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel 1: gewichtetes und ungewichtetes VaR


ungewichtet gewichtet
s s
n n
σ = n1 (yi − y )2
P P
σ= (1 − λ) λi−1 (yi − y )2
i=1 i=1

i 1
n
(1 − λ)λi−1
1 0, 004 0, 060
2 0, 004 0, 056
3 0, 004 0, 053
4 0, 004 0, 050
...
250 0, 004 0, 000
ungewichtet gewichtet
σ = 0.0037 σ = 0.0036
√ √
Var (t, α) = ∆∗T Σ∆∗ · ∆t · F −1 (α)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Inhalte

I Zielstellung
I Momente / Kumulanten einer Verteilung
I Zusammenhang zwischen Quantil und Kumulanten einer
Verteilung
I Bestimmung der Kumulanten /Momente
I ein Beispiel
I Analysemöglichkeiten
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Zielstellung

Ziel: Praktikabler Lösungsansatz zur VaR-Berechnung, auch wenn


die Verteilungsfunktion der Wertveränderung des Portfolios nicht
oder nur schwierig explizit darstellbar ist (Besonders bei
Verwendung der quadratischen Approximation der
Wertveränderungsfunktion).

Cornish-Fisher-Approximation unterstellt einen Zusammenhang


zwischen den Parametern und Kumulanten einer Verteilung und
dem Quantil der Verteilung und dem Quantil der
Standardnormalverteilung.
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Momente einer Verteilung

X − Zufallsvariable
r − reelleZahl
mr (k) − k − tes Moment bezueglich der Zahl r
mr (k) = E [(X − r )k ]
m0 (k) = E [(X )k ] Anfangsmomente

m0 (1) = E [X ] = µ
m0 (2) = E [(X )2 ]
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Kumulanten und Momente

Kumulanten sind ebenfalls Kenngrößen einer Verteilung, die aus


der Charakteristischen Funktion abgeleitet werden. Es besteht ein
enger Zusammenhang zu den Momenten und anderer bekannter
Parameter einer Verteilung.

κ1 = m0 (1) = µ − (Mittelwert)
κ2 = m0 (2) − m0 (1)2 = var (x) − (Varianz)
κ3 = 2m0 (1)3 − 3m0 (1)m0 (2) + m0 (3) =
q
= ς3 κ32 − (ς3 − Skewness)
κ4 = 6m0 (1)4 + 12m0 (1)2 m0 (2) − 3m0 (2)2 − 4m0 (1)m0 (3) + m0 (4) =
= ς4 κ22 − (ς4 − Kurtosis)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Quantile und Kumulanten

Die Cornish-Fischer-Approximation berechnet näherungsweise das


Quantil der Verteilung der Wertveränderung des Portfolios in
Abhängigkeit der Kumulanten (Momente, Parameter)der
Verteilung der Wertveränderung des Portfolios und dem Quantil
der Standardnormalverteilung
 
√ 1 κ3 3 1 κ4 3 1 κ23 3
xα ≈ κ1 + κ2 zα + q (zα − 1) + (zα − 3zα ) − (2zα − 5zα )
 
6 κ3 2
24 κ2 36 κ32
2

xα − α − Quantil der Verteilung der Wertveraenderung


zα − α − Quantil der Standardnormalverteilung
κi − Kumulanten
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Berechnung der Kumulanten

Die Kumulanten werden aus der Kovarianzmatrix Σ, den Deltas ∆


(Vektor der ersten Ableitungen) und den Gammas in der Form der
Hessematrix Γ (Matrix der zweiten Ableitungen) berechnet:

1
κ1 = trace(ΓΣ)
2
1
κ2 = trace((ΓΣ)2 ) + ∆T Σ∆
2
κ3 = trace((ΓΣ)3 ) + 3∆T Σ(ΓΣ)∆
κ4 = trace(3(ΓΣ)4 ) + 12∆T Σ(2 ΓΣ)∆
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Cornish-Fisher Approximation im RC
Risikoberechnungstool: RiskEngine /TotalRiskEngine

Input:
I Sensitivitäten (Delta,Gammas für zentrale und dezentrale
Marktrisikodaten)
I AddOns
I Konfidenzniveau, Haltedauer
Output:
I Cornish-Fisher VaR
I Risikoaggregation (GesamtVaR)
I TeilRisiken (z.B. IndividualRisiko, Korrelationsterme)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Risiko-Aggregation in TotalRiskEngine
Teilrisiken:
I Zentrales VaR - VaR Zentral
I IndividualVaR - VaR Ind
I EQ-VaR - VaR EQ

Weitere Bestandteile:
I Korrelationsterm - B Korr B KorrII
I lineares AddOn (vollständige Korrelation mit anderen Risikofaktoren) -
AddOnTyp1
I Wurzel AddOn (keine Korrelation mit anderen Risikofaktoren) - AddOnTyp2

q
VaR Gesamt = − (VaR Zentral )2 + B Korr + B KorrII + (VaR Ind )2 + (AddOnTyp2 )2 +
+ VaR EQ + AddOnTyp1
q
Var RiskEngine = − (VaR Zentral )2 + B Korr + B KorrII + (VaR Ind )2
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Output TotalRiskEngine AH LBB unweighted, 1d


5.11.2007 6.11.2007
Gesamt − VaR : −27, 598, 389 −27, 117, 359
RiskEngineVaR : −11, 431, 708 −10, 798, 280
VaRZentral : −13, 862, 320 −13, 062, 238
B − Korrelation : −105, 368, 890, 821, 442 −97, 490, 990, 552, 931
VaR − Individual : −5, 591, 029 −5, 694, 107
Aktien − Vega − Risiko : −465 −80
AddOnTyp2 : −978, 150 −974, 135
AddOnTyp1 : −16, 124, 445 −16, 275, 149
Mean : −77, 191.12 −78, 251.24
Variance : +23, 789, 282, 797, 249.70 +21, 198, 910, 511, 983.00
Skewness : −0.002205 −0.002650
Kurtosis : +0.000025 +0.000032
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Parameter der Verteilung und Kumulanten AH LBB

Aus den Parametern der Verteilung lassen sich die Kommulanten


berechnen (5.11.2007):

Parameter Kumulanten
Mean/κ1 : −77, 191.12 −77, 191.12
Variance/κ2 : 23, 789, 282, 797, 249.70 23, 789, 282, 797, 249.70
Skewness/κ3 : −0.002205 −255, 827, 574, 246, 923, 000.00
Kurtosis/κ4 : 0.000025 4, 232, 284, 542, 064, 200, 000, 000.00
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Analyse Risikoentwicklung AH LBB

Analysemöglichkeit:
√ 1 κ3 (zα2 − 1) 1 κ4 (zα3 − 3zα ) 1 κ23 (2zα3 − 5zα )
xα ≈ κ1 + κ2 zα + + p − p
6 κ2 24 3
κ2 36 κ52
≈ A+B +C +D −E

A B C D E Summe
Einzelbeitrag : −1, 060.12 635, 554.46 −1, 063.72 −5.99 3.24 633, 427.88

05.11.2007 06.11.2007 Differenz


RiskEngineVaR : −11, 431, 707.61 −10, 798, 279.73 633, 427.88
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Inhalte

I Idee der Historischen Simulation


I Das Verfahren
I Full / Partial Simulation
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Idee der Historische Simulation 1


gegeben:
I Aktuelle Marktdaten (logarithmische Rendite) - Ri (0), i = 1, 2, ..., n
I Historische Marktdaten (logarithmische Rendite) -
Ri (t), t = −1, −2, ..., −250
I aktueller Marktwert des Porfolios P(0) = P(R1 (0), R2 (0), ..., Rn (0))
Bewerten des aktuellen Portfolios mit den historischen Marktdaten
(logarithmische Rendite)

P(t) = P(R1 (t), R2 (t), ..., Rn (t)), t = −1, −2, ..., −250
Berechnen der Wertveränderung des Portfolios (aktuelle Marktdaten vs.
historische Marktdaten)

∆P(t) = P(t) − P(0)


= P(R1 (t), R2 (t), ..., Rn (t)) − P(R1 (0), R2 (0), ..., Rn (0))

⇒ 250 Wertveränderungen des Portfolios:


∆P(−1), ∆P(−2), ..., ∆P(−250) ⇒ diskreteVerteilung
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Idee der Historische Simulation 2

Quantilsbestimmung einer diskrete Verteilung


I Ordnen der Wertveränderungen der Größe nach
P(1) ≤ P(2) ≤ ... ≤ P(250) Achtung (neue Numerierung!)
I Berechnen des Quantils der diskreten Verteilung (bei gegebenen
Konfidenznivaus α)
I α = 0, 01 bei n =250 ⇒ Mittelwert der zweit- und drittkleinsten
Wertveränderung 12 (P(2) + P(3)) neue Numerierung
I α = 0, 10 bei n =250 ⇒ die 25-kleinste Wertveränderung (P(25))
neue Numerierung
I α = 0, 05 bei n =250 ⇒ Mittelwert der 12- und 13-kleinsten
Wertveränderung 12 (P(12) + P(13)) neue Numerierung
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel: VaR einer FX-Cash Position - historische


Simulation
Position N = 1,000,000 USD Heimatwährung EUR
Haltedauer t = 1
Konfidenzniveau α = 0.01
Wechselkurs am 31.8.2007 Y (t0 ) = 0.73338

Rohdaten Y(t) Logarithmische Rendite

Wechselkurs Dollar - Euro (4.9.2006-31.8.2007)


⇒ 251(0) Beobachtungen

(Inverse Zeitachse)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel: VaR einer FX-Cash Position - hist. Sim.

t Datum Yi(t) Ri (t) ˜


∆Yi(t) ∆P(t)
0 2007 − 08 − 31 0.7334
−1 2007 − 08 − 30 0.7337 −0.000388 0.7331 −284.5
−2 2007 − 08 − 29 0.7330 0.000925 0.7341 679.0
−3 2007 − 08 − 28 0.7330 −0.000005 0.7334 −3.5
−4 2007 − 08 − 27 0.7328 0.000259 0.7336 190.2
−5 2007 − 08 − 24 0.7335 −0.000988 0.7327 −724.1
... ... ... ... ... ...

Yi (t − 1)
Ri (t) = ln( ), t = −1, −2, ..., −250
Yi (t)
∆Y˜i (t) = e Ri (t) Yi (0), t = −1, −2, ..., −250
∆P(t) = N(∆Y˜i (t) − Yi (0)), t = −1, −2, ..., −250
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

VaR einer FX-Cash Position - hist. Sim.

Histogramm ∆P(t) geordnete ∆P(t)


Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Beispiel: VaR einer FX-Cash Position - hist. Sim.

Datum ∆P(t) t neueNum.


2006 − 11 − 21 −7535.5 −195 1
2006 − 11 − 23 −7393.4 −193 2
2007 − 02 − 13 −6575.9 −138 3
2006 − 12 − 18 −6072.0 −176 4
2006 − 11 − 06 −5924.5 −206 5
2007 − 06 − 29 −5896.3 −45 6
... ... ... ...

1 1
VaR(α = 0, 01) = (P(2) + P(3)) = (−7393.4 − 6575.9) = −6984.653307
2 2
VaR(α = 0, 01) = −6, 314.28 (Varianz − Kovarianz − Verfahren)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Bemerkung 1: Berücksichtigung Antithetic


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.

∆Y˜i (t) = e Ri (t) Yi (0), t = −1, −2, ..., −250


und
∆Y¯i (t) = e −Ri (t) Yi (0), t = −1, −2, ..., −250
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation

Bemerkung 2:Full / Partial Valuation

Bisher: Full Valuation


Anderses Vorgehen: Partial Valuation
Im Unterschied zur Full Valuation werden die Wertveränderungen
via Taylor-Approximation zweiten Grades ermittelt.