November 2007
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation
Inhalt
Definitionen 1
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
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))
Dichtefunktion / Verteilungsfunktion
Dichtefunktion:
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
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
ZQp
P(X < Qp ) = F (Qp ) = f (t)dt = p
−∞
Bemerkungen
Varianz-Kovarianz-Methode
√
∆Y = µ · ∆t + σ · X · ∆t
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation
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
Y (t)
R(t) = ∆lnY (t) = lnY (t) − lnY (t0 ) = ln( )
Y (t0 )
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
weitere Modellannahme:
Zentriertheit der logarithmischen Rendite µ̃ = 0:
R(t) ∼ N(0, σ 2 )
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
Yi (t)
Ri (t) = ln( )
Yi (t − 1)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation
(Inverse Zeitachse)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation
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
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
R(t) ∼ Nn (0 , Σ · ΣT )
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation
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
∆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
→ 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
Annahme:
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
Annahme:
Risikofaktoren:
Risikofaktoren:
w (t0 ) =0.733382
IBDUSD (t0 )=0.952415
IBDEUR (t0 )=0.957041
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
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
Datum FXR R − FXR IBD − EUR R − IBD − EUR IBD − USD R − IBD − USD
Yi (t)
Ri (t) = ln( )
Yi (t − 1)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation
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
mit
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
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
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
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
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
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
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
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
Inhalte
P(t) = P(R1 (t), R2 (t), ..., Rn (t)), t = −1, −2, ..., −250
Berechnen der Wertveränderung des Portfolios (aktuelle Marktdaten vs.
historische Marktdaten)
(Inverse Zeitachse)
Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation Historische Simulation
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
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