Post on 05-Apr-2015
transcript
Der Einfluss von Inputparametern auf Value at Risk - Modelle am Beispiel des Portfolios einer österreichischen Bank
FH Wien | Studiengang Financial Management & Controlling
Präsentation CFA Society Austria
Kathrein Bank | 1010 Wien, Wipplingerstrasse 25
29.11.2013
Verfasst von: DI Mag. (FH) Alexandra Petermann MA
Betreuer: Mag. Dr. Donald Baillie, FRM
2
Problemstellung
Value at Risk (VaR) = Risikomaß
VaR = „Mit einer Wahrscheinlichkeit von X % wird das Portfolio nicht mehr als V Euro in den nächsten N Tagen an Wert verlieren.“
2 grundsätzliche Verfahren zur Risikomessung:
Varianz-Kovarianz-Ansatz
Historische Simulation
Welches ist das „bessere“ Modell?
Welche sind die wesentlichen Einflussfaktoren?
3
Forschungsfragen
(1) a) Welche Unterschiede bestehen in der methodischen Vorgehensweise zwischen den Value at Risk Ansätzen der historischen Simulation versus Varianz-Kovarianz?
b) Was sind die jeweiligen Funktionsweisen von historischer Simulation bzw. Varianz-Kovarianz-Ansatz?
c) Was sind die jeweiligen Inputparameter?
d) Was sind die jeweiligen Besonderheiten von historischer Simulation bzw. Varianz-Kovarianz-Ansatz?
e) Was sind die jeweiligen und Vor- und Nachteile von historischer Simulation bzw. Varianz-Kovarianz-Ansatz?
(2) a) Wie erfolgt im Speziellen die Aufbereitung des Inputparametes „historische Daten“?
b) Wie soll mit nicht verfügbaren Daten umgegangen werden?
c) Sind Gewichtungen auf historische Modelle anwendbar?
(3) Welche Unterschiede bestehen bei der Berechnung des VaR unter Verwendung der unterschiedlichen Modelle und Parametrisierungen in den Softwarepaketen KVaR+ und SAS?
4
Methode
1. Theoretische Analyse Literaturrecherche
Verifizierung durch Beispiele (Vergleich des Varianz-Kovarianz-Ansatzes mit Historischer Simulation anhand eines fiktiven Portfolios)
2. Empirische Untersuchung Vergleich von zwei gängigen Softwareprogrammen zur
Risikoberechnung
Reales Portfolio
Daten wurden von der RLB NÖ-Wien zur Verfügung gestellt
5
Ergebnisse
Forschungsfrage 1a)Welche Unterschiede bestehen in der methodischen Vorgehensweise zwischen den Value at Risk Ansätzen der HS bzw. VC?
Varianz-Kovarianz-Ansatz Parametrischer Ansatz.
Legt statistische Annahmen über die Verteilungsfunktionen F(x) der Risikofaktoren zugrunde.
Ab zwei Risikofaktoren muss die Korrelation zwischen den Risikofaktoren berücksichtigt werden.
Historische Simulation Numerischer Ansatz.
Braucht keine spezifische Verteilungseigenschaft der Risikofaktoren. Beruht auf den empirischen Daten der Vergangenheit.
6
Ergebnisse
Forschungsfrage 1b)Was sind die jeweiligen Funktionsweisen von HS bzw. VC-Ansatz?
Varianz-Kovarianz-Ansatz Ermittlung bzw. Schätzung der Varianzen und Kovarianzen
erforderlich Kovarianz-Matrix.
VaR = Standardabweichung x Multiplikator abh. vom Konfidenzniveau
Historische Simulation Mathematisch einfache zugrundeliegende Rechenoperationen
„simples Modell“.
Die historischen Veränderungen eines Risikofaktors werden in der Simulation mit dem aktuellen Marktpreis des Assets kombiniert.
VaR = als Quantilwert der sortierten Wertänderungen.
7
Ergebnisse
Forschungsfrage 1d)Was sind die jeweiligen Besonderheiten von HS bzw. VC-Ansatz?
Varianz-Kovarianz-Ansatz Normalverteilung der Risikofaktoren wird unterstellt
Praxis: Renditen sind nicht normalverteilt, sondern haben eine leptokurtische Verteilung
VaR-Ergebnisse werden sehr stark von der Richtigkeit der Schätzmethode der Varianz-Kovarianz-Matrizen beeinflusst.
Historische Simulation Braucht keine spezifische Verteilungseigenschaft der
Risikofaktoren. Beruht auf den empirischen Daten der Vergangenheit.
8
Ergebnisse
Forschungsfrage 1e)Was sind die jeweiligen und Vor- und Nachteile von HS bzw. VC-Ansatz?
Historischer Beobachtungszeitraum (IF 5) Varianz-Kovarianz-Ansatz
+ Einfache Formel.
- Schätzung der Varianzen und Kovarianzen wird mit steigender Anzahl der Positionen schnell komplex.
- Praxis: Renditen sind nicht normalverteilt, sondern haben eine leptokurtische Verteilung.
Historische Simulation+ HS stellt das praxistauglichere Modell dar.
- Vollständiger und gepflegter Datenhaushalterforderlich.
Abhängig von den Inputfaktoren der VaR-Berechnung.
9
Theorie: Normalverteilung
Praxis: leptokurtische Verteilung
Tägliche Wertänderungen (P/L‘s)
HS stellt das „praxistauglichere“ Modell dar.
Ergebnisse - Forschungsfragen 1a, b, d, e)
Varianz-Kovarianz-Ansatz Historische Simulation
VaR
10
Ergebnisse - Forschungsfragen 1a, b, d, e)
Varianz-Kovarianz-Ansatz
Normalverteilung der Risikofaktoren wird unterstellt
Ab zwei Risikofaktoren muss die Korrelation zwischen den Risikofaktoren berücksichtigt werden. Kovarianz-Matrix
Praxis: Renditen sind nicht normalverteilt, sondern haben eine leptokurtische Verteilung
VaR-Ergebnisse werden sehr stark von der Richtigkeit der Schätzmethode der Varianz-Kovarianz-Matrizen beeinflusst.
Historische Simulation
Braucht keine spezifische Verteilungseigenschaft der Risikofaktoren. Beruht auf den empirischen Daten der Vergangenheit.
Mathematisch einfache zugrundeliegende Rechenoperationen „simple Modelle“.
HS stellt das „praxistauglichere“ Modell dar.
Vollständiger und gepflegter Datenhaushalt erforderlich.
Abhängig von den Inputfaktoren der VaR-Berechnung.
11
Ergebnisse - Forschungsfrage 1c)
Inputfaktoren:
1) Konfidenzniveau
2) Haltedauer
3) Art der Renditenberechnung
4) Verfügbarkeit der Daten
5) Historischer Beobachtungszeitraum
6) Gewichtung der historischen Daten
7) Prognostizierbarkeit der Volatilität
8) Art der Quantilermittlung
12
Ergebnisse - Forschungsfrage 1c)
Inputfaktor: Konfidenzniveau
Wahrscheinlichkeit, mit der die tatsächliche Änderung des Wertes eines Portfolios den VaR nicht überschreitet.
99 %: in 100 Tagen überschreiten die tatsächlichen Verluste höchstens einmal den VaR
Praxis: 95 % - 99 %
Fazit: IF ist in der Praxis gut ausdiskutiert.
13
Ergebnisse - Forschungsfrage 1c)
Inputfaktor: Haltedauer
Zeitraum, über den der VaR berechnet wird
= Zeitraum, der benötigt wird, um eine Risikoposition glattzustellen
≠ Abstand zwischen zwei Risikomessungen
Praxis: 1 Tag (Banken); 10 Tage (lt. Basel III)
Fazit: IF ist in der Praxis gut ausdiskutiert.
14
Ergebnisse - Forschungsfrage 1c)
Inputfaktoren: Konfidenzniveau, Haltedauer und Art der Renditeberechnung
VaR = „Mit einer Wahrscheinlichkeit von X % wird das Portfolio nicht mehr als V Euro in den nächsten N Tagen an Wert verlieren.“
Konfidenzniveau
Haltedauer
15
Ergebnisse - Forschungsfrage 1c)
Inputfaktor: Art der Renditenberechnung
Stetige vs. diskrete Rendite
Illustration fiktives Portfolio: Abw. 0,0 % – 0,3 %
Hypothesentest: t-Test für abhängige (gepaarte) Stichproben
Behauptung: Differenz kleiner gleich 1 %
Erst bei 3 % kann die Nullhypothese abgelehnt und die Alternativhypothese bestätigt werden
Praxis: stetige Rendite empfohlen
Fazit: Handhabung in Praxis geregelt.
16
Ergebnisse - Forschungsfrage 1c)
Inputfaktor: Verfügbarkeit der Daten
Finanzmarktdaten: jährlich theoretisch rund 250 Datenpunkte je Risikofaktor
Problematik: Lücken in den Datenreihen
Praxis: „Fill“ bzw. „Fill Backward“
Illustration anhand fiktives Portfolio: Abweichung 0,0 % – 0,3 %
Fazit: Handhabung in Praxis geregelt.
Beantwortet auch Forschungsfrage 2b)
17
Ergebnisse - Forschungsfrage 1c)
Inputfaktor: Historischer Beobachtungszeitraum
Wie weit werden zurückliegende Daten in der Berechnung berücksichtigt?
Problematik: Auswahl des optimalen Zeitfensters
Zu kurz gewählt: Wesentliche Informationen fallen evtl. bei der Ermittlung des VaR heraus
Zu lange gewählt: „Geistereffekt“, „Memoryeffekt“
Praxis: mind. 1 J. (Basel III)
Fazit: IF hat eine wesentliche Auswirkung auf das Ergebnis! Forschungsfrage 2a)
18
Ergebnisse - Forschungsfrage 1c)
Inputfaktor: Gewichtung der historischen Daten
Historische Daten sind Grundlage jeder VaR-Berechnung:
Varianz-Kovarianz-Ansatz: Basis für Ermittlung von Wahrscheinlichkeiten u. Korrelationen
Historische Simulation: Wertveränderungen
Fokus liegt auf der Aufarbeitung der historischen Zeitreihen: (Wie) Kann man historische Daten gewichten?
Fazit: IF hat eine wesentliche Auswirkung auf das Ergebnis! Forschungsfrage 2c)
19
Inputfaktoren: Historischer Beobachtungszeitraum und Gewichtung der Daten
Ergebnisse - Forschungsfrage 1c)
522 d
300 d
Sind alle historischen Daten gleich „wichtig“?
Stichtag der VaR-Berechnung:06.07.2012
20
Ergebnisse - Forschungsfrage 2c)
Sind Gewichtungen auf historische Modelle anwendbar?
4 Modelle zur Gewichtung von historischen Daten
Gewichtung nach dem Alter (nach Boudoukh, Richardson and Whitelaw)
Gewichtung nach der Volatilität (nach Hull and White)
Gewichtung nach der Volatilität und Berücksichtigung von Korrelationen (nach Barone-Adesi)
Gewichtung unter Berücksichtigung der Veränderungen zwischen vergangenen und aktuellen Korrelationen (nach Duffie and Pan)
Rechenintensität steigt rasant von Modell zu Modell
21
Ergebnisse - Forschungsfrage 1c)
Inputfaktor: Prognostizierbarkeit der Volatilitäten
Vorhersage der Entwicklungen in der Zukunft, insbesondere der Volatilität, spielt eine zentrale Rolle bei der Risikomessung von Marktrisiken
Praxis: keine konstanten Volatilitäten sondern Volatilitätscluster
Ob und wie können diese (veränderlichen) Volatilitäten prognostiziert werden?
Fazit: IF hat eine wesentliche Auswirkung auf das Ergebnis! Forschungsfrage 2a)
22
Ergebnisse - Forschungsfrage 1c)
Inputfaktor: Prognostizierbarkeit der Volatilität
Geringe Vola – VaR wird idR unterschätzt
Hohe Vola – VaR wird idR überschätzt
23
Ergebnisse - Forschungsfrage 2a)
Wie erfolgt die Aufbereitung des Inputparametes „historische Daten“?
Wie groß wird die Volatilität sein? Modellierung von Finanzmarktdaten
EWMA-Modell, GARCH-Modell
Praxis: GARCH-Modell
berücksichtigt Volatilitätsclustering und Mittelwertannäherung
Volatilität hängt nicht nur von der Historie der Zeitreihe ab, sondern auch von ihrer eigenen Historie
kann schnell auf Marktveränderungen reagieren
24
Ergebnisse - Forschungsfrage 1c)
Inputfaktor: Art der Quantilermittlung
VaR entspricht dem negativen Quantil qp der P/L-Verteilung
Parametrische Methoden: Normalverteilung: alle Quantile sind eindeutig definiert
Numerische Methoden: Ermittlung des Quantilwerts empirisch aus einer geordneten Reihe
Problematik bei gewichteten Datenreihen
Fazit: IF hat eine wesentliche Auswirkung auf das Ergebnis! Forschungsfrage 2c)
25
Ergebnisse - Forschungsfrage 1c)
Inputfaktor: Art der Quantilermittlung
Gleichgewichtung der Daten:Quantil eindeutig definiert.
Ungleichgewichtung der Daten:Quantil NICHT eindeutig definiert.
26
Ergebnisse - Forschungsfrage 3)
Parameter der Berechnung
Portfolio bestehend aus 2 Aktien: CH0012221716 (EQUITIES-P106552_61016, 1.500 Stk.) und DE000A1EWWW (EQUITIES-P108831_117816, 300 Stk.)
Historische Simulation: Konfidenzniveau: 99 %
Haltedauer 1 d
Stetige Renditenberechnung
Beobachtungsfenster 522 d bzw. 300 d
Gewichtung nach dem Alter
Berechnung mit KVaR+, SAS, eigene Berechnung
27
Ergebnisse - Forschungsfrage 3)
Vergleich VaR (d = 300 d vs. 522 d)
Ergebnis der VaR-Ermittlung: = 1,0 = 0,95 = 0,90
Ergebnis KVAR+, Historischer Beobachtungszeitraum 522 d
VaR (KVAR+) -1.475,7226 -1.048,7736 -879,5144
Ergebnis eigene Berechnung, Historischer Beobachtungszeitraum 300 d
VaR (Interpolation nach
Boudoukh/Richardson/Whitelaw)
-1.812,3101 -1.056,4223 -885,9245
Abweichung zu KVAR+ 23 % 1 % 1 %
28
Ergebnisse - Forschungsfrage 3)
Entwicklung des VaR (d = 300 d)
SAS
KVAR+
83 %
29
Ergebnisse - Forschungsfrage 3)
Unterschiede Softwarepaket KVaR+ und SAS
KVaR+ ermöglicht die Festlegung von verschiedenen IF für die Berechnung und sieht eine Gewichtung nach dem Alter vor.
SAS berücksichtigt im Standard keine Gewichtung.
Abweichung ungewichtete SAS-Standardvariante zur gewichteten KVaR+ - Variante bis zu 83 % (Beispiel reales Portfolio).
30
Schlussfolgerung (1/2)
Literatur kennt als Inputparameter i.e.S.: Konfidenzniveau
Haltedauer
Weitere Einflussparameter: Art der Renditenberechnung
Verfügbarkeit der Daten
In der Praxis bisher nicht als Inputfaktoren identifiziert:
Historischer Beobachtungszeitraum
Gewichtung der historischen Daten
Prognostizierbarkeit der Volatilitäten
Art der Quantilermittlung
Wesentlicher Einfluss auf das Ergebnis!
31
Schlussfolgerung (2/2)
Nicht nur 2 Inputfaktoren beeinflussen den VaR massiv.
2 gängige Programme berücksichtigen (in der Standardvariante) nur teilweise eine Festlegung der
Inputfaktoren
keine (SAS) oder lediglich eine simple Gewichtung (KVaR+) der historischen Daten.
32