В настоящей главе рассматривается методика определения риска портфеля, получившая название VaR. Мы определим понятия абсолютного и относительного VaR, диверсифицированного и не диверсифицированного VaR и приведем метод расчета параметрической модели VaR. В заключение главы определим понятие EaR.
В 90-е годы прошлого века теория и практика управления портфелем обогатилась концепцией VaR (Value at Risk). На русский язык VaR можно перевести как стоимость (портфеля), которой рискует инвестор. Появление методики VaR объясняется тем, что во многих случаях дисперсия не может рассматриваться как подходящий показатель измерения риска портфеля. Например, дисперсия не учитывает возможную скошенность в распределении доходности портфеля, если оно не является симметричным. Наиболее ярким случаем являются портфели, включающие значительную долю производных инструментов. Таким образом, VaR - это показатель, оценивающий риск портфеля. Следует подчеркнуть, что VaR оценивает рыночный риск. Он позволяет количественно оценить ожидаемые потери в стоимости портфеля в "нормальных условиях" функционирования рынка.
VaR - это показатель риска, который показывает, какую максимальную сумму денег может потерять портфель инвестора в течение определенного периода времени с заданной доверительной вероятностью. Соответственно VaR также говорит о том, что потери в стоимости портфеля в течение этого периода времени будут меньше данной величины с определенной вероятностью. Доверительную вероятность можно определить как показатель, говорящий о том, какое количество раз из каждых 100 раз потери в стоимости портфеля не превысят данного уровня. Поэтому VaR призван ответить на следующий вопрос: "Какой может оказаться максимальная потеря в стоимости портфеля, например, в 95% случаев в течение следующего дня?" Уровень доверительной вероятности задается заранее и зависит от характера компании, владеющей портфелем, и от субъективного подхода управляющего портфелем к этому вопросу. Обычно он равен 95% или 99%. Следует подчеркнуть, что выбор того или иного уровня доверительной вероятности не говорит об отношении инвестора к риску, так как VaR - это только определенная точка в распределении ожидаемых результатов доходности портфеля.
Пусть стоимость портфеля инвестора составляет 100 млн. руб., VaR для одного дня равен 2 млн. руб. с доверительной вероятностью 95%. Данную информацию можно интерпретировать следующим образом: а) вероятность того, что в течение следующих 24 часов потери в стоимости портфеля составят меньше 2 млн. руб. равна 95% или б) вероятность того, что в течение следующих 24 часов потери в стоимости портфеля превысят 2 млн. руб. равна 5%, или в) инвестор вправе ожидать, что в среднем его потери в течение 95 дней из каждых 100 дней не превысят 2 млн. руб., или что они окажутся больше 2 млн. руб. в течение 5 дней из каждых 100 дней.
При расчете VaR для некоторого временного интервала предполагается, что состав портфеля за этот период остается неизменным. В противном случае необходимо пересчитывать и значение VaR, так как новые активы, включаемые в портфель, как правило, изменяют и его риск.
Наиболее распространенный период, для которого рассчитывается VaR, -это один день или точнее - 24 часа. Однодневный VaR также обозначают как DEaR (Daily Earning at Risk). Базельский банк международных расчетов рекомендует банкам рассчитывать 10-дневный VaR с доверительной вероятностью 99% для определения минимального уровня собственных средств. Можно рассчитывать данный показатель и для более длительных периодов времени. Однако в этом случае состав портфеля должен оставаться неизменным. Для крупных институциональных инвесторов это условие вряд ли выполнимо. В целом, чем больше период времени, для которого рассчитывается VaR, тем больше будет и его величина, так как естественно, что на более длительном отрезке времени возрастает и вероятность более крупных потерь. Выбор более короткого периода VaR диктуется и самим подходом к статистической оценке данного показателя. Чтобы получить объективную оценку VaR, необходимо некоторое минимальное количество наблюдений. Например, если для оценки требуется 250 наблюдений, то однодневный VaR можно определить на основе данных за один год. Если же определяется десятидневный VaR, то 250 наблюдений с не перекрывающимися периодами в десять дней потребуют данных практически за семь лет. Для текущей оценки данные семилетней давности могут оказаться уже и не достаточно представительными. Кроме того, по ряду инструментов они могут просто отсутствовать физически.
При анализе риска с помощью VaR задача сводится к тому, чтобы построить распределение убытков и прибылей, которые может принести портфель инвестора в течение определенного периода времени и определить ту точку на этом распределении, которая бы соответствовала требуемому уровню доверительной вероятности. Существуют разные методики определения VaR, Все их можно разделить на две группы: параметрические модели (их еще называют аналитическими или дисперсионно-ковариационными) и непараметрические модели. Модель называется параметрической, если нам известна функция распределения случайной величины и параметры ее распределения. В параметрической модели VaR предполагается, что доходность финансовых активов следует определенному виду вероятностного распределения, обычно нормального. Используя прошлые данные статистики, определяют ожидаемые значения доходностей, дисперсий и ковариаций доходностей активов. На их основе рассчитывают VaR портфеля для заданного уровня доверительной вероятности по следующей формуле:
Примером параметрической модели VaR являются "Рискметрики" банка Дж.П.Морган, обнародованные им в 1994 г.
Определить однодневный VaR с доверительной вероятностью 95% для портфеля стоимостью 10 млн. руб., в который входят акции только одной компании. Стандартное отклонение доходности акции в расчете на год равно 25%.
Так как необходимо определить однодневный VAR, то вначале рассчитаем стандартное отклонение доходности акции для одного дня, учитывая, что в году 250 торговых дней:
По таблице нормального распределения (функция Лапласа) находим, что уровню доверительной вероятности в 95% соответствует 1,65 стандартных отклонений. VaR портфеля равен:
Таким образом, в течение следующих 24 часов максимальные потери в стоимости портфеля инвестора с доверительной вероятностью 95% могут составить 260,7 тыс. руб. Другими словами, в течение следующих 24 часов вероятность потерять сумму денег меньше 260,7 тыс. руб. равна 95%, а сумму больше 260,7 тыс. руб. - 5%.
Существуют понятия абсолютного и относительного значения VaR. В приведенном выше примере был представлен абсолютный VaR. Абсолютный VaR можно определить как максимальную сумму денег, которую может потерять портфель инвестора в течение определенного периода времени с заданной доверительной вероятностью. Относительный VaR отличается от абсолютного тем, что он рассчитывается относительно ожидаемой доходности портфеля. Его значение учитывает, что инвестор с заданной вероятностью не только может потерять сумму равную абсолютному VaR, но и не получить сумму равную средней ожидаемой доходности портфеля за рассматриваемый период. Так, в примере 1 однодневный абсолютный VaR с доверительной вероятностью 95% составлял 260,7 тыс. руб. Допустим, что на основании данных за прошлый год средняя доходность портфеля за день составляла 0,1%. От 10 млн. руб. это составляет 10 тыс. руб. Тогда относительный VaR равен:
Если ожидаемая доходность портфеля равна нулю, то значения абсолютного и относительного VaR совпадают.
Рассмотрим еще один пример на расчет абсолютного значения VaR.
Определить однодневный VaR с доверительной вероятностью 95% для портфеля стоимостью 10 млн. руб., в который входят акции двух компаний. Уд. вес первой акции в стоимости портфеля составляет 60%, второй - 40%. Стандартное отклонение доходности первой акции в расчете на один день равно 1,58%, второй - 1,9%, коэффициент корреляции доходностей акций равен 0,8.
Определяем стандартное отклонение доходности портфеля:
По таблице нормального распределения (функция Лапласа) находим, что уровню доверительной вероятности в 95% соответствует 1,65 стандартных отклонений. По формуле (9.1) определяем VaR портфеля:
Аналогично примеру 2 находится VaR для портфеля, состоящего и из акций большего количества компаний. В этом случае дисперсия доходности портфеля рассчитывается по формуле (1.30).
При расчете риска портфеля вместо формулы (1.30) удобно воспользоваться матричной формой записи (см. формулу (1.39)). Тогда дисперсию доходности портфеля в примере 2 найдем как:
где 2,4 - ковариация доходностей акций.
Стандартное отклонение доходности портфеля равно:
В примере 2 VaR можно определить также другим способом. Вначале определить VaR по каждой акции и после этого VaR портфеля. В этом случае VaR портфеля рассчитывается по формуле:
где V - матрица-столбец значений VaR по каждой бумаге;
VT- транспонированная матрица-столбец значений VaR по каждой бумаге, т.е. матрица-строка;
р - корреляционная матрица размерности пхп (п - число активов в портфеле).
Определим в примере 2 абсолютный VaR для первой акции:
Абсолютный VaR для второй акции равен:
Абсолютный VaR портфеля составляет:
Инвестор может держать средства в иностранных ценных бумагах. В этом случае он подвергается помимо риска падения курсовой стоимости бумаг и валютному риску. Риск состоит в том, что иностранная валюта подешевеет. В результате ее конвертации в национальную возникнут потери. Поэтому показатель VaR портфеля должен отразить данный факт. Рассмотрим вначале портфель, состоящий из одной акции иностранной компании.
Российский инвестор купил акции компании А на 357,143 тыс. долл. Стандартное отклонение доходности акции составляет 1,58%. Курс доллара 1долл.=28 руб., стандартное отклонение валютного курса в расчете на один день 0,6%, коэффициент корреляции между курсом доллара и ценой акции компании А равен 0,2. Определить VaR портфеля инвестора с доверительной вероятностью 95%.
Текущий курс доллара равен 28 руб., поэтому рублевый эквивалент позиции инвестора составляет:
Это означает, что в настоящий момент инвестор рискует суммой в 10 млн. руб., и данный риск обусловлен двумя факторами: возможным падением котировок акций компании А и падением курса доллара. Реализация любого из данных рисков приведет к падению стоимости портфеля ниже суммы в 10 млн. руб. Поскольку цена акций компании А и валютный курс имеют корреляцию существенно меньшую чем плюс один, то общий риск портфеля уменьшается за счет эффекта диверсификации. Поэтому дисперсия доходности портфеля равна:
Стандартное отклонение доходности составляет:
Однодневный VaR портфеля равен:
В данной задаче дисперсию портфеля можно было определить с помощью матричного исчисления, а именно:
В примере 2 мы привели еще один способ нахождения VaR портфеля с помощью формулы (9.2) на основе расчета VaR по каждому активу. Решим пример 3 с помощью данной формулы. Вначале определяем показатели VaR для акции (VaR a) и валютного курса (VaR b):
VaR портфеля составляет:
Рассмотрим пример, когда портфель инвестора включает разные валюты.
Курс доллара составляет 1долл.=28 руб., курс евро - 1евро=34 руб. Банк купил на спотовом рынке 357,143 тыс. долл. и осуществил короткую продажу 294,118 тыс. евро. Стандартное отклонение курса доллара в расчете на один день составляет 0,6%, евро - 0,65%, коэффициент корреляции равен 0,85. Определить однодневный VaR портфеля с доверительной вероятностью 95%.
Рассчитаем VaR в рублях, так как банк закроет свои позиции в иностранных валютах, конвертировав их в рубли. Долларовая позиция банка в рублях составляет:
Позиция по евро в рублях:
Поскольку банк продал евро, то для дальнейших расчетов его позицию следует записать со знаком минус, т.е. - 10млн.руб.
VaR по долларовой позиции равен:
VaR по евро равен:
VaR портфеля согласно формуле (9.2) составляет:
В приведенных выше примерах мы рассчитывали однодневный VaR на основе стандартных отклонений для одного дня. Однако данные могут быть заданы в расчете на год. Один из вариантов расчета состоит в том, чтобы перевести годичное стандартное отклонение в однодневное по формуле:
После этого можно воспользоваться приведенными выше алгоритмами.
Знаете ли Вы, что: Форекс-брокер Exness ни под каким предлогом ни одного ордера своих клиентов без их согласия за всю историю своего существования.
Другой подход состоит в том, чтобы матрицу ковариаций, составленную из годичных значений, перевести в матрицу с однодневными значениями. Кроме этого, данную матрицу также удобно сразу скорректировать в соответствии с заданным уровнем доверительной вероятности. Тогда годичную матрицу ковариаций следует умножить на коэффициент:
Пусть в примере 4 годичное стандартное отклонение изменения курса доллара равно 9,4868%, а евро - 10,2774%, количество торговых дней в году 250. Определить однодневный VaR для доверительной вероятности 95%.
Коэффициент К равен:
Ковариационная матрица на основе годичных значений равна (стандартные отклонения берем в десятичных значениях):
Умножим матрицу В на коэффициент К. Получим матрицу Q":
После этого VaR портфеля находим по формуле:
VaR портфеля согласно формуле (9.3) равен:
В примерах мы рассчитывали VaR с учетом корреляций между активами портфеля. Такой VaR называют диверсифицированным. Если определить VaR без учета корреляций, то получим не диверсифицированный VaR. Он представляет собой простую сумму индивидуальных VaR активов портфеля. Покажем это для портфеля из двух активов. Пусть стандартные отклонения и уд. Веса первого и второго активов соответственно равны сг1, вх и ст2, в2, стоимость портфеля составляет Р. Тогда VaR портфеля для уровня доверительной вероятности а равен:
Если коэффициент корреляции между доходностями активов равен единице, то формула (9.4) принимает вид:
Формула (9.5) говорит о том, что в случае полной положительной корреляции между активами VaR портфеля является суммой индивидуальных VaR входящих в него активов. Поскольку корреляции могут изменяться со временем, то наряду с показателем диверсифицированного VaR целесообразно рассчитывать и не диверсифицированный VaR. Он покажет максимум возможных потерь (при нормальных условиях рынка) для данного уровня доверительной вероятности в случае неустойчивости корреляций или ошибки их оценок.
Допущение нормальности распределения доходности портфеля позволяет легко переводить значения VaR из одного уровня доверительной вероятности в другой. VaR портфеля для доверительной вероятности z 1 равен:
для доверительной вероятности z 2:
Выразим значение Ра из формулы (9.6):
И подставим в формулу (9.7):
Таким образом, зная величину VaR 1 для доверительной вероятности z 1 , по формуле (9.8) легко получить VaR 2 для доверительной вероятности z 2 .
Аналогичным образом можно пересчитывать значения VaR для разных периодов времени. Пусть VaR портфеля для периода t 1 равен:
для периода t 2:
Выразим значение Paz из формулы (9.9):
и подставим в формулу (9.10):
Таким образом, зная величину VaR 1 для периода времени t 1 , по формуле (9.11) легко получить VaR 2 для периода времени t 2 .
Содержание
Помимо стандартного отклонения, инвестиционные кампании рассчитывают такой показатель риска как VaR (Value at Risk). Этот показатель характеризует величину возможного убытка с выбранной вероятностью за определенный промежуток времени. Value-at-Risk рассчитывается 3-мя методами:
- Вариация/ ковариация (или корреляция или параметрический метод)
- Историческое моделирование (дельта нормальный метод, «ручной рассчет»)
- Расчет при помощи метода Монте -Карло
Для расчета параметра риска Value at Risk с помощью дельта нормального метода , необходимо сформировать выборку фактора риска, необходимо, что бы количество значений выборки было больше 250 (рекомендация Bank of International Settlements), для обеспечения репрезентативности. Возьмем данные котировок акции Газпрома за период с 9 января 2007 года по 31 июля 2008 года.
Для котировок акции Газпрома рассчитаем дневную доходность по формуле:
Где: Д – дневная доходность;
Рi- текущая стоимость акции;
Рi-1 – вчерашняя доходность акции.
Правильность использования метода Value at Risk при дельта нормальном способе расчета, достигается при использовании только факторов риска подчиненным нормальному (Гауссовому) закону распределения. Для проверки нормальности распределения доходностей акции можно воспользоваться критериями Пирсона или Колмогорова -Смирнова.
Формула в Excel будет выглядеть следующим образом:
LN((C3)/C2)
В итоге получилась следующая таблица.
После этого необходимо рассчитать математическое ожидание доходности и стандартное отклонение доходности за весь период. Воспользуемся формулами Excel.
Математическое ожидание =СРЗНАЧ(D2:D391)
Стандартное отклонение =СТАНДОТКЛОН(D2:D391)
На следующем этапе необходимо рассчитать квантиль нормальной функции распределения. Квантиль – это значения функции распределения (Гауссовой функции) при заданных значениях, при которых значения функции распределения не превышают это значение с определенной вероятностью. Квантиль сообщает то, что убытки по акции Газпром не превысят с вероятностью 99%.
Квантиль рассчитывается по формуле:
=НОРМОБР(1%;F2;G2)
Для расчета стоимости акции с вероятностью 99% на следующий день, необходимо перемножить последнее (текущее) значение стоимости акции на квантиль сложенный с единицей.
Xt+1 –значение доходности в следующий момент времени.
Для расчета стоимости акции на несколько дней вперед с заданной вероятностью, воспользуемся следующей формулой.
Где: Q- значение квантиля для нормального распределения акции Газпрома;
Xt- значение доходности акции в текущий момент времени;
Xt+1 –значение отклонения доходности в следующий момент времени;
n - количество дней вперед.
Формулы расчета VAR на один день VAR(1) и на пять VAR(5) дней вперед производится по формулам:
X(1) =(F5+1)*C391
X(5) =(КОРЕНЬ(5)*F5+1)*C391
Расчет значения цены акции с вероятностью 99% при убытках показан на рисунке ниже.
Полученные значения Х(1) = 266.06 говорит о том, что в течение следующего дня, курса акции Газпрома не превысят значения в 226.06 руб. с вероятностью 99%. И Х(5) говорит о том, что в течение следующих пяти дней с вероятностью 99% курс акции Газпрома не опустится ниже 251.43 руб.
Для расчета самого Var (величина возможных убытков), рассчитаем абсолютное значение убытков и относительное. Формулы в Excel будут следующими:
=C392-G7 =G11/C392
=C392-G8 =G12/C392
Эти цифры говорят следующее: убыток по акции Газпрома с вероятностью 99% не превысит 7.16 руб. на следующий день и убыток по акции Газпрома с вероятностью 99% не превысит 21.79 руб. за следующие пять дней.
Расчет показателя
Value at Risk
«ручным способом»
Создадим новый рабочий лист в Excel. Для того что бы определить значения Value at Risk «ручным способом», необходимо найти:
- Максимум доходностей за весь временной диапазон =МАКС(Лист1!D3:D392)
- Минимум доходностей за весь временной диапазон =МИН(Лист1!D3:D392)
- Количество интервалов (N) = 100
- Интервал группировки (Int) =(B1-B2)/B3
Ниже показан расчет этих параметров.
После построим гистограмму накопительной вероятности. Для этого выберем Сервис ->Анализ Данных -> Гистограмма.
Входной интервал включает в себя значения доходностей акции Газпром. Интервал карманов это интервалы доходностей. Так же поставим галочки на флаге «Интегральный процент» и «Вывод графика». После проделанной операции получится следующий график и таблица накопительной вероятности.
В таблице накопительной вероятности найдем значения вероятности 1% (Это соответствует колонке «Интегральный %») и определим значения квантиля. Первая колонка это значения квантилей для распределения доходности акций Газпрома, вторая колонка частота появления таких значений на исторической выборке и третья колонка это вероятность появления таких убытков.
Значения квантиля будут равняться -0,0473, при подсчете первым методом значение квантиля равнялось 0,0425. Далее расчет делается аналогично дельта нормальному методу.
В таблице ниже представлен расчет VaR. Возможные убытки с вероятностью 99% не превысят на следующий день 8,47 руб. и в течение пяти дней не превысят 24,72 руб.
Выводы
Мера риска Value at Risk позволяет оценить величину возможных убытков в количественных показателях, что является эффективным методом управления финансовыми рисками.
Для начала напомним, что измеряет value at risk (VaR):
показатель VaR говорит что на горизонте Т дней убытки не превысят Х денежных единиц с вероятностью Р.
Так, например, если однодневный VaR для портфеля равен -23000 долларов при уровне доверительной вероятности равном 0.95, это означает, что с вероятностью 0.95 убытки за один день по портфелю не превысят величину -23000 долларов и соответственно с вероятностью 1 - 0.95 = 0.05 превысят -23000 долларов.
Для вариационно-ковариционного VaR формулка очень простая:
VaR = - P * k * sigma * sqrt(T/252)
где:
P - стоимость портфеля;
k - квантиль для нормально распределения. Например для уровня доверительной вероятности 0.95, k = 1.645. То есть по сути сколько сигм нам нужно взять чтобы получить желаемый уровень доверительной вероятности;
sigma - годовая волатильность или стандартное отклонение доходности нашего портфеля за год;
T - горизонт для которого оцениваем VaR в днях;
252 - предположение о количестве бизнес дней в году;
sqrt(T/252) - отвечает за скейлинг волатильности на нужный нам горизонт, так как в финансах предполагается, что волатильность пропорциональна корню из времени.
Sigma портфеля можно легко посчитать следующим образом:
1. Оцениваем матрицу ковариаций C между однодневными доходностями активов в портфеле в некотором «окне», например, на последних 252 днях.
2. Вычисляем вектор весов активов в портфеле W, так что их сумма равна 1.
3. Считаем дисперсию портфеля как sigma^2 = W" * C * W, где " означает транспонирование. Извлекаем из дисперсии квадратный корень и получаем sigma портфеля.
4. Умножаем полученную sigma на sqrt(252) чтобы получить годовую волатильность нашего портфеля.
Попробуем проделать все вышеприведенное на простом примере в Ексель для 2 акций, одна из которых Интел (INTC), а вторая - Техас Инструментс (TXN):
Скачав дневки с finance.yahoo.com за последний год оценим ковариацию между их дневными доходностями:
Следует обратить внимание, что матрица ковариаций является симметричной, а на главной диагонали стоят ковариации каждой акции с самой собой, что равно дисперсии доходности акции.
Теперь предположим что у нас куплено в лонг INTC на 250 000 USD и куплено в лонг ТXN на 750 000 USD. Тогда вектор весов будет (0.25;0.75).
Теперь вычислим сигму нашего портфеля:
Таким образом sigma = 0.26.
Теперь подставим все расчитанные величины в формулу выше для расчета VaR вариационно-ковариационным методом чтобы оценить однодневный VaR для портфеля из двух акций INTC и TXN стоимостью 1 000 000$ с доверительной вероятностью 0.95:
Таким образом VaR = -26958.6$. То есть с вероятностью 0.95 наши убытки по портфелю из двух акций за один день не превысят 26958.6$.
Общий подход к расчету исторического VaR следующий:
1. Определяем количество сценариев на истории по которым мы хотим посчитать VaR.
2. Для всех инструментов портфеля берем исторические треки цен по дням за одинаковый период равный количеству сценариев + 1.
3. Вычисляем дневные доходности каждого инструмента.
4. Для каждого дня на истории что представляет собой отдельный сценарий возможного поведения портфеля используя дневную доходность мы считаем дневную прибыль/убыток для каждого инструмента и затем суммарную прибыль/убыток по портфелю.
5. Получив вектор прибылей/убытков по портфелю для каждого сценария сортируем его от минимума до максимума.
6. Теперь необходимо определить так называемый номер критического сценария. Для этого необходимо заданную доверительную вероятность умножить на количество сценариев и округлить полученное значение до ближайшего целого.
7. Для получения VaR мы должны отсчитать от начала вектора который соответствует максимальной возможной прибыли количество сценариев равное номеру критического сценария полученного в пункте 6 и следующий сценарией за ним даст нам значение VaR.
Для нашего примера возьмем количество сценариев равным 250. Тогда расчет критического сценария будет следующим:
Получили номер критического сценарий равен 238.
Теперь построив вектор прибылей/убытков по портфелю для всех 250ти сценариев определим исторический VaR:
Таким образом однодневный исторический VaR для нашего примера равен -25845.4$.
Иногда озвученный подход расчета исторического VaR модифицируют за счет взвешивания исторических данных так, чтобы более старые данные имели меньший вес при расчете VaR чем более свежие данные.
Опять же выбранное количество сценариев для расчета определяет окно в котором будет оцениваться VaR и если это окно содержит в себе некоторые экстремальные события на рынке, то это будет учтено в полученной оценке VaR. То есть риск аналист может специально выбрать окно таким, чтобы захватить например период высокой волатильности на рынке и оценить VaR для него.
Если инструменты портфеля в разных валютах тогда необходимо определиться с базовой валютой портфеля и используя исторические треки курсов валют также учитывать прибыль/убыток от изменения валютного курса при расчете прибылей/убытков по каждому из инструментов портфеля для каждого сценария.
Сравнив вариационно-ковариационный VaR равный -26958.6$ и исторический VaR равный -25845.4$ увидим, что исторический VaR оценивает возможные убытки по портфелю меньше чем вариационно-ковариационный. Обычно получается наоборот. При большом количестве сценариев расчета исторического VaR его оценка убытков получается выше чем оценка полученная вариационно-ковариационным методом за счет учета реального распределения на рынке и наличия толстых хвостов в нем.
Сравнение двух подходов приводит с следующим плюсам/минусам для каждого из них.
Вариационно-ковариационный подход к расчету VaR:
Минусы:
1. Используемое предположение о нормальном законе распределения доходностей инструментов.
2. При расчет VaR на больше чем один день предполагается что матрица ковариаций постоянна.
3. Невозможно использовать для расчета VaR для опционов и инструментов с чертами опционов.
Плюсы:
1. Быстрый расчет, не требует больших вычислительных ресурсов.
2. Если в портфеле только линейные инструменты вроде акций, фьючерсов, валют может быть использован для расчета VaR.
3. Ковариационная матрица может быть получена от вендора чтобы не париться с расчетом самому.
Исторический подход к расчету VaR:
Плюсы:
1. Используется реальное распределение доходностей на рынке с реальными толстыми хвостами.
2. Матрица ковариаций не рассчитывается.
Минусы:
1. Трудности при расчете VaR для опционов так как опционные треки короткие и также проблемы с хранением большого количества опционных треков.
2. Инфраструктурные затраты предполагают, что должна быть БД где будут хранится и обновляться исторические треки цен для торгуемых инструментов.
В атаче к посту ексельчик который содержит все вычисления для приведенных примеров.
Если разделить факторы, подлежащие анализу, на первичные и вторичные, окажется, что в каждом бизнесе есть великое множество как тех, так и других. Понятное дело, что все их мало кто знает. Поэтому в начале 1990-х гг. руководство банка J. P. Morgan дало своим «рисковикам» задание найти некий формат, который легко понять и который агрегировал бы и унифицировал первичные и вторичные риски в разных областях бизнеса. Так и возникла оценка Value-at-Risk, более известная как VaR. Сегодня это стандартный инструмент контроля за риском.
Профиль доходов и риска у некоторых финансовых инструментов распределяется линейно. Допустим, вы купили акцию, и на единицу изменения ее цены результат вашей позиции будет меняться на одно и то же количество единиц. Это пример первичного риска. Изменения цен производных инструментов тоже в основном зависят от изменения цен базовых активов (в нашем примере акций). Однако они также чувствительны к изменениям и других переменных, которые мы обсуждали в главе по опционам, например к изменениям волатильности и процентных ставок, а также изменениям времени. Это некие вторичные переменные. Из-за них цены производных инструментов не изменяются линейно по отношению к цене базового актива.
Наверное, перед менеджментом не встал бы вопрос о создании VaR, если бы не появились производные инструменты, например опционы, цена которых нелинейно зависит от определяющих ее переменных. Важно, чтобы читатель поверил, что портфель кредитов - это тот же портфель опционов, только на кредиты. Детали мы обсудим позже, а в этой главе продемонстрируем принципы работы, возможности и ограничения модели на более простом активе.
Следует отметить роль корреляции в построении отчетов. Менеджменту крупного банка нужно два-три простых отчета об огромном количестве разных позиций в разных продуктах. Если «загнать» их все в одну модель, то даже при сегодняшних компьютерных скоростях обработка данных займет слишком много времени. Проще отталкиваться от неких базовых активов и дополнять их матрицей корреляций с другими активами, даже если позиций мало, как в примере, где вы купили акции «ЛУКОЙЛа» и продали акции «Роснефти». Система должна оценить корреляцию и предположить, сколько вы можете потерять, если цены поведут себя не так, как вы ожидали. Если корреляцию не оценить и рассматривать риски двух акций как независимые, вы фактически завысите их, так как на практике большую часть времени они движутся в одном направлении. Нахождение статистически обоснованного размера потенциальных максимальных потерь как раз и является основной задачей Value-at-Risk. Этот термин переводится как стоимостная мера риска.
Точнее, VaR - это максимальная сумма:
- неизменной позиции;
- в течение данного периода времени (стандартный горизонт составляет от одного до десяти дней);
- для заданной предполагаемой волатильности;
- для заданного уровня доверия (количества стандартных отклонений от средней величины).
Основными вариациями в построении VaR являются оценка ожидаемой волат ильности и количество стандартных отклонений. Первый параметр нужен, чтобы понять наиболее вероятную оценку потерь, которую можно ожидать в течение 2/3 заданного отрезка времени. Второй - максимум отклонения в течение 1/3 времени.
Волатильность, или изменчивость цен, в статистике называют «стандартным отклонением». В моделях используют нашего старого знакомца ожидаемую волатильность, которая рассчитывается как предполагаемый (ожидаемый) разброс между ценами закрытий в течение данного периода времени.
Примеры расчета VaR
Предположим, что вы продали опцион на повышение цены акции Х (опцион колл на акцию Х). Теперь ваш портфель состоит из одного проданного колла, цена акции - 100,0, цена исполнения - 100,0, ожидаемая волатильность - 19,1%, исполнение колла (заданный период) через 30 дней. Волатильность 19,1% предполагает, что в течение одного дня отклонение рыночной цены акции (однодневное стандартное отклонение) составит примерно ±1% в течение 2/3 рассматриваемого периода (30 дней).
Сколько же стандартных отклонений правильно использовать для подсчета VaR? Иными словами, как уловить движение цен в оставшейся 1/3 временного горизонта, которое превысит ожидаемую рынком волатильность? Большинство изучавших статистику знают, что представляет собой кривая нормального распределения, и тот факт, что при нормальном распределении под три стандартных отклонения подпадает 99% событий. Но на практике это значение скорее составляет четыре стандартных отклонения (таблица. 1), поэтому именно их стоит использовать для улавливания движений, необъясненных нормальным распределением.
Таблица 1. Переоценка опциона (см. пример) при изменении цены базового актива (на следующий день)
Стоимость базового актива - не единственное значение, меняющееся в пределах временного горизонта. Цена ожидаемой волатильности опциона может падать или подниматься. Соответственно, модель должна тестироваться для разных уровней ожидаемой волатильности.
Например, модель может ограничить изменения волатильности в размере 15%. Это означает, что если на данный момент ожидаемая волатильность составляет 19,1%, то на следующий день она будет в пределах {16,61%, 21,97%}. Давайте переоценим наш портфель, учитывая новые ограничения (таблицы 2 и 3).
Таблица 2. Переоценка опциона при изменении волатильности (на следующий день)
Сопоставляя эти данные, можно осуществить поиск по сетке значений, которая определяет стоимость портфеля в интервалах, начиная от неизменных и заканчивая экстремальными за рассматриваемый период (на следующий день).
Таблица 3. Переоценка опциона при изменении как цены базового актива, так и волатильности
Вычитая нынешнюю стоимость портфеля из полученных результатов, мы получаем ряд переоценок для всех вариаций за рассматриваемый период (таблица 4).
Таблица 4. Финансовый результат переоценки опциона при изменении как цены базового актива, так и волатильности
Переоценка, показывающая максимальную потерю (–2.81), является VaR на срок один день и с уровнем доверия 98% (при стоимости базового актива 104 пункта и волатильности 21,97%). Многие продукты имеют не только цену спот, но и форвардные кривые, т. е. цены на тот же продукт с его поставкой в будущем, колеблющиеся даже при устойчивом споте. На валютном рынке, например, форвардные кривые являются результатом соотношения процентных ставок двух валют. В случае с товарными фьючерсами форвардные кривые - итог прогноза будущей конъюнктуры рынка. Например, форвардная кривая видоизменяется при изменении ожиданий о дефиците предложения товара на дату истечения контракта. Кроме форвардных кривых базового актива (структуры срочных цен) существуют форвардные кривые волатильности (структура волатильности). Для упрощенного расчета VaR рекомендуется видоизменить форвардную цену каждого периода при помощи соответствующего стандартного отклонения.
По аналогии варьируется волатильность вдоль всей форвардной кривой.
Комбинируя кривые базового актива и волатильности, мы получим искомую матрицу риска исходя из колебаний цен базового актива, его волатильности и форвардных кривых.
Вариации моделей
Обратите внимание, что все расчеты для торговых подразделений ведутся на заданный период - как правило, на один день. На практике рынок может двигаться в одном направлении гораздо дольше. Следовательно, максимальные значения потерь могут следовать одно за другим на протяжении нескольких дней, количество которых, как показала динамика цен осенью 2008 г., может быть значительным. Поэтому для менеджмента готовятся расчеты на период десяти дней. Однако это достаточно консервативный подход, так как при негативной динамике позиция тоже способна меняться, т. е. трейдеры могут сократить позиции, а кредитные подразделения - продать часть портфеля. В этом случае прогнозируемые убытки могут уменьшиться.
Поскольку есть разные формулы оценки волатильности и необходимых стандартных отклонений, когда вы слышите, что, скажем, данная позиция может потерять $10 млн, это вовсе не значит, что она в 10 раз меньше или несет в 10 раз меньше риска, чем позиция, которая может потерять $100 млн. Это не тривиальное замечание: так, на конец второго полугодия 2011 г. объявленная банком Goldman Sachs величина VaR составляла $100 млн на все позиции во всех офисах мира. В то же время в некоторых российских банках среднего размера она превышала $15 млн. Наверное, неправильно предположить, что их уровень риска составлял шестую часть риска крупнейшего в мире трейдера. Скорее формулы, заложенные при определении риска, были гораздо консервативнее.
В начале августа 2011 г., в разгар кризисных явлений, связанных с понижением кредитного рейтинга США и банковского кризиса в Европе, появилось сообщение, что по результатам двух торговых сессий у Goldman Sachs возникли убытки в размере $100 млн. Иными словами, правильность расчета VaR подтвердилась.
Однако скандал в J. P. Morgan из-за потерь в портфелях производных инструментов, произошедший в мае 2012 г., еще раз показал, что модели VaR тоже можно «покручивать» и занижать показатели риска.
Стресс-тесты
VaR - способ вероятностного измерения возможных результатов, включая максимальные убытки, в заданный отрезок времени («временной горизонт»). При его расчетах исходят из того, что состав исходного портфеля и с определенным уровнем доверия (в терминах статистики) не меняются. В стресс-тестах мы не рассматриваем наихудшее состояние нынешнего рынка, а создаем сценарии стрессовых ситуаций, основанных на наихудших исторических сценариях развития рынков. Иначе говоря, потери вашего портфеля рассчитываются по параметрам пережитого рынком за последние 30–40 лет. Если в вашем портфеле в основном купленные позиции, при создании стресс-теста вы берете худшее их движение. Если у вас в основном проданные позиции, то в основе стресс-теста - моменты безудержного роста. В обеих ситуациях стресс-тест показывает сценарии ночного кошмара.
Значительная разница между стресс-тестами и расчетами VaR состоит в отношении к корреляциям. При расчетах VaR предполагается наблюдаемый уровень корреляции между различными позициями в портфеле. Рассматривая сценарии стресстеста, мы можем отказаться от наблюдаемых корреляций, что приводит к возрастанию возможных потерь. Так, наши позиции в акциях «ЛУКОЙЛа» и «Роснефти» будут рассматриваться как абсолютно независимые.
Более того, может учитываться не текущая, а максимальная историческая волатильность, например 30%-ное падение или 40%-ный рост одной из этих акций в один из дней кризисов 1998 г. или 2008 г. по выбору риск-менеджера.
Идея отсутствия корреляции между аналогичными проданными и купленными активами можно сравнить с тем, что, например, стоимость молока и стоимость коров может идти в разных направлениях: цена молока (акций «ЛУКОЙЛа») удвоится, а цена коров (акций «Роснефти») упадет в два раза. Иными словами, что при одной и той же цене нефти подобная динамика цен будет невелика. Если принимать его за основу, то все российские банки должны закрыться, так как колебания процентных ставок, продемонстрированные в 2008 г., указывают на колоссальный риск их текущих операций.
Чтобы не закрывать банки, выбирают какие-то «разумные» сценарии. В результате подобного «сглаживания» худших сценариев, как показывают кризисы, случившиеся в России (1998 г.) и на Западе (2007–2009 гг.), в докризисных стресстестах были занижены максимальные потери. Указывая на это, риск-менеджер скажет, что «в результате такой недооценки большинство банковских руководителей были недостаточно обеспокое ны предлагаемыми сценариями и не смогли своевременно закрыть рискованные позиции». Он порекомендует при проведении стресс-тестов лучше ошибаться в сторону консервативности оценок и завышения риска сценариев. На практике это означает, что в докризисные времена менеджеры должны были делать бизнес в гораздо меньших объемах. Правилен этот вывод или нет, но именно посредством осовремененных стресс-тестов западные регуляторы добиваются снижения левереджа банков.
Взаимодействие волитарности, корреляции и ликвидности
Нужно отметить, что «привычная (историческая) корреляция» - весьма непрактичный термин. Корреляции активов за 10 лет и за год могут быть очень разными. Поэтому приходится выбрать период за который берется историческая корреляция для использования ее в моделях. Однако чем выше волатильность рынка, тем труднее сохраняются привычные взаимосвязи. Иными словами, возрастание волатильности сопровождается зменением корреляций.
Одной из причин их нарушения являются разрывы в ликвидности. Возросшая волатильность приводит к тому, что участники рынка сокращают размер позиций. Поскольку число покупателей тоже уменьшается, при продажах рынки сталкиваются с «разрывами ликвидности», т. е. цены движутся не плавно, а скачками. Более того, так как разные группы активов имеют разную клиентскую базу, разрывы ликвидности воздействуют на их цены по-разному.
Поэтому именно она является основным врагом стабильности корреляций. Подобные «разрывы» сложно выразить математически. Поэтому, повторимся, опционные трейдеры закладываются на возможность появления этих разрывов, завышая ожидаемую волатильность. Учитывая ценность такой экспертной корректировки в VaR-моделях активов, на которые торгуются опционы, используют не фактическую, а ожидаемую волатильность. Однако для некоторых активов нет интенсивно действующего опционного рынка. Какую волатильность нужно использовать в расчетах VaR?
Если опционы не торгуются на нужный актив, модели могут использовать ожидаемую волатильность похожего актива с учетом некоего коэффициента корреляции между изменениями цен этих активов. Таким образом, относительно небольшая группа трейдеров, которые торгуют опционами на ликвидные активы и определяют на них ожидаемые волатильности, неожиданно для себя поставляет этот критический параметр расчета максимальных потерь значительной части рынка.
Любопытная деталь, еще раз демонстрирующая ограничения возможностей даже таких «навороченных» логических построений, которые лежат в основе современной системы измерения рисков: как мы уже говорили, ожидаемая волатильность сама является товаром, и ее цена подвержена колебаниям из-за спроса и предложения. Получается, что один крупный покупатель или продавец может исказить волатильность на определенном рынке, а это повлияет на оценку потерь целого сегмента рынка!
Взаимосвязь между кредитным и рыночным риском
Как мы увидим в следующей части книги, процентные ставки на кредитные продукты состоят из безрисковых ставок и платы за кредитный риск (кредитный спред). Кредитные спреды, как правило, «запакованы» в процентные ставки по кредитным продуктам, но их можно просто вычленить (см. главу 8). Более того, эти очищенные кредитные спреды существуют в качестве финансовых продуктов. Коммерческие банкиры называют их гарантиями (фактически продажей нефондируемого кредитного риска клиента), а инвестиционные - кредитными свопами (CDS). Цены на гарантии меняются редко. А вот кредитные свопы торгуются на рынке, и потому их цены часто подвержены изменениям.
Большинство крупных компаний и банков имеют публичные долги. А раз они существуют, значит, из средств, предназначенных для их погашения, можно выделить плату за кредитный риск, т. е. купить или продать кредитный своп.
В таком случае лимит кредитного риска на контрагентов становится подверженным рыночной волатильности, а значит, его можно рассчитать посредством VaR. Если эта методология принимается, то, как и везде, подобная оценка искажается при изменении ликвидности кредитных рынков. Дело в том, что хотя изначально кредитные спреды рассчитывались на основании цен облигаций, теперь эти рынки существуют параллельно. Поскольку ликвидность облигаций и кредитных свопов одного и того же эмитента отличаются, выходит, что теоретически на двух рынках сосуществуют различные оценки кредитного риска. В связи с этим риск-менеджеры могут принять за основу любую из них. Их предпочтения влияют на размер лимитов на контрагента, а также на изменение сроков их пересмотра: чем нестабильнее рынок, взятый ими за основу, тем чаще могут пересматриваться лимиты вслед за изменением волатильности. Этот процесс может внести ненужную волатильность в уже стандартизированный банковский бизнес, стабильность которого риск-менеджеры, наоборот, должны защищать.
Дополнительные сложности, вызванные избыточным контролем, могут быть следствием отношения риск-менеджеров к «несимметричному риску». С точки зрения статистики отклонение цены способно привести к одинаковому риску и в случае ее роста, и в случае уменьшения. Однако падение рубля ассоциируется с падением надежности российской банковской системы, как и в случае других развивающихся стран. Таким образом, если российский банк продаст долгосрочный форвардный контракт на укрепление рубля, то, если рубль укрепится и при продаже возникнут потери, банк сможет расплатиться, так как укрепление рубля, как правило, связано с ростом российской экономики и благоденствием в мире в целом. А вот если банк продаст доллары на долгий срок, то в кризисной ситуации ему будет сложно возместить потери, поскольку на финансовом рынке они совпадут с ростом дефолтов в кредитном портфеле, вызванных сложной экономической ситуацией. Таким образом, риск, симметричный с точки зрения рыночного риска, может быть несимметричным для расчетов кредитного риска по тем же сделкам.
Чем больше деталей мы упоминаем, тем более очевидно, что процесс анализа рисков сложно жестко регламентировать. Он должен учитывать несимметричные ситуации, которые часто выявляются при анализе жизненных реалий. Еще один пример.
В начале 2007 г. проводился анализ кредитного риска, который возникал у российского банка по отношению к Citibank в случае покупки у последнего опциона колл на акции Сбербанка. Фактически кредитный риск появлялся в случае его резкого подорожания, если одновременно Citibank становился неспособным исполнить свои обязательства. Поскольку опцион был краткосрочным, такая ситуация могла возникнуть только при внезапном банкротстве Citibank.
На тот момент еще никто не подозревал, что мир стоит на пороге серьезного кризиса. Позиция бизнеса заключалась в том, что лишь неожиданный крах мировых финансовых рынков может привести к банкротству международного банка - такого как Citibank. Следовательно, какие бы хорошие результаты ни показывал Сбербанк, в ситуации мирового кризиса его акции тоже упадут. В этом случае опцион исполнен не будет, а потому и кредитный риск при покупке у Citibank опциона колл был небольшим. А вот при приобретении Сбербанком у Citibank опциона пут этот анализ не работал. Однако специалисты по рискам считали, что при покупке опционов колл и пут кредитный риск был симметричным. Опцион подлежал исполнению в ноябре 2007 г., и фактические события подтвердили правильное понимание бизнесом концепции несимметричности кредитного иска сделки.
Управление рисками - одна из ключевых областей банковского бизнеса. Модели риск-менеджмента позволяют финансистамуправленцам, т. е. специалистам широкого профиля быстро оценить риск малоизвестных продуктов в едином формате для всех разноплановых бизнесов, находящихся в их ведении. Именно это является основной ценностью таких моделей. Поэтому функциональная область деятельности банка под названием «рискменеджмент» становится все более важным инструментом при унификации методологии принятия решений о разных формах риска, т. е. об объеме доступных банкам ресурсов риска.
Однако, как и в случае любого инструментария, пользоваться моделями, измеряющими риск, нужно осмысленно, не отдавая их на откуп узкоспециализированным специалистам по моделированию, а самостоятельно разбираясь в предположениях, заложенных в расчетах. Мы продемонстрировали это на примере разницы в подходах к вопросу о симметричности рисков. Подобные ситуации напоминают известный анекдот про динозавра: когда у мужчины спрашивают, какой шанс встретить такого зверя на улице, он говорит, что никакого: «Они же вымерли!» Следующей отвечает на вопрос блондинка, между прочим, дипломированный специалист в области статистики. По ее мнению, шансы 50 на 50: «То ли встречу, то ли нет». В ситуациях, когда менеджеры (причем не только риск-менеджеры) используют количественный анализ без учета практической логики, каждый риск превращается в абсолютный, т. е. не взвешенный на вероятность возникновения анализируемой критической ситуации. Тогда и динозавра не встретишь, и бизнеса не сделаешь. Поэтому использование моделей типа VaR или стресс-тест должно носить осмысленный характер.
Выводы
Банк владеет определенными ресурсами, которые представляют собой объемы нескольких видов риска, который он может принять. Из них ключевые - риск ликвидности, кредитный риск, процентный риск и валютный риск.
Объем рисков ликвидности - это ресурс, неправильное управление которым представляет для банка наибольшую угрозу. При этом он является и основным источником доходов, возникающим благодаря разнице между стоимостью привлечения и размещения активов, а расчет этих показателей субъективен и связан с методикой трансферного ценообразования, которая является наиболее политизированным вопросом. Сложность способов наращивания средств и их размещения известна всем. Высший менеджмент и в развитых, и в развивающихся странах постоянно оказывается вовлеченным в ту или иную форму дискуссии об избыточной и недостаточной ликвидности. Кредитный риск - более конкретная категория по сравнению с ликвидностью, но и он подвержен влиянию политики. Сильные в этом смысле подразделения «зажимают» более слабые, перекрывая им доступ к лимитам. Однако за такой политикой часто скрывается непонимание возможностей других продуктов.
Иначе говоря, все изучили только тот из них, которым конкретно занимаются, а менеджмент не знает в достаточной степени всю линейку продуктов, чтобы способствовать эффективному диалогу между продуктовыми подразделениями. Валютный и процентный риски, которые многие включают в анализ ликвидности, проще анализировать как разные темы, хотя, посвященной форвардам, и эти два ресурса тесно переплетаются.
Важность разделения кажется всем понятной, но на практике является очень сложной, например, из-за разницы в отражении разных операций в учете. В результате таких переплетений банк может иметь достаточно ликвидности, но движение валютных курсов или процентных ставок способно свести его прибыль к нулю.
На практике резервы валютного и процентного риска - тоже предмет какой-то утвержденной внутренней политики. Как и риск ликвидности, коммерческие подразделения предпочитают их не рассматривать. Оптимизируя прибыль по кредитной кривой, т. е. получая максимальную прибыль за кредитный риск в абсолютном выражении (без привязки к кредитной кривой заемщика), они полностью игнорируют вопрос об оптимальном распределении этих ресурсов, считая, что управление ими принадлежит «кому-то» в казначействе банка.
Таким образом, в банках изначально размыта ответственность за все важнейшие ресурсы. Проблема усугубляется тем, что и ресурсами они, кроме ликвидности, не считаются. Их называют «лимитами». В этой книге мы попытаемся показать, что изменение терминологии может привести к изменению идеологии. А в контексте рассмотрения потенциалов принятия разного типа рисков, воспринимаемых как ресурсы, а не как лимиты, покажем пути повышения эффективности их использования.
Последние десятилетия мировая экономика регулярно попадает в водоворот финансовых кризисов. 1987, 1997, 2008 чуть не привели к коллапсу существующей финансовой системы, именно поэтому ведущие специалисты начали разрабатывать методы, с помощью можно контролировать неопределенность, господствующую в финансовом мире. В Нобелевских премиях последних лет (полученных за модель Блэка-Шоулза, VaR, и т.д.) отчетливо прослеживается тенденция к математическому моделированию экономических процессов, попыткам предсказать поведение рынка и оценить его устойчивость.
Сегодня я постараюсь рассказать о наиболее широко применяемой методике предсказаний потерь - Value at Risk (VaR).
Понятие VaR
Понятное экономисту объяснение VaR звучит следующим образом: «Выраженная в денежных единицах оценка величины, которую не превысят ожидаемые в течение данного периода времени потери с заданной вероятностью». По-сути, VaR - это величина потерь по инвестиционному портфелю за фиксированный промежуток времени, в случае, если случится некоторое не благоприятное события. Под «не благоприятными событиями» можно понимать различные кризисы, слабо предсказуемые факторы (изменения в законодательстве, природные катаклизмы, ...), которые могут повлиять на рынок. В качестве временного горизонта, обычно выбирают один, пять или десять дней, в силу того, что на больший срок предсказать поведение рынка крайне сложно. Уровень допустимого риска (по-сути доверительный интервал) берется равным 95% или 99%. Также, конечно, фиксируется валюта, в которой мы будем измерять потери.При вычислении величины предполагается что рынок будет вести себя «нормальным» образом. Графически это значение можно проиллюстрировать так:
Методы расчета VaR
Рассмотрим наиболее часто применяемые методы вычисления VaR, а так же их преимущества и недостатки.Историческое моделирование
При историческом моделировании мы берем уже известные из прошлых измерений значения финансовых колебаний для портфеля. К примеру, у нас есть поведение портфеля на протяжении предыдущих 200 дней, на основе которых мы решаем вычислить VaR. Предположим, что на следующий день финансовый портфель будет вести себя также, как в один из предыдущих дней. Таким образом, мы получим 200 исходов на следующий день. Далее, мы допускаем, что случайная величина распределена по нормальному закону, основываясь на этом факте, мы понимаем, что VaR - это один из перцентилей нормального распределения. В зависимости от того, какой уровень допустимого риска мы взяли, выбираем соответствующий перцентиль и, как следствие, получаем интересующие нас значение.Недостатком этого метода является невозможность построения предсказаний по портфелям, о которых у нас нет сведений. Также может возникнуть проблема, в случае, если составляющие портфеля существенно изменятся за короткий промежуток времени.
Хороший пример вычислений можно найти по следующей ссылке .
Метод ведущих компонент
Для каждого финансового портфеля можно вычислить набор характеристик, помогающих оценить потенциал активов. Эти характеристики называются ведущими компонентами и, обычно, представляют собой набор частных производных от цены портфеля. Для вычисления стоимости портфеля обычно используется модель Блэка - Шоулза , о которой я постараюсь рассказать в следующий раз. В двух словах, модель представляет собой зависимость оценки европейского опциона от времени и от его текущей стоимости. Основываясь на поведении модели мы можем оценить потенциал опциона, анализируя функцию классическими методами математического анализа (выпуклость/вогнутость, промежутки возрастания/убывания и т.д.). Базируясь на данных анализа, VaR рассчитываются для каждой из компонент и результирующее значение строиться, как комбинация (обычно взвешенная сумма) каждой из оценок.Естественно, это не единственные методики вычисления VaR. Существуют как простые линейные и квадратичные модели предсказания цены, так и достаточно сложный метод вариаций-ковариаций, о которых я не рассказал, но интересующиеся смогут найти описание методик в нижеприведенных книгах.
Критика методики
Важно отметить, что при подсчете VaR принимается гипотеза о нормальном поведении рынка, однако, если бы это допущение было верным, крисизы случались бы раз в семь тысяч лет, но, как мы видим, это абсолютно не верно. Нассим Талеб, известный трейдер и математик, в книгах «Одураченные случайностью» и «Черный лебедь» подвергает существующую систему оценки рисков жесткой критике, а также предлагает свое решение, в виде использования другой системы расчета рисков, базирующейся на логонормальном распределении.Несмотря на критику, VaR вполне успешно используется во всех крупнейших финансовых институтах. Стоит отметить, что данный подход не всегда применим, в силу чего, были созданы другие методики со схожей идеей, но другим методом расчета (например, SVA).
С учетом критики были разработаны модификации VaR, основанные либо на других распределениях, либо на других методиках расчетов на пике Гауссовой кривой. Но об этом я постараюсь рассказать уже в другой раз.