Modelowanie Ryzyka Finansowego z R - prace trwajaweb.sgh.waw.pl/~mrubas/MRFzR/pdf/MRFR prezentacja...
Transcript of Modelowanie Ryzyka Finansowego z R - prace trwajaweb.sgh.waw.pl/~mrubas/MRFzR/pdf/MRFR prezentacja...
Modelowanie Ryzyka Finansowego z R
Blok 2 : Backtesting oraz stress testing
Zakład Modelowania Rynków Finansowych
Instytut Ekonometrii
Marek Kwas
Michał Rubaszek
1
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Blok 1
1. Zapoznanie z charakterystykami finansowych szeregów czasowych
2. Omówienie modeli finansowych szeregów czasowych
3. Prezentacja metod liczenia VaR
Blok 2
1. Liczenie VaR dla dalszych horyzontów
2. Testy warunków skrajnych (stress tests)
3. Backtesting modeli
Dodatkowo
1. Programowanie w pakiecie R
2. Umiejętność przygotowania i prezentacji raportu
2
Zakres / cele spotkań
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
3
Literatura
Podstawowe materiały:
- Prezentacje
- Kody R
Dostępne na stronie przedmiotu, czyli:
web.sgh.waw.pl/~mrubas
Książki – pogłębienie wiedzy:
Danielsson J. 2011. Financial Risk Forecasting, Wiley
Dowd K., 2005. Measuring Market Risk, Wiley
Alexander C., 2009. Market Risk Analysis, Wiley
Jorion P., 2007. Value at risk. McGraw-Hill
Materiały z Internetu:
RiskMetrics – technical document: link
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Blok 1
i. Wprowadzenie, podstawy R
ii. Szeregi czasowe w R (zoo, Quandl, apply, ggplot2)
iii. Własności szeregów czasowych, rozkłady parametryczne i empiryczne, qq-plot,...
iv. VaR i ES: rozkłady parametrycznych, symulacja historyczna, Cornisch-Fisher
v. VaR i ES: grupowanie wariancji, model EWMA
vi. VaR i ES: grupowanie wariancji, model GARCH
vii. PREZENTACJE
Blok 2
i. Liczenie VaR/ES dla dalszych horyzontów
ii. Testy warunków skrajnych
iii. Backtesting
iv. PREZENTACJE
4
Plan spotkań
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
W trakcie zajęć można uzbierać:
20 punktów za 2 prezentacje po 10 punktów
10 punktów za egzamin tradycyjny
2 punkty za aktywną obecność (każda nieobecność to minus 0.5 pkt)
10 punktów za prezentację składa się z:
6 punktów za przeprowadzone obliczenia
3 punkty za styl (max strona tytułowa + 6 slajdów).
1 punkt za sposób prezentacji (limit 8 minut)
Wydrukowana prezentacja powinna być dostarczona do prowadzącego zajęcia.
5
Zasady zaliczenia
punkty do 15 do 18 do 21 do 24 do 27 od 27
ocena ndst dst dst+ db db+ bdb
Blok 2. Temat 5: Wartości VaR/ES dla dalszych horyzontów
6
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Dotychczas poznaliśmy metody liczenia VaR i ES dla najkrótszego możliwego horyzontu czasowego, tj. jednego okresu
W wielu przypadkach przy podejmowaniu decyzji potrzebujemy informacji na temat ryzyka inwestycji w dłuższym horyzoncie (tydzień, miesiąc, rok, 5 lat). W takim przypadku należy obliczyć VaR/ES dla zmiennej �� � ∑ ��
����
W obliczeniach stosuje się następujące metody:
1. Analityczne (np, square root of time)
2. Numeryczne (Monte Carlo, bootstraping)
Dla dalekich horyzontów (>1 miesiąc) warto uzupełnić analizy VaR analizami scenariuszowymi (kolejny temat)
7
Wartości VaR/ES dla dalszych horyzontów
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Załóżmy, że wartość oczekiwana i wariancja dla stopy zwrotu � wynosi:
Wartość oczekiwana: � � ��
Wariancja: �� � � � � ��
Odchylenie standardowe: � � ��
Jeżeli �� są IID (Independent and identically distributed) to wartości dla skumulowanej stopy zwrotu �� � ∑ ��
���� są następujące:
Wartość oczekiwana: � � �
Wariancja: ��� � ���
Odchylenie standardowe: �� � ��
8
A. Metody analityczneWartość oczekiwana i wariancja dla dla dalszych horyzontów
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Jeżeli � ∼ � , ��� to dla jednookresowego horyzontu:
��� � � ��� �� oraz �� � � �� � ! "�
"
gdzie Φ i # to dystrybuanta oraz f. gęstości rozkładu � 0,1 .
Ponieważ �� � ∑ ������ ∼ � �,���� to:
���� � � � ���� �� oraz ��� � � � ��� � ! "�
"
Zakładając, że � 0uzyskujemy:
���� � ���� oraz ��� � ���
W takim przypadku mówimy o metodzie square root of time
9
A. Metody analityczneRozkład normalny: metoda square root of time
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
10
A. Metody analityczneMetoda SRT w Basel II
Quantitative standards Basel II
a. 99th percentile VaR must be computed on a daily basis
b. In calculating VaR the minimum “holding period” will be 10 trading days. Banks may use VaR numbers calculated according to shorter holding periods scaled up to ten days by the square root of time
c. The choice of sample period for calculating VaR is constrained to a minimum length of one year.
d. banks will be free to use models based, for example, on variance-covariance matrices, historical simulations, or Monte Carlo simulations
e. The multiplication factor will be set by individual supervisory authorities on the basisof their assessment of the quality of the bank’s risk management system, subject toan absolute minimum of 3. Banks will be required to add to this factor a “plus”directly related to the ex-post performance of the model, thereby introducing a builtin positive incentive to maintain the predictive quality of the model. The plus willrange from 0 to 1 based on the outcome of so-called “backtesting.”
Źródło: Basle Committee on Banking Supervision, 1996. AMENDMENT TO THE CAPITAL ACCORD TO INCORPORATE MARKET RISKS (link, s. 44)
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Wartość oczekiwana: � � ��
Wariancja: �� � � � � ��
Skośność: � � M(/�( gdzie M( � � � �
(�
Kurtoza: * �+,
-,� 3 gdzie M/ � � � �
/�
Jeżeli �� są IID (Independent and identically distributed) to momenty dla zmiennej �� � ∑ ��
���� są następujące:
Wartość oczekiwana: � � �
Wariancja: ��� � ���
Skośność: �� � �/ �
Kurtoza: *� � */�
11
A. Metody analityczneSkośność i kurtoza dla dalszych horyzontów
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Wzór Cornisha-Fishera dla 0 � 1:
��� � � � 2" �2"� � 1
6� �
2"( � 32"
24* �
22"( � 52"
36��
gdzie 2" � �� �
Wzór Cornisha-Fishera dla dowolnego 0:
���� � � � � � 2" �2"� � 1
6
�
��2"( � 32"
24
*
��22"
( � 52"
36
��
�
Wzór Cornisha-Fishera w Rozporządzeniu Komisji Europejskiej: Regulatory Technical Standards (RTS) for packaged retail and insurance-based investment products (PRIIPs) - link
12
A. Metody analityczneMetoda Cornisha-Fischera dla dalszych horyzontów
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
13
A. Metody analityczne. Wyniki dla WIG
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Załóżmy, ze znamy model opisujący DGP.
Etapy MC wyznaczenia VaR/ES dla dowolnego �:
1. Generujemy ścieżkę stóp zwrotu ��, ��, … , �� do horyzontu �
2. Liczymy skumulowaną ścieżkę �� � ∑ ������
3. Powtarzamy kroki (1)-(2) „�” razy i zapisujemy ��8
dla 9 � 1,2, … , �
4. Porządkujemy skumulowane stopy od najmniejszej do największej �:��;
�:��;…
5. Wyznaczamy < � =>? ���
6. Liczymy :
���� � �:�+
oraz ��� ��
+∑ �:�
@+�
14
B. Metody numeryczneSymulacje Monte Carlo
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Zakładamy, że � ∼ � , ���
Etapy MC wyznaczenia VaR/ES dla dowolnego �:
1. Losujemy � wartości ��, ��, … , �� z rokładu � , ���
2. Liczymy ścieżkę �� � ∑ ������
3. Powtarzamy kroki (1)-(2) „�” razy i zapisujemy ��8
4. Porządkujemy skumulowane stopy �:��; �:�
�;…
5. Wyznaczamy < � =>? ���
6. liczymy :
���� � �:�+
oraz ��� ��
+∑ �:�
@+�
15
B. Metody numeryczneSymulacje Monte Carlo dla rozkładu normalnego
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Zakładamy, że � ma rozkład t-Studenta o Astopniach swobody
Etapy MC wyznaczenia VaR/ES dla dowolnego �:
1. Obliczamy średnią i odchylenie standardowe �
2. Losujemy � wartości B�, B�, … , B� z rozkładu B A
3. Wyznaczamy ��, ��, … , �� według wzoru �� � � B�C��
C�
4. Liczymy ścieżkę �� � ∑ ������
5. Powtarzamy kroki (2)-(4) „�” razy i zapisujemy ��8
6. Porządkujemy skumulowane stopy �:��; �:�
�;…
7. Wyznaczamy < � =>? ���
8. Liczymy :
���� � �:�+
oraz ��� ��
+∑ �:�
@+�
16
B. Metody numeryczneSymulacje Monte Carlo dla rozkładu t-Studenta
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Zakładamy, że DGP dla � jest modelem GARCH
Etapy MC wyznaczenia VaR/ES dla dowolnego �:
1. Szacujemy parametry modelu GARCH
2. Dokonujemy symulacji ścieżki ��, ��, … , �� warunkowo względem ostatniej obserwacji w próbie
3. Liczymy ścieżkę �� � ∑ ������
4. Powtarzamy kroki (2)-(3) „�” razy i zapisujemy ��8
5. Porządkujemy skumulowane stopy �:��; �:�
�;…
6. Wyznaczamy < � =>? ���
7. Liczymy :
���� � �:�+
oraz ��� ��
+∑ �:�
@+�
17
B. Metody numeryczneSymulacje Monte Carlo dla modelu GARCH
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
18
A. Metody numeryczne
Symulacje Monte Carlo
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Jeżeli założymy, że stopy są IID, to możemy zastosować symulację historyczną
Etapy bootstrapu wyznaczenia VaR/ES dla dowolnego �:
1. Losujemy z powtarzaniem � st. zwrotu ��, ��, … , �� z historycznej próby ��:E
2. Liczymy skumulowaną ścieżkę �� � ∑ ������
3. Powtarzamy kroki (1)-(2) „�” razy i zapisujemy ��8
dla 9 � 1,2, … , �
4. Porządkujemy skumulowane stopy od najmniejszej do największej �:��;
�:��;…
5. Wyznaczamy < � =>? ���
6. Liczymy :
���� � �:�+
oraz ��� ��
+∑ �:�
@+�
19
C. Metody numeryczneBootstrap – czyli symulacja historyczna przy założeniu IID
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
1. Można założyć jaki jest model opisujące DGP (np. GARCH, ARMA)
2. Można przeprowadzić obliczenia dla stóp � �okresowych (ale mamy wtedy mniej obserwacji)
PH <- P[seq(T,1,-H)] # obserwacje co H sesji
yH <- diff(log(PH)) # H-okresowe stopy zwrotu
Dalsze obliczenia jak dla VaR ma jeden okres
20
A co jeżeli stopy są zautokorelowane
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
21
Porównanie modeli
���F ��F
rozk. norm. -0,0323 -0,0419
Cornish-Fischer -0,0335
rozk. norm. MC -0,0330 -0,0435
rozklad t MC -0,0312 -0,0458
GARCH MC -0,0312 -0,0403
HS, bootstrap -0,0318 -0,0439
rozkl. norm. (H-okresowe stopy) -0,0327 -0,0410
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Zadanie 1. Dla logarytmiczne stopy zwrotu dla pewnego aktywa mają rozkład normalny o parametrach � 1; 2��. Oblicz VaR oraz ES dla � � 1, � � 5 oraz � � 10 oraz dla poziomu tolerancji � � 1% oraz � � 5% jeżeli wiadomo, że dla rozkładu � 0,1� wartości VaR i ES są następujące
Zadanie 2. Oblicz VaR dla � � 5 za pomocą wzoru Cornisha-Fischera dla aktywa, którego stopy zwrotu mają następujące charakterystyki: � 0.5%, � � 5%, � � �1, * � 7. Przyjmij poziom tolerancji � � 0.05 oraz 0.025. [Φ�� 0.05 � �1.645 oraz Φ�� 0.025 � �1.960 ]
22
Blok 2, Temat 5: Zadania
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Zadanie 3. Dla szeregów czasowych opisujących wycenę wybranego funduszu inwestycyjnego, oblicz wartości VaR i ES dla � � 10 na podstawie 6 omawianych metod (norm, CF, t, GARCH, boot, norm 5 �okresowe) dla poziomu tolerancji 5%. Czy wyniki się różnią? Powtórz obliczenia dla poziomu tolerancji 1%.
Zadanie 4. Stwórz kody w programie R, pozwalające na liczenie VaR i ES z modelu EWMA z rozkładem normalnym dla dowolnego horyzontu �. Oblicz VaR i ES dla � � 10 i porównaj z wynikami z modelu GARCH (Zadanie 3)
Zadanie 5. Stwórz kody w programie R, pozwalające na liczenie VaR i ES z modelu EWMA z rozkładem historycznym dla dowolnego horyzontu �. Oblicz VaR i ES dla � � 10 i porównaj z wynikami z modelu GARCH (Zadanie 3) oraz EWMA-norm (Zadanie 4)
23
Blok 2, Temat 5: Zadania
Blok 2. Temat 6: Testy warunków skrajnych – stress tests
24
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Testy warunków skrajnych polegają na ocenie wpływu na wartość portfela (funkcjonowanie firmy, systemu finansowego) wydarzeń o niskiej szansie zmaterializowania się (wydarzeń nadzwyczajnych), ale o potencjalnie dużych negatywnych skutkach
Przykłady:
krach na giełdzie
dewaluacja waluty
utrata płynności
bankructwo dłużnika
utrata ważnego klienta
Na poziomie indywidualnym odpowiednikiem są np. crash testy samochodów
25
Test warunków skrajnych: stress tests
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Wartość zagrożona / oczekiwana strata:
normalne uwarunkowania rynkowe
krótki horyzont czasowy
podejście probabilistyczne
Testy warunków skrajnych:
nietypowe/kryzysowe uwarunkowania rynkowe
dłuższy horyzont czasowy
podejście scenariuszowe
Ważne: Wartość zagrożona i testy warunków skrajnych są komplementarnymi miarami ryzyka
26
Test warunków skrajnych: stress tests
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Etap 1. Analiza wrażliwości (sensitivity analysis)
reakcja portfela na zmiany czynników ryzyka (risk factors), m.in.: wartości indeksów giełdowych,
położenie krzywej dochodowości,
kursy walutowe,
ceny surowców.
Etap 2. Analizy scenariuszowe (scenario analysis)
ocena jak zmieni się wartość portfela przy różnych uwarunkowaniach, np. : credit crunch,
ogłoszenie niewypłacalności przez głównego klienta,
nasilenie się ataków terrorystycznych.
Etap 3. Testy warunków skrajnych
warunek skrajny = najgorszy możliwy scenariusz27
Testy warunków skrajnych:
schemat dla pełnego modelu
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
1. Scenariusze historyczne, przykładowo:
Wielki kryzys z lat 30-tych
Kryzys ERM z 1992 r.
Kryzys azjatycki z 1997 r.
Kryzys finansowy z lat 2007-2009
Wartość WIG:
9 lipca 2007: 67 772,91
18 lutego 2009: 20 370,29
spadek o 70% w półtorej roku
Kurs EUR/PLN:
31 lipca 2008: 3,20 PLN/EUR
18 lutego 2009: 4,90 PLN/EUR
deprecjacja o 35% w pół roku
28
Testy warunków skrajnych: jakie scenariusze?
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
2. Scenariusze hipotetyczne, tj. zdarzenia, które niekoniecznie miały miejsce w przeszłości, ale mogą się wydarzyć w przyszłości
gwałtowne zmiany klimatyczne
ogłoszenie niewypłacalności przez rząd
wprowadzenie nowych regulacji
Brexit / Polexit
Epidemia
Atak Korei Północnej na K. Południową
29
Testy warunków skrajnych: jakie scenariusze?
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
2. „Standardowe” scenariusze hipotetyczne
przykładowo zaproponowane przez Derivatives Policy Group (1995):
parallel yield curve shifts of 100 basis points up and down
steepening and flattening of the yield curves (2's to 10's) by 25 basis points;
increase and decrease in equity index values by 10 percent
increase and decrease in the exchange value of foreign currencies by 6 percent (major currencies) and 20 percent (other currencies)
increase and decrease in swap spreads by 20 basis points.
30
Testy warunków skrajnych: jakie scenariusze?
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Przykładowy skład portfela:
A1, 40%: krajowe obligacje rządowe, średni czas trwania (duracja) 5 lat
A2, 10%: krajowe obligacje korporacyjne, średni czas trwania (duracja) 3 lata
A3, 30%: akcje krajowe
A4, 20%: akcje zagraniczne
Etap 1. Analiza wrażliwości:
31
Test warunków skrajnych: przykład
A1 A2 A3 A4 Portfel
Z1: 1% zmiana wartości indeksów giełdowych (w kraju i zagranicą) 0% 0% 1% 1% 0,5%
Z2: wzrost krzywej dochodowości na całej długości o 100 pb. -5% -3% 0% 0% -2,3%
Z3: deprecjacja kursu o 1% 0% 0% 0% 1% 0,2%
Z4: wzrost spreadu na obligacjach korporacyjnych o 100 pb. 0% -3% 0% 0% -0,3%
Z5: wzrost cen surowców o 1% 0% 0% 0% 0% 0,0%
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Analiza wrażliwości
Analiza scenariuszowa
Wartość portfela dla najgorszego scenariusza, czyli:spadek indeksów, wzrost st. proc., aprecjacja kursu i wzrost spreadu
∆ ln M � �5% � 2,3% � 4,0% � 0,3% � �11,6%
32
Test warunków skrajnych : przykład
Portfel
Z1: 1% zmiana wartości indeksów giełdowych (w kraju i zagranicą) 0,5%
Z2: wzrost krzywej dochodowości na całej długości o 100 pb. -2,3%
Z3: deprecjacja kursu o 1% 0,2%
Z4: wzrost spreadu na obligacjach korporacyjnych o 100 pb. -0,3%
Z5: wzrost cen surowców o 1% 0,0%
Portfel
S1: Spadek/wzrost indeksów giełdowych (w kraju i zagranicą) o 10% ±5,0%
S2: Spadek/wzrost krzywej dochodowości na całej długości o 100 pb. ±2,3%
S3: Aprecjacja/deprecjacja kursu złotego o 20% ±4,0%
S4: Spadek/ wzrost spreadu na obligacjach korporacyjnych o 100 pb. ±0,3%
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Scenariuszem może być także zmiana rozkładu dla stóp zwrotu
(średnia, odchylenie standardowe, korelacje).
Przykładowo, wśród „standardowych” scenariuszy hipotetycznych zaproponowanych przez Derivatives Policy Group (1995) znajdziemy:
increase and decrease in all 3-month yield volatilities by 20 percent,
increase and decrease in equity index volatilities by 20 percent,
increase and decrease in foreign exchange rate volatilities by 20 percent.
W przypadku scenariuszy historycznych, wyszukujemy okresów o podwyższonej zmienności, wysokich korelacjach czy dużych spadkach
33
Testy warunków skrajnych: jakie scenariusze?
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Wartość zagrożona w sytuacji skrajnej obliczana jest z zastosowaniem podobnej metodologii, jak w przypadku zwykłej miary wartości zagrożonej. Różnica polega na tym,
że S-VaR jest liczony przy bardziej konserwatywnych założeniach dotyczących rozkładu stóp zwrotu (niższa oczekiwana stopa zwrotu, podwyższona zmienność, itp.)
Przykładem może być metodologia liczenia scenariusza skrajnego w dokumencie: rozporządzenie Parlamentu Europejskiego i Rady (UE) nr 1286/2014 w sprawie dokumentów zawierających kluczowe informacje (KID) dla detalicznych
produktów zbiorowego inwestowania i ubezpieczeniowych produktów inwestycyjnych (PRIIP) przez ustanowienie regulacyjnych standardów technicznych
(RTS) – załącznik V (link)
W którym zastosowano wzór Cornisha-Fischera i przyjęto, że:
- wartość oczekiwana jest wynosi � 0
- O to 99 percentyl rolowanego odch. std. dla okna 21-dniowego
- OP to 1 percentyl rozkładu normalnego
34
Wartość zagrożona w sytuacji skrajnej:
stressed VaR, S-VAR
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Przykładem może być metodologia liczenia scenariusza skrajnego w dokumencie: rozporządzenie Parlamentu Europejskiego i Rady (UE) nr 1286/2014 w sprawie dokumentów zawierających kluczowe informacje (KID) dla detalicznych
produktów zbiorowego inwestowania i ubezpieczeniowych produktów inwestycyjnych (PRIIP) przez ustanowienie regulacyjnych standardów technicznych
(RTS) – załącznik V (link)
gdzie dla horyzontu krótszego niż rok:
- to 99 percentyl rolowanego odch. std. dla okna 21-dniowego
- OP to 1 percentyl rozkładu normalnego
Porównując do wzoru Cornisha-Fishera dla VaR o horyzoncie �:
���� � � � � � 2" �2"� � 1
6
�
��2"( � 32"
24
*
��22"
( � 52"
36
��
�
można zauważyć, że w scenariuszu skrajnym nastąpiła zmiana odchylenia std. oraz przyjęto, że oczekiwana stopa zwrotu wynosi � 0.
35
Wartość zagrożona w sytuacji skrajnej:
stressed VaR, S-VAR
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Zadanie 1. Dla wybranego przez siebie funduszu określ (jakościowo), jaki byłby wynik testów skrajnych dla standardowych scenariuszy
przesunięcie krzywej dochodowości o 100 pb
zmiana cen akcji o 10%
deprecjacja złotego o 20%
zmiana ryzyka kredytowego o 100 pb.
Zadanie 2. Na podstawie danych dla wybranego przez siebie funduszu określ, zidentyfikuj scenariusz historyczny pozwalający określić, jakiej największej straty można się spodziewać w horyzoncie najbliższego roku.
36
Blok 2, Temat 6: Zadania
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
Zadanie 3. Dla szeregów czasowych opisujących wycenę wybranego funduszu inwestycyjnego, oblicz wartości VaR o horyzoncie 1 rok (250 dni) z modelu normalnego oraz poziomu tolerancji Q � 1%(metoda Root Square of Time). W scenariuszu skrajnym przyjmij, że ∗ jest minimalną, zaś �∗ jest maksymalną wartością rolowanej średniej / odchylenia standardowego w okienku o szerokości 3 miesiące. Oblicz wartość S-VaR przy powyższych założeniach.
Zadanie 4. Dla szeregów czasowych opisujących wycenę wybranego funduszu inwestycyjnego, oblicz wartości VaR o horyzoncie 1 rok (250 dni) z modelu Cornisha-Fishera dla poziomu tolerancji Q � 1%. Przyjmij, że w scenariuszu skrajnym ∗ � 0, zaś �∗ jest 99 percentylem rolowanego odchylenia standardowego w okienku 21 dni. Oblicz wartość S-VaR przy powyższych założeniach.
37
Blok 2, Temat 6: Zadania
Blok 2. Temat 7: Backtesting
38
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
39
Co to jest backtesting
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
40
Procedura backtestingu
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
41
Przekroczenia VaR
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
42
Bazylea II: sygnalizacja świtlna
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
43
Backtesting: co weryfikujemy
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
44
Backtesting jako regresja
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
45
Test Kupca: pokrycie
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
46
Test Christoffersena: niezależność
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
47
Test Christoffersena: niezależność + pokrycie
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
48
Zastosowanie: symulacja historyczna
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
49
MA20 z rozkł. normalnym / t-Studenta
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
50
MA200 z rozkł. normalnym / t-Studenta
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
51
EWMA kalibrowany z rozkładem normalnym
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
52
EWMA estymowany z rozkładem t-Studenta
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
53
GARCH z rozkładem normalnym I
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
54
GARCH z rozkładem normalnym II
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
55
GARCH z rozkładem t-Studenta
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
56
Test McNeila i Freya dla ES
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
57
Symulacja historyczna
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
58
MA250 z r. normalnym / t-Studenta
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
59
EWMA kalibrowany, r. normalny
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
60
EWMA estymowany, r. t-Studenta
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
61
GARCH, r. normalny
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
62
GARCH, r. t-Studenta
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
63
Backtesting dla całego rozkładu
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
64
Test Berkowitza’01
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
65
Test Berkowitza - wyniki
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
66
Blok 2, Temat 7, Zadania
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
W trakcie zajęć można uzbierać:
20 punktów za 2 prezentacje po 10 punktów
10 punktów za egzamin tradycyjny
2 punkty za aktywną obecność (każda nieobecność to minus 0.5 pkt)
10 punktów za prezentację składa się z:
6 punktów za przeprowadzone obliczenia
3 punkty za styl (max strona tytułowa + 6 slajdów).
1 punkt za sposób prezentacji (limit 8 minut)
Wydrukowana prezentacja powinna być dostarczona do prowadzącego zajęcia.
67
Zasady zaliczenia
punkty do 15 do 18 do 21 do 24 do 27 od 27
ocena ndst dst dst+ db db+ bdb
Marek Kwas i Michał Rubaszek, Modelowanie Ryzyka Finansowego z R
68
Zakres informacji na prezentacji z Bloku 2
1. Informacje na temat funduszu
2. Wykres danych historycznych za ostatnie 5 lat
3. Wartość VaR dla horyzontu 10 dni roboczych uzyskanych za pomocą:
modelu normalnego i metody root square of time
symulacji MC z modelu GARCH
4. Zmianę ceny portfela w scenariuszu nasilenia napięć geopolitycznych na Bliskim Wschodzie, przekładającego się na:
wzroście cen surowców energetycznych o 100% i nieenergetycznych o 50%
wzroście krzywej dochodowości na całej długości o 150 pb (na całym świecie)
spadku cen akcji na rynkach rozwiniętych o 10%, zaś na rynkach rozwijających się o 15%
odpływie kapitału z rynków wschodzących i deprecjacji ich kursów o 15%
5. Wybrana na postawie backtestingu (testy Kupca i Christoffersena) najlepsza metoda wyznaczania 5% VaR wraz z możliwie wąskim oknem estymacji:
backtesting na możliwie najdłuższych danych (ale max 10 lat)
porównanie wyników testów (statystyki) z metodami alternatywnymi
porównanie 1-okresowego 1% i 5% VaR wyznaczonego za pomocą wybranej metody z wynikami z pierwszej prezentacji