Vortrag VaR

Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation
Value at Risk (VaR) – Einführung I

Dr. Wolfgang Böhme
November 2007
Inhalt
I Definitionen / Value at Risk

I Varianz-Kovarianz-Methode
I Cornish-Fisher-Approximation
Definitionen 1
Gegeben sei ein Portfolio, dessen Marktwert man in funktionaler

Abhängigkeit von Marktdaten (wie z.B. Wechselkursen oder
Zinssätzen) beschreiben kann.
P(t) = P(Y (t), t) - der Marktwert des Portfolios zum Zeitpunkt t
P(t0 ) = P(Y (t0 ), t0 ) - der Marktwert des Portfolios zum
Anfangseitpunkt t0
Annahme:
die Zusammensetzung des Portfolios ändert
sich nicht im Zeitraum t − t0 > 0
∆P(t) = P(t) − P(t0 ) - Wertveränderung des Portfolios
(Profit and Loss - PnL)
Definitionen 2
Bezeichnungen:
Y (t) - Vektor der Marktdaten zum Zeitpunkt t
Yi (t) - i-te Komponente des Vektors der Marktdaten
ν(t) - Zeitkomponente
PM (Y (t), ν(t)) - Preisfunktion
Die Wertveränderung des Portfolios (PnL) lässt sich dann

darstellen:
∆P(t) = PM (Y (t), ν(t)) − PM (Y (t0 ), ν(t0 ))
Value at Risk (VaR)
Das Ziel der Abschätzung des Marktrisikos ist eine Aussage über
den potentiellen Wertverlust des Portfolios innerhalb einer fixierten
Halteperiode (t) , der mit einer vorgegebenen Wahrscheinlichkeit
(1 − α) nicht übertroffen wird.
Die Wahrscheinlichkeit P wird auch als Konfidenznivau (1 − α)
bezeichnet. Der potentielle Wertverlust heißt Value at Risk.
Nur in α% der Fälle wird ein Verlust-Szenario eintreffen, das den
VaR-Wert überschreitet.
α = P(∆P(t) < VAR(t, α))
Mathematisch gesehen ist VAR(t, α) das α-Quantil der Verteilung

von ∆P(t).
Dichtefunktion / Verteilungsfunktion
Dichtefunktion:
Eine integrierbare Funktion f heißt Dichtefunktion der Zufallsvariable X, wenn

gilt:
Zb
f (t)dt = P(a ≤ X ≤ b)
a
Verteilungsfunktion:
Zx
FX (x) = P(X < x) = f (t)dt mit x ∈ R und X − reele Zufallsvariable
−∞
Dichte- (Verteilungs-) funktion / Normalverteilung

Beispiel: Normalverteilung
1 (t−µ)2
−
f (t) = √ e 2σ2
2πσ 2
Zx (t−µ)2
1 −
F (x) = √ e 2σ2 dt
2πσ 2
−∞
Interpretation des p-Quantils 1
Quantil der Ordnung p
FX−1 (p) = inf [x ∈ R, FX (x) ≥ p] mit X − reelle Zufallsvariable
oder in der VaR-Terminologie:

−1
VaR∆P (α) = F∆P (α) = inf [x ∈ R, F (x) ≥ α]
mit ∆P - Wertveränderung des Portfolios

und F (x) Verteilungsfunktion der Wertveränderung des Portfolios
p = α = 0, 05 Interpretation des p-Quantils 2
ZQp
P(X < Qp ) = F (Qp ) = f (t)dt = p
−∞
FX−1 (p) = inf [x ∈ R, FX (x) ≥ p] = Qp

in Worten:
I die dunkle Fläche beträgt 5 Prozent der Gesamtfläche
I der kleinste Wert auf der x-Achse, für den gilt FX (x) ≥ p ist Qp (Quantil)
Interpretation des p-Quantils 4

Bei Standardnormalverteilung :
FX−1 (0, 01) = −2.326348

FX−1 (0, 99) = 2.326348
FX−1 (0, 05) = −1.644854
FX−1 (0, 95) = 1.644854
Bemerkung: Bei schiefen Verteilungen gilt nicht:
FX−1 (α) = −FX−1 (1 − α)

Bemerkungen
I Gebräuchliche Größen für das Konfidenzniveau sind:

Für interne Modelle in Deutschland: α= 0,01 und 0,001
Für interne Berechnungen in der Bank:α= 0,01 und 0,05
Risk Metrics (JP Morgans):α= 0,05
I Die fixierte Halteperiode t sollte so gewählt werden, dass die
im Portfolio enthaltenen Positionen aufgelöst werden können.
Gebrüchliche Halteperioden sind:
Für interne Modelle in Deutschland: t = 10
Für interne Berechnungen in der Bank: t = 1 und t=10
Varianz-Kovarianz-Methode
I Modellierung der Marktdaten

I Modellierung der Wertveränderung eines Portfolios
I VaR eines Portfolio
Modellierung der Marktdaten - 1 Risikofaktor
Wir beschränken uns zunächst auf einen Risikofaktor Y

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

√
∆Y = a · ∆t + b · X · ∆t
⇒ ∆Y ∼ N(a · ∆t, b 2 · ∆t) Interpretation:
a · ∆t
√ - deterministischer Teil mit Drift (a)
X · ∆t - Wiener Prozeß
b - Multiplikator des Wiener Prozesses
auch geometrische Brown’sche Bewegung genannt

geometrische Brown’sche Bewegung Interpretation
√
∆Y = µ · ∆t + σ · X · ∆t

Annahme:
Wir modellieren den Prozeß als eine geometrischen Brownschen
Bewegung. Die Entwicklung des Risikofaktors Y kann durch
folgende Differenzengleichung beschrieben werden:
∆Y (t) = µ · Y (t0 ) · ∆t + σ · Y (t0 ) · ∆W (t)

oder als Differentialgleichung:
dY (t) = µ · Y (t) · dt + σ · Y (t) · dW (t)

mit µ - Drift
und σ - Volatilität
W (t) -Standard-Wiener Prozess


Umformung nach Itô-Lemma (stochastische Differentialgleichung)
σ2
dlnY (t) = (µ − )dt + σ · dW (t)
2
Zt Zt
σ2
lnY (t) − lnY (t0 ) = (µ − )dt + σ · dW (t)
2
t0 t0
Zt
σ2
= (µ − )(t − t0 ) + σ · dW (t)
2
t0
Itô
σ2
= (µ − )(t − t0 ) + σ · (W (t) − W (t0 ))
z}|{
2

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

Bewegung entwickeln, sind die Veränderungen der Marktdaten
normalverteilt)
Definition der logarithmischen Rendite:
Y (t)
R(t) = ∆lnY (t) = lnY (t) − lnY (t0 ) = ln( )
Y (t0 )
R(t) ∼ N(µ̃∆t, σ 2 ∆t)

Bemerkung: es genügt die täglichen Renditen zu berechnen (t0 = t − 1):
Y (t)
R(t) = ∆lnY (t) = lnY (t) − lnY (t − 1) = ln( )
Y (t − 1)
R(t) ∼ N(µ̃, σ 2 )
weitere Modellannahme:
Zentriertheit der logarithmischen Rendite µ̃ = 0:
R(t) ∼ N(0, σ 2 )
Y (t) = Y (t0 )e R(t)∆t

√
Y (t) = Y (t0 )e σ· ∆t·X
VaR eines Risikofaktors
α = P(∆P(t) ≤ VAR(t, α)) =

= P(Y (t) − Y (t0 ) ≤ VAR(t, α)) =
√
= P(Y (t0 )(e σ· ∆t·X
− 1)) ≤ VAR(t, α))
VAR(t,α)
ln(1 + Y (t )
)
= P(X ≤ a) = P(X ≤ √ 0 )
σ · ∆t
VAR(t,α)
ln(1 + Y (t )
)
oder a = √ 0
σ · ∆t
da X ∼ N(0, 1) und α = P(X ≤ a) = FX (a) ⇒ a = FX−1 (α)
VAR(t,α)
ln(1 + Y (t )
)
FX−1 (α) = √ 0 ⇒
σ · ∆t
√ −1
VAR(t, α) = Y (t0 )(e σ· ∆(t)·FX (α) − 1)
Approximation des VaR eines Risikofaktors
Taylor- Zerlegung: e x ≈ 1 + x + 21 x 2
√
∆t·F −1 (α)
√
e σ· ∆t · F −1 (α)
≈ 1+σ·
√
VAR(t, α) ≈ Y (t0 )(σ · ∆t · F −1 (α))
Bemerkung:
σ = σR Volatilität der Logarithmischen Rendite R
√
VAR(t, α) ≈ Y (t0 )[Volatilitaet · Haltedauer · Quantil(α)]
Beispiel: VaR eines Risikofaktors-Daten
Datum FXR R − FXR

2007 − 08 − 31 0.7333
2007 − 08 − 30 0.7336 −0.00038
2007 − 08 − 29 0.7329 +0.00092
2007 − 08 − 28 0.7329 +0.00000
... ... ...
Yi (t)
Ri (t) = ln( )
Yi (t − 1)
Beispiel: VaR eines Risikofaktors-Daten
Rohdaten Y(t) Logarithmische Rendite
Wechselkurs Dollar - Euro (4.9.2006-31.8.2007)

⇒ 251(0) Beobachtungen
(Inverse Zeitachse)
Beispiel: VaR eines Risikofaktors-Häufigkeitsverteilung
Rohdaten Y(t) Logarithmische Rendite

Beispiel: VaR eines Risikofaktors

s
n
1
(xi − x̄)2 = 0.003701
P
Volatilität der Logreturns σR = n
i=1
n
1 P
mit dem Mittelwert x̄ = nxi = 0.000232
i=1
√
und Haltedauer t = 1 ⇒ ∆t = 1
Konfidenzniveau α = 0.01 ⇒ F −1 (α) = −2.326348
Wechselkurs am 31.8.2007 Y (t0 ) = 0.73338
√
VAR(t, α)) ≈ Y (t0 ) · σR · ∆t · F −1 (α)
≈ 0.73338 · 0.003701 · 1 · (−2.326348)
≈ −0.006314
Beispiel: VaR eines Risikofaktors

√ √
Haltedauer t = 10 ⇒ ∆t =10 = 3.162278
√
VAR(t, α)) ≈ Y (t0 ) · σR · ∆t · F −1 (α)
≈ 0.73338 · 0.003701 · 3.162278 · (−2.326348)
≈ −0.019968

√
VAR(t, α)) ≈ Y (t0 ) · σR · ∆t · F −1 (α)
≈ 0.73338 · 0.003701 · 1 · (−1.644854)
≈ −0.004465
VaR eines Instrumentes - 1 Risikofaktor

bisher: P(t) = Y (t) ⇒ ∆P(t) = Y (t) − Y (t0 )
nun: P(t) = N · Y (t) ⇒ ∆P(t) = N(Y (t) − Y (t0 ))
√
VAR(t, α)) ≈ N · Y (t0 ) · σ · ∆t · Φ−1 (α)
√
≈ N(t0 ) · σ · ∆t · Φ−1 (α)
mit:
N(t0 ) = N · Y (t0 ) - Portfoliowert zum Zeitpunkt t0
√
VAR(t, α) ≈ N(t0 )[Volatilitaet · Haltedauer · Quantil(α)]
Beispiel: VaR einer FX-Cash Position - 1 Risikofaktor
Position N = 1,000,000 USD Heimatwährung EUR

Volatilität der Logreturns σR = 0.0037
mit dem Mittelwert x̄ = 0.000232
√
und Haltedauer t = 1 ⇒ ∆t = 1
Wechselkurs am 31.8.2007 Y (t0 ) = 0.73338
√
VAR(t, α)) ≈ N · Y (t0 ) · σR · ∆t · F −1 (α)
≈ 1, 000, 000.00 · 0.73338 · 0.0037 · 1 · (−2.326348)
≈ 733, 381.79 · 0.0037 · 1 · (−2.326348)
≈ −6, 314.28
Beispiel: VaR einer FX-Cash Position - 1 Risikofaktor

√ √
Haltedauer t = 10 ⇒ ∆t =10 = 3.162278
√
VAR(t, α)) ≈ N · Y (t0 ) · σR · ∆t · F −1 (α)
≈ 733, 381.79 · 0.0037 · 3.162278 · (−2.326348)
≈ −19, 967.51

√
VAR(t, α)) ≈ N · Y (t0 ) · σR · ∆t · F −1 (α)
≈ 733, 381.79 · 0.0037 · 1 · (−1.644854)
≈ −4, 464.54
Modellierung der Marktdaten - n Risikofaktoren
Bisher erfolgte die Modellierung durch eine eindimensinale

geometrische Brownsche Bewegung:
dY (t) = µ · Y (t) · dt + σ · Y (t) · dW (t)

√
Y (t) = Y (t0 )e µ̃∆t+σ· ∆t·W
R(t) ∼ N(µ̃∆t, σ∆t)

σ2
µ̃ = µ −
2

Die Modellierung erfolgt nun durch eine mehrdimensinale
geometrische Brownsche Bewegung:
n
X
dYi (t) = µ · Yi (t) · dt + Yi (t) σij · dWj (t)
j=1
n n
σij ·Wj (t)+t·(µi − 21 σij2 )
P P
(
Yi (t) = Y (t0 )e j=1 j=1
Ri (t) ∼ Nn (µ̃i ∆t, Σ · ΣT · ∆t)

n
1X 2
µ̃i = µi − σij
2
j=1
mit der Kovarianzmatrix Σ :

 
σ11 σ12 . . .
Σ =  σ21 σ22 . . . 
 
.. .. ..
. . .
mit σij = σi · ρij · σj

ρij − Korrelationskoeffizient
σij − Kovarianzen
Der Vektor der eintägigen logarithmischen Renditen:

Y1 (t)
 

R1 (t)
 ln Y 1 (t−1)
...
 
 ...   
   Y j (t) 
R(t) =   Rj (t)  =  ln Yj (t−1) 
  
 ...   ...

 
Rn (t) ln Yn (t)Yn (t−1)
R(t) ∼ Nn (0 , Σ · ΣT )
unter Verwendung der eintägigen Renditen und der

Modellannahme der Zentriertheit (µ̃i = 0) erhält man :
n
P
( σij ∆Wi (t))
Yi (t) = Yi (t0 ) · e j=1
n
P
( σij Xi ∆t)
= Yi (t0 ) · e j=1
n
P
( σij Xi )
= Yi (t − 1) · e j=1
Xi ∼ Nn (0, 1)
Approximation der Wertveränderung - n Risikofaktoren
∆P = P(Y1 (t), Y2 (t), ..., Yn (t)) − P(Y1 (t0 ), Y2 (t0 ), ..., Yn (t0 )) =
= P(R1 (t), R2 (t), ..., Rn (t)) − P(R1 (t0 ), R2 (t0 ), ..., Rn (t0 ))
Taylorzerlegung
n
X
∆P ≈ PR0 i (Ri (t) − Ri (t0 )) + Pν0 (ν(t) − ν(t0 ))

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

t=t0
i=1
Approximation der Wertveränderung - n Risikofaktoren

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

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

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

t=t0

00
Γ = kΓij k Γij = PRi ,Rj

t=t0
Marktdaten, Marktrisikodaten und logarithmische

Rendite
Wir unterscheiden:
I Marktdaten (Yi (t))
I Marktrisikodaten
I logarithmische Rendite (Ri (t))
→ Marktrisikodaten |{z}
Marktdaten |{z} → logarithmischeRendite
MAPPER MAPPER

PR0 i = PY0 i · Yi (t0 )

t=t0 t=t0

∆∗i = PY0 i · Yi (t0 )

t=t0
VaR eines Portfolios / mehrere Risikofaktoren
Annahme:
lineare Aproximation der Wertveränderung des Portfolios

∆P ≈ ∆∗R mit R ∼ Nn (0, ∆tΣT Σ)
⇒
∆P - lineare Transformation von multivariat normalverteilten
Zufallsgrößen
allgemein : Z = aT · Y , Y ∼ Nn (µ, ΣT Σ)
σZ2 = var (Z ) = var (aT · Y ) = aT · Σ · a
σP2 = var (∆P) = ∆∗T Σ∆t∆∗ ⇒
√ √ √
Var (t, α) = σP · ∆t · F −1 (α) = ∆∗T Σ∆∗ · ∆t · F −1 (α)
VaR eines Portfolios / mehrere Risikofaktoren
Annahme:
nichtlineare Aproximation der Wertveränderung des Portfolios:

n n n
X 1 XX ∗
∆P ≈ ∆∗i ∆Wi (t) + + Γij ∆Wi (t) · ∆Wj (t)
2
i=1 i=1 j=1
∆Wi (t) ∼ Nn (0, Σ · ΣT ∆t) ⇒
var (∆P) = ∆∗T Σ∆t∆∗ + 21 [(Γ∗ Σ∆t)2 ]
∆P - in der Regel √nicht normalverteilt ⇒

Var (t, α) 6= −σP · ∆t · F −1 (α)
⇒ Verwendung der Cornish-Fisher-Approximation
Beispiel 1: VaR für ein USD/EUR Forward Trade

Position NUSD = −1, 000, 000 USD (Heimatwährung EUR)
Verkauf der Position in einem Jahr für NEUR = 700, 000 EUR
Risikofaktoren:
Y1 (t) = w (t) − WechselkursEUR/USD

Y2 (t) = IBZUSD (t) − Zero − ZinsenUSD
Y3 (t) = IBZEUR (t) − Zero − ZinsenEUR
Wert der Position / Portfolio P(t0 ):
P(t0 ) = P(Y1 (t0 ), Y2 (t0 ), Y3 (t0 )) =

= P(w (t0 ), IBZUSD (t0 ), IBZEUR (t0 )) =
1 1
= NUSD · w (t0 ) · + NEUR ·
1 + IBZUSD (t0 ) 1 + IBZEUR (t0 )
Risikofaktoren:
Y1 (t) = w (t) − WechselkursEUR/USD

1
Y1 (t) = IBDUSD (t) = − Diskontfaktoren USD
1 + IBZUSD (t)
1
Y1 (t) = IBDEUR (t) = − Dscontfaktoren EUR
1 + IBZEUR (t)
Wert der Position / Portfolio P(t0 ):
P(t0 ) = P(w (t0 ), IBDUSD (t0 ), IBDEUR (t0 )) =

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

NUSD = -1,000,000 USD
NEUR = 700,000 EUR
t0 : 31.8.2007
Risikofaktoren:
w (t0 ) =0.733382
IBDUSD (t0 )=0.952415
IBDEUR (t0 )=0.957041
P(t0 ) = NUSD · w (t0 ) · IBDUSD (t0 ) + NEUR · IBDEUR (t0 ) =

= −1, 000, 000 · 0.733382 · 0.952415 + 700, 000 · 0.957041 =
= −28, 554.84

Berechnung der ersten Ableitungen nach Risikofaktoren:
P(t0 ) = NUSD · w (t0 ) · IBDUSD (t0 ) + NEUR · IBDEUR (t0 )

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

0
t=t0
PIBDEUR = NEUR

t=t0
0
Pw = −1, 000, 000 · 0.952415 = −952414.78
0
PIBDUSD = −1, 000, 000 · 0.733382 = −733381.80
0
PIBDEUR = 700, 000
Berechnung der Sensitivitäten ∆∗ :

∆∗i = PY0 i · Yi (t0 )

t=t0
0
Pw · w (t0 ) = −952414.78 · 0.733382 = −698, 483.66
0
PIBDUSD · IBDUSD (t0 ) = −733381.80 · 0.952415 = −698, 483.66
0
PIBDEUR · IBDEUR (t0 ) = 700, 000 · 0.957041 = 669, 928.82
Datum FXR R − FXR IBD − EUR R − IBD − EUR IBD − USD R − IBD − USD
2007 − 08 − 31 0.7333 0.9570 0.9524

2007 − 08 − 30 0.7336 −0.00038 0.9572 −0.00017 0.9524 −0.00006
2007 − 08 − 29 0.7329 +0.00092 0.9574 −0.00020 0.9530 −0.00061
2007 − 08 − 28 0.7329 +0.00000 0.9576 −0.00029 0.9530 +0.00005
... ... ... ... ... ... ...
Yi (t)
Ri (t) = ln( )
Yi (t − 1)

LogReturns
Logarithmische Rendite Logarithmische Rendite
IBDEUR (t) IBDUSD (t)

ln( IBD EUR (t−1)
) ln( IBD USD (t−1)
)

LogReturns
Logarithmische Rendite Logarithmische Rendite
IBDEUR (t) IBDUSD (t)

ln( IBD EUR (t−1)
) ln( IBD USD (t−1)
)

Berechnung der Risiken nach Risikofaktoren:
√
VaRYi (t, α)) ≈ ∆i · Yi (t0 ) · σi · ∆t · Φ−1 (α)
0
√
VaRYi (t, α)) ≈ PYi · Yi (t0 ) · σi · ∆t · Φ−1 (α)
t=t0
hier : ∆t = 1 , α = 0, 01
0 √
VaRw = Pw · w (t0 ) · σw · ∆t · Φ−1 (α)
= −952, 414.78 · 0.7334 · 0.0037 · 1 · (−2.326348) = 6, 001.35
0 √
VaRIBDUSD = PIBDUSD · IBDUSD (t0 ) · σIBDUSD · ∆t · Φ−1 (α)
= −733, 381.80 · 0.9524 · 0.0002 · 1 · (−2.326348) = 346.30
0 √
VaRIBDEUR = PIBDEUR · IBDEUR (t0 ) · σIBDEUR · ∆t · Φ−1 (α)
= 700, 000.00 · 0.9570 · 0.0003 · 1 · (−2.326348) = −486.31
Berechnung des GesamtVar:

√ √
Var (t, α) = ∆∗T Σ∆∗ · ∆t · F −1 (α)
hier : ∆t = 1 , α = 0, 01 ⇒
p
= − 6, 554, 785.68 · 1 · (−2.326348) = −5, 955.99
mit
∆∗T = −698, 483.66 −698, 483.66 669, 928.82

 
0.0000136407 0.0000000171 0.0000002320
Σ =  0.0000000171 0.0000000454 0.0000000504 
0.0000002320 0.0000000504 0.0000000974
Berechnung des GesamtVar:

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

6001.35 346.30 −486.31
P - Korrelationsmatrix
 
1.000000000 0.021698758 0.201305928
P =  0.021698758 1.000000000 0.757755193 
0.201305928 0.757755193 1.000000000
Haltedauer 10 Tage
constant level of Risk:
√ √
Var (t, α) = ∆∗T Σ∆∗ · ∆t · F −1 (α)
hier : ∆t = 10 , α = 0, 01 ⇒
p √
= 6, 554, 785.68 · 10 · (−2.326348) = −18, 834.49
Verwendung der 10-tägigen Rendite:

√ √
Var (t, α) = ∆∗T Σ∆∗ · ∆t · F −1 (α)
hier : ∆t = 1 , α = 0, 01 ⇒
p
= 70, 080, 761.65 · 1 · (−2.326348) = −19, 474.85
mit
 
0, 0001420861 −0, 0000000436 −0, 0000016694
Σ =  −0, 0000000436 0, 0000003203 0, 0000004273 
−0, 0000016694 0, 0000004273 0, 0000008036
Beispiel 1: gewichtetes und ungewichtetes VaR

ungewichtet gewichtet
s s
n n
σ = n1 (yi − y )2
P P
σ= (1 − λ) λi−1 (yi − y )2
i=1 i=1
i 1
n
(1 − λ)λi−1
1 0, 004 0, 060
2 0, 004 0, 056
3 0, 004 0, 053
4 0, 004 0, 050
...
250 0, 004 0, 000
ungewichtet gewichtet
σ = 0.0037 σ = 0.0036
√ √
Var (t, α) = ∆∗T Σ∆∗ · ∆t · F −1 (α)
Inhalte
I Zielstellung
I Momente / Kumulanten einer Verteilung
I Zusammenhang zwischen Quantil und Kumulanten einer
Verteilung
I Bestimmung der Kumulanten /Momente
I ein Beispiel
I Analysemöglichkeiten
Zielstellung
Ziel: Praktikabler Lösungsansatz zur VaR-Berechnung, auch wenn

die Verteilungsfunktion der Wertveränderung des Portfolios nicht
oder nur schwierig explizit darstellbar ist (Besonders bei
Verwendung der quadratischen Approximation der
Wertveränderungsfunktion).
Cornish-Fisher-Approximation unterstellt einen Zusammenhang

zwischen den Parametern und Kumulanten einer Verteilung und
dem Quantil der Verteilung und dem Quantil der
Standardnormalverteilung.
Momente einer Verteilung
X − Zufallsvariable
r − reelleZahl
mr (k) − k − tes Moment bezueglich der Zahl r
mr (k) = E [(X − r )k ]
m0 (k) = E [(X )k ] Anfangsmomente
m0 (1) = E [X ] = µ
m0 (2) = E [(X )2 ]
Kumulanten und Momente
Kumulanten sind ebenfalls Kenngrößen einer Verteilung, die aus

der Charakteristischen Funktion abgeleitet werden. Es besteht ein
enger Zusammenhang zu den Momenten und anderer bekannter
Parameter einer Verteilung.
κ1 = m0 (1) = µ − (Mittelwert)
κ2 = m0 (2) − m0 (1)2 = var (x) − (Varianz)
κ3 = 2m0 (1)3 − 3m0 (1)m0 (2) + m0 (3) =
q
= ς3 κ32 − (ς3 − Skewness)
κ4 = 6m0 (1)4 + 12m0 (1)2 m0 (2) − 3m0 (2)2 − 4m0 (1)m0 (3) + m0 (4) =
= ς4 κ22 − (ς4 − Kurtosis)
Quantile und Kumulanten
Die Cornish-Fischer-Approximation berechnet näherungsweise das

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

zα − α − Quantil der Standardnormalverteilung
κi − Kumulanten
Quantile und Parameter
andere Darstellung: die Cornish-Fischer-Approximation berechnet

näherungsweise das Quantil der Verteilung der Wertveränderung
des Portfolios in Abhängigkeit der Parameter der Verteilung der
Wertveränderung des Portfolios und dem Quantil der
Standardnormalverteilung

1 3 1 3 1 2 3
xα ≈ µ + σ zα + ς3 (zα − 1) + ς4 (zα − 3zα ) − ς3 (2zα − 5zα )
6 24 36
xα − α − Quantil der Verteilung der Wertveraenderung

zα − α − Quantil der Standardnormalverteilung
µ, σ, ς3 , ς4 − Parameter der Verteilung
Berechnung der Kumulanten
Die Kumulanten werden aus der Kovarianzmatrix Σ, den Deltas ∆

(Vektor der ersten Ableitungen) und den Gammas in der Form der
Hessematrix Γ (Matrix der zweiten Ableitungen) berechnet:
1
κ1 = trace(ΓΣ)
2
1
κ2 = trace((ΓΣ)2 ) + ∆T Σ∆
2
κ3 = trace((ΓΣ)3 ) + 3∆T Σ(ΓΣ)∆
κ4 = trace(3(ΓΣ)4 ) + 12∆T Σ(ΓΣ)2 ∆
Cornish-Fisher Approximation im RC
Risikoberechnungstool: RiskEngine /TotalRiskEngine
Input:
I Sensitivitäten (Delta,Gammas für zentrale und dezentrale
Marktrisikodaten)
I AddOns
I Konfidenzniveau, Haltedauer
Output:
I Cornish-Fisher VaR
I Risikoaggregation (GesamtVaR)
I TeilRisiken (z.B. IndividualRisiko, Korrelationsterme)
Risiko-Aggregation in TotalRiskEngine
Teilrisiken:
I Zentrales VaR - VaR Zentral
I IndividualVaR - VaR Ind
I EQ-VaR - VaR EQ
Weitere Bestandteile:
I Korrelationsterm - B Korr B KorrII
I lineares AddOn (vollständige Korrelation mit anderen Risikofaktoren) -
AddOnTyp1
I Wurzel AddOn (keine Korrelation mit anderen Risikofaktoren) - AddOnTyp2
q
VaR Gesamt = − (VaR Zentral )2 + B Korr + B KorrII + (VaR Ind )2 + (AddOnTyp2 )2 +
+ VaR EQ + AddOnTyp1
q
Var RiskEngine = − (VaR Zentral )2 + B Korr + B KorrII + (VaR Ind )2
Output TotalRiskEngine AH LBB unweighted, 1d

5.11.2007 6.11.2007
Gesamt − VaR : −27, 598, 389 −27, 117, 359
RiskEngineVaR : −11, 431, 708 −10, 798, 280
VaRZentral : −13, 862, 320 −13, 062, 238
B − Korrelation : −105, 368, 890, 821, 442 −97, 490, 990, 552, 931
VaR − Individual : −5, 591, 029 −5, 694, 107
Aktien − Vega − Risiko : −465 −80
AddOnTyp2 : −978, 150 −974, 135
AddOnTyp1 : −16, 124, 445 −16, 275, 149
Mean : −77, 191.12 −78, 251.24
Variance : +23, 789, 282, 797, 249.70 +21, 198, 910, 511, 983.00
Skewness : −0.002205 −0.002650
Kurtosis : +0.000025 +0.000032
Parameter der Verteilung und Kumulanten AH LBB
Aus den Parametern der Verteilung lassen sich die Kommulanten berechnen
(5.11.2007):
Parameter Kumulanten
Mean/κ1 : −77, 191.12 −77, 191.12
Variance/κ2 : 23, 789, 282, 797, 249.70 23, 789, 282, 797, 249.70
Skewness/κ3 : −0.002205 −255, 827, 574, 246, 923, 000.00
Kurtosis/κ4 : 0.000025 4, 232, 284, 542, 064, 200, 000, 000.00
Analyse Risikoentwicklung AH LBB

Analysemöglichkeit:
√ 1 κ3 (zα2 − 1) 1 κ4 (zα3 − 3zα ) 1 κ23 (2zα3 − 5zα )
xα ≈ κ1 + κ2 zα + + p − p
6 κ2 24 κ32 36 κ52

1 3 1 3 1 2 3
xα ≈ µ + σ zα + ς3 (zα − 1) + ς4 (zα − 3zα ) − ς3 (2zα − 5zα )
6 24 36
≈ A+B +C +D +E
A B C D E Summe
Einzelbeitrag 5.11. : −77, 191.12 −11, 346, 589.23 −7, 907.51 −28.68 8.92 −11, 431, 707.61
Einzelbeitrag 6.11. : −78, 251.24 −10, 711, 034.77 −8, 971.23 −34.67 12.17 −10, 798, 279.73
Einzelbeitrag (Diff .) : −1, 060.12 635, 554.46 −1, 063.72 −5.99 3.24 633, 427.88
05.11.2007 06.11.2007 Differenz
RiskEngineVaR : −11, 431, 707.61 −10, 798, 279.73 633, 427.88


Analyse der Differenzen:

1 1 1 2
xα ≈ µ + σ zα + ς3 (zα3 − 1) + ς4 (zα3 − 3zα ) − ς3 (2zα3 − 5zα )
6 24 36
≈ A+B +C +D +E
A = µ(t) − µ(t−1)
B = zα [σ (t) − σ (t−1) ]
1 3 (t) (t−1)
C = (zα − 1)[σ (t) ς3 − σ (t−1) ς3 ]
6
1 3 (t) (t−1)
D = (zα − 3zα )[σ (t) ς4 − σ (t−1 ς4 ]
24
1 (t) (t−1) 2
E = (2zα3 − 5zα )[σ (t) (ς3 )2 − σ (t−1) (ς3 ) ]
36

Aus den Differenzen der Parameter der Verteilung lassen sich nun deren Beiträge auf
die Veränderung des Cornish-Fisher-VaR ableiten
5.11.2007 6.11.2007 Differenz

Mean µ : −77, 191.12 −78, 251.24 −1, 060.12
Stand.Dev . σ : 4, 877, 425.84 4, 604, 227.46 −273, 198.38
Skewness ς3 : −0.002205 −0.002650 −0.000445
Kurtosis ς4 : 0.000025 0.000032 0.000007
A B C D E Summe
nur µ : −1, 060.12 0.00 0.00 0.00 0.00 −1, 060.12
nur σ : 0.00 635, 554.46 602.36 −6.87 −1.33 636, 148.62
nur ς3 : 0.00 0.00 −2, 170.55 0.00 10.54 −2, 160.01
σund ς3 : 0.00 0.00 504.47 0.00 −5.97 498.51
nur ς4 : 0.00 0.00 0.00 34.43 0.00 34.43
σund ς4 : 0.00 0.00 0.00 −33.56 0.00 −33.56
Summe : −1, 060.12 635, 554.46 −1, 063.72 −5.99 3.24 633, 427.88

Vortrag VaR

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Vortrag VaR

Cargado por

Copyright:

Formatos disponibles

Einführung Varianz-Kovarianz-Methode Cornish-Fisher-Approximation

Value at Risk (VaR) – Einführung I

I Definitionen / Value at Risk

Gegeben sei ein Portfolio, dessen Marktwert man in funktionaler

Die Wertveränderung des Portfolios (PnL) lässt sich dann

Value at Risk (VaR)

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

Eine integrierbare Funktion f heißt Dichtefunktion der Zufallsvariable X, wenn

Dichte- (Verteilungs-) funktion / Normalverteilung

Interpretation des p-Quantils 1

Quantil der Ordnung p

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

oder in der VaR-Terminologie:

mit ∆P - Wertveränderung des Portfolios

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

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

Interpretation des p-Quantils 4

FX−1 (0, 01) = −2.326348

Bemerkung: Bei schiefen Verteilungen gilt nicht:

FX−1 (α) = −FX−1 (1 − α)

I Gebräuchliche Größen für das Konfidenzniveau sind:

I Modellierung der Marktdaten

Modellierung der Marktdaten - 1 Risikofaktor

Wir beschränken uns zunächst auf einen Risikofaktor Y

Modellierung der Marktdaten - 1 Risikofaktor

Verallgemeinerter Wiener Prozeß:

auch geometrische Brown’sche Bewegung genannt

geometrische Brown’sche Bewegung Interpretation

Modellierung der Marktdaten - 1 Risikofaktor

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

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

W (t) -Standard-Wiener Prozess

Modellierung der Marktdaten - 1 Risikofaktor

Modellierung der Marktdaten - 1 Risikofaktor

∆lnY (t) ∼ N(µ̃∆t, σ 2 ∆t)

(wenn sich die Marktdaten gemäß einer geometrisch Brownsche

Modellierung der Marktdaten - 1 Risikofaktor

Definition der logarithmischen Rendite:

R(t) ∼ N(µ̃∆t, σ 2 ∆t)

Modellierung der Marktdaten - 1 Risikofaktor

Y (t) = Y (t0 )e R(t)∆t

VaR eines Risikofaktors

α = P(∆P(t) ≤ VAR(t, α)) =

Approximation des VaR eines Risikofaktors

Beispiel: VaR eines Risikofaktors-Daten

Datum FXR R − FXR

Beispiel: VaR eines Risikofaktors-Daten

Rohdaten Y(t) Logarithmische Rendite

Wechselkurs Dollar - Euro (4.9.2006-31.8.2007)

Beispiel: VaR eines Risikofaktors-Häufigkeitsverteilung

Rohdaten Y(t) Logarithmische Rendite

Beispiel: VaR eines Risikofaktors

Beispiel: VaR eines Risikofaktors

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

VaR eines Instrumentes - 1 Risikofaktor

Beispiel: VaR einer FX-Cash Position - 1 Risikofaktor

Position N = 1,000,000 USD Heimatwährung EUR

Beispiel: VaR einer FX-Cash Position - 1 Risikofaktor

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

Modellierung der Marktdaten - n Risikofaktoren

Bisher erfolgte die Modellierung durch eine eindimensinale

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

R(t) ∼ N(µ̃∆t, σ∆t)

Modellierung der Marktdaten - n Risikofaktoren