Risk Management - Course work

Nicola Gritti, Francesca Meriggi, Carlo Orrieri, Luca Pontecorvi 1 agosto 2012

Indice
1 Esercizio 1 2 Esercizio 2 3 Esercizio 3 4 Esercizio 4 5 Esercizio 5 6 Esercizio 6 7 Esercizio 7 2 2 3 5 12 13 14

Esercizio 2

Esercizio 1

Il valore totale del portafoglio ottenuto come somma del valore delle singole componenti, calcolato secondo le formule standard di prezzo di bond e swaption. Riportiamo nella tabella sottostante i risultati ottenuti. Componente Portafoglio Bond 2Y Bond 5Y Bond 10Y Swaption 1Y Swaption 2Y Swaption 4Y Valore (Euro) 3.0327E+03 993.5735 976.1414 954.4974 7.3913 31.0981 69.9621

Tabella 1: Portfolio Component Value

Esercizio 2

Denotiamo con V (Rt ) il valore del portafoglio al tempo t mettendo in evidenza la dipendenza dai tassi. Allora, grazie alla linearit possiamo scrivere: V = R VBi + R VSwi R

Per calcolare le greche del portafoglio approssimiamo le derivate alle differenze nite. In particolare abbiamo V V (t + , R) V (t, R) = = t V V (t, R + ) V (t, R ) = = R 2 2V V (t, R + ) 2V (t, R) + V (t, R ) = 2 R 2 Ove abbiamo shiftato la curva dei tassi parallelamente ed abbiamo considerato i valori allultima data della matrice storica dei tassi. Per quanto riguarda il calcolo di invece abbiamo scelto di shiftare tutte le date necessarie per il calcolo del fattore di sconto di un giorno lavorativo (e.g. 1/250). Riportiamo ora i valori ottenuti per ogni componente del portafoglio: =

Esercizio 3

Componente Portafoglio Bond 2Y Bond 5Y Bond 10Y Swaption 1Y Swaption 2Y Swaption 4Y

Theta -73.74 -22.8748 -28.7144 -32.2020 3.0463 4.5281 2.4769

Delta -8534 -1967 -4642 -8328 848 2214 3341

Gamma 167237 3915 22742 79026 22197 30092 9252

Tabella 2: Portfolio Component Greeks

Esercizio 3

Lanalisi delle componenti principali della matrice di varianza-covarianza permette di semplicare computazionalmente il calcolo delle greche. Lidea quella di spiegare la varianza lungo delle direzioni privilegiate scelte tra gli autovettori. Pi precisamente scriviamo le variazioni giornaliere dei tassi nella matrice D M (T, 10), ove T sono i campionamenti storici, e generiamo la matrice di covarianza D . Calcoliamo ora autovalori e autovettori di D e ordiniamo i primi in ordine decrescente. Avremo D = AT A, 1 > . . . > n
i . j j

Per capire quanta varianza spiega li-esimo autovalore calcoliamo la quantit

Nel nostro

caso abbiamo P1 = 87.24%, P2 = 8.01%, P3 = 1.79%; le prime tre componenti principali spiegano circa il 97% della varianza totale. Come si pu notare dal graco 1 infatti, la curva dei tassi reale ben approssimata gi con queste prime tre componenti.

Figura 1: Approssimazioni successive della struttura a termine dei tassi. 3

Esercizio 3

Scriviamo ora le differenze di tassi nella base degli autovettori come D =AF con F M (10, T ) matrice dei fattori. In particolare possiamo riscrivere la relazione precedente utilizzando le prime tre componenti principali e considerando solamente i tassi a oggi: D|(101) = A|(103) F |(31) . Per quanto riguarda il calcolo delle greche, procediamo shiftando di un basis point (1E04) tutte le prime 3 componenti principali F |(31) , calcoliamo lo spostamento sulle differenze di tasso D|(101) tramite lequazione precedente e inne ricaviamo il nuovo tasso nale. Utilizziamo quindi le formule alle differenze nite gi illustrate nellesercizio precedente. Riportiamo i risultati ottenuti: Componente Portafoglio Bond 2Y Bond 5Y Bond 10Y Swaption 1Y Swaption 2Y Swaption 4Y Delta -8534 -1967 -4642 -8328 848 2214 3341 Gamma 167247 3902 22718 79024 22208 30094 9227

Tabella 3: Portfolio Component Greeks con analisi PCA Osserviamo che i risultati ottenuti sono compatibili con i precedenti no alla quarta cifra signicativa. Notiamo inoltre che il valore di non stato ricalcolato in quanto lo shift temporale non dipende dal calcolo delle componenti principali.

Esercizio 4

Esercizio 4

Sfruttando i risultati ottenuti nellesercizio precedente, abbiamo scritto le variazioni dei tassi come D = A F , ove A sono le componenti principali e F i loro fattori. Detto nP C il numero di componenti principali considerato, N il numero dei fattori di rischio (nel caso in analisi sono i tassi a diverse expiry, quindi 10) e T il numero di osservazioni presenti nella serie storica dei fattori, avremo che D una matrice di dimensioni N T , A ha dimensioni N nP C e F nP C T . Considerando il fatto che nel portafoglio in analisi gli unici fattori di rischio presenti sono i tassi, abbiamo simulato il loro andamento per poi calcolare il VaR sfruttando la variazione di valore del portafoglio seguito alla variazione del valore dei tassi. In particolare, nei primi tre casi abbiamo supposto che i fattori F si muovano con diverse dinamiche, simulando le quali abbiamo ricavato la variazione delle differenze di tassi. Utilizzando queste ultime siamo poi giunti alla variazione dei tassi. Per lultima analisi, invece, abbiamo scelto di effettuare un bootstrapping sulle differenze per ottenere una simulazione storica dei loro andamenti futuri. Le dinamiche considerate sono state le seguenti: Modello Gaussiano, prevedibilmente si suppone che i fattori seguano un andamento normale multivariato; la media e la varianza sono ricavate dalle serie storiche dei fattori contenute nella matrice F Modello EWMA (exponential weighted moving average), si suppone che i fattori si muovano come una normale con media nulla e volatilit variabile; la volatilit dipende dai valori passati dei fattori pesati secondo le potenze di un parametro, , stimato minimizzando la funzione di massima verosimiglianza Modello GARCH (generalized autoregressive conditional heteroskedasticity), si suppone che i fattori siano descritti da un modello ARMA(r,m) con parametri nulli e che la loro volatilit segua una dinamica di tipo GARCH(p,q) con p = q = 1. In tutti i casi abbiamo calcolato il VaR considerando una, due o tre componenti principali. Inoltre, per ogni combinazione di modello-numero componenti principali abbiamo ricavato il VaR utilizzando sia il metodo Full Revaluation che Delta Gamma. Il primo di tali metodi consiste nel rivalutare tramite una simulazione tutta la curva dei tassi, trovare il valore del portafoglio sulla base della nuova curva e utilizzarlo per determinare il P&L simulato. Il secondo, invece, utilizza le greche e restituisce direttamente la differenza di valore simulata. Le greche considerate sono , derivata del valore del portafoglio rispetto al tempo, , vettore di derivate parziali del valore del portafoglio rispetto ai singoli fattori di rischio, e , matrice delle derivate seconde del valore del portafoglio rispetto ai fattori di rischio. Dato che ognuna delle componenti del portafoglio in analisi dipende da un unico fattore di rischio, si potrebbe supporre che sia una matrice diagonale. Tuttavia, nel codice utilizzato sono state calcolate, per completezza, anche le derivate seconde miste. Tutte le derivate parziali sono state calcolate utilizzando metodi alle differenze nite. Abbiamo poi ripetuto il procedimento per un numero di simulazioni variabile (5.000, 10.000 o 20.000), ottenendo un vettore contenente il P&L di ogni simulazione. Il percentile al 90% e al 99% di questo vettore rappresenta rispettivamente il VaR simulato al 90% e al 99%. 5

Esercizio 4

Analizziamo a questo punto i risultati ottenuti.

Figura 2: VaR - 10.000 simulazioni Fissiamo a 10.000 il numero di simulazioni e a 3 il numero di componenti principali utilizzate. Calcoliamo il VaR supponendo diversi modelli per la dinamica dei fattori e diversi orizzonti temporali (uno, dieci e venti giorni). La prima cosa che notiamo la vicinanza dei risultati ottenuti supponendo diverse dinamiche per i fattori. Infatti, i dati in gura 2 evidenziano che sia con il metodo Full Revaluation che con il metodo Delta Gamma i risultati dei primi tre modelli sono molto vicini. Un leggero discostamento si osserva invece considerando i risultati derivanti dalla simulazione storica: per tutti gli orizzonti temporali il VaR calcolato con questo modello risulta maggiore in modulo di quello calcolato con i primi tre modelli. Inoltre, risulta evidente la vicinanza dei risultati anche cross-modello, cio fra i risultati ottenuti con il metodo Full Revaluation e quelli ottenuti con il metodo Delta Gamma. Si nota tuttavia che i risultati ottenuti con il metodo Delta Gamma sono tipicamente leggermente pi grandi in valore assoluto: cio il metodo Delta Gamma stima delle perdite possibili maggiori. Per calcolare il VaR a diversi orizzonti temporali, nel caso Gaussiano si usato il fatto che, dato il VaR a un giorno, il VaR a n giorni si trova semplicemente moltiplicando il primo per la radice dellorizzonte temporale scelto. Tale relazione tuttavia non vale negli altri casi. Consideriamo ad esempio il VaR un giorno a livello 99% ottenuto con il modello GARCH a (7, 789) e moltiplichiamolo per 10 e 20. Otteniamo rispettivamente -35,697 e -50,483, che si discostano notevolmente dal VaR a 10 e 20 giorni presentati in gura. Questo mostra che, a meno di supporre una dinamica gaussiana per i fattori, per calcolare il VaR a un qualsiasi orizzonte temporale, necessario effettuare simulazioni a quello specico orizzonte. Consideriamo ora il tempo necessario per effettuare le simulazioni e stimare il VaR. In gura 3 possibile vedere il tempo impiegato dalla CPU (espresso in secondi) per calcolare il VaR a 6

Esercizio 4

Figura 3: Timing calcolo VaR - 10.000 simulazioni diversi orizzonti temporali, considerando vari modelli, utilizzando il metodo Full Revaluation (FR) o Delta Gamma (DG). Si considera la somma del tempo impiegato per calcolare il VaR al 90% e al 99%, in quanto i due sono di volta in volta calcolati utilizzando le stesse simulazioni. Il tempo necessario al modello Gaussiano stato calcolato solo per il VaR a un giorno, in quanto, come precedentemente osservato, basta una sola moltiplicazione per trovare il VaR a pi giorni, e questa non impatta nella misurazione temporale effettuata. Guardando la gura risulta evidente quanto il metodo Delta Gamma sia computazionalmente pi efciente di quello Full Revaluation. Tale risultato pu essere spiegato ricordando che il vettore dei P&L simulati con il metodo Delta Gamma calcolato semplicemente come somma e prodotto di matrici. Al contrario, il procedimento per ottenere lo stesso risultato con il metodo Full Revaluation risulta molto pi laborioso: si simula landamento dei fattori, si ricava la curva dei tassi simulata, si ottiene il valore simulato del portafoglio, si denisce il vettore dei P&L come differenza tra il valore simulato e quello iniziale del portafoglio. Si nota, inoltre, che i tempi rimangono pressocch invariati al variare dellorizzonte temporale considerato. Questo mostra che simulare landamento dei fattori a un giorno o a dieci uno-

Esercizio 4

perazione computazionalmente equivalente. Inne, possiamo notare che il GARCH risulta un modello leggermente pi lento rispetto agli altri, anche se tale differenza non pare signicativa. Mantenendo sso il numero di simulazioni (consideriamo ora il caso con 20.000 simulazioni), analizziamo ora come cambiano i risultati al variare del numero di componenti principali considerate. La variazione di tale parametro, infatti, comporta una modica nella descrizione della dinamica delle differenze dei tassi, e dovrebbe quindi impattare notevolmente sul calcolo del VaR.

(a) VaR 90% - modello Gaussiano

(b) VaR 90% - modello EWMA

(c) VaR 90% - modello GARCH

(d) VaR 90% - historical simulation

Figura 4: VaR al variare del numero di componenti principali Analizzando la gura 4 abbiamo dei dati di supporto alla nostra tesi. Infatti, in esse possiamo osservare il valore del VaR al 90% al variare dellorizzonte temporale, ottenuto considerando diverse dinamiche per il sottostante. Ovviamente, in tutti i casi, aumentando lorizzonte temporale aumentano i valori assoluti del VaR. Tuttavia, nonostante quanto detto precedentemente, non si notano grandi differenze nei risultati al variare del numero di componenti principali considerate. Questo perch, come visto nel terzo esercizio, la prima componente principale spiega circa 8

Esercizio 4

l87, 24% della volatilit dei tassi, mentre la seconda e la terza contribuiscono rispettivamente solamente per l8% e l1, 8%. Aggiungere tali componenti, dunque, non fornisce importanti contributi nella previsione dei movimenti dei tassi. I dati presentati nora sono stati tutti calcolati considerando sso il numero di simulazioni. Analizziamo ora le conseguenze cambiando tale parametro.

(a) 5.000 simulazioni

(b) 20.000 simulazioni

Figura 5: Timing calcolo VaR Consideriamo nuovamente tre componenti principali per descrivere landamento dei fattori di rischio analizzati. Il gura 5, analogamente a quanto fatto in gura 3 per 10.000 simulazioni, sono riportati i tempi necessari per calcolare il VaR usando 5.000 o 20.000 simulazioni. Osserviamo che i tempi per calcolare il VaR con il metodo Full Revaluation crescono linearmente con il numero di simulazioni considerate. Infatti, con 20.000 simulazioni il tempo necessario per calcolare il VaR circa il quadruplo di quello utilizzato dalla macchina con 5.000 simulazioni. Inoltre, confermiamo in tutti i casi il fatto che il metodo diventa leggermente pi lento se si suppone che la dinamica dei fattori possa essere descritta con un modello di tipo GARCH. 9

Esercizio 4

Tale osservazione non vale per il metodo Delta Gamma, nel quale il tempo sembra crescere meno velocemente. Ci fa in modo che, allaumentare del numero di simulazioni, la differenza fra i due metodi cresca, rendendo il metodo Delta Gamma progressivamente pi efciente. Infatti, considerando ad esempio il modello Gaussiano, il rapporto fra il tempo utilizzato con il metodo Full Revaluation e quello utilizzato con il metodo Delta Gamma si passa da un minimo di 9,97 con 5.000 simulazioni a un massimo di 21,91 con 20.000 simulazioni. Occupiamoci ora di analizzare la stabilit dei metodi al variare del numero di simulazioni, cio di descrivere la stabilit dellalgoritmo di simulazione.

Figura 6: Std del VaR a 1 giorno al variare del numero di simulazioni

Figura 7: Std del VaR a 10 giorni al variare del numero di simulazioni

Figura 8: Std del VaR a 20 giorni al variare del numero di simulazioni

10

Esercizio 4

A tal ne, ssato di volta in volta il numero di simulazioni, eseguiamo pi volte il programma ed effettuiamo unanalisi di media e varianza dei risultati cos ottenuti. In gura 6, 7 e 8 riportiamo la deviazione standard del VaR al 90% per diversi orizzonti temporali calcolato con vari modelli al variare del numero di simulazioni, supponendo di descrivere la dinamica dei tassi attraverso le prime due componenti principali. Per ottenere tale risultato abbiamo eseguito il programma 20 volte per ogni set di parametri, ottenendo cos 20 valori di VaR dei quali abbiamo calcolato la standard deviation. Si osserva immediatamente che la varianza non cambia calcolando il VaR con il metodo Full Revaluation o Delta Gamma. Tale risultato deriva dal fatto che, nel codice utilizzato, i due valori di VaR sono di volta in volta calcolati sfruttando lo stesso set di simulazioni. Notiamo inoltre che, nei vari casi, non vi una netta predominanza di un modello rispetto allaltro: non quindi possibile individuare una dinamica che abbatta la varianza dei risultati. Inoltre, come prevedibile, si nota una diminuzione della varianza al crescere del numero di simulazioni.Questo andamento risulta evidente per tutte le dinamiche sono per piccoli orizzonti temporali (in particolare, come in gura 6, se analizziamo il VaR a un giorno), mentre sempre chiaramente osservabile considerando il modello GARCH, in cui la standard deviation descresce linearmente allaumentare del numero di simulazioni.

11

Esercizio 5

Esercizio 5

Il contributo di ogni componente del portafoglio al calcolo del VaR detto IVaR ed denito analiticamente con la derivata parziale del VaR rispetto al peso allinterno del portafoglio della componente considerata. Per prima cosa, dunque risulta necessario calcolare i pesi delle singole componenti del portafoglio. Questi sono deniti come il rapporto tra il valore della singola componente e il valore totale del portafoglio. Per il portafoglio in analisi il vettore dei pesi vale w = [0.3276, 0.3219, 0.3147, 0.0024, 0.0103, 0.0231].

Figura 9: IVaR al variare del livello di e del numero di simulazioni Dopo aver ssato i pesi, dobbiamo scegliere un algoritmo di calcolo per lIVaR. Se supponiamo che la distribuzione congiunta dei ritorni dei singoli asset presenti nel portafoglio sia una normale multivariata di media e matrice di covarianza , possiamo calcolare lIVaR a livello di condenza sullorizzonte temporale n come IV aR = V aR (t, t + n) w = n z1 n, w w w (1)

ove z1 il valore dellinversa della funzione di distribuzione di una normale standard calcolato nel punto 1 . Nel caso in cui i fattori seguano una dinamica Gaussiano, dunque, calcoliamo lIVaR utilizzando questa formula, considerando un orizzonte temporale di un giorno (n=1), per un intervallo di condenza a livello 0,9 e 0,99 e variando il numero di simulazioni. I risultati sono riportati in gura 9. Se, invece, non facciamo supposizioni di normalit sulla distribuzione congiunta dei ritorni, dobbiamo cambiare approccio per trovare lIVaR. In questo caso, non banale trovare delle 12

Esercizio 6

formule chiuse per calcolare le derivate, quindi si preferisce usare un approccio parametrico. Lalgoritmo utilizzato simula i rendimenti futuri delle singole componenti partendo dalle supposizioni fatte sulla dinamica dei fattori (come per il calcolo del VaR nellesercizio precedente, supponiamo che i fattori siano descritti da un modello EWMA o GARCH, oppure effettuiamo una simulazione storica) e calcola i rendimenti del portafoglio come somma pesata dei rendimenti delle componenti. Utilizza poi il vettore dei rendimenti simulati del portafoglio per trovare lindice corrispondente al percentile di livello (quindi trova il VaR a livello del portafoglio) e calcola lIVaR di ogni componente come media pesata dei rendimenti della stessa in un intorno del VaR. La dimensione dellintorno da considerare si ricava da una stima della deviazione standard del VaR. Anche per questo metodo, tutti i risultati sono riportati in gura 9. Analizziamo ora i risultati ottenuti. Dalla gura 9 si nota immediatamente che i due tipi di asset presenti nel portafoglio forniscono contributi di natura diversa al VaR. Infatti, lIVaR relativo ai bond ha sempre segno negativo mentre, al contrario, quello relativo alle Swaption ha sempre segno positivo. Questo signica che allaumentare del peso dei bond nel portafoglio il VaR aumenta, mentre diminuisce al crescere del peso delle swaption. Dato che, per come stato da noi calcolato, il VaR ha segno negativo, ci signica che un aumento del peso dei bond diminuisce lesposizione al rischio del portafoglio e, al contrario, un aumento del peso delle swaption porta a un aumento del rischio che grava sul portafoglio. Inoltre, allinterno dello stesso tipo di opzione, si osserva facilmente che il contributo dato al rischio dalle singole componenti aumenta allaumentare del tempo che intercorre fra la data in cui valutiamo il portafoglio e la loro scadenza. Infatti, lIVaR relativo ai componenti Bond1 e Swaption1 risulta essere pi piccolo in modulo di quello calcolato rispettivamente per Bond3 e Swaption3, che sono i componenti con scadenza pi lontana delle due tipologie di asset che compongono il portafoglio. Osserviamo inne che i due metodi di calcolo dellIVaR, quello che sfrutta la normalit della distribuzione dei rendimenti e quello che invece stima la variazione del VaR in modo parametrico, restituiscono risultati molto differenti tra loro. In particolare, solo nel caso Gaussiano vale la relazione V aR = IV aR w.

Esercizio 6

Si potrebbe pensare di impostare la ricerca della composizione del portafoglio come un problema di minimo, dove la funzione che si vuole minimizzare il delta. Dato che questa funzione rappresenta il tasso di variazione del valore del portafoglio rispetto al prezzo del sottostante non la si vuole minimizzare in senso assoluto, bens si cerca di annullarne il valore nel tentativo di ottenere una posizione neutrale al rischio di variazione dei tassi. Pertanto, il problema nel nostro caso pu essere denito nel seguente modo min B + n1 S1 + n2 S2 + n3 S3 ,
ni

(2)

dove B rappresenta il contributo al delta dei 3 bond, Si il contributo di ogni swaption e ni il numero di ogni swaption detenuto nel portafoglio. 13

Esercizio 7

La ricerca del minimo di questa funzione deve essere condotta ricordando il non trascurabile vincolo che ni Z. Come prima approssimazione si potrebbe pensare di rilassare questo vincolo e poi arrotondare la soluzione ottenuta; questo procedimento per non garantirebbe di trovare il minimo assoluto. Inoltre, essendo quella analizzata una funzione non lineare a causa della presenza del valore assoluto, gli algoritmi basati sul Taglio di Gomory o simili non possono essere utilizzati. A soluzione di questo problema si pensato di vincolare inferiormente e superiormente le variabili e valutare la funzione in tutti i possibili valori interni a questi intervalli. In particolare lintervallo scelto ni [50, 50] i. I valori ottenuti sono n1 = 32, n2 = 4 e n3 = 1, per i quali si ricava un delta pari a 0.0287. Inne, riportiamo in gura 10 landamento del valore assoluto del delta al variare del numero di swaption del secondo e del terzo tipo detenute nel portafoglio, avendo ssato n1 = 32.

Figura 10: Andamento della funzione nel piano n2 , n3 con n1 = 32

Esercizio 7

Alla luce dellanalisi nora svolta, non si sono riscontrate grandi differenze tra i risultati ottenuti con i vari metodi. Questo porta senzaltro, in prima battuta, a effettuare una scelta tecnica preferendo un algoritmo che sia pi efciente a livello computazionale, e quindi pi veloce. Di conseguenza, qualsiasi dinamica si scelga di supporre per i fattori sicuramente preferiremmo calcolare il VaR con il metodo Delta Gamma invece che con il metodo Full Revaluation. Tuttavia, fermarsi ad analizzare solo le prime tre componenti principali non sempre sufciente per descrivere adeguatamente landamento del sottostante, cos come mostrato dal graco del terzo esercizio. Sceglieremmo quindi di considerare, di volta in volta, il numero minimo

14

Esercizio 7

di componenti principali che permettano di approssimare sufcientemente bene landamento storico dei fattori (in genere, almeno le prime 3). Come considerazione generale potremmo dire che lanalisi svolta nora non pu essere sufciente per un risk manager. Infatti il VaR e lIVaR, riassumendo tutta linformazione contenuta nelle distribuzioni congiunte e marginali dei fattori di rischio a cui esposto il portafoglio considerato, non potranno mai essere essere inidicatori esaustivi. Questo vale tenendo anche conto del fatto che tali parametri non restituiscono alcuna informazione sulla parte a sinistra del VaR della distribuzione delle perdite. Infatti gli eventi contenuti in quella parte di distribuzione, bench si verichino con una probabilit particolarmente bassa, possono risultare particolarmente dannosi. Di conseguenza, alla presente analisi si dovrebbe come minimo aggiungere il valore dellExpected Shortfall calcolato con i vari metodi, cio il valore atteso delle perdite superiori al VaR.

15