Risk Management:
la generazione di scenari di medio-lungo
termine con tecnica del bootstrap
Massimiliano Pallotta - Raffaele Zenti*
Nel corso del 2000 il prezzo del titolo Come si misura
Yahoo! Inc, azienda star della new eco-
nomy, ha perso più dell’80% del suo va-
lore. Tiscali, promessa del mercato do-
l’esposizione al rischio?
mestico, dopo aver raggiunto una quota-
zione intorno ai 115 euro per azione
(partendo da un prezzo di collocamento
di 5 euro), è successivamente precipitato
intorno ai 15 euro.
È chiaro che in presenza di mercati così
volatili, banche ed operatori finanziari,
necessitino di figure professionali, i risk
manager, che cerchino di identificare,
valutare e monitorare possibili eventi in
grado di generare perdite potenzial-
mente elevate.
Il risk management rappresenta una te-
matica relativamente nuova, nata all’inizio
degli anni’90. Risale infatti a quel periodo
l’introduzione di una specifica regolamen-
tazione, nata in seno alla Banca dei Rego-
lamenti Internazionali (e recepita dalle va-
rie banche centrali), che ha sostanzial-
mente portato gli istituti di credito a do-
tarsi di una propria unità di risk manage-
ment, con l’obiettivo di misurare l’esposi-
zione al rischio del portafoglio di pro-
prietà, al fine di adottare una corretta po-
litica di copertura dei rischi.
Nell’ultimo quinquennio si è inoltre vista
una crescita vistosa della massa di rispar-
mio gestito, nonché l’assegnazione di
mandati di gestione per vari fondi pensio-
ne di categoria e per svariati portafogli di
fondazioni bancarie. Le modalità di ge-
stione del rischio costituiscono sempre
più un fattore critico di successo nell’ag-
giudicarsi il mandato di gestione di por-
tafogli di investitori istituzionali. Ciò ha
spinto molte società di gestione a dotarsi
di unità e strumenti di risk management,
anche se ciò non è per ora esplicitamen-
te imposto dal legislatore.
• luglio 2001
22 news notes
&
Il rischio finanziario è in prima approssi-
mazione definibile come:
esposizione
a perdite legate all’incertezza
circa il valore di un insieme
di attività finanziarie, in un istante
futuro o in più istanti futuri.
Vi sono molti modi per quantificare questo
concetto. Ad esempio, in ambito bancario,
un indicatore molto utilizzato è il "Value at
Risk" (VaR). Esso indica la massima perdita
di portafoglio attesa con un certo livello di
confidenza (es. 95%), in un determinato
orizzonte temporale (es. 10 giorni). Dal
punto di vista statistico, si tratta di un
quantile, calcolato con un dato livello di
confidenza, relativo alla distribuzione atte-
sa dei rendimenti del portafoglio.
Ovviamente a seconda del tipo di portafo-
glio in esame e del soggetto a cui fa capo,
mutano gli indicatori che meglio si adatta-
no a monitorarne il rischio. Difatti, se è ve-
ro che per una trading room di una banca
il VaR (come definito in precedenza) è un
buon indicatore, ciò non è necessariamen-
te vero per altre tipologie d’investitori.
I fondi pensione, ad esempio, hanno co-
me obiettivo primario quello di fornire un
sufficiente capitale previdenziale al termi-
ne della vita lavorativa, mentre le fonda-
zioni bancarie hanno l’obiettivo di conser-
vare il capitale e di fornire erogazioni pe-
riodiche. Per questo tipo di portafogli è
molto utile monitorare la probabilità di
avere, con un dato orizzonte temporale,
ad esempio un anno, un rendimento infe-
riore, rispettivamente, al tasso di rivaluta-
zione del TFR o alle prestazione erogate.
Tale indicatore prende il nome di Shortfall
Probability. Ancora differente è il caso dei
fondi comuni. Sebbene essi racchiudano
una gamma molto ampia di prodotti, si
può dire che spesso il loro obiettivo stra-
tegico è quello di fornire, nel medio-lun-
go periodo (6 mesi-3 anni), un rendimen-
to in eccesso rispetto ad un portafoglio di
riferimento, il benchmark. Per i fondi co-
muni, quindi è importante avere misure di
rischio come ad esempio:
• il Relative Value at Risk (ReVaR) - la
massima perdita rispetto al benchmark,
su un dato orizzonte d’investimento (es.
1-3 mesi) e con un certo livello di confi-
denza (es. 95%);
• il Tracking Error (TE), ossia la deviazione
standard del differenziale tra i rendimen-
ti del portafoglio e quelli del benchmark
(gli excess returns), su un dato orizzonte
temporale; si tratta dunque di un indica-
tore di dispersione degli excess returns.
Nel concreto, tipiche domande poste al
risk management di una società di gestio-
ne sono:
• qual è il TE che mi attendo da oggi ad
un mese rispetto al benchmark? cioè
quanto rischio in eccesso rispetto al
benchmark stiamo assumendo? e quali
sono le variabili finanziarie (es. i settori
azionari) che incidono maggiormente?
• qual è la massima perdita rispetto al ben-
chmark che si può verificare in un mese,
con una data probabilità? e se tale perdi-
ta si verifica, che conseguenze possono
esserci per la performance a fine anno?
• qual è la probabilità di avere una
performance inferiore al benchmark da
oggi a fine anno?
La capacità di rispondere puntualmente a ri di rischio utilizzati, uno scenario poco d’investimento gli impieghi con un buon
queste e ad altre domande dipende da realistico può portare a pericolosi errori rapporto tra rendimento e rischio. In al-
una moltitudine di fattori. È tuttavia certo di stima del rischio. Non è azzardato af- tri termini non si può ignorare, come
che un elemento cruciale è rappresentato fermare che il fattore non tecnologico che spesso accade nelle dealing-room ban-
dalla capacità di generare degli appro- maggiormente influenza la bontà del ri- carie, che il rendimento atteso delle atti-
priati scenari finanziari futuri, cioè le pos- sultato finale è proprio costituito dalle vità finanziarie non è nullo.
sibili evoluzioni del mondo, che costitui- modalità di generazione degli scenari. Dopo una lunga analisi, ci si è resi conto
scono la base per analizzare il comporta- La figura 1 illustra in modo intuitivo la ge- che i punti chiave di un sistema di risk ma-
mento futuro del portafoglio e quindi il ri- nerazione degli scenari, generalmente nagement (inteso in senso lato) sono es-
schio. Infatti, a prescindere dagli indicato- sintetizzati da distribuzioni di probabilità. senzialmente tre: 1) la tecnologia, ossia è
bene impiegare prodotti all’avanguardia, in
continua evoluzione e relativamente facili
da usare; 2) il data model e il database,
cioè occorre creare un data-warehouse
dipartimentale, contenente tutti i dati rile-
vati per ogni attività finanziaria organizzati
in modo razionale; 3) il modello di gene-
razione degli scenari finanziari, che de-
ve risultare consono ad analisi con oriz-
zonti temporali medio lunghi.
Come database è stato utilizzato Lilith, un
DSS, sviluppato dalla società Hicare.
La principale caratteristica del prodotto è
quella di integrare tre filosofie tipiche dei
più comuni database: esso è infatti gerar-
chico, cartesiano e relazionale.
Inoltre, Lilith si integra perfettamente con il
Figura 1 – Gli scenari futuri relativi al rendimento di un portafoglio: su un asse motore di calcolo del sistema di rischio,
orizzontale è riportato il tempo, in giorni, sull'altro asse orizzontale la gamma MATLAB, in quanto Hicare ha creato un ga-
dei possibili valori che il rendimento del portafoglio può asssumere e infine sull’asse teway che permette il passaggio dei dati tra
verticale vi è il valore della funzione di densità di probabilità. Sono poi euristicamente i due prodotti, oltre all’esecuzione di macro
rappresentate due possibili traiettorie seguite dai rendimenti del portafoglio nel tempo. e funzioni MATLAB, in modo del tutto tra-
A colpo d’occhio si vede come, nell’esempio, lo scenario a 18 giorni al quale è associata
sparente all’utente Lilith. Ciò ha permesso
la massima probabilità d'accadimento è quello nel quale il rendimento è nullo. Inoltre,
d’incrementare la potenza di calcolo e di
a rendimenti prossimi al 3% è associata una probabilità pressoché nulla. Appare anche
analisi del database, dato che tutte le ope-
del tutto naturale l’impiego della funzione di densità di probabilità per caratterizzare
la gamma di possibili “stati del mondo”, con le rispettive probabilità di accadimento. razioni non elementari vengono eseguite
direttamente in MATLAB. Inoltre, in MATLAB
sono state costruite tutte le funzioni che
La linea adottata permettono la creazione degli scenari di
lungo periodo ed il calcolo dei numerosi in-
dalla Ras Asset Management dicatori di rischio adottati. Nella realizzazio-

per effettuare l’analisi del rischio
La Ras Asset Management SGR S.p.A.
(RAM) è una società del gruppo Ras de-
dita alla gestione del risparmio nata nel
1997. Essenzialmente vengono gestite
tre tipologie di portafogli: i fondi comuni
d’investimento, i portafogli assicurativi e
i portafogli di clienti istituzionali (fonda-
zioni bancarie, fondi pensione e altri
grandi clienti). Sin dalla nascita di RAM è
stato chiaro che il risk management ef-
fettuato all’interno di una società di as-
set management è differente da quello
effettuato presso una banca. In primo
luogo l’orizzonte temporale è decisa-
mente più lungo. In secondo luogo l’o-
biettivo del risk management è una valu-
tazione del rischio dei portafogli, me-
diante il calcolo di un numero molto am-
pio di indicatori (tra cui quelli sopra cita-
ti), che porti a privilegiare nel processo
ne della libreria di calcolo interna, sono sta-
te impiegate anche alcune funzioni di tool-
box esterni (si veda ad esempio:
http://www.spatialeconometrics.com),
rese liberamente disponibili da una comu-
nità internazionale di utenti molto attiva.
MATLAB si è rivelato utile anche nella fase di
test dei modelli e nel loro “fine tuning”.
Si veda Brandolini, Pallotta e Zenti (2000)
per un resoconto della realizzazione di un
sistema proprietario di risk management
orientato all’asset management.

luglio 2001 >

news notes
& 23
 Il modello di generazione
degli scenari finanziari
Il modello impiegato in RAM per la gene-
Figura 2
razione degli scenari si basa su una meto-
dologia chiamata bootstrapping filtrato, 1. La distribuzione 2. La media non è nulla
dei rendimenti non è normale
che integra la Simulazione Storica e la tec-
Estremo sinistro Stima puntuale
nica Monte Carlo1, opportunamente adat-
tata per tenere conto di fattori non trascu- Estremo destro
rabili su orizzonti temporali medio lunghi.
0.07% 7.77% 15.32%
Si tiene infatti conto dei seguenti fattori
(esemplificati nella figura 2):
1. i rendimenti delle attività finanziarie nel Stima puntuale della media e del
medio-lungo periodo seguono distri- corrispondente intervallo di confidenza al
buzioni leptocurtiche (“snelle al centro 90% (calcolato mediante bootstrapping con il
e grasse nelle code”) che non possono metodo dei percentili di Efron) per i
rendimenti logaritmici mensili dell’indice
essere approssimate con una distribu-
Rendimenti logaritmici mensili dell’indice azionario Comit Generale, riferiti al periodo
zione normale, se non si vogliono
azionario Comit Generale (maggio 1969 maggio 1969-maggio 2001 (fonte
commettere errori significativi;
maggio 2001); in esso è presente anche il Datastream International). Come si nota, la
2. in particolare, per quanto rari, gli even- media è significativamente non-nulla.
“fit” di una distribuzione normale. Quella
ti estremi (ad esempio crash di borsa)
empirica è leptocurtica e presenta “code
possono accadere e quando accado- 4. La correlazione muta nel tempo
spesse”. La distribuzione non è normale.
no possono provocare perdite ingenti;
3. la volatilità e la correlazione tra le atti- 3. La velocità varia nel tempo
vità finanziarie variano nel tempo;
4. i rendimenti delle attività finanziarie
spesso sono autocorrelati, ossia il ren-
dimento in un dato istante è correlato
a quello degli istanti precedenti.

Ma vediamo cos’è il bootstrap nella sua

versione base. L’idea principale di questa
tecnica è quella di creare una molteplicità di
scenari finanziari (indicativamente almeno
1000) basati su dati storici, tipicamente
giornalieri, in modo da ottenere, sull’oriz-
zonte temporale richiesto, una distribuzio-
ne attesa dei valori del portafoglio, da cui si
ricavano vari indicatori di rischio. Così fa-
cendo, si utilizza il contenuto informativo
dei dati giornalieri per creare scenari a me-
dio-lungo-termine. In sostanza, il boot-
strapping è un campionamento con rein-
troduzione dalla serie storica del portafo-
glio o degli excess return, calcolata con la
composizione attuale (si tratta quindi di se-
rie storiche “constant-mix”). Questo tipo di
tecnica è non-parametrica ed evita di adot-
tare ipotesi restrittive circa la distribuzione
di probabilità dei rendimenti e circa la strut-
tura di correlazione che lega le varie attività.
In tabella A si riporta una semplice fun-
Volatilità giornaliera, stimata con un
modello GARCH(1,1), per i rendimenti
giornalieri logaritmici dell’indice Comit
Generale che va dal 25/05/98 al 25/05/01
(fonte Datastream International). Si nota
l’estrema variabilità della volatilità, che può
cambiare molto velocemente nel tempo.
zione MATLAB che effettua il bootstrap
per una serie storica (tipicamente un vet-
tore di rendimenti o di excess returns).
Il bootstrap nella sua versione base è ap-
propriato se l’oggetto del bootstrapping
è costituito da variabili identicamente ed
indipendentemente distribuite (i.i.d.).
In caso contrario, i risultati risultano di-
storti. Il modello del bootstrap filtrato è
una versione leggermente più raffinata
Correlazione giornaliera, stimata con un
modello GARCH(1,1) bivariato, tra i
rendimenti giornalieri logaritmici dell’indice
azionario Comit Generale e l’indice
obbligazionario Datastream “Tracker”
relativo ai titoli di Stato italiani
maggiormente liquidi. I dati sono relativi al
periodo compreso tra il 25/05/98 ed il
25/05/01 (fonte Datastream International).
del bootstrap utilizzata proprio per cor-
reggere la distorsione causata da rendi-
menti finanziari che non risultano i.i.d. (ad
esempio, la dinamica della volatilità e del-
la correlazione nella figura 2 implica che i
rendimenti non sono i.i.d.).
Da un punto di vista più formale, per il
calcolo di misure di rischio relativo (come
il TE o il ReVaR) tramite bootstrapping fil-
trato, occorre partire dal vettore colonna

1
Per una rassegna delle metodologie di più frequente utilizzo nel campo del risk management si rinvia a Jorion (1997).

• luglio 2001
24 news notes
&
 function [rend_boot]=btstrap(n_scenari,horizon,rendimenti)
Essi costituiscono un vettore z, che di-
venta l’oggetto del bootstrap. Il vettore z
% funzione che applica il bootstrapping ad una serie storica (tipicamente di portafoglio)
%*********************************************************** viene cioè bootstrappato, ottenendo co-
% INPUT me risultato una matrice con un numero
% n_scenari = scalare che indica il numero di scenari simulati (es.1000)
% horizon = scalare che indica il numero di periodi oggetto di simulazione = time horizon di righe pari alla lunghezza dell’orizzonte
% rendimenti = vettore n x 1 di log-rendimenti (serie stor. di lunghezza n) temporale (in periodi) ed un numero di
di portafoglio o excess returns
colonne pari al numero di scenari deside-
% OUTPUT rati. Gli elementi di tale matrice vengono
% rend_boot= vettore 1 x horizon di log-rendimenti di periodo simulati
(ossia lo scenario finanziario) infine utilizzati iterativamente nelle equa-
%*********************************************************** zioni [3], [2] e [1] per ottenere lo scenario
n=size(rendimenti,1); % calcola lunghezza del vettore rendimenti
finanziario, sulla base del quale si calcola-
%creo una matrice uniforme di dimensione horizon x n_scenari
no gli indicatori di rischio desiderati.
random_matrix=rand(horizon,n_scenari);
% arrotondo all'intero più vicino (poiché gli indici di una matrice sono interi) Per chi intendesse approfondire l’argo-
% e riporto tali indici alla dimensione della matrice: mento, si rinvia a Efron e Tibshirani (1998)
A=round((n-1)*random_matrix+ones(size(rand(horizon,n_scenari))));
per un’introduzione al bootstrap, a Barone-
%riempio la matrice dei rendimenti simulati coerentemente con le estrazioni casuali
for i=1:n_scenari
Adesi, Giannopoulos, Vosper (1999) per
newrend(:,i)=rendimenti(A(:,i),1); una trattazione dettagliata del bootstrap-
end ping filtrato ed a Zenti e Pallotta (2000) per
% calcolo i rendimenti di periodo un confronto tra varie tecniche di genera-
rend_boot=sum(newrend); zione di scenari nel calcolo di misure di ri-
Tabella A schio nel campo dell’asset management.

zionale all’epoca t, mentre εt è un residuo

che contiene i differenziali di peso rispet-
to al benchmark delle attività finanziarie a media nulla, che nel nostro caso non è
Conclusioni
presenti nel portafoglio o nel benchmark. ipotizzato normale, ma segue la sua di- È stata descritta sinteticamente, da un
Se si denota con la matrice dei rendimenti stribuzione empirica. L’equazione [1] mo- punto di vista tecnologico e metodologi-
storici per T periodi delle k attività finanzia- dellizza media e autocorrelazione, mentre co, la soluzione adottata in RAM per l’a-
rie (di dimensioni Txk), si ha che la serie l’equazione [2] la varianza del processo. nalisi del rischio di portafogli gestiti per
conto terzi. In particolare, ci si è sofferma-
εt ~ , ti sul modello di generazione degli scena-
[1] ri, basato sul bootstrapping filtrato. La
generazione degli scenari è infatti uno de-
gli aspetti maggiormente critici nella rea-
[2]
lizzazione di un sistema di risk manage-
ment. La metodologia proposta consente
storica “constant mix” è semplicemente Le due equazioni vengono stimate a pseu- di generare scenari a medio-lungo termi-
r=R?w. Essa è l’input principale della pro- do-massima verosimiglianza, dopodiché si ne, sulla base della distribuzione empirica
cedura di bootstrapping. calcolano i residui standard: dei rendimenti (cioè senza ipotesi restrit-
A questo punto, viene stimato un model- tive circa la loro distribuzione di probabi-
lo ARMA-GARCH come mostrano le for- [3] lità), tenendo conto di periodo in periodo
mule [1] e [2]; dove st è la varianza condi- della variabilità di volatilità e correlazioni,
dell’eventuale presenza della correlazione
Bibliografia minima: e dell’eventualità di crash di mercato.
1. G. Barone-Adesi, K. Giannopoulos, L. Vosper (1999). VaR without correlations for non-li-
near portfolios. Journal of Futures Markets, 19 August.
Il modello ha trovato realizzazione grazie
2. D. Brandolini, M. Pallotta, R. Zenti (2000). Risk management in an asset management all’impiego congiunto di un innovativo
company: a practical case. Di prossima pubblicazione su FEN Professional & Practitioner DB, Lilith, e di MATLAB, perfettamente in-
Journal e su Banking and Financial Institutions. Disponibile presso il Social Science Research
tegrati fra loro.
Network all’url: http://papers.ssrn.com/paper.taf?abstract_id=252294
3. D. Brandolini, R. Zenti (2000). Il risk management nell’ambito dell’asset management:
alcune riflessioni, Newsletter AIFIRM, n°2. Disponibile presso: http://www.aifirm.com
*Autori:
4. B. Efron, R. Tibshirani (1998). An introduction to the bootstrap, 2nd edn. Chapman & Hall.
Massimiliano Pallotta
5. P. Jorion (1997). Value at Risk. Irwin Professional Publishing. e-mail: massimiliano.pallotta@rasnet.it
6. R. Zenti, M. Pallotta (2000). Risk analysis for asset managers: historical simulation, the Raffaele Zenti
bootstrap approach and value at risk calculation. Ras Asset Management. Di prossima e-mail: raffaele.zenti@rasnet.it
pubblicazione su FEN Professional & Practitioner Journal. Disponibile presso il Social Science Risk Management
Research Network all’url: http://papers.ssrn.com/paper.taf?abstract_id=251669. Ras Asset Management SGR S.p.A.

luglio 2001 >

news notes
& 25