Sei sulla pagina 1di 45

La valutazione dei modelli VaR

Slides tratte da:

Andrea Resti
Andrea Sironi

Rischio e valore
nelle banche
Misura, regolamentazione, gestione
Egea, 2008

Rischio e valore nelle banche

La valutazione dei modelli VaR

AGENDA

Il backtesting dei modelli VaR


Il test dellunconditional coverage

Il test della conditional coverage


Il test di Lopez

I test basati sullintera distribuzione


Esercizi
Resti e Sironi, 2008

Rischio e valore nelle banche

La valutazione dei modelli VaR

La valutazione dei modelli VaR


I test retrospettivi (backtesting) sono basati sul confronto fra le indicazioni del
modello e i risultati dell'attivit di negoziazione
confronto tra la stima giornaliera del VaR
e le perdite effettive del giorno successivo

Se il modello corretto, le perdite effettive dovrebbero


risultare superiori al VaR con una frequenza coerente
con quella definita dal livello di confidenza
Se il VaR giornaliero 83 e il livello di confidenza del modello
pari al 99%, ci si attende perdite superiori a 83 unicamente nell'1% dei casi,
cio 2,5 giorni su 250 giorni di negoziazione annui

Resti e Sironi, 2008

Rischio e valore nelle banche

La valutazione dei modelli VaR

Un esempio di backtesting
Backtesting del VaR di un portafoglio azionario
Portafoglio equiponderato investito in due indici azionari
(FTSE100 e Dow Jones Industrial Average)

Orizzonte temporale: dal 26 luglio 2004 al 22 luglio 2005


Valori effettivi del portafoglio
(257 dati giornalieri)
7000
6800

Il portafoglio partito da un
valore di circa 6.000 euro ed
ha chiuso il periodo in esame
a un valore di 6.817 con
rendimento del 13.6% circa.

6600
6400
6200
6000

5800
5600

Resti e Sironi, 2008

26/06/2005

26/05/2005

26/04/2005

26/03/2005

26/02/2005

26/01/2005

26/12/2004

26/11/2004

26/10/2004

26/09/2004

26/08/2004

5400
26/07/2004

Evoluzione
del valore
del portafoglio

Rischio e valore nelle banche

La valutazione dei modelli VaR

Un esempio di backtesting
150

96

67

1218 36
5 17
22 36
48
4
3742
4
28
33
31
1321
22
4

32
18 2834
40

026 13

58

37
61
37
45 59
53

44
39

28
11

4
2
4 10

14 33 50
56
21
60
14 2733 45
26
9
11
52
22 4248

65
73
11 2631
914 27
28
32
45 59
10
26
12
10
10
36
32
9
45
23 32
6 18
7
2 10
55 67
10
43
8
30 48 61
11 33
55
10
37
14
7 24
72
9
17
59
2 89
27
31
48
11
7
24
7
1520
30 39

14

50

31 47 64

100

76

96

Evoluzione del VaR giornaliero stimato con lapproccio varianzecovarianze con livello di confidenza 95% nel periodo considerato

26/07/2004

26/10/2004

26/01/2005

Variazione di valore reale

26/04/2005
VaR al 95%

-62

-21
-20 -6

-150

0
-11
-38 -22 -5
-32 -11 -3
-17
-13-8
-40 -27
-27
-3
-40
-19
-31 -17
-14

-44

-44

0
-1

-31
-28

-9
-8
-8

-47

-42

0
-8
-9
-39-30
-4
-35 -22 -6
-16
-31-22
-33
-1
-5
-27
-7
-22 -3
-21 -5
-50
-19
-12
-50
-11
-7
-43 -19-10
-9
0
-78
-13
-12
-26
-23
-24
-16 -7
-21-11
-1
-21
-49
-95
-50
-58
-41
-38 -25

-100

-97

-66

0
-22-13
-8
-24
-32
-52-43
-38
-29
-40 -21 -1
-28
-32
-36
-30
-6
-34
-38
-6
-15 -1

-43

-46

-50

-1
-13-8
-17
-29
-26-15
-8

La perdita giornaliera
del portafoglio risulta
superiore al VaR in
10 dei 257 giorni
considerati, ossia nel
3,9% dei casi

Risultato coerente
con il livello di
confidenza
26/07/2005
desiderato

Il valore degli errori di stima connessi a tali eccezioni raggiunge tuttavia, in


alcuni casi, importi rilevanti, anche il 100% del VaR stimato
Resti e Sironi, 2008

Rischio e valore nelle banche

La valutazione dei modelli VaR

Un esempio di backtesting
Evoluzione del VaR giornaliero stimato con lapproccio varianze-covarianze,
con una volatilit stimata attraverso lEWMA (decay factor : 0,94 e 0,97)
100,0
80,0
60,0
40,0
20,0
0,0
-20,0
-40,0
-60,0
-80,0
-100,0
26/07/2004

26/10/2004

Variazione di valore effettiva

Resti e Sironi, 2008

26/01/2005
VaR al 95%, lambda=0,94

26/04/2005

26/07/2005

VaR al 95%, lambda=0,97

Rischio e valore nelle banche

La valutazione dei modelli VaR

Un esempio di backtesting
Come si nota dalla figura della slide 6, un valore di lambda minore produce un
VaR pi reattivo alle condizioni recenti
il VaR sale pi rapidamente in presenza di rendimenti recenti
fortemente negativi o positivi e si riduce pi velocemente
quando le variazioni giornaliere sono contenute

Luso di un lambda minore consente di stimare meglio il rischio del portafoglio


quando le perdite elevate sono precedute da altre perdite elevate

In questo caso:
VaR con decay factor 0,94
VaR con decay factor 0,97

Resti e Sironi, 2008

9 eccezioni su 257 giorni


(tasso di errore 3,5%)
10 eccezioni
(tasso di errore 3,9%)

Rischio e valore nelle banche

La valutazione dei modelli VaR

Un esempio di backtesting
evoluzione del VaR giornaliero stimato con il
modello delle simulazioni storiche

Il VaR ottenuto con


questo metodo presenta
unevoluzione
temporale peculiare,
caratterizzata da una
certa stabilit interrotta
da improvvisi salti

100
80
60
40
20
0
-20
-40
-60
-80
-100
26/07/2004

26/10/2004

26/01/2005

Variazione di valore effettiva

Numero di eccezioni = 11
Resti e Sironi, 2008

26/04/2005

26/07/2005

Quando la perdita
relativa al percentile
corrispondente al livello
di confidenza prescelto
esce dal campione il
VaR cambia

VaR storico al 95%

Errore massimo = 119% del VaR


8

Rischio e valore nelle banche

La valutazione dei modelli VaR

Un esempio di backtesting
Il risultato dellapproccio delle simulazioni storiche risulta abbastanza simile a
quello connesso allapproccio varianze-covarianze

Il portafoglio ha una distribuzione simile ad una normale e ha un payoff lineare


16,0%
14,0%

I vantaggi della
simulazione storica,
full valuation e
distribuzione dei
rendimenti non
vincolata a nessuna
variabile casuale
nota, vengono
ridimensionati

% di casi nel campione

12,0%
10,0%
8,0%
6,0%
4,0%
2,0%
0,0%

Rendimenti giornalieri

Resti e Sironi, 2008

Rischio e valore nelle banche

La valutazione dei modelli VaR

Un esempio di backtesting
Evoluzione congiunta del VaR
secondo i tre approcci
100,0
80,0

VaR
Parametrico (media
semplice)
Parametrico (l=94%)
Parametrico (l=97%)
Storico

Numero di
eccezioni

Errore massimo, in
% del VaR stimato

11
9
10
11

109%
115%
110%
119%

60,0
40,0

20,0

il secondo
approccio
(parametrico
EWMA)
produce stime
di VaR pi
volatili

0,0
-20,0

-40,0
-60,0
-80,0

-100,0
26/07/2004

26/10/2004

Resti e Sironi, 2008

26/01/2005

26/04/2005

Variazione di valore effettiva

EWMA, lambda = 0,94

Simulazione storica

Media mobile semplice

26/07/2005

10

Rischio e valore nelle banche

La valutazione dei modelli VaR

La valutazione dei modelli VaR Hendricks 1996


Nello studio empirico condotto da Hendricks sono stati confrontati:
4 modelli di VaR
storico (orizzonte
temporale di 125, 250,
500 e 1.250 giorni)

8 modelli VaR
varianza/covarianza del tipo a
medie mobili semplici (calcolate
su 50, 125, 250, 500 e 1250 gg)
ed esponenziali (con l pari a
0.94, 0.97 e 0.99)

Sono stati creati 1.000 diversi portafogli valutari, ciascuno composto con pesi
casuali da 8 valute diverse.

Il VaR giornaliero di ciascuno di questi 1.000 portafogli stato calcolato con


ciascuno dei 12 diversi modelli per circa 12 anni (3.000 osservazioni giornaliere,
dal gennaio 1993 al dicembre 1995)

Livelli di confidenza 95% e 99%


Resti e Sironi, 2008

11

Rischio e valore nelle banche

La valutazione dei modelli VaR

La valutazione dei modelli VaR Hendricks 1996


Risultati:
Metodologia

Media mobile semplice 50 gg.


Media mobile semplice 125 gg.
Media mobile semplice 250 gg.
Media mobile semplice 500 gg.
Media mobile semplice 1.250 gg.
Media mobile esponenziale (l=0,94)
Media mobile esponenziale (l=0,97)
Media mobile esponenziale (l=0,99)
Simulazione storica 125 gg.
Simulazione storica 250 gg
Simulazione storica 500 gg
Simulazione storica 1.250 gg
Valore di riferimento distribuzione normale

Rapporto % tra numero di eccezioni Rapporto medio tra perdita in


e totale giorni
eccesso al VaR e VaR
VaR al 95%
VaR al 99%
VaR al 95%
VaR al 99%
94,8
98,3
1,41
1,46
95,1
98,4
1,38
1,44
95,3
98,4
1,37
1,44
95,4
98,4
1,38
1,46
95,4
98,5
1,36
1,44
94,7
98,2
1,41
1,44
95,0
98,4
1,38
1,42
95,4
98,5
1,35
1,40
94,4
98,3
1,48
1,48
94,9
98,7
1,43
1,37
94,8
98,8
1,44
1,37
95,1
99,0
1,41
1,30
1,254
1,145

valore teorico che il rapporto medio tra perdita effettiva e


VaR dovrebbe assumere se la distribuzione dei rendimenti
dei fattori di mercato fosse normale e se il VaR fosse corretto
Resti e Sironi, 2008

12

Rischio e valore nelle banche

La valutazione dei modelli VaR

La valutazione dei modelli VaR Hendriks 1996


Per quanto riguarda il rapporto % tra numero di eccezioni e totale
giorni:
i modelli offrono una buona performance,
avvicinandosi considerevolmente al valore
teorico indicato dal livello di confidenza

Lesame del rapporto medio tra perdita in eccesso al VaR e VaR mostra
come le perdite superiori al VaR siano mediamente molto maggiori della perdita
attesa in ipotesi di normalit

La differenza tra la distribuzione normale e la vera distribuzione dei dati


particolarmente sensibile oltre il VaR, cio nelle code estreme della
distribuzione

Resti e Sironi, 2008

13

Rischio e valore nelle banche

La valutazione dei modelli VaR

La valutazione dei modelli VaR


Una corretta valutazione della qualit di un modello VaR andrebbe
fondata su due diversi aspetti:
la coerenza del numero di
eccezioni (numero di giorni in cui le
perdite superano la stima del VaR)
la dimensione delle eccezioni
(valore della perdita in eccesso
rispetto al VaR)

La metodologia di backtesting proposta dal Comitato di Basilea si fonda sul


primo criterio

Resti e Sironi, 2008

14

Rischio e valore nelle banche

La valutazione dei modelli VaR

La valutazione dei modelli VaR


Come stimare il risultato economico giornaliero con la quale confrontare il VaR?
1.Effettivo risultato economico derivante dalle vendita delle posizioni in portafoglio
realmente liquidate dalla banca
Inadeguato in quanto contrario a mark-to-market

2.Il risultato economico che si ottiene rivalutando alle nuove condizioni di mercato,
a fine giornata, il portafoglio effettivamente detenuto dalla banca in quel
momento
Impreciso a causa delle modifiche nella composizione del
portafoglio della banca, intervenute durante la giornata

3.Il risultato economico che si ottiene rivalutando alle nuove condizioni di mercato
di fine giornata il portafoglio detenuto dalla banca la sera del giorno precedente
Risultato economico statico o static profit & loss pi
appropriato, confronta il VaR con una misura di perdita
ad esso omogenea
Resti e Sironi, 2008

15

Rischio e valore nelle banche

La valutazione dei modelli VaR

Tecniche alternative di backtesting


Nellesempio delle slide 4-10 si concluso che un numero di eccezioni giornaliere
pari a 9, 10 o 11 (su 257 giorni di negoziazione) fosse coerente con il livello di
confidenza del 95%
E una questione di significativit statistica

1.Qual la percentuale massima di eccezioni coerente con il livello di confidenza


del modello?

2.Qual la percentuale minima di eccezioni oltre la quale si deve concludere che il


modello non valido (e in particolare, che la banca esposta a rischi superiori a
quanto indicato dal VaR)?
Se si considera un modello VaR con livello di confidenza pari al 99% e nel
backtesting si ottengono 2 eccezioni (2%)

La percentuale di eccezioni il
doppio di quella attesa (2%
anzich 1%), ma lerrore esiguo
Resti e Sironi, 2008

difficile concludere
se il modello
corretto o scorretto
16

Rischio e valore nelle banche

La valutazione dei modelli VaR

Tecniche alternative di backtesting


Numerosi test statistici sono stati proposti nel corso della seconda met degli
anni novanta

I test possono essere suddivisi in 3 categorie:


1. Test basati sulla frequenza delle eccezioni
Si basano sul confronto fra il numero di giorni in cui la perdita ha
superato il VaR e il relativo livello di confidenza

2.Test basati su una funzione di perdita


Considerano oltre alla frequenza, anche la dimensione delle
perdite (excess losses)

3.Test basati sullintera distribuzione di profitti e perdite


Si confronta lintera distribuzione delle variazioni di valore
previste dal modello VaR con i profitti e le perdite effettivamente
realizzati
Resti e Sironi, 2008

17

Rischio e valore nelle banche

La valutazione dei modelli VaR

Tecniche alternative di backtesting


In tutti i casi, lipotesi oggetto di test (ipotesi nulla, o H0) che il modello VaR
della banca sia corretto

Se H0 viene rigettata, si deve concludere che il modello VaR non sia


sufficientemente accurato

I test sono esposti a due tipi di errori:


Primo tipo

rigettare lipotesi nulla


quando corretta

Secondo tipo

accettare lipotesi
nulla quando falsa

Per finalit di risk-management si interessati alla capacit del test di


minimizzare lerrore del secondo tipo (potenza del test), incorrendo in un errore
del primo tipo elevato
Esiste un trade-off tra i due tipi di errori
Resti e Sironi, 2008

18

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test dellunconditional coverage


il proportion of failures test proposto da Kupiec nel 1995
IPOTESI H0: la frequenza delle eccezioni empiricamente rilevate, , coerente

con quella teorica desiderata, (tasso di eccezioni implicito nei valori


osservati= )

Tale verifica non condizionata a ulteriori ipotesi, perci il test unconditional


Se lipotesi nulla corretta allora la probabilit di osservare x eccezioni in un
campione di N osservazioni (tasso di eccezioni pari a p x/N) data da una
distribuzione binomiale con media N :

N!
N x ! x!

N x
pr ( x , N ) (1 ) N x
x

Considerando un campione di 250 osservazioni giornaliere e un livello di


confidenza del 99%, la probabilit di ottenere x eccezioni :

250
0,01x 0,99 250 x
pr ( x; 1%, 250)
x
Resti e Sironi, 2008

19

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test dellunconditional coverage


possibile calcolare la probabilit associata a

x
0
1
2
3
4
5
6
7
8
9
10

qualsiasi numero di eccezioni:


30%

25%

Frequenza

20%
15%
10%
5%

(1)
pr(x)
8,1%
20,5%
25,7%
21,5%
13,4%
6,7%
2,7%
1,0%
0,3%
0,1%
0,0%

2
S[pr(x)]
8,1%
28,6%
54,3%
75,8%
89,2%
95,9%
98,6%
99,6%
99,9%
100,0%
100,0%

3
1S[pr(x)]
91,9%
71,4%
45,7%
24,2%
10,8%
4,1%
1,4%
0,4%
0,1%
0,0%
0,0%

0%
0

10

Numero di eccezioni

Resti e Sironi, 2008

20

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test dellunconditional coverage


Se il modello corretto, la probabilit che si verifichi un numero di eccezioni pari
o inferiore a 4 89,2% (seconda colonna tabella precedente), quindi la
probabilit di avere pi di 4 eccezioni 10,8 (terza colonna) se si desse come
regola quella di rifiutare lipotesi nulla ogni volta che si verificano pi di 4
eccezioni, lerrore del primo tipo (rifiutare un modello corretto) sarebbe pari a
10,8%.

Se si rifiutasse il modello solo se le eccezioni sono pi di 6, il rischio di rifiutare


un modello corretto sarebbe molto basso (1,4%)

Poich lerrore che pi preoccupa nellottica del risk management non rifiutare
un modello corretto, ma fidarsi di un modello sbagliato (errore secondo tipo)
preferibile la prima delle due regole

Ad una logica di questo tipo si ispira il Comitato di Basilea: fino a 4 eccezioni il


modello viene considerato di buona qualit, fino a 9 parzialmente adeguato e da
10 eccezioni non accurato.
Resti e Sironi, 2008

21

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test dellunconditional coverage


TEST INFERENZIALE: possibile valutare la rispondenza tra il tasso di
eccezioni registrato durante il backtesting ( x/N) e il tasso di eccezioni atteso se
il modello corretto () con un classico test di tipo likelihood ratio
Il test si basa sul rapporto tra due funzioni di verosimiglianza
Una non vincolata, la probabilit di osservare un determinato
fenomeno viene posta pari alla probabilit osservata nel campione.

Lx 1
x

probabilit non vincolata di osservare x eccezioni,


basata sul tasso di errore campionario

N x

La seconda funzione di verosimiglianza invece vincolata al


rispetto dellipotesi nulla (probabilit che si verifichi un errore = )

Lx x 1

N x

x (1 ) N x
LRuc ( ) 2 ln x
N x
1
Resti e Sironi, 2008

Test: se significativamente diverso da


assumer valori positivi ed elevati, se invece
sono vicini la statistica tender a zero
22

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test dellunconditional coverage


Riprendiamo il caso visto in precedenza (VaR con =1% e sottoposto a
backtesting con N=250 giorni)

Ipotizziamo che le eccezioni siano 4


Il valore della statistica LRuc sar:

x/N = 4/250 1,6%

1% 4 (1 1%) 2504
LRuc 2 ln
0,77
2504
4
1,6% 1 1,6%

se lipotesi nulla corretta la statistica LRuc si distribuisce


secondo una distribuzione chi quadrato con 1 grado di libert

LRuc

12

quindi possibile:
stabilire un valore soglia che comporti un errore del primo tipo
sufficientemente elevato (ad esempio 2,7055 corrispondente al 90% della
funzione di ripartizione)
respingere lipotesi nulla (modello inadeguato) se LRuc si colloca al di
sopra della soglia
Resti e Sironi, 2008

23

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test dellunconditional coverage


Riferendoci allesempio in esame: poich 0,77 non supera 2,7055, il modello VaR
da considerarsi accettabile

Se il valore della statistica LRuc fosse maggiore di 2,7055, allora il modello


potrebbe essere rifiutato

10%

Se si accetta un errore del primo tipo


pi elevato la soglia fissata sarebbe
pi bassa: una soglia pari a 0,4549
genererebbe un errore del primo tipo
nel 50% dei casi, e in questo caso il
modello VaR sarebbe rigettato.
Se la soglia fosse 0,77 il modello
comporterebbe un rischio di errore
(tuttaltro che modesto) del 38%

0,77

2,70

50%

0,45

0,77

38%

0,77

Resti e Sironi, 2008

24

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test dellunconditional coverage


Il p-value del test definito come la probabilit, nel caso in cui lipotesi nulla sia
corretta, di ottenere valori di LRuc superiori a quello osservato

p 1 F LRuc
2
1

funzione di densit cumulata di una


chi-quadro con un grado di libert

Minore il p-value, meno affidabile il modello


Un punto cruciale nellambito del backtesting rappresentato dalla scelta del
valore-soglia, cio la significativit del test.
Questa scelta dipende fondamentalmente dal costo associato ai due tipi di errori

Gli errori del secondo tipo (considerare corretto un modello che non lo ) sono i
pi costosi.

Resti e Sironi, 2008

nel risk management si utilizzano


frequentemente livelli di significativit statistica
relativamente elevati, non inferiori al 10%.

25

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test dellunconditional coverage


possibile dimostrare che la potenza statistica del test di Kupiec (definita come il
complemento a uno dellerrore del secondo tipo) piuttosto bassa
Vi sempre unalta probabilit di accettare
lipotesi nulla quando essa falsa.
Questa probabilit tanto maggiore:
Quanto pi il valore dellipotesi nulla diminuisce
Quanto maggiore il livello di confidenza del modello
Quanto pi piccola la dimensione del campione

In generale il test di Kupiec richiede un campione composto da un numero


elevato di dati (circa 10 anni di dati giornalieri) per poter generare risultati
veramente affidabili.
Resti e Sironi, 2008

26

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test della conditional coverage


Il test di Kupiec si focalizza unicamente sul numero di eccezioni e non considera
la loro distribuzione temporale

Un modello che alterna


periodi in cui il VaR sottostimato (numero di eccezioni elevato)
a periodi in cui il VaR sovrastimato (numero di eccezioni basso)
potrebbe risultare accettabile

Il test non condizionato: la qualit di un modello valutata in modo


indipendente dalla capacit di reagire prontamente a nuove condizioni di mercato

Se un modello in grado di reagire correttamente alle nuove informazioni, allora


la probabilit che si verifichi uneccezione nel giorno t dovrebbe essere
indipendente da eventuali eccezioni registrate il giorno t-1

Se le eccezioni sono serialmente concentrate (clustered), verosimile attendersi


che se il giorno t-1 si verificata uneccezione la probabilit (condizionata) di
avere unaltra eccezione il giorno t sia superiore alla media
Resti e Sironi, 2008

27

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test della conditional coverage


preferibile che le eccezioni siano indipendenti:
se cos non fosse, allindomani delleccezione, il risk manager dovrebbe
aumentare il VaR su livelli superiori in modo che la probabilit
condizionale di uneccezione rimanga in linea con il valore desiderato.

Un test rivolto a valutare la conditional coverage di un modello VaR quello


proposto da Christoffersen nel 1998

La statistica LRuc viene estesa


per verificare che le eccezioni siano serialmente indipendenti

Vengono definite:

probabilit che uneccezione


1,1 in t-1 sia seguita da unaltra
eccezione in t

1, 0

0,1

probabilit che uneccezione


in t-1 sia seguita da una non
eccezione in t

Resti e Sironi, 2008

probabilit che in t si verifichi


uneccezione senza che questa
si sia verificata in t-1

0, 0

probabilit che non


vi siano eccezioni in
t-1 e in t
28

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test della conditional coverage


C INDIPENDENZA SERIALE se:

0,0 1,0 1

la probabilit di avere o meno


uneccezione in t indipendente
dal fatto che in t-1 si sia o meno
verificata uneccezione

1,1 0,1
Si consideri un campione N di osservazioni:
x1,1 = numero di eccezioni che

x1,0 = numero di eccezioni che

x0,1 = numero di eccezioni che

x0,0 = numero di mancate

sono state precedute da


unaltra eccezione

non sono state precedute


da unaltra eccezione (si
noti che, per definizione,
avremo x0,1 + x1,1 x)

Resti e Sironi, 2008

non sono state seguite da


unaltra eccezione
eccezioni precedute da
altre mancate eccezioni
(per definizione, x1,0 +
x0,0 = N - x)
29

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test della conditional coverage


possibile ora stimare le probabilit attraverso le relative frequenze campionarie

1,1
0,0

x0,0
x0,0 x0,1

x1,1

0,1

x1,0 x1,1

1 0,1

x0,1 x1,1
N

x0,1
x0, 0 x0,1
x1,0
1,0
1 1,1
x1,0 x1,1

Funzione di verosimiglianza non vincolata delle N osservazioni del campione:

Lx 0,0 , 1,0 , 0,1 , 1,1 0,0 0,1 1,0 1,1


x0 , 0

x0 ,1

x1, 0

x1,1

Funzione di verosimiglianza vincolata (stimare con la relativa frequenza


campionaria ):

Lx 1
x0 , 0

Resti e Sironi, 2008

x0 ,1

1
x1, 0

x1,1

N x

30

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test della conditional coverage


Likelihood ratio:

LRind

L( x )
2 ln

Lx 0,0 , 1,0 , 0,1 , 1,1

la probabilit
(verosimiglianza) di
ottenere x eccezioni sotto
lipotesi che le eccezioni
siano serialmente
indipendenti

la verosimiglianza massima (non vincolata)


per il campione di dati osservati

La statistica LRind si distribuisce asintoticamente come una chi-quadro con un


grado di libert.

Lipotesi nulla di indipendenza seriale va dunque rifiutata quando LRind


maggiore del valore-soglia prescelto
Resti e Sironi, 2008

31

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test della conditional coverage


Non sono stati in realt testati

1,1 0,1

0,0 1,0 1

ma le loro grandezze equivalenti basate sulle frequenze campionarie

1,1 0,1

0,0 1,0 1

Il test non ci fornisce dunque alcuna informazione sulla correttezza del parametro

Mediante questa statistica possibile testare unicamente lindipendenza delle


eccezioni, non la correttezza del modello (cio il fatto che = )

Per ottenere un test completo di copertura condizionale occorre dunque


combinare fra loro:
Il test di indipendenza
Resti e Sironi, 2008

Il test di unconditional coverage


32

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test della conditional coverage


Il test dato da:

Lx
LRcc 2 ln

L 0,0 , 1,0 , 0,1 , 1,1

coincide con il numeratore del


test di unconditional coverage
(ottenuto dal numeratore
di LRind imponendo = )

funzione di verosimiglianza non vincolata

LRcc si distribuisce asintoticamente come una chi-quadro con due gradi di libert
Per le propriet dei logaritmi inoltre vale che:

LRcc LRuc LRind

La metodologia di backtesting proposta da Christoffersen pi completa ed


efficiente di quella analizzata in precedenza.
la scomposizione in 2 componenti evidenzia tiene conto del problema
le cause che conducono al rifiuto del modello
dellindipendenza

Resti e Sironi, 2008

33

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test di Lopez basato su una funzione di perdita


I test precedenti presentano due principali problemi:
sono caratterizzati
da una bassa
potenza statistica

trascurano la dimensione
delle perdite

Non rilevante se leccezione sia stata determinata da una


perdita pari al 110% o al 300% del VaR.

Unalternativa alla valutazione di un modello VaR tramite test statistici quella


proposta da Lopez nel 1999
Il modello si basa sulla minimizzazione di
una funzione di perdita costruita in modo
da tenere in considerazione gli interessi del
risk manager o dellorgano di vigilanza

Resti e Sironi, 2008

34

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test di Lopez basato su una funzione di perdita


La perdita (costo) associata al giorno t+1 assume la seguente forma:

Ct 1

f t 1 ,VaRt se t 1 VaRt

g t 1 ,VaRt se t 1 VaRt
rendimento
del portafoglio

con

f x, y g x, y x, y

stima del VaR elaborata allistante t e riferita


al periodo t+1, espressa in termini percentuali

Ottenuti i valori di Ct 1per gli N giorni che compongono il campione di


backtesting, la perdita totale : C M

t i

i 1

Lopez propone di utilizzare questa perdita totale per confrontare modelli di


istituzioni diverse o per la stessa istituzione in periodi diversi

possibile costruire un benchmark di riferimento, C*, con cui giudicare la qualit


di un modello (inadeguato se CM C * ).
Resti e Sironi, 2008

35

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test di Lopez basato su una funzione di perdita

Lautore descrive tre funzioni di perdita alternative:


1. una funzione binaria, che
assume valore 1 quando
si verifica uneccezione e
0 in caso contrario

Ct 1

1 se t 1 VaRt

0 se t 1 VaRt

2. una funzione di perdita a


zone, che rispecchia lattuale
schema di backtesting proposto
dal Comitato di Basilea

3. una funzione di perdita


crescente rispetto allerrore

cumulando le perdite relative a pi periodi si


ottiene una misura di performance relativa che
pu essere impiegata in un confronto :
fra diversi periodi temporali

fra diverse istituzioni


rispetto a un valore di riferimento

Resti e Sironi, 2008

36

Rischio e valore nelle banche

La valutazione dei modelli VaR

Il test di Lopez basato su una funzione di perdita

Nel caso della terza forma funzionale invece:

Ct 1

1 t 1 VaRt

se t 1 VaRt
se t 1 VaRt

La funzione assegna
punteggi maggiori
alle eccezioni di
maggior dimensione

Lapproccio di Lopez apprezzabile in quanto valuta anche lentit delle eccezioni

In questo modo si valuta per la qualit di un modello VaR sulla base di una
caratteristica estranea alla sua logica
i modelli VaR sono costruiti senza alcuna
attenzione alla dimensione delle perdite
la correttezza di un modello VaR dovrebbe essere valutata solo
sulla base della frequenza delle excess losses
Resti e Sironi, 2008

37

Rischio e valore nelle banche

La valutazione dei modelli VaR

I test basati sullintera distribuzione

Questo approccio diverso, denominato distribution forecast method,


stato proposto da Crnkovic e Drachman nel 1996 e ripreso da Diebold, Gunther
e Tay nel 1998 e da Berkowitz nel 2001.

Le tecniche di backtesting finora presentate si sono focalizzate sulla coda della


distribuzione dei profitti e delle perdite

Lapproccio proposto da questi autori prevede di considerare la


distribuzione di probabilit utilizzata la sera del giorno t per
calcolare il VaR e di trovare il percentile pt corrispondente al
rendimento t+1 effettivamente osservato il giorno dopo

Se le distribuzioni osservate per derivare il VaR e la distribuzione empirica dei


rendimenti sono coerenti tra loro, i valori di pt dovrebbero seguire una
distribuzione uniforme ed essere serialmente incorrelati

Resti e Sironi, 2008

38

Rischio e valore nelle banche

La valutazione dei modelli VaR

I test basati sullintera distribuzione

Crnkovic e Drachman propongono il test di Kupier basato sulla distanza fra la


distribuzione di probabilit prevista e la distribuzione effettiva dei rendimenti del
portafoglio

Diebold, Gunther e Tay sottolineano che i test inferenziali sono spesso di


scarsa utilit pratica perch possono condurre al rifiuto dellipotesi nulla senza
dare indicazioni su quale sia la vera distribuzione dei dati

Essi privilegiano quindi unanalisi grafica della distribuzione dei percentili


associati ai rendimenti osservati, calcolati in base alla funzione di densit di
probabilit del modello utilizzato per il calcolo del VaR

Se gli istogrammi assumono tutti unaltezza grosso


modo identica, allora la distribuzione dei percentili
uniforme ed il modello pu essere giudicato accurato

Resti e Sironi, 2008

39

Rischio e valore nelle banche

La valutazione dei modelli VaR

I test basati sullintera distribuzione

Se la distribuzione dei percentili non uniforme e il modello non accurato


La forma degli istogrammi aiuta
a comprendere da dove nasca
linaccuratezza del modello:

Ad esempio se gli istogrammi centrali e


quelli estremi risultano pi alti della
media, probabile che la vera
distribuzione dei rendimenti sia
leptocurtica, per esempio una t di Student

Berkowitz infine introduce uninnovazione basata su una trasformazione dei


dati tale da ottenere una nuova variabile casuale distribuita normalmente e da
poter successivamente ricorrere ai classici test statistici associati alla gaussiana
Resti e Sironi, 2008

40

Rischio e valore nelle banche

I modelli per la stima della volatilit

Esercizi/1

1. Una banca sta effettuando il backtesting del suo modello VaR


usando un campione di 400 rendimenti giornalieri passati. In 12
giorni su 400, le perdite hanno superato il VaR al 99% di
confidenza. Usando una distribuzione binomiale, calcolate la
probabilit associata ad un simile risultato se il modello VaR
corretto. Inoltre, calcolate il test di copertura non condizionale
(usando lequazione [4] in questo capitolo) e (usando la tabella
semplificata riportata qui di seguito, oppure la funzione
DISTRIB.CHI(.) in Excel) stimate lerrore del primo tipo (pvalue). Dite infine in cosa consiste il significato pratico di questo
valore di errore.

Resti e Sironi, 2008

41

Rischio e valore nelle banche

I modelli per la stima della volatilit

Esercizi/1
Distribuzione di probabilit cumulata di x distribuito secondo una
chi-quadrato con m gradi di libert
x

0.25

0.5

2.5

38.29
%

52.05
%

12

0.00% 0.00% 0.00% 0.18%

10

20

40

80

160

68.27
%
88.62% 97.47% 99.84% 100.00% 100.0% 100.0% 100.0%

100 0.00% 0.00% 0.00% 0.00%

Resti e Sironi, 2008

4.20% 38.40% 93.29% 99.99% 100.0% 100.0%


0.00%

0.00%

0.00%

0.00%

7.03% 99.99%

42

Rischio e valore nelle banche

I modelli per la stima della volatilit

Esercizi/2

2.Considerate

le seguenti affermazioni: il backtesting di un


modello VaR per i rischi di mercato consiste nel

I. calcolare il VaR associato a differenti scenari, corrispondenti a


shock estremi nei rendimenti dei fattori di mercato gi accaduti in
passato;

II. calcolare il VaR associato a differenti scenari, corrispondenti a


shock estremi nei rendimenti dei fattori di mercato mai accaduti
in passato;

III. calcolare il VaR associato a differenti scenari, corrispondenti


a shock medi nei rendimenti dei fattori di mercato accaduti in
passato;
Resti e Sironi, 2008

43

Rischio e valore nelle banche

I modelli per la stima della volatilit

Esercizi/2

IV. calcolare il VaR associato ai singoli sottoperiodi passati e


confrontarlo con le perdite o i profitti che si sono effettivamente
verificati.
Quali di esse sono corrette?

a) solo la II;
b) la I e la II;
c) la IV;
d) la II e la IV.

Resti e Sironi, 2008

44

Rischio e valore nelle banche

I modelli per la stima della volatilit

Esercizi/3

3. Una banca ha effettuato il backtesting del suo modello VaR su


un insieme di 500 osservazioni, trovando 7 eccezioni (cio valori
superiori al VaR) consecutive. Calcolate il test di copertura non
condizionale, il test di indipendenza seriale e il test di copertura
condizionale. Usando la funzione DISTRIB.CHI(.) in Excel o la
tabella qui di seguito, calcolate i p-values dei tre test.
Commentate i risultati.

Distribuzione di probabilit cumulata di x distribuito secondo una


chi-quadrato con m gradi di libert
x 0.2
0.5
0.7
5
m
1 34.53% 52.05% 59.72% 97.47%
2 9.52% 22.12% 29.53% 91.79%
7 0.00% 0.06% 0.17% 34.00%
Resti e Sironi, 2008

6.2

6.9

7.5

10

15

20

98.72% 99.14% 99.38% 99.84% 99.99% 100.00%


95.50% 96.83% 97.65% 99.33% 99.94% 100.00%
48.34% 56.06% 62.13% 81.14% 96.40% 99.44%
45

Potrebbero piacerti anche