MODELLI PER LA STIMA DELLA VOLATILITÀ

L’approccio varianze-covarianze si basa sull’idea che sia possibile stimare in modo soddisfacente le
volatilità e le correlazioni dei rendimenti dei fattori di mercato.

 Abbiamo modelli che usano dati di volatilità e correlazioni STORICI per andare a stimare le
volatilità e le correlazioni FUTURE.
 Modelli che considerano volatilità e correlazioni costanti;
 Modelli che consentono a volatilità e correlazioni di variare nel tempo (medie mobili e
modello Garch).

 Abbiamo modelli che utilizzano le previsioni implicite nei prezzi delle opzioni.

MEDIE MOBILI SEMPLICI

È un criterio che viene usato per andare a valutare i contratti di opzione, per l’asset allocation
basata sul criterio media-varianza e per la determinazione del Var.
Indicando con r il rendimento di un fattore di mercato, la volatilità viene stimata usando come
campione una serie storica di N osservazioni. Nel periodo successivo (t+1) la volatilità verrà
stimanata spostando in avanti di un periodo la finestra temporale.
Si hanno due problemi: la scelta dell’arco temporale e il problema dell’echo effect.

MEDIE MOBILI ESPONENZIALI

Per superare questi due problemi riscontrati nelle medie mobili semplici è stato sviluppato il
metodo delle medie mobili esponenziali. Questo metodo utilizza un numero elevato di
osservazioni passate ma attribuisce più peso alle osservazioni recenti e ciò porta ad una stima della
volatilità con un elevato contenuto informativo e più sensibile agli Shock recenti.
- Il decay factor indica il grado di persistenza delle osservazioni campionarie passate: se
tende a 1 (la media si adegua meno rapidamente alle condizioni recenti), se tende a 0 ( la
media si adegua piu rapidamente alle condizioni recenti).
Problemi
1) Scelta del Decay Factor:
- la scelta deve dipendere dalla velocità con la quale la volatilità vari nel tempo. Se la
volatilità si modifica lentamente è meglio avere un decay factor vicino a 1 e viceversa.
- La scelta deve dipendere anche dall’holding period della posizione. Minore è l’orizzonte e
minore deve essere il decay factor per far si che la stima si adatti piu velocemente.
2) Scelta del numero di osservazioni passate:
- Una serie storica piu ampia minimizza l’errore e consente stime piu affidabili. Una serie
storica piu breve riflette meglio le condizioni recenti del mercato. Se le stime vengono
aggiornate in maniera frequente è possibile usare serie storiche piu ampie in modo tale da
ridurre il problema della scarsa aderenza alle condizioni recenti del mercato.
3) Usare un unico decay factor:
- In alcuni mercati gli aumenti della volatilità sono persistenti mentre in altri mercati gli
aumenti di volatilità si presentano come shock temporanei.
- Il decay factor ottimale deve mutare significativamente nel tempo ed è preferibile
aggiornare frequentemente questo fattore.
MODELLO GARCH
Abbiamo visto come la volatilità subisce delle fluttuazioni significative e che i fattori di mercato
presentano dei periodi di maggiore volatilità che possono anche persistere per periodi prolungati.
Il modello Garch affronta questo problema e porta con sé quattro caratteristi perticolari:
1) Eteroschedasticità -> varianza che varia nel tempo e quindi periodi caratterizzati da elevata
volatilità interrotti da periodi di tranquillità;
2) Condizionale -> le previsioni ottenute sono basate sulle informazioni disponibili nel periodo
precedente;
3) Autoregressivo -> si ha una regressione della varianza su se stessa;
4) Generalizzato -> riferito al modello Tim Bollersev che rappresentava una generalizzazione
del primo modello Arch.

VOLATILITÀ IMPLICITA
È un metodo usato per stimare la volatilità basato sui prezzi delle opzioni. Se si conosce il prezzo di
mercato dell’opzione è possibile usare il modello di pricing “ a ritroso” per calcolare la volatilità
implicita del prezzo.
La volatilità implicita risulta differente a seconda del contratto di opzione usato: la volatilità
implicita delle opzione ATM è minore rispetto alle opzioni OTM e ITM, e questo fenomeno si
chiama “volatility smile” e dipende dal fatto che le opzioni ATM sono più sensibili a variazioni della
volatilità. La volatilità implicita deriva dalle aspettative del mercato circa l’evoluzione futura della
volatilità e per tanto è una misura Forward- looking ma il modello di pricing adottato deve essere
attendibile e adottato anche dagli operatori del mercato e il mercato nel quale l’opzione è
negoziata non deve avere imperfezioni strutturali altrimenti si generano squilibri di prezzi.

Svantaggi
Nonostante sia forward-looking, la volatilità implicita presenta svantaggi se viene usata:
1) a fini previsionali per l’attività di risk management:
- deve esistere un contratto di opzione con sottostante uguale all’attività di cui si vuole
prevedere la volatilità del rendimento.
- La vita residua dell’opzione deve coincidere con l’orizzonte temporale prescelto per il
sistema di risk management.
Quindi, si presta male ad essere utilizzata per il risk management ma essa può integrare le
previsioni offerte da un altro metodo e segnalare eventuali divergenze.

MODELLI DI SIMULAZIONE

I modelli di simulazione derivano il Var andando a simulare diversi scenari riguardanti la possibile
evoluzione futura dei mercati. Infatti, un approccio del genere è dispendioso in termini di tempo e
calcolo ma è molto accurato.
Esso si fonda su tre caratteristiche principali:
 Full valuation: nei modelli di simulazione il valore di mercato del portafoglio di cui si vuole
stimare il var viene completamente ricalcolato mediante opportune formule di pricing.
Infatti bisogna conoscere una opportuna formula di pricing per tutti gli strumenti inseriti
nel portafoglio e se le formule di pricing usate sono corrette avremo variazioni del valore di
portafoglio esatte e non approssimate.
- Fattori di rischio: si genera un elevato numero di scenari relativi alle variazione dei fattori di
mercato, basati su variazioni storiche o su una distribuzione teorica.
 - Portafoglio: ogni scenario viene tradotto in una variazione di valore simulata per il
portafoglio della banca.
- Misure di rischio: il Var viene derivato dalla distribuzione delle variazioni di valore simulate
del portafoglio, individuando per esempio il percentile.
 Logica del percentile: il var viene stimato tagliando la distribuzione empirica in
corrispondenza del percentile associato al livello di confidenza desiderato. La distribuzione
simulata puo assumere qualsiasi forma andando a risolvere il problema della non-
normalità della distribuzione delle perdite future.
 Flessibilità: questi modelli di simulazione non ti costringono a usare una distribuzione
normale per modellare le variazioni dei fattori di mercato.

SIMULAZIONI STORICHE
Nel modello di simulazione storica si ipotizza che le potenziali variazioni dei fattori mercato siano
ben rappresentate dalla loro distribuzione empirica e si ipotizza che la distribuzione delle
variazioni dei fattori di rischio sia stabile nel tempo.
FASE:
1) Aver sottomano una serie di dati storici (rendimenti passati)
2) Si rivaluta ogni singola posizione del portafoglio in corrispondenza di ogni scenario
3) Ricostruzione della distribuzione empirica di frequenza dei valori della posizione
/portafoglio cosi ottenuti
4) Taglio della distribuzione in corrispondenza del percentile relativo al livello di confidenza
desiderato
5) La differenza tra il percentile e il valore corrente del portafoglio mi rappresenta il Var.

Vantaggi
- Metodologia facile da comprendere e comunicare fra le varie unità dei una banca.
Rappresenta infatti la perdita che si avrebbe se le condizioni passate si dovessero ripetere
nel futuro.
- Non viene richiesto di esplicare alcuna ipotesi circa la forma funzionale della distribuzione
dei rendimenti dei fattori di mercato.
- Non è necessario stimare la matrice varianze-covarianze dei fattori di mercato
- Essendo basate sulla full valuation, consentono di cogliere il rischio di portafoglio, la cui
sensibilità alle variazioni dei fattori di mercato non è lineare o monotona.

Limiti
- Calcoli onerosi per rivalutare l’intero portafoglio;
- Ipotizza implicitamente la stabilità temporale della distribuzione di probabilità.
- Limitatezza delle serie storiche disponibili.
- Le simulazioni storiche producono misure di var poco reattive alle variazioni delle
condizioni di mercato. Il var cambia quando si presenta un rendimento superiore al
percentile prescelto: il var cosi risulta più stabile ma poco aggiornato.

APPROCCIO IBRIDO
L’approccio ibrido combina i pregi dei due approcci varianze-covarianze e simulazioni storiche.
- Si applicano ponderazioni esponenzialmente decrescenti alle serie dei rendimenti e non
viene formulata nessuna ipotesi circa la forma funzionale della distribuzione dei rendimenti
dei fattori di mercato.
 - Si usa una serie storica di riferimento relativamente lunga e viene attribuito peso più
elevato ai dati più vicini nel tempo.
- I singoli rendimenti contribuiscono alla determinazione del var non solo in funzione della
relativa intensità ma in base anche alla relativa lontananza/vicinanza temporale.

Questo approccio da una risposta a due problemi

1) Ipotesi di stabilità della distribuzione dei rendimenti: viene dato più peso alle
osservazioni vicine e provenienti da distribuzioni più simili a quella corrente;
2) Lunghezza ottimale della serie storica: permette di usare più dati.

IL BOOTSTRAPPING E LA GENERAZIONE DI TRAIETTORIE

Fino a questo momento abbiamo ipotizzato che l’orizzonte temporale su cui si vuole calcolare il
var sia simile alla frequenza con cui sono stati rilevati i dati del campione storico.
Con il metodo del Bootstrapping e della generazione di traiettorie si fa in modo che tale passaggio
non vada a ridurre il numero di osservazioni.
Con il bootstrapping anziché usare una sola volta ogni rendimento passato, prevede che venga
estratto dal campione un elevato numero di valori, ogni volta con re-immissione. Sulla base di
questo valore è possibile applicare la logica della full valuation per ottenere il valore del
portafoglio della banca in questo primo scenario.
Per poter costruire una distribuzione di N possibili valori del portafoglio della banca tra una
settimana è necessario generare N-1 traiettorie, cioè generare in tutto N x M valori di r. A partire
da tale distribuzione sarà possibile identificare il percentile desiderato e il relativo Vr.

SIMULAZIONE MONTE CARLO

Questa simulazione si basa sulla generazione di dati causali.
- Partendo dal campione storico, si stimano i parametri di una particolare distribuzione di
probabilità, dalla quale verranno poi estratti gli N valori simulati per i fattori di rischio.
- È possibile generare un numero di valore anche superiore al numero di osservazioni
presente nel campione storico.
- Deve essere però selezionata la giusta distribuzione di probabilità del fattore di rischio: si
tratta di una tecnica parametrica.
- Le simulazioni di monte carlo sono state utilizzate in finanzia quale strumento per il pricing
di prodotti complessi.
La stima del Var di una posizione sensibile ai rendimenti r di un unico fattore di mercato si
compone di 5 fasi:
1) Scelta della distribuzione di densità di probabilità (f) che meglio approssima la distribuzione
dei rendimenti del fattore di mercato in esame;
2) Stima dei parametri della distribuzione f;
3) Partendo sempre dalla distribuzione f, vado a simulare gli N scenari per il fattore di
mercato;
4) Tagli della distribuzione di probabilità in corrispondenza del percentile relativo al livello di
confidenza desiderato;
5) Per ognuno degli scenari simulati vado a calcolare la variazione del valore di mercato della
posizione.
Vantaggi
1) Full valuation;
2) Efficienza della procedura di calcolo;
 3) Puo essere utilizzato con qualunque distribuzione di probabilità dei rendimenti dei fattori
di mercato;
4) Può essere usato per generare traiettorie.

Limiti
1) Diversamente dalle simulazioni storiche, è necessaria la stima della matrice delle varianze-
covarianze dei fattori di mercato;
2) Pur essendo più efficiente di altre procedure, risulta comunque onerosa in termini di
tempo e risorse finanziarie.

SEI FALSI DIFETTI DEL VAR

I modelli Var non possono essere considerati come dei modelli capaciti di risolvere in modo
semplice e meccanicistico un problema. Prima di acquistare un software per la misurazione del
var, è necessario costruire una adeguata base di dati perché senza una base di dati si può andare
incontro ad errori non imputabili alla metodologia del Var ma al modo in cui è stata implementata.
Difetti
 Trascurano gli eventi eccezionali
I modelli Var non sono in grado di coprire l’intera gamma dei possibili eventi che una
istituzione finanziaria deve essere in grado di fronteggiare. In realtà, i modelli var hanno
come finalità quella di indicare ad una banca la quantità di capitale necessaria per limitare
il rischio di fallimento ad una percentuale accettabile. Il livello di confidenza usato nel
calcolo del Var può essere aumentato a piacere cosi da catturare la percentuale di aventi
desiderata.
 Trascurano le relazioni di clientela
La sua meccanica applicazione potrebbe indurre la banca a porre termine a tutte le
posizioni la cui redditività corretta per il rischio risultasse inadeguata. In realtà i modelli Var
sono uno strumento al quale è necessario affiancare le valutazioni soggettive della
direzione della banca perché una operazione con redditività insufficiente a remunerare il
capitale potrebbe comunque essere conservata in portafoglio sulla base di una valutazione
Soggetti di lungo periodo.
 si basano su ipotesi irrealistiche
se le ipotesi che sono alla base dei diversi criteri per il calcolo del Var non sono condivisibili,
esse condurranno a quantificare il rischio e ad allocare il capitale fra le diverse unità
operative in modo inaffidabile. In realtà ogni istituzione finanziaria sceglie di detenere un
certo livello di capitale e di allocarlo alle diverse attività svolte. Chi adotta un modello Var
conosce le ipotesi su cui esso è basato ma chi non dispone di un modello procede in modo
più opaco. In ogni caso le ipotesi del modello possono essere modificate in presenza di
condizioni particolare di mercato.
 Producono risultati fortemente divergenti
I modelli Var sono stati criticati da alcuni ricercatori poiché essi hanno confrontato i
risultati prodotti da diversi approcci e hanno riscontrato divergenze. In realtà, i modelli Var
dipendono fortemente dall’approccio usato e dalle ipotesi adottate e non possono essere
considerati una misura univoca.
 Amplificano l’instabilità dei mercati
Se tutte le istituzioni finanziarie utilizzano il Var in corrispondenza di crisi di mercato, gli
operatori riceveranno probabilmente il medesimo segnale operativo. In realtà i modelli Var
adottati dalle istituzioni finanziarie non sono tutti uguali e producono misure di rischio
 diverse. Ma in presenza di crisi di mercato, gli operatori delle diverse istituzioni finanziarie
tendono comunque ad adottare comportamenti uniformi.
 Le misure Var arrivano troppo tardi quando ormai il danno è fatto
Un’ultima critica alle misure di Var riguarda il ritardo con il quale essere riflettono eventuali
shock di mercato e la conseguente inefficacia nel prevenire le perdite. Il ritardo deriva
principalmente dal fatto che i modelli Var si fondano sulla stima della volatilità storica per
la previsione della volatilità futura. Se un modello var venisse alimentato con previsioni piu
sofisticate si potrebbero ottenere misure capaci di anticipare eventuali crisi dei mercati.
Ma comunque la finalità di un modello Var non è quella di anticipare eventuali crolli ma è
quella di generare misure di rischio fondate su condizioni normali.

RISCHIO DI MERCATO

VALUTAZIONE DEI MODELLI VAR

 I test retrospettivi (backtesting) sono basati sul confronto fra le indicazioni del modello e i
 

risultati dell'attività di negoziazione

- confronto tra la stima giornaliera del VaR e le perdite effettive del giorno successivo

- Se il modello è corretto, le perdite effettive dovrebbero risultare superiori al VaR con una
frequenza coerente con quella definita dal livello di confidenza

- Se il VaR giornaliero è 83 e il livello di confidenza del modello è pari al 99%, ci si attendono

perdite superiori a 83 unicamente nell'1% dei casi, cioè 2,5 giorni su 250 giorni di
negoziazione annui

 Richiesti ai fini di vigilanza

Considerazioni

- Un valore di lambda minore produce un VaR più reattivo alle condizioni recenti;

- il VaR sale più rapidamente in presenza di rendimenti recenti fortemente negativi o positivi
e si riduce più velocemente quando le variazioni giornaliere sono contenute

- L’uso di un lambda minore consente di stimare meglio il rischio del portafoglio quando le
perdite elevate sono precedute da altre perdite elevate.

VALUTAZIONE DEI MODELLI VAR

-  Una corretta valutazione della qualità̀ di un modello VaR andrebbe fondata su due diversi
aspetti:

1) la coerenza del numero di eccezioni (numero di giorni in cui le perdite

superano la stima del VaR)
 2) la “dimensione” delle eccezioni (valore della perdita in eccesso rispetto al
VaR)

-  La metodologia di back testing proposta dal Comitato di Basilea si fonda sul primo criterio.

 Come stimare il risultato economico giornaliero con cui confrontare il VaR?

1) Effettivo risultato economico derivante dalla vendita delle posizioni in portafoglio

realmente liquidate dalla banca; (inadeguato in quanto contrario al 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” → più appropriato, confronta il VaR con una
misura di perdita ad esso omogenea)