Sei sulla pagina 1di 41

UNIVERSITA DI URBINO

FACOLTA DI ECONOMIA

TEORIA DEI VALORI ESTREMI E


APPLICAZIONI AL CALCOLO DEL VALUE AT RISK

Gianna Fig-Talamanca
Universit della Calabria

Value at Risk 1
Il Value at Risk (Valore a Rischio) definito come la perdita massima al di
sotto della quale si pu andare solo con una bassa probabilit .
Se con Xt, t=1,2,,n rappresentiamo la serie storica del rendimento della
nostra posizione finanziaria X, si ha:

P ( X n 1 VaR )

Value at Risk 2
Il Value at Risk quindi un quantile, corrispondente in genere al 5% o all
1%, della distribuzione di probabilit del rendimento della posizione
finanziaria X su un orizzonte temporale prefissato (1 giorno, una settimana,
etc.).
Dal 1986 il Comitato di Basilea ha stabilito che le istituzioni finanziarie
sono tenute a calcolare (stimare) il proprio VaR come misura del capitale a
rischio della societ.
Le istituzioni sono altres tenute ad accantonare un capitale come
assicurazione contro eventuali perdite, in modo proporzionale al VaR
calcolato e alla loro affidabilit (rientrando nel passato nel VaR calcolato,
etc.).

Lutilizzo del VaR stato ed ancora molto criticato dagli accademici e altre
misure di rischio sono state introdotte. Nonostante questo il VaR tuttora
utilizzato da molte istituzioni e per migliorarne le prestazioni necessario dare
una accurata descrizione delle code della distribuzione dei rendimenti (ProfitLoss) che non pu essere ben rappresentata da una distribuzione normale.
Istogramma per le perdite giornaliere

MIB30

SP500

Analisi delle code: il Q-Q plot


Si ottiene rappresentando in ascissa i quantili teorici per la distribuzione
normale ed in ordinata i quantili della distribuzione empirica. Se i punti
risultano sulla diagonale la distribuzione empirica ben descritta da quella
teorica. Si pu notare che nelle code lapprossimazione scarsa e il VaR non
pu essere ben stimato dal quantile di una distribuzione normale.

MIB30

SP500

Distribuzioni leptocurtiche
Una possibile soluzione quella di rappresentare la distribuzione dei
rendimenti con una distribuzione diversa dalla normale e che goda della
propriet di leptocurtosi (indice di curtosi > 3) che causa delle code
grasse.
Possibili esempi di tali distribuzioni
possono essere la distribuzione t-di
student, la distribuzione iperbolica o
altre, i cui parametri possono essere
stimati
utilizzando
tutte
le
osservazioni passate disponibili sui
rendimenti
della
posizione
finanziaria X.

La Teoria dei Valori Estremi


Si occupa dello studio di eventi rari ed inizialmente nata nellambito della
previsione di catastrofi naturali.
Nelle applicazioni finanziarie levento raro pu corrispondere al fallimento di una
societ, al crollo del prezzo di un titolo azionario o di un portafoglio.
La Teoria dei valori estremi (EVT) si affianca allanalisi statistica standard, che
analizza i fenomeni nella medi fornendo strumenti di diagnbistica come
appunto il QQ-plot, per studiare gli venti rari, ovvero quelli che si trovano nelle
code di una distribuzione.
In particolare, lapplicazione della EVT in ambito finanziario cerca di stimare la
forma distribuzione del rendimento di una posizione finanziaria SOLO per quanto
riguarda le code di tale distribuzione e la si basa sullanalisi dei soli dati
estremali nella serie storica dei rendimenti passati.

Dalle medie agli estremi


Ricordiamo che la distribuzione di un v.a. X caratterizzata dalla sua
Funzione di Ripartizione definita come:

FX ( x) P ( X x)
e che una successione di variabili aleatorie X 1,X2,Xn si dicono
identicamente distribuite se hanno la stessa funzione di ripartizione (la stessa
distribuzione).
Indici sintetici importanti nella distribuzione di una v.a. sono la media e la
varianza definite rispettivamente come:

E X

xdF ( x) xf ( x)dx

V X x 2 dF ( x) x 2 f ( x)dx

Dalle medie agli estremi 2


Due dei teoremi cardine dellinferenza statistica standard riguardano appunto
la distribuzione della MEDIA di una successione di variabili aleatorie:
Siano X1,X2,Xn variabili aleatorie indipendenti ed identicamente distribuite
con media e varianza 2 e sia:

Xn

X 1 X 2 ... X n
n

la media aritmetica delle prime n.

Legge dei grandi numeri

Xn
n

Teorema centrale del limite

Xn
n
N (0,1)
d

Dalle medie agli estremi 3


Per rappresentare le code di una distribuzione si analizzano gli eventi
estremali che possono essere rappresentati da due diverse variabili:
1) Il massimo a blocchi delle variabili aleatorie osservate;
2) Il valore degli eccessi sopra una soglia prefissata u detta threshold.

La distribuzione del massimo campionario


Consideriamo nuovamente la successione X 1,X2,Xn di v.a. i.i.d ponendo
la nostra attenzione non pi sulla media aritmetica ma sul massimo
campionario delle v.a. Definiamo quindi:

M n max( X 1 , X 2 ,..., X n ).
La distribuzione del massimo descritta dalla funzione di ripartizione ottenuta
come:

FM ,n ( x) P ( M n x) F ( x) .
n

Banalmente, se x un valore tale che F(x)<1 allora:

FM , n ( x ) 0.
n

Risultato di poco interesse

La distribuzione del massimo campionario 2


Un risultato limite interessante si ottiene invece normalizzando la variabile massimo
mediamte una costante an di scala e una costante bn di posizione per cui si abbia:

M n bn

n
P
x F (an x bn ) H ( x)
n
an

Se una tale distribuzione limite H esiste ed non degenere, allora deve


necessariamente appartenere ad una certa classe di distribuzioni denominate
del valore estremo generalizzato (GEV).
In tale caso si dice che le v.a. X1,X2,Xnhanno la funzione H come
dominio di attrazione per il massimo .

Distribuzioni GEV
Il Three Types Theorem
Se il massimo campionario normalizzato ammette una distribuzione limite
H non degenere allora questa pu essere descritta da una delle seguenti forme
funzionali:

Gumbel

H ( x ) exp e x , x

x0
x0

Frchet

x0
x0

Weibull

0
H ( x)

exp(

x
)

1
H ( x)

exp(

x
)

con positivo.

Distribuzioni GEV: Parametrizzazione unica


Le tre tipologie di funzioni di ripartizione possono essere scritte in una
forma comune del tipo:

H ( x) exp 1

Dove un parametro di posizione, > 0 un parametro di scala e un


parametro di forma (il pi importante nella descrizione della forma delle
code).
Per 0 ritroviamo la distribuzione di Gumbel, per > 0 la distribuzione
di Frecht con = -1, per < 0 la distribuzione di Weibull con = --1.
In modo informale possiamo dire che il caso > 0 corrisponde a
distribuzioni con code pesanti e lunghe che decrescono come una funzione
potenza x -1/ , il caso =0 alle distribuzione intermedie con code che
decadono in modo esponenziale e il caso < 0 corrisponde a distribuzioni
con code corte e finite a destra.

Consideriamo ora di avere una successione di v.a. con comune funzione di


ripartizione F appartenente ad una classe nota: quale la distribuzione limite
GEV del massimo campionario?
Distribuzione Esponenziale

F ( x) 1 exp( x)

con
n

e
F (bn an x) 1
n

an 1, bn log n

n exp(e x )

Gumbel

Distribuzione Normale

1
F ( x)
2

2
exp(

u
2)du

e
F (bn an x) 1
n

1
a

1
b
,
b

F
(1 1 n)
con
n
n
n

n exp(e x )

Gumbel

Code Paretiane
Si dice che la distribuzione di una v.a. X ha code Paretiane di ordine se:

P( X x) 1 F ( x) cx , con , c 0, per x
In questo caso, ponendo

an nc , bn 0

F ( an x ) 1 c a n x
n

x
1
n

si ottiene:

exp( x )

ovvero il dominio di attrazione del massimo per una distribuzione con code di
tipo Pareto una Frchet.

La distribuzione degli eccessi


Fissato un valore soglia u indichiamo con Y la v.a. degli eccessi da u, Y=X-u.
Consideriamo la distribuzione condizionata:

Fu ( y ) P (Y y X u ) P( X u y X u )
P (u X u y ) F ( y u ) F (u )

P( X u )
1 F (u )
Quando la soglia u tende al valore massimo per la v.a. X possibile trovare una
funzione di distribuzione limite per tale distribuzione condizionata.

La distribuzione degli eccessi 2


Se un tale limite esiste questo appartiene alla classe delle distribuzioni Pareto
Generalizzate (GPD) ovvero, se:

Fu ( y )

G ( y; u , ) dove sup x: F(x) 1

allora:

G ( y; , )

y
1 1 , 0

y
1 exp , 0

Pareto
e
Beta
Esponenziale

Si noti che, assegnata una distribuzione F per la successione di v.a. iid, un tale
limite per la distribuzione condizionata degli eccessi esiste SE E SOLO SE
esiste il limite per la distribuzione del massimo campionario e il parametro di
forma coincide.
Pertanto, nuovamente, se il parametro di forma positivo la distribuzione
possiede code lunghe e pesanti, se negativo, code corte o troncate e se nullo
code che decadono in modo esponenziale.
Risultati interessanti sulle caratteristiche delle distribuzioni GPD sono i
seguenti:

E Y
, per 1
1

2
V Y
, per 1 2
2
(1 ) (1 2 )
y
E Y y Y y 0
, per 1
1

Consideriamo ora di avere una successione di v.a. con comune funzione di


ripartizione F appartenente ad una classe nota: quale la distribuzione limite
GPD degli eccessi sopra una soglia u?
Distribuzione Esponenziale

F ( x) 1 exp( x)

con

u 1

exp(u ) exp (u z )
Fu ( u z )
1 - exp( z )
exp(u )

Esponenziale!

Distribuzione Normale

1
F ( x)
2
Fu ( u z )

2
exp(

u
2)du

con

u 1 u

F (u z u ) F (u ) n
1 - exp( z )
1 F (u )

Esponenziale!

Code Paretiane e GPD


Nel caso in cui la distribuzione originale abbia code paretiane, sia u=bu,
con b > 0, allora:

F (u buz ) F (u ) n
F ( u z )
1-( 1 bz)
1 F (u )
che appartiene alle GPD se poniamo =1/ e b=.

Distribuzioni GPD e Quantili


Una volta noti (stimati) i parametri che compaiono nella distribuzione
GPD possibile calcolare i quantili della distribuzione in funzione di
questi e del threshold u scelto. Si ha, per 1-q<1-F(u) ovvero q> F(u):

n
Z q u
(1 q )
Nu

con

Z q : P(Y Z q X u ) q e
N u numero di osservazioni sopra il threshold

Tramite questa formula possibile calcolare direttamente il VaR!

Stima dei parametri su osservazioni di mercato


Il parametro che risulta pi importante da stimare per capire la forma delle
code della distribuzione empirica dei dati di mercato (rendimenti della nostra
posizione finanziaria) il parametro di forma .
Questo pu essere indifferentemente stimato tramite la distribuzione del
massimo (a blocchi) fissato un numero sufficientemente alto n di
osservazioni oppure tramite la distribuzione condizionata degli eccessi,
fissato un threshold sufficientemente alto.
Il numero di osservazioni in un caso, il threshold nellaltro sono scelte
arbitrarie che possono alterare il valore della stima.

Il Caso MIB30: X= log-perdita giornaliera

u=0,034
u=0,021
u=0,012

Approssimazione della coda nel caso del MIB30


Confronto: GPD versus Tail Empirico dell'indice MIB30

1
0.9
0.8

Soglia fissata a
u=0,021.

0.7
0.6
0.5
0.4
0.3
0.2
GPD teorica
Tail Empirico

0.1
0

0.005

0.01

0.015

0.02

0.025

0.03

0.035

0.04

0.045

Confronto: GPD versus Tail Empirico dell'indice MIB30

1
0.9
0.8
0.7

Soglia fissata a
u=0,012.

0.6
0.5
0.4
0.3
0.2
GPD teorica
Tail Empirico

0.1
0

0.005

0.01

0.015

0.02

0.025

0.03

0.035

0.04

0.045

Analisi standard
S&P 500

Media

Stdev

0,00047

0,0107

Skewness

Kurtosis

-1,9115

40,27

S&P 500
Stima del parametro di forma al variare del threshold
(del numero di osservazioni nella coda)

Valore plausibile intorno a 0.3

S&P 500 Stima del parametro di forma e dei Quantili (VaR)

VaR (99%)

Parametro di forma

0,0975

0,27

0,1061

0,3

0,1155

0,33

Come variano le stime dei quantili in base al threshold?

S&P 500: VaR al variare del threshold

Valore plausibile intorno a 0.1, proprio quello trovato in corrispondenza di =0.3

S&P 500 Funzione di ripartizione stimata ed empirica

Analisi standard del tasso di


cambio Jap. Yen /UK .

Media

Stdev

0,00012089

0,077

Skewness

Kurtosis

0,3406

6,1588

Japanese Yen /UK . Stima del parametro di forma

Risulta difficile trovare un valore ottimale

Japanese Yen / UK . Stima del VaR al 99%

VaR (99%)

Parametro di forma

0,0609

0,22

0,066

0,25

0,0717

0,28

Lintervallo per il quantile accettabile, ma come varia la stima con il threshold?

Japanese Yen to UK . VaR al variare del threshold

Japanese Yen/UK .
Funzione di ripartizione stimata ed empirica

Analisi standard del Future


sul Caff.

Media

Stdev

0,000546

0,0204

Skewness

Kurtosis

-0,2413

14,9788

LIFFE Coffee Fut. Stima del parametro di forma

LIFFE Coffee Fut. Var al 99%

VaR(99%)

Parametro di forma

0,1858

0,27

0,202

0,3

0,22

0,33

LIFFE Coffee Fut. VaR al variare del threshold

LIFFE Coffee Fut.


Funzione di ripartizione stimata ed empirica

Confronto tra la stime del VaR al 99% ipotizzando una


distrobuzione normale e con la teoria dei valori estremi.

VaR- Normale VaR-EVT


S&P 500

2,5%

10,6%

Coffee futures 4,8%

20,2%

Yen /UK

6,6%

1,8%