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 dell’unconditional coverage • Il test della conditional coverage • Il test di Lopez • I test basati sull’intera distribuzione • Esercizi © Resti e Sironi, 2008 2 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'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 attende perdite superiori a 83 unicamente nell'1% dei casi, cioè 2,5 giorni su 250 giorni di negoziazione annui © Resti e Sironi, 2008 3 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 è 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 4 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 2 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 l’approccio 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 0 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 5 Rischio e valore nelle banche La valutazione dei modelli VaR Un esempio di backtesting Evoluzione del VaR giornaliero stimato con l’approccio varianze-covarianze, con una volatilità stimata attraverso l’EWMA (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 6 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 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 • 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%) 7 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 un’evoluzione temporale peculiare, caratterizzata da una certa stabilità 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 dell’approccio delle simulazioni storiche risulta abbastanza simile a quello connesso all’approccio 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 9 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 più 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 è 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 • L’esame 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 normalità • La differenza tra la distribuzione normale e la vera distribuzione dei dati è particolarmente sensibile “oltre il VaR”, cioè 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 qualità 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” più 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 • Nell’esempio delle slide 4-10 si è 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 significatività statistica 1.Qual è la percentuale massima di eccezioni coerente con il livello di confidenza del modello? 2.Qual è la percentuale minima di eccezioni oltre la quale si deve concludere che il modello non è valido (e in particolare, che la banca è 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 è il doppio di quella attesa (2% anziché 1%), ma l’errore è esiguo © Resti e Sironi, 2008 difficile concludere se il modello è 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 metà 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 sull’intera distribuzione di profitti e perdite Si confronta l’intera 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, l’ipotesi oggetto di test (“ipotesi nulla”, o H0) è 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 l’ipotesi nulla quando è corretta Secondo tipo accettare l’ipotesi nulla quando è falsa • Per finalità di risk-management si è interessati alla capacità del test di minimizzare l’errore 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 dell’unconditional coverage • È il proportion of failures test proposto da Kupiec nel 1995 • IPOTESI H0: la frequenza delle eccezioni empiricamente rilevate, , è coerente con quella “teorica” desiderata, (tasso di eccezioni implicito nei valori osservati= ) • Tale verifica non è condizionata a ulteriori ipotesi, perciò il test è “unconditional” • Se l’ipotesi nulla è corretta allora la probabilità di osservare x eccezioni in un campione di N osservazioni (tasso di eccezioni pari a p x/N) è 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 probabilità di ottenere x eccezioni è: 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 dell’unconditional coverage • È possibile calcolare la probabilità 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 1 2 3 4 5 6 7 8 9 10 Numero di eccezioni © Resti e Sironi, 2008 20 Rischio e valore nelle banche La valutazione dei modelli VaR Il test dell’unconditional coverage • Se il modello è corretto, la probabilità che si verifichi un numero di eccezioni pari o inferiore a 4 è 89,2% (seconda colonna tabella precedente), quindi la probabilità di avere più di 4 eccezioni è 10,8 (terza colonna) se si desse come regola quella di rifiutare l’ipotesi nulla ogni volta che si verificano più di 4 eccezioni, l’errore del primo tipo (rifiutare un modello corretto) sarebbe pari a 10,8%. • Se si rifiutasse il modello solo se le eccezioni sono più di 6, il rischio di rifiutare un modello corretto sarebbe molto basso (1,4%) • Poiché l’errore che più preoccupa nell’ottica del risk management non è rifiutare un modello corretto, ma fidarsi di un modello sbagliato (errore secondo tipo)… …è 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 qualità, 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 dell’unconditional coverage • TEST INFERENZIALE: è possibile valutare la rispondenza tra il tasso di eccezioni registrato durante il backtesting (π x/N) e il tasso di eccezioni atteso se il modello è corretto () con un classico test di tipo likelihood ratio Il test si basa sul rapporto tra due funzioni di verosimiglianza Una è non vincolata, la probabilità di osservare un determinato fenomeno viene posta pari alla probabilità osservata nel campione. Lx 1 x probabilità non vincolata di osservare x eccezioni, basata sul tasso di errore campionario N x La seconda funzione di verosimiglianza è invece vincolata al rispetto dell’ipotesi nulla (probabilità 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 π è significativamente diverso da assumerà valori positivi ed elevati, se invece sono vicini la statistica tenderà a zero 22 Rischio e valore nelle banche La valutazione dei modelli VaR Il test dell’unconditional 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 sarà: π x/N = 4/250 1,6% 1% 4 (1 1%) 2504 LRuc 2 ln 0,77 2504 4 1,6% 1 1,6% se l’ipotesi nulla è corretta la statistica LRuc si distribuisce secondo una distribuzione chi quadrato con 1 grado di libertà LRuc 12 • È 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 l’ipotesi 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 dell’unconditional coverage • Riferendoci all’esempio in esame: poiché 0,77 non supera 2,7055, il modello VaR è 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 più elevato la soglia fissata sarebbe più 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 (tutt’altro 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 dell’unconditional coverage • Il p-value del test è definito come la probabilità, nel caso in cui l’ipotesi nulla sia corretta, di ottenere valori di LRuc superiori a quello osservato p 1 F LRuc 2 1 funzione di densità cumulata di una chi-quadro con un grado di libertà • Minore è il p-value, meno affidabile è il modello • Un punto cruciale nell’ambito del backtesting è rappresentato dalla scelta del valore-soglia, cioè la significatività 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 è) sono i più costosi. © Resti e Sironi, 2008 nel risk management si utilizzano frequentemente livelli di significatività statistica relativamente elevati, non inferiori al 10%. 25 Rischio e valore nelle banche La valutazione dei modelli VaR Il test dell’unconditional coverage • È possibile dimostrare che la potenza statistica del test di Kupiec (definita come il complemento a uno dell’errore del secondo tipo) è piuttosto bassa Vi è sempre un’alta probabilità di accettare l’ipotesi nulla quando essa è falsa. Questa probabilità è tanto maggiore: • Quanto più il valore dell’ipotesi nulla diminuisce • Quanto maggiore è il livello di confidenza del modello • Quanto più piccola è 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 è sottostimato (numero di eccezioni elevato) a periodi in cui il VaR è sovrastimato (numero di eccezioni basso) potrebbe risultare accettabile • Il test è “non condizionato”: la qualità di un modello è valutata in modo indipendente dalla capacità di reagire prontamente a nuove condizioni di mercato • Se un modello è in grado di reagire correttamente alle nuove informazioni, allora la probabilità che si verifichi un’eccezione nel giorno t dovrebbe essere indipendente da eventuali eccezioni registrate il giorno t-1 • Se le eccezioni sono serialmente concentrate (clustered), è verosimile attendersi che se il giorno t-1 si è verificata un’eccezione la probabilità (condizionata) di avere un’altra 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 • È preferibile che le eccezioni siano indipendenti: se così non fosse, all’indomani dell’eccezione, il risk manager dovrebbe aumentare il VaR su livelli superiori in modo che la probabilità condizionale di un’eccezione rimanga in linea con il valore desiderato. • Un test rivolto a valutare la conditional coverage di un modello VaR è quello proposto da Christoffersen nel 1998 La statistica LRuc viene estesa per verificare che le eccezioni siano serialmente indipendenti • Vengono definite: probabilità che un’eccezione 1,1 in t-1 sia seguita da un’altra eccezione in t 1, 0 0,1 probabilità che un’eccezione in t-1 sia seguita da una non eccezione in t © Resti e Sironi, 2008 probabilità che in t si verifichi un’eccezione senza che questa si sia verificata in t-1 0, 0 probabilità 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’è INDIPENDENZA SERIALE se: 0,0 1,0 1 la probabilità di avere o meno un’eccezione in t è indipendente dal fatto che in t-1 si sia o meno verificata un’eccezione 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 un’altra eccezione non sono state precedute da un’altra eccezione (si noti che, per definizione, avremo x0,1 + x1,1 x) © Resti e Sironi, 2008 non sono state seguite da un’altra 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 • È possibile ora stimare le probabilità 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 x 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 π): Lx 1 x0 , 0 © Resti e Sironi, 2008 x0 ,1 1 x1, 0 x1,1 1 N x 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 probabilità (verosimiglianza) di ottenere x eccezioni sotto l’ipotesi 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 libertà. • L’ipotesi nulla di indipendenza seriale va dunque rifiutata quando LRind è 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 realtà testati 1,1 0,1 e 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 è possibile testare unicamente l’indipendenza delle eccezioni, non la correttezza del modello (cioè il fatto che π= ) • 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 è 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 libertà • Per le proprietà dei logaritmi inoltre vale che: LRcc LRuc LRind • La metodologia di backtesting proposta da Christoffersen è più 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 dell’indipendenza © 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 è rilevante se l’eccezione sia stata determinata da una perdita pari al 110% o al 300% del VaR. • Un’alternativa alla valutazione di un modello VaR tramite test statistici è 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 dell’organo 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 all’istante 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 è: C M N C 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 • È possibile costruire un benchmark di riferimento, C*, con cui giudicare la qualità 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 • : • L’autore descrive tre funzioni di perdita alternative: 1. una funzione binaria, che assume valore 1 quando si verifica un’eccezione 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 l’attuale schema di backtesting proposto dal Comitato di Basilea 3. una funzione di perdita crescente rispetto all’errore cumulando le perdite relative a più periodi si ottiene una misura di performance relativa che può 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 2 1 t 1 VaRt 0 se t 1 VaRt se t 1 VaRt La funzione assegna punteggi maggiori alle eccezioni di maggior dimensione • L’approccio di Lopez è apprezzabile in quanto valuta anche l’entità delle eccezioni • In questo modo si valuta però la qualità 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 sull’intera distribuzione • : • Questo approccio diverso, denominato “distribution forecast method”, è 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 • L’approccio proposto da questi autori prevede di considerare la distribuzione di probabilità utilizzata la sera del giorno t per calcolare il VaR e di trovare il percentile pt corrispondente al rendimento εt+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 sull’intera distribuzione • : • Crnkovic e Drachman propongono il test di Kupier basato sulla distanza fra la distribuzione di probabilità prevista e la distribuzione effettiva dei rendimenti del portafoglio • Diebold, Gunther e Tay sottolineano che i test inferenziali sono spesso di scarsa utilità pratica perché possono condurre al rifiuto dell’ipotesi nulla senza dare indicazioni su quale sia la “vera” distribuzione dei dati • Essi privilegiano quindi un’analisi grafica della distribuzione dei percentili associati ai rendimenti osservati, calcolati in base alla funzione di densità di probabilità del modello utilizzato per il calcolo del VaR Se gli istogrammi assumono tutti un’altezza grosso modo identica, allora la distribuzione dei percentili è uniforme ed il modello può essere giudicato accurato © Resti e Sironi, 2008 39 Rischio e valore nelle banche La valutazione dei modelli VaR I test basati sull’intera distribuzione • : • Se la distribuzione dei percentili non è uniforme e il modello non è accurato La forma degli istogrammi aiuta a comprendere da dove nasca l’inaccuratezza del modello: Ad esempio se gli istogrammi centrali e quelli estremi risultano più alti della media, è probabile che la “vera” distribuzione dei rendimenti sia leptocurtica, per esempio una t di Student • Berkowitz infine introduce un’innovazione 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 volatilità 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 probabilità associata ad un simile risultato se il modello VaR è corretto. Inoltre, calcolate il test di copertura non condizionale (usando l’equazione [4] in questo capitolo) e (usando la tabella semplificata riportata qui di seguito, oppure la funzione DISTRIB.CHI(.) in Excel) stimate l’errore 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 volatilità Esercizi/1 Distribuzione di probabilità cumulata di x distribuito secondo una chi-quadrato con m gradi di libertà x 0.25 0.5 1 2.5 1 38.29 % 52.05 % 12 0.00% 0.00% 0.00% 0.18% 5 10 20 40 80 160 m 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 volatilità 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 già 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 volatilità 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 volatilità Esercizi/3 3. Una banca ha effettuato il backtesting del suo modello VaR su un insieme di 500 osservazioni, trovando 7 eccezioni (cioè 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 probabilità cumulata di x distribuito secondo una chi-quadrato con m gradi di libertà 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