Metodi matematici per l’analisi del rischio di credito Patrick GAGLIARDINI Università della Svizzera Italiana e Swiss Finance Institute Giornata di studio sulla “Matematica finanziaria nell’insegnamento liceale” 20 ottobre 2010 Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 1 / 56 INDICE 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ 2. MISURE DEL RISCHIO 3. MODELLI FATTORIALI DEL RISCHIO 4. SIMULAZIONE NUMERICA 5. TEORIA DELLA GRANULARITÀ Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 2 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 3 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ ESEMPIO: Serie storica del prezzo dell’azione IBM Prezzo ($) azione IBM 140 130 120 110 100 90 80 70 02.01.2008 Patrick Gagliardini (USI e SFI) 01.07.2008 02.01.2009 tempo Metodi matematici per il rischio di credito 01.07.2009 31.12.2009 20 ottobre 2010 4 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ ESEMPIO (cont.): Serie storica dei rendimenti dell’azione IBM Rendimenti giornalieri IBM 0.15 0.1 0.05 0 −0.05 −0.1 02.01.2008 01.07.2008 02.01.2009 tempo 01.07.2009 31.12.2009 Rendimento giornaliero: y t = log(St /St−1 ), dove St è il prezzo dell’azione al giorno t Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 5 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ ESEMPIO (cont.): Istogramma dei rendimenti dell’azione IBM Istogramma dei rendimenti giornalieri IBM 0.3 0.25 0.2 0.15 0.1 0.05 0 −0.15 −0.1 Patrick Gagliardini (USI e SFI) −0.05 0 0.05 rendimento giornaliero Metodi matematici per il rischio di credito 0.1 20 ottobre 2010 0.15 6 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ DIVERSI TIPI DI RISCHI FINANZIARI - di mercato: rischio associato alla variazione del prezzo di mercato degli attivi di bilancio - di credito: rischio associato agli eventi di default o di migrazione del rating della controparte, recovery risk, ... - di liquidità e finanziamento - rischi operativi - .... Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 7 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ Un rischio è descritto da una variabile aleatoria (v.a.) e dalla sua distribuzione di probabilità i) Rendimento di un attivo v.a. con distribuzione normale di media μ e varianza σ2 Y ∼ N(μ, σ2 ) Densità di probabilità: 1 1 f (y) = √ exp − 2 (y − μ)2 , y ∈ R 2σ 2πσ 2 Distribuzione compatibile con l’ipotesi che il prezzo dell’azione segua un moto Browniano geometrico I parametri μ e σ2 sono stimati con media e varianza empiriche: μ̂ = ȳ = T 1 yt , T t=1 Patrick Gagliardini (USI e SFI) σ̂ 2 = T 1 (yt − ȳ)2 T t=1 Metodi matematici per il rischio di credito 20 ottobre 2010 8 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ densità di probabilità dei rendimenti giornalieri IBM 20 15 10 5 0 −0.15 −0.1 −0.05 0 0.05 rendimento giornaliero 0.1 0.15 Media μ̂ = 0.0006 e deviazione standard σ̂ = 0.0203 stimate sul periodo 1.1.2008-31.12.2009 Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 9 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ Istogramma dei rendimenti giornalieri IBM 35 Student (3) 30 25 20 15 Gaussiana 10 5 0 −0.15 −0.1 −0.05 0 0.05 rendimento giornaliero 0.1 0.15 La distribuzione di Student ammette code pesanti e permette di prendere in considerazione il rischio di rendimenti estremi Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 10 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ Distribuzione congiunta dei rendimenti dell’azione IBM e dell’indice di mercato S&P 500 Scatter plot rendimenti IBM vs rendimenti S&P 500 0.15 rendimento giornaliero IBM 0.1 0.05 0 −0.05 −0.1 −0.1 Patrick Gagliardini (USI e SFI) −0.05 0 0.05 0.1 rendimento giornaliero S&P 500 Metodi matematici per il rischio di credito 0.15 20 ottobre 2010 11 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ La sensitività del rendimento di un’azione al fattore di rischio di mercato è studiato a partire dal modello di regressione lineare: yt = α + βxt + εt , t = 1, · · · , T dove: yt e xt sono i rendimenti del titolo IBM e del mercato, rispettivamente εt è un errore aleatorio di valore atteso 0 e varianza σ2 α e β (beta del titolo) sono parametri Stimatori dei minimi quadrati ordinari (m.q.o.) (α̂, β̂) = arg min α,β dove mxx = T t=1 (xt Patrick Gagliardini (USI e SFI) T (yt − α − βxt ) 2 ⇒ t=1 − x̄)2 e mxy = T t=1 (xt α̂ = ȳ − β̂x̄ mxy β̂ = mxx − x̄)(yt − ȳ) Metodi matematici per il rischio di credito 20 ottobre 2010 12 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ Retta di regressione stimata: Scatter plot rendimenti IBM vs rendimenti S&P 500 0.15 rendimento giornaliero IBM 0.1 0.05 0 −0.05 −0.1 y = 0.00048 + 0.6128x t −0.1 Patrick Gagliardini (USI e SFI) t −0.05 0 0.05 0.1 rendimento giornaliero S&P 500 Metodi matematici per il rischio di credito 0.15 20 ottobre 2010 13 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ ii) Evento di default di un’impresa v.a. binaria Y ∼ B(1, p) con distribuzione di probabilità discreta 1 (default), Y= 0 (non default), prob. p prob. 1 − p La probabilità annua di default p ∈ (0, 1) per imprese in una data classe di rating è stimata tramite la frequenza di default p̂ in tale classe Dati S&P per aziende USA nel periodo 1990-2009 (p̂ in percentuale) rating p̂ AAA 0 AA 0.029 Patrick Gagliardini (USI e SFI) A 0.085 BBB 0.274 BB 1.124 B 6.017 Metodi matematici per il rischio di credito C 30.406 20 ottobre 2010 14 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ iii) Rating di un’impresa v.a. qualitativa a K alternative (K = 8 per il rating S&P) ⎧ 1 (AAA), prob. p1 ⎪ ⎪ ⎪ ⎨ 2 (AA), prob. p2 Y= .. ⎪ . ⎪ ⎪ ⎩ K (D), prob. pK con pj ≥ 0, K pj = 1 j=1 Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 15 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ Modello dinamico per la migrazione dei rating: il rating Yt segue una catena di Markov con matrice di transizione Π = [πj,k ], dove πj,k ≥ 0, ∀j, k e K k=1 πj,k πj,k = P[Yt = k|Yt−1 = j] = 1, ∀j Gli elementi della matrice Π sono stimati tramite le frequenze di transizione ⎛ ⎞ 0.921 0.071 0.005 0.001 0.000 0.001 0.001 0.000 ⎜ 0.004 0.903 0.087 0.005 0.001 0.000 0.000 0.000 ⎟ ⎜ ⎟ ⎜ 0.000 0.018 0.921 0.055 0.003 0.001 0.001 0.001 ⎟ ⎜ ⎟ ⎟ Π̂ = ⎜ ⎜ 0.000 0.002 0.038 0.909 0.041 0.005 0.002 0.003 ⎟ ⎜ 0.000 0.000 0.001 0.061 0.839 0.076 0.012 0.011 ⎟ ⎜ ⎟ ⎝ 0.000 0.000 0.002 0.004 0.070 0.815 0.049 0.060 ⎠ 0 0 0.002 0.004 0.012 0.146 0.532 0.304 Dati S&P per aziende USA nel periodo 1990-2009 Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 16 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ Consideriamo la matrice Π(h) = [πj,k (h)] delle probabilità di transizione ad un orizzonte di h periodi πj,k (h) = P[Yt+h = k|Yt = j] Teorema 1: Π(h) = Πh , h ≥ 1 Dimostrazione: Per h = 2 P[Yt+2 = k|Yt = j] = K P[Yt+2 = k|Yt+1 = l, Yt = j]P[Yt+1 = l|Yt = j] l=1 = K P[Yt+2 = k|Yt+1 = l]P[Yt+1 = l|Yt = j] l=1 = K πj,l πl,k = (Π2 )j,k l=1 dal teorema delle probabilità totali e la proprietà di Markov. Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 17 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ Probabilità di default cumulate per le classi di rating investment grade: 0.14 probabilità di default cumulata BBB 0.12 0.1 0.08 0.06 A 0.04 AA 0.02 AAA 0 1 Patrick Gagliardini (USI e SFI) 2 3 orizzonte h (anni) Metodi matematici per il rischio di credito 4 5 20 ottobre 2010 18 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ iv) Rischio di Recovery Rate (RR) Loss Given Default LGD = 1 − RR è la percentuale del nominale non recuperata dal creditore in caso di default della controparte v.a. con valori nell’intervallo [0, 1] LGD ∼ Beta(α, β) con densità di probabilità f (y) = Γ(α + β) α−1 (1 − y)β−1 , y Γ(α)Γ(β) y ∈ (0, 1) I parametri α, β > 0 possono essere stimati uguagliando i momenti teorici E[LGD] = α , α+β V[LGD] = αβ (α + β)2 (α + β + 1) ai momenti empirici Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 19 / 56 1. RISCHI E DISTRIBUZIONI DI PROBABILITÀ funzione di densità di probabilità Beta di LGD 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0 0.1 0.2 0.3 0.4 0.5 LGD 0.6 0.7 0.8 0.9 1 Parametri α̂ = 1.23 e β̂ = 1.44 stimati a partire da media 0.46 e deviazione standard 0.26 di LGD per prestiti nella classe senior unsecured (Moody’s) Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 20 / 56 2. MISURE DEL RISCHIO Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 21 / 56 2. MISURE DEL RISCHIO Le misure del rischio come Value-at-Risk (VaR) Expected Shortfall (ES) Distortion Risk Measures (DRM) sono alla base dei moderni approcci alla gestione del rischio e della attuale regolamentazione Le misure del rischio sono utilizzate per determinare i requisiti di capitale allo scopo di coprire le perdite future monitorare i rischi tramite modelli di rischio interni Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 22 / 56 2. MISURE DEL RISCHIO i) Il Value-at-Risk (VaR) Sia t la data odierna, Wt+h la perdita sul periodo [t, t + h], una v.a., α ∈ (0, 1) un livello di confidenza, ad esempio α = 0.99 Il VaR VaR(t, h, α) alla data t, per l’orizzonte h e al livello di confidenza α è definito dall’equazione Pt [Wt+h ≥ VaR(t, h, α)] = 1 − α dove Pt [·] è la probabilità condizionale all’informazione alla data t Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 23 / 56 2. MISURE DEL RISCHIO densità di probabilità di W t+h Il VaR è un quantile della distribuzione delle perdite e dei profitti (Loss and Profits, L&P) probabilità α 0 Patrick Gagliardini (USI e SFI) VaR(t,h,α) Metodi matematici per il rischio di credito perdita W t+h 20 ottobre 2010 24 / 56 2. MISURE DEL RISCHIO Il VaR al livello di confidenza α non è informativo sull’entità delle perdite nel 100(1 − α)% peggiore dei casi ii) Expected Shortfall (a.k.a. Tail VaR) Lo Expected Shortfall ES(t, h, α) è la perdita attesa nel caso in cui la perdita oltrepassa il quantile VaR(t, h, α) ES(t, h, α) = Et [Wt+h |Wt+h ≥ VaR(t, h, α)] dove Et [·] è il valore atteso condizionale all’informazione alla data t Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 25 / 56 2. MISURE DEL RISCHIO Lo Expected Shortfall può essere interpretato come una media di VaR estremi Teorema 2: Vale 1 ES(t, h, α) = 1−α 1 VaR(t, h, u)du α Dimostrazione: Sia W una v.a. con densità di probabilità f , funzione di ripartizione F e funzione quantile Q = F−1 . Abbiamo: ∞ wf (w)dw Q(α) E[W|W ≥ Q(α)] = P[W ≥ Q(α)] ∞ 1 1 1 wf (w)dw = Q(u)du = 1 − α Q(α) 1−α α con il cambio di variabile w = Q(u). Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 26 / 56 2. MISURE DEL RISCHIO iii) Distortion risk measures Sia H una funzione di ripartizione convessa sull’intervallo [0, 1] Una Distortion Risk Measure (DRM) è definita da DRM(t, h, H) = 1 VaR(t, h, u)dH(u) 0 ES al livello di confidenza α è una DRM associata alla funzione di ripartizione 1 (u − α)+ (distribuzione uniforme sull’intervallo [α, 1]) H(u) = 1−α Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 27 / 56 2. MISURE DEL RISCHIO ESEMPIO: Misure del rischio in una distribuzione normale (caso statico) Sia la perdita W ∼ N(μ, σ2 ) una v.a. normale. Il VaR si ottiene da: P[W ≥ VaR(α)] = 1 − α ⇔ P[W ≤ VaR(α)] = α ⇔ VaR(α) = μ + σΦ−1 (α) (1) dove Φ è la funzione di ripartizione della distribuzione normale standard Lemma 3: Sia W ∼ N(μ, σ2 ) e a ∈ R. Allora: E[W|W ≥ a] = μ + σ dove φ è la densità di probabilità di una normale standard. φ( a−μ σ ) 1 − Φ( a−μ σ ) , Dal Lemma 3 con a = μ + σΦ−1 (α) segue: ES(α) = μ + σ Patrick Gagliardini (USI e SFI) φ[Φ−1 (α)] 1−α Metodi matematici per il rischio di credito (2) 20 ottobre 2010 28 / 56 2. MISURE DEL RISCHIO V aR(t, h, α) e ES(t, h, α) per orizzonte h = 10 giorni 20 18 $ 16 14 ES 12 VaR 10 0.95 0.955 0.96 0.965 0.97 0.975 α 0.98 0.985 0.99 0.995 1 VaR e ES a 10 giorni per un investimento di 100 USD nell’azione IBM sotto l’ipotesi di rendimenti i.i.d.N(μ, σ2 ) con μ = 0.0006 e σ = 0.0203 Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 29 / 56 3. MODELLI FATTORIALI DEL RISCHIO Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 30 / 56 3. MODELLI FATTORIALI DEL RISCHIO Nella pratica le misure del rischio devono essere calcolate (anche) per grandi portafogli di contratti individuali: Portafogli di prestiti ad imprese e prestiti ipotecari Portafogli di contratti assicurativi Portafogli di Credit Default Swaps (CDS) e per titoli derivati scritti su questi grandi portafogli: Mortgage Backed Securities (MBS) Collateralized Debt Obligations (CDO) Derivati sull’ indice iTraxx Insurance Linked Securities (ILS) e longevity bonds Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 31 / 56 3. MODELLI FATTORIALI DEL RISCHIO La modellizzazione dei rischi in portafogli finanziari (e assicurativi) e il calcolo delle misure del rischio associate devono confrontarsi con i) la grande dimensione dei portafogli (compresa tra 100 e 10, 000 − 100, 000 contratti) ii) la nonlinearità connessa ai rischi di default, loss given default, eventi assicurativi, ... iii) la dipendenza tra i rischi individuali, che è indotta dalle componenti sistematiche di tali rischi Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 32 / 56 3. MODELLI FATTORIALI DEL RISCHIO 3.1 Modello di rischio fattoriale per un portafoglio omogeneo I rischi individuali yi = c(F, ui ), i = 1, ..., n dipendono dal vettore dei fattori sistematici F e dai rischi idiosincratici ui Ipotesi distribuzionali A.1: le v.a. F e (u1 , . . . , un ) sono indipendenti A.2: le v.a. u1 , . . . , un sono indipendenti e identicamente distribuite Il portafoglio è omogeneo poichè la distribuzione congiunta dei rischi individuali è invariante rispetto a permutazioni degli indici Il fattore sistematico F introduce dipendenza tra i rischi individuali Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 33 / 56 3. MODELLI FATTORIALI DEL RISCHIO Esempio 1: Modello lineare a 1 fattore [Buhlmann (1967), Gordy (2004)] I rischi individuali sono una funzione lineare di un unico fattore sistematico yi = F + u i dove F ∼ N(μ, η 2 ), ui ∼ N(0, σ 2 ) Il modello descrive un portafoglio omogeneo di azioni quando yi è il rendimento di un titolo e F = α + βX è una trasformazione del rendimento di mercato X Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 34 / 56 3. MODELLI FATTORIALI DEL RISCHIO Esempio 2: Il modello del valore dell’impresa [Merton (1974), Vasicek (1991)] I rischi individuali yi sono gli indicatori di default ⎧ ⎨ 1, se Ai < Li (default) yi = ⎩ 0, altrimenti dove Ai e Li sono risp. il valore degli attivi e il debito dell’impresa i I logaritmi dei rapporti attivi/debito soddisfano un modello lineare a 1 fattore: log (Ai /Li ) = F + ui Otteniamo il modello a 1 fattore yi = 1{F + ui < 0} considerato nella regolamentazione di Basilea 2 [BCBS (2001)] Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 35 / 56 3. MODELLI FATTORIALI DEL RISCHIO Esempio 2 (cont.): Il modello del valore dell’impresa [Merton (1974), Vasicek (1991)] Equivalentemente abbiamo un modello ad intensità in forma ridotta yi ∼ i.i.d.B[1, p(F)], condizionatamente a F con probabità di default condizionale p(F) = Φ−1 (−F) Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 36 / 56 3. MODELLI FATTORIALI DEL RISCHIO Esempio 3: Modello con default e Loss Given Default stocastici La perdita alla scadenza sul prestito i è: yi = Zi LGDi dove Zi è l’indicatore di default e LGDi è il Loss Given Default Condizionatamente al fattore F = (F1 , F2 ) , le v.a. Zi e LGDi sono indipendenti e tali che Zi ∼ B(1, F1 ), LGDi ∼ Beta(α(F2 ), β(F2 )) I due fattori F1 e F2 controllano la probabilità di default e il Loss Given Default stocastici Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 37 / 56 3. MODELLI FATTORIALI DEL RISCHIO 3.2 Rischio del portafoglio Il rischio totale del portafoglio è dato da: Wn = n i=1 yi = n c(F, ui ) i=1 (una v.a. che corrisponde alla perdita di portafoglio) La perdita di portafoglio per contratto individuale è Wn /n Il VaR per contratto individuale VaRn (α) al livello di confidenza α si ottiene dall’equazione P[Wn /n ≥ VaRn (α)] = 1 − α ES per contratto individuale: ESn (α) = E[Wn /n|Wn /n ≥ VaRn (α)] Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 38 / 56 3. MODELLI FATTORIALI DEL RISCHIO Esempio 1: Modello lineare a 1 fattore (cont.) La perdita per contratto individuale: n n 1 1 1 2 2 yi = F + ui ∼ N μ, η + σ Wn /n = n n n i=1 i=1 Dalle formule (1) e (2) otteniamo VaR e ES: 1 η 2 + σ 2 Φ−1 (α) n VaRn (α) = μ + (3) ESn (α) = μ + 1 φ[Φ−1 (α)] η2 + σ2 n 1−α Per grandi n, la distribuzione di Wn /n e le misure del rischio associate convergono alle quantità corrispondenti per la v.a. F Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 39 / 56 3. MODELLI FATTORIALI DEL RISCHIO Nel caso generale, la distribuzione del rischio di un portafoglio Wn non è nota in forma chiusa a causa della dipendenza tra i rischi e dell’aggregazione Come derivare le misure di rischio del portafoglio? Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 40 / 56 4. SIMULAZIONE NUMERICA Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 41 / 56 4. SIMULAZIONE NUMERICA SIMULAZIONE DI VARIABILI ALEATORIE Sia U ∼ U(0, 1) una v.a. uniforme sull’intervallo [0, 1] i) v.a. discrete Sia p ∈ (0, 1). La v.a. binaria Y = 1{U ≤ p} è distribuita B(1, p) ii) v.a. continue Sia F una funzione di ripartizione continua e strettamente crescente. Allora la v.a. Y = F −1 (U) ha funzione di ripartizione F Infatti: P[Y ≤ y] = P[F −1 (U) ≤ y] = P[U ≤ F(y)] = F(y) ⇒ È possibile simulare la realizzazione di una “qualsiasi” v.a. a partire da un generatore di numeri casuali con distribuzione uniforme U(0, 1) Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 42 / 56 4. SIMULAZIONE NUMERICA UN ALGORITMO DI SIMULAZIONE PER CALCOLARE MISURE DI RISCHIO Sia S un intero. 1. Simuliamo S realizzazioni indipendenti del vettore aleatorio (F, u1 , ..., un ): (s) (F (s) , u1 , ..., u(s) n ), s = 1, ..., S 2. Calcoliamo le perdite associate 1 (s) c(F (s) , ui ), n n Wn(s) /n = s = 1, ..., S i=1 n,S (α) al livello di confidenza α della 3. Calcoliamo il/un quantile VaR (s) distribuzione empirica di Wn /n, s = 1, ..., S n,S (α) Dalla teoria della stima dei quantili, sotto condizioni di regolarità VaR converge in probabilità a VaRn (α) quando S → ∞ Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 43 / 56 4. SIMULAZIONE NUMERICA Esempio 2: Il modello del valore dell’impresa (cont.) Scriviamo il modello nella forma Yi = 1{Yi∗ < 0} Yi∗ = −Φ−1 (PD) + √ ∗ ρF + 1 − ρu∗i dove F ∗ , u∗1 , ..., u∗n sono v.a. N(0, 1) indipendenti e i parametri PD e ρ sono PD = ρ = Patrick Gagliardini (USI e SFI) P[Yi = 1] = probabilità di default corr(Yi∗ , Yj∗ ) = asset correlation, per i = j Metodi matematici per il rischio di credito 20 ottobre 2010 44 / 56 4. SIMULAZIONE NUMERICA 0.075 0.074 0.073 0.072 0.071 0.07 0.069 0.068 0.067 0.066 0.065 1 2 S=10000 S=100000 Boxplot della distribuzione di ES(t, h, α) calcolato con simulazione numerica, h = 1 anno e α = 0.99 per un portafoglio di n = 1000 prestiti nel modello del valore dell’impresa con probabilità di default PD = 0.01 e asset correlation ρ = 0.12 Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 45 / 56 4. SIMULAZIONE NUMERICA VaR e ES per contratto in un portafoglio di n = 1000 prestiti 0.14 0.13 0.12 0.11 0.1 0.09 ES 0.08 0.07 0.06 VaR 0.05 0.04 0.99 0.991 0.992 0.993 0.994 0.995 α 0.996 0.997 0.998 0.999 VaR e ES a 1 anno in un portafoglio di n = 1000 prestiti con probabilità di default PD = 0.01 e asset correlation ρ = 0.12. Simulazione numerica con S = 100000 Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 1 46 / 56 5. TEORIA DELLA GRANULARITÀ Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 47 / 56 5. TEORIA DELLA GRANULARITÀ Permette di derivare delle approssimazioni in forma chiusa delle misure del rischio di grandi portafogli Precisione all’ordine O(1/n), dove n è il numero di contratti nel portafoglio Alternativa alla simulazione numerica Intuizione: la Legge dei Grandi Numeri e il Teorema del Limite Centrale (TLC) possono essere applicati a Wn /n = 1 1 yi = c(F, ui ) n n n n i=1 i=1 condizionatamente al valore del fattore F ! Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 48 / 56 5. TEORIA DELLA GRANULARITÀ Applicando il TLC condizionatamente a F, per grandi n abbiamo X Wn /n = m(F) + σ(F) √ + O(1/n) n dove m(F) = E[yi |F] è il rischio atteso condizionale individuale σ 2 (F) = V[yi |F] è la volatilità condizionale individuale X è una v.a. normale standard e indipendente da F Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 49 / 56 5. TEORIA DELLA GRANULARITÀ Un portafoglio di dimensione infinita n = ∞ non è privo di rischio, poichè i rischi sistematici non sono diversificabili! Infatti, per n = ∞ abbiamo: Wn /n = m(F) stocastico Deduciamo che la misura del rischio VaR∞ (α) per un portafoglio infinitamente granulare è il quantile associato alla componente sistematica m(F): P[m(F) ≥ VaR∞ (α)] = 1 − α [Vasicek (1991)] Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 50 / 56 5. TEORIA DELLA GRANULARITÀ Il risultato principale della teoria della granularità applicata alle misure del rischio fornisce il termine di primo ordine nell’espansione di VaRn (α) rispetto a n in un intorno di n = ∞ Teorema 4: Vale 1 VaRn (α) = VaR∞ (α) + GA(α) + o(1/n) n dove GA(α) = d log g∞ (w) E[σ 2 (F)|m(F) = w] dw d 2 E[σ (F)|m(F) = w] + dw w = VaR∞ (α) 1 − 2 e g∞ è la densità di probabilità di m(F) Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 51 / 56 5. TEORIA DELLA GRANULARITÀ Esempio 2: Modello lineare a 1 fattore (cont.) Abbiamo: m(F) = F, σ 2 (F) = σ 2 (costante) e quindi g∞ (F) = 1 φ η F−μ η Dal Teorema 4 si ottiene l’espansione VaRn (α) = VaR∞ (α) + 1n GA(α) con VaR∞ (α) = μ + ηΦ−1 (α), GA(α) = σ 2 −1 Φ (α) 2η che corrisponde all’espansione di Taylor all’ordine 1/n della formula (3) Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 52 / 56 5. TEORIA DELLA GRANULARITÀ Esempio 2: Il modello del valore dell’impresa (cont.) 1 n GA(0.99) V aR∞ (0.99) 1 0.03 PD=0.5% PD=1% PD=5% PD=20% 0.9 0.025 0.8 0.7 0.02 0.6 0.015 0.5 0.4 0.01 0.3 0.2 0.005 0.1 0 0 0.2 Patrick Gagliardini (USI e SFI) 0.4 ρ 0.6 0.8 1 0 0 Metodi matematici per il rischio di credito 0.2 0.4 ρ 0.6 0.8 20 ottobre 2010 1 53 / 56 5. TEORIA DELLA GRANULARITÀ V aR∞ (0.99) −3 1 20 0.9 18 0.8 16 0.7 14 0.6 12 1 n GA(0.99) 10 0.5 8 0.4 6 0.3 ρ=0.05 ρ=0.12 ρ=0.24 ρ=0.50 0.2 0.1 0 0 x 10 0.2 Patrick Gagliardini (USI e SFI) 0.4 PD 0.6 0.8 4 2 0 1 0 Metodi matematici per il rischio di credito 0.2 0.4 PD 0.6 0.8 20 ottobre 2010 1 54 / 56 Riferimenti bibliografici Basel Committee on Banking Supervision (2001): ”The New Basel Capital Accord”, Consultative Document of the Bank for International Settlements, April 2001, Part 2: Pillar 1. Basel Committee on Banking Supervision (2003): ”The New Basel Capital Accord”, Consultative Document of the Bank for International Settlements, April 2003, Part 3: The Second Pillar. Buhlmann, H. (1967): ”Experience Rating and Credibility”, ASTIN Bulletin, 4, 199-207. Chamberlain, G., e M., Rothschild (1983): ”Arbitrage, Factor Structure and Mean-Variance Analysis in Large Markets”, Econometrica, 51, 1281-1304. Gagliardini, P., e C., Gouri éroux (2010): ”Granularity Theory”, CREST, DP. Gagliardini, P., Gouri éroux, C., e A., Monfort (2010): ”Micro-information, Nonlinear Filtering and Granularity”, CREST, DP. Gordy, M. (2003): ”A Risk-Factor Model Foundation for Rating-Based Bank Capital Rules”, Journal of Financial Intermediation, 12, 199-232. Gordy, M. (2004): ”Granularity Adjustment in Portfolio Credit Risk Measurement”, in Risk Measures for the 21.st Century, ed. G. Szego, Wiley, 109-121. Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 55 / 56 Riferimenti bibliografici Gourieroux, C., e J., Jasiak (2001): Financial Econometrics: Problems, Models and Methods, Princeton Series in Finance, Princeton University Press. McNeil, A., Frey, R., e P., Embrechts (2005): Quantitative Risk Management: Concepts, Techniques, Tools, Princeton Series in Finance, Princeton University Press. Merton, R. (1974): ”On the Pricing of Corporate Debt: The Risk Structure of Interest Rates”, Journal of Finance, 29, 449-470. Vasicek, O. (1991): ”Limiting Loan Loss Probability Distribution”, KMV Corporation, DP. Patrick Gagliardini (USI e SFI) Metodi matematici per il rischio di credito 20 ottobre 2010 56 / 56