Stefano Hajek Università di Perugia Contesto: ISVAP 577 Parte IV art. 16.1: “Per ciascuna delle fonti di rischio identificate dall’impresa come maggiormente significative sulla base dei processi di cui all’art. 15, l’impresa stessa è tenuta ad effettuare analisi prospettiche quantitative attraverso l’uso di stress test, per valutare l’impatto sulla sua situazione finanziaria di andamenti sfavorevoli dei fattori di rischio, singolarmente considerati o combinati in un unico scenario.” Scenario Analysis WORKFLOW Scenario Analysis OUTPUT Distribuzione Patrimonio Netto 120 100 120000 100000 60 Premi 80000 40 20 Solvency Margin 60000 Premi VS Patrimonio Netto 40000 20000 0 0 -2934,781201 1647,765535 6230,312271 10812,85901 15395,40574 19977,95248 24560,49922 29143,04595 33725,59269 38308,13942 42890,68616 47473,2329 52055,77963 56638,32637 61220,8731 65803,41984 Scenari 80 Patrimonio Netto 0 50000 100000 Patrimonio Netto 150000 TOOLS Interest rates Interest rates modeling Volatility Stima della volatilità Distribution Fitting Distribution (frequency & severity) fitting Hedging Fund rebalancing (Dynamic ALM) INTEREST RATES • “2.17 The observed data showed that in general higher interest rates were associated with higher absolute changes in interest rates. The log-normal model exhibits this property and the calibration of the lognormal model appeared more robust than the normal model. • 2.18 The log-normal model treats proportionate changes in interest rates as a log-normal process, so it has been assumed that the distribution of the n-year spot rate in 12 months is given by: R12(n) = R0(n)× eX , where x is distributed N(mn, sn2)” – CEIOPS, QIS3 calibration paper, April 2007 INTEREST RATES IN - Vettore Term Structure - Vettore Maturities - Vettore volatilità stimate OUT - Matrice Forward Rates INTEREST RATES Processo lognormale per i tassi d’interesse con drift log r(t,T) e varianza (ampiezza della perturbazione stocastica nell’intorno di log r(t, T)) log r ' ti , T log r ti , T W ti ti 1 r ' ti , T r ti , T e W ti ti1 e 0 ,t T r Drift determinato secondo il principio di non arbitraggio t T rt ,T t r v2 r v1 r v r v1 (v v1 ) v2 v1 e 0 ,t e t ,t T r0,t T t T r0,t t r t r T T Interpolazione lineare delle rilevazioni storiche mancanti INTEREST RATES (HJM) dpt, T r t pt, T dt vt, T , pt, T dzt 2 vt , T , d ln pt , T r t vt , T , dz t 2 f t , T1T2 ln pt , T1 ln p t , T2 T2 T1 df t , T1T2 d Processo per i tassi d’interesse Applicando il lemma di Ito Imponendo la condizione di non arbitraggio ln pt , T1 ln pt , T2 T2 T1 vt , T2 , 2 vt , T1 , 2 vt , T1 , vt , T2 , df t , T1 , T2 dt dz t T2 T1 2T2 T1 Sostituendo d ln[p(t,T)] Fi 1, j Fi , j mi , j t si , j t mi , j si , j v 2 i , j 1 v 2 i , j 2t vi , j 1 vi , j Passando alla rappresentazione in tempo discreto t vi ,i 0 mi , j 1 2 t si , j 2 VOLATILITY OUT IN - Vettore volatilità attese - Parametri modello - Statistiche accessorie Vettore tassi di variazione storici Variance Equation C ARCH(1) GARCH(1) S.E. of regression Sum squared resid Log likelihood 0.0000 0.0772 0.9046 0.0083 0.1791 9028.2809 0.0000 0.0179 0.0196 Akaike info criterion Schwarz criterion Durbin-Watson stat 3.1210 4.3046 46.1474 0.0018 0.0000 0.0000 -6.9186 -6.9118 1.8413 VOLATILITY (GARCH) Il modello GARCH è sensibile alle più recenti dinamiche del tasso di variazione della serie storica su cui viene calibrato in quanto, ad ogni istante, incorpora un fattore correttivo della stima effettuata all’istante precedente: in pratica se il modello, ad esempio, tendesse mediamente a sovrastimare il dato, il termine correttivo risulterebbe pesato in modo tale da compensare tale sovrastima 2 2 2 n1 1 un1 Si dimostra semplicemente che tale formulazione equivale all’assunzione di una media mobile i cui termini sono pesati in misura esponenzialmente decrescente man mano che ci si allontana dal valore più recente: 2 2n2 1 u 2n2 1 u 2n1 La stima dei 2 2n2 1 u 2n2 u 2n1 n 1 u 2 n 2 0 i 1 2 n i i 1 Aggiungendo il termine di volatilità per il medio periodo: 2 2 v n1 un1 2 parametri è basata sul metodo iterativo di Newton y y 0 m 0 m f ' 0 y0 y 0 f ' 0 0 0 y0 f ' 0 Distribution Fitting (EVT) IN - Vettore frequenze osservate OUT - Scalare parametri distribuzione - Scalare test KolmogorovSmirnov - Vettore Hill Plotting Distribution Fitting (EVT) • Le distribuzioni di probabilità di impatto e frequenza vengono ricondotte alle loro presunte forme archetipe, e per ciascuna forma vengono stimati i parametri per i quali la distribuzione meglio approssima i dati osservati. Si suppoga ad esempio di dover stimare i parametri di una Pareto Generalizzata con funzione di densità Per k≠0 Distribution Fitting (EVT) Consideriamo i momenti teorici della distribuzione: Integriamo per sostituzione Risolvendo rispetto ad e k: Black & Scholes HEDGING Offrire un minimo garantito ad un cliente equivale a vendergli una floor option e comporta per la compagnia la necessità di effettuare una copertura mediante la creazione di un portafoglio di replica; il valore di tale portafoglio è fornito dalle formule di Black & Scholes assieme alle quote di immunizzazione (da investire cioè in attività non rischiose) Black & Scholes HEDGING IN OUT - Scalare time horizon - Scalare minimo garantito - Scalare valore sottostante - Scalare interest rates - Scalare volatilità attesa - Scalare timestep - Scalare investment weight 100% 80% Risk-Free 60% Risk 40% 20% 0% 1 2 3 4 5 6 7 8 9 10 11 12 Black & Scholes HEDGING Si consideri il prezzo di un’opzione secondo il modello Black & Scholes Si calcoli il valore di un portafoglio costituito da un’opzione put ed un titolo sottostante Tale valore corrisponde a quello di un portafoglio con azioni per un valore di ed obbligazioni per un valore di