Value at Risk Sandra Radl 24.01.2018 Sandra Radl Value at Risk 24.01.2018 1 / 31
Value at Risk
Sandra Radl
24.01.2018
Sandra Radl Value at Risk 24.01.2018 1 / 31
Inhaltsverzeichnis
1 DefinitionZeithorizont
2 BerechnungsmethodenHistorische SimulationModellbildungsansatz
Lineares ModellQuadratisches ModellMonte-Carlo-Simulation
Zusammenfassen von Marktvariablen
3 Stress Testing und Back Testing
4 Kritik
Sandra Radl Value at Risk 24.01.2018 2 / 31
Definition
Definition
Risikomaß fur das Gesamtrisiko eines Portfolios vonFinanzinstrumenten
”In den nachsten N Tagen werden wir zu x% nicht mehr als V Euro
verlieren.”
abhangig vom Zeithorizont N und Konfidenzniveau x
(100− x)% -Quantil der Verteilung der Portfoliowertanderung in dennachsten N Tagen
Sandra Radl Value at Risk 24.01.2018 3 / 31
Definition
Veranschaulichung
Abbildung: Value at Risk bei normalverteilter Portfoliowertanderung
Sandra Radl Value at Risk 24.01.2018 4 / 31
Definition Zeithorizont
Zeithorizont
Praxis: nur Eintages-VaR wird berechnet
N − TagesVaR = Eintages − VaR ∗√N
”Wurzel-Zeit-Formel”,
”Sqaure root of time”Regel
exakt, falls Wertanderungen des Portfolios von aufeinander folgendenTagen unabhangig voneinander und identisch verteilt
Sandra Radl Value at Risk 24.01.2018 5 / 31
Berechnungsmethoden Historische Simulation
Historische Simulation
Verwendung von historischen Daten, um einen Richtwert fur die zukuftigenVeranderungen zu berechnen
Vorgehensweise (x=5, N=1, Marktdaten der letzten 501 Tage):
Identifizierung der beeinflussenden Marktvariable(n) (z.B.Aktienkurse, Wechselkurse, Zinssatze)
Untersuchung der Veranderungen der beeinflussenden Variablen inden vergangenen 501 Tagen⇒ 500 mogliche Szenarien fur die Entwicklung der Marktvariablenvon heute auf morgen (1. Szenario: Prozentuelle Anderung derMarktvariablen von heute auf morgen entspricht prozentuellerVeranderung der Marktvariablen von Tag 0 auf Tag 1)
Sandra Radl Value at Risk 24.01.2018 6 / 31
Berechnungsmethoden Historische Simulation
Historische Simulation
Verwendung von historischen Daten, um einen Richtwert fur die zukuftigenVeranderungen zu berechnen
Vorgehensweise (x=5, N=1, Marktdaten der letzten 501 Tage):
Identifizierung der beeinflussenden Marktvariable(n) (z.B.Aktienkurse, Wechselkurse, Zinssatze)
Untersuchung der Veranderungen der beeinflussenden Variablen inden vergangenen 501 Tagen⇒ 500 mogliche Szenarien fur die Entwicklung der Marktvariablenvon heute auf morgen (1. Szenario: Prozentuelle Anderung derMarktvariablen von heute auf morgen entspricht prozentuellerVeranderung der Marktvariablen von Tag 0 auf Tag 1)
Sandra Radl Value at Risk 24.01.2018 6 / 31
Berechnungsmethoden Historische Simulation
Historische Simulation
Berechnung der Portfoliowertanderung fur jedes Szenario⇒ Wahrscheinlcihkeitsverteilung fur tagliche Portfoliowertanderung
gewunschtes Quantil bestimmenBei 500 Szenarien:95 % Quantil → 25-schlechtester Wert99 % Quantil → 5-schlechtester Wert
Vorausgesetzt, die Wertanderungen der letzten 501 Tage sind ein gutesIndiz fur die Wertanderung von heute auf morgen, kann man so den VaRbestimmen.
Sandra Radl Value at Risk 24.01.2018 7 / 31
Berechnungsmethoden Historische Simulation
Historische Simulation
Berechnung der Portfoliowertanderung fur jedes Szenario⇒ Wahrscheinlcihkeitsverteilung fur tagliche Portfoliowertanderung
gewunschtes Quantil bestimmenBei 500 Szenarien:95 % Quantil → 25-schlechtester Wert99 % Quantil → 5-schlechtester Wert
Vorausgesetzt, die Wertanderungen der letzten 501 Tage sind ein gutesIndiz fur die Wertanderung von heute auf morgen, kann man so den VaRbestimmen.
Sandra Radl Value at Risk 24.01.2018 7 / 31
Berechnungsmethoden Historische Simulation
Historische Simulation
Berechnung der Portfoliowertanderung fur jedes Szenario⇒ Wahrscheinlcihkeitsverteilung fur tagliche Portfoliowertanderung
gewunschtes Quantil bestimmenBei 500 Szenarien:95 % Quantil → 25-schlechtester Wert99 % Quantil → 5-schlechtester Wert
Vorausgesetzt, die Wertanderungen der letzten 501 Tage sind ein gutesIndiz fur die Wertanderung von heute auf morgen, kann man so den VaRbestimmen.
Sandra Radl Value at Risk 24.01.2018 7 / 31
Berechnungsmethoden Historische Simulation
Historische Simulation - Beispiel
Identifizierung der beeinflussenden Marktvariablen
Marktvariablen werden jeden Tag zu bestimmtem Zeitpunkt (meistHandelsschluss) beobachtet
Tag Marktvariable 1 Marktvariable 2 . . . Marktvariable N
0 15,66 1,03 . . . 90,51
1 15,85 1,07 . . . 94,02
2 16,12 1,04 . . . 93,58
3 15,93 1,09 . . . 93,27...
......
......
498 17,75 1,45 . . . 89,73
499 17,98 1,51 . . . 90,01
500 18,32 1,48 . . . 89,76
Tabelle: Historische Daten der letzten 501 Tage
Sandra Radl Value at Risk 24.01.2018 8 / 31
Berechnungsmethoden Historische Simulation
Historische Simulation - Beispiel
Untersuchung der Veranderungen der beeinflussenden Variablen in denvergangenen 501 Tagen
Berechnung der Portfoliowertanderung fur jedes Szenario
i-tes Szenario: v(n,501) = v(n,500) ∗v(n,i)
v(n,i−1)
Szenario Markt- Markt- . . . Markt- Portfolio- Wert-variable 1 variable 2 variable N wert anderung
in Mio. e in Mio. e1 18,54 1,53 . . . 93,24 36,61 -13,712 18,63 1,44 . . . 89,34 55,72 +5,403 18,10 1,55 . . . 89,46 50,64 +0,32...
......
......
......
499 18,55 1,54 . . . 90,04 54,45 +4,14500 18,66 1,45 . . . 89,51 55,67 + 5,35
Tabelle: Szenarien fur die Marktwerte bzw. Portfoliowerte am Tag 501
Sandra Radl Value at Risk 24.01.2018 9 / 31
Berechnungsmethoden Historische Simulation
Historische Simulation - Beispiel
Untersuchung der Veranderungen der beeinflussenden Variablen in denvergangenen 501 Tagen
Berechnung der Portfoliowertanderung fur jedes Szenario
i-tes Szenario: v(n,501) = v(n,500) ∗v(n,i)
v(n,i−1)
Szenario Markt- Markt- . . . Markt- Portfolio- Wert-variable 1 variable 2 variable N wert anderung
in Mio. e in Mio. e1 18,54 1,53 . . . 93,24 36,61 -13,712 18,63 1,44 . . . 89,34 55,72 +5,403 18,10 1,55 . . . 89,46 50,64 +0,32...
......
......
......
499 18,55 1,54 . . . 90,04 54,45 +4,14500 18,66 1,45 . . . 89,51 55,67 + 5,35
Tabelle: Szenarien fur die Marktwerte bzw. Portfoliowerte am Tag 501
Sandra Radl Value at Risk 24.01.2018 9 / 31
Berechnungsmethoden Historische Simulation
Historische Simulation - Beispiel
gewunschtes Quantil bestimmen
Angenommen x=5% → 25-schlechtesten Wert der letzten Spalte(Wertanderung) wahlen
Berechnung des Value at Risks an Tag 501: Daten der Tage 1 bis 501verwenden
Sandra Radl Value at Risk 24.01.2018 10 / 31
Berechnungsmethoden Historische Simulation
Historische Simulation - Beispiel
gewunschtes Quantil bestimmen
Angenommen x=5% → 25-schlechtesten Wert der letzten Spalte(Wertanderung) wahlen
Berechnung des Value at Risks an Tag 501: Daten der Tage 1 bis 501verwenden
Sandra Radl Value at Risk 24.01.2018 10 / 31
Berechnungsmethoden Modellbildungsansatz
Volatilitat σ
Maß fur die Unsicherheit der zukunftigen Wertanderungen des Assets
je hoher σ, desto wahrscheinlicher ist es, dass das Asset stark an Wertverliert oder gewinnt
Standardabweichung der prozentualen Anderung des Assetpreises
ublicherweise wird Volatilitat pro Jahr angegeben, Zeithorizont beiVaR-Berechnung wird aber in Tagen gemessen
σTag =σJahr√
252
Sandra Radl Value at Risk 24.01.2018 11 / 31
Berechnungsmethoden Modellbildungsansatz
Volatilitat σ
Maß fur die Unsicherheit der zukunftigen Wertanderungen des Assets
je hoher σ, desto wahrscheinlicher ist es, dass das Asset stark an Wertverliert oder gewinnt
Standardabweichung der prozentualen Anderung des Assetpreises
ublicherweise wird Volatilitat pro Jahr angegeben, Zeithorizont beiVaR-Berechnung wird aber in Tagen gemessen
σTag =σJahr√
252
Sandra Radl Value at Risk 24.01.2018 11 / 31
Berechnungsmethoden Modellbildungsansatz
Lineares Modell - Beispiel (Ein-Asset-Fall)
Portfolio bestehend aus einer einzelnen Position in einer einzelnenAktie (Erste Group Bank Aktie, 10 Mio. e)
5-Tages-VaR zu einem Konifidezniveau von 99 %
σJahr = 22, 11%
σTag =σJahr√
252=
0, 2211√252
= 0, 01392799 = 1, 39%
⇒ Standardabweichung der taglichen Portfoliowertanderung betragt1,39 Prozent von 10 Mio. e(139.280 e)
Sandra Radl Value at Risk 24.01.2018 12 / 31
Berechnungsmethoden Modellbildungsansatz
Lineares Modell - Beispiel (Ein-Asset-Fall)
Annahmen: erwartete Wertanderung betragt 0, Wertanderungnormalverteilt
N(−2, 33) = 0, 01 ⇒ Wert der Erste Bank Aktie sinkt innerhalb einesTages zu 99% nicht um mehr als das 2,33-fache derStandardabweichung
⇒ Eintages-VaR:
2, 33 ∗ 139.280 = 324.522, 22Euro
⇒
5− TagesVaR = Eintages − VaR ∗√
5 = 324.522, 22 ∗√
5 = 725.653, 67
Sandra Radl Value at Risk 24.01.2018 13 / 31
Berechnungsmethoden Modellbildungsansatz
Lineares Modell - Beispiel (Ein-Asset-Fall)
Annahmen: erwartete Wertanderung betragt 0, Wertanderungnormalverteilt
N(−2, 33) = 0, 01 ⇒ Wert der Erste Bank Aktie sinkt innerhalb einesTages zu 99% nicht um mehr als das 2,33-fache derStandardabweichung
⇒ Eintages-VaR:
2, 33 ∗ 139.280 = 324.522, 22Euro
⇒
5− TagesVaR = Eintages − VaR ∗√
5 = 324.522, 22 ∗√
5 = 725.653, 67
Sandra Radl Value at Risk 24.01.2018 13 / 31
Berechnungsmethoden Modellbildungsansatz
Lineares Modell - Beispiel (Zwei-Asset-Fall)
Portfolio bestehend aus 10 Mio. Euro in Erste Group Bank Aktien(σTag = 1, 39%) und 5 Mio. Euro in RBI Aktien (σTag = 1, 87%)
Wertanderungen zweidimensional normalverteilt
Korrelationskoeffizient ρ = 0, 4
σX+Y =√σ2X + σ2
Y + 2ρσXσY
σE = 139.280 σR = 93.577
σE+R =√σ2E + σ2
R + 2ρσEσR
=√
139.2802 + 93.5772 + 2 ∗ 0, 4 ∗ 139.280 ∗ 93.577
= 196.423, 77
Sandra Radl Value at Risk 24.01.2018 14 / 31
Berechnungsmethoden Modellbildungsansatz
Lineares Modell - Beispiel (Zwei-Asset-Fall)
Portfolio bestehend aus 10 Mio. Euro in Erste Group Bank Aktien(σTag = 1, 39%) und 5 Mio. Euro in RBI Aktien (σTag = 1, 87%)
Wertanderungen zweidimensional normalverteilt
Korrelationskoeffizient ρ = 0, 4
σX+Y =√σ2X + σ2
Y + 2ρσXσY
σE = 139.280 σR = 93.577
σE+R =√σ2E + σ2
R + 2ρσEσR
=√
139.2802 + 93.5772 + 2 ∗ 0, 4 ∗ 139.280 ∗ 93.577
= 196.423, 77
Sandra Radl Value at Risk 24.01.2018 14 / 31
Berechnungsmethoden Modellbildungsansatz
Lineares Modell - Beispiel (Zwei-Asset-Fall)
⇒ Der 5-Tages-Value at Risk zu einem Konfidenzniveau von 99 % betragt
2, 33 ∗ 196.423, 77 ∗√
5 = 1.023.375, 37Euro
Sandra Radl Value at Risk 24.01.2018 15 / 31
Berechnungsmethoden Modellbildungsansatz
Diversifikationseffekt
5-Tages-VaR eines Portfolios von 10 Mio. Euro in Erste Group BankAktien zu einem Konfidenzniveau von 99 %: 725.653,67 e
5-Tages-VaR eines Portfolios von 5 Mio. Euro in RBI Aktien zu einemKonfidenzniveau von 99 %: 487.543,41 e
5-Tages-Value at Risk eines Portfolios von 10 Mio. Euro in ErsteGroup Bank Aktien und 5 Mio. Euro in RBI Aktien zu einemKonfidenzniveau von 99 %: 1.023.375,37 e
⇒ monetarer Nutzen der Diversifikation:
(725.653, 67 + 487.543, 41)− 1.023.375, 37 = 189.821, 71Euro
Sandra Radl Value at Risk 24.01.2018 16 / 31
Berechnungsmethoden Modellbildungsansatz
Diversifikationseffekt
ρ = 1 ⇒ keine Diversifikation
je naher ρ bei -1 liegt, desto starker ist der Effekt der Diversifikation
Risiko wird minimiert, Rendite bleibt gleich ⇒ hohere Rendite proEinheit an eingegangenem Risiko
Harry Markowitz (”Portfolio Selection” 1992, Wirtschaftsnobelpreis
1990)
Sandra Radl Value at Risk 24.01.2018 17 / 31
Berechnungsmethoden Modellbildungsansatz
Diversifikationseffekt
ρ = 1 ⇒ keine Diversifikation
je naher ρ bei -1 liegt, desto starker ist der Effekt der Diversifikation
Risiko wird minimiert, Rendite bleibt gleich ⇒ hohere Rendite proEinheit an eingegangenem Risiko
Harry Markowitz (”Portfolio Selection” 1992, Wirtschaftsnobelpreis
1990)
Sandra Radl Value at Risk 24.01.2018 17 / 31
Berechnungsmethoden Modellbildungsansatz
Diversifikationseffekt
ρ = 1 ⇒ keine Diversifikation
je naher ρ bei -1 liegt, desto starker ist der Effekt der Diversifikation
Risiko wird minimiert, Rendite bleibt gleich ⇒ hohere Rendite proEinheit an eingegangenem Risiko
Harry Markowitz (”Portfolio Selection” 1992, Wirtschaftsnobelpreis
1990)
Sandra Radl Value at Risk 24.01.2018 17 / 31
Berechnungsmethoden Modellbildungsansatz
Allgemeine Formulierung des linearen Modells
P...Wert des Portfolio, bestehend aus n Assets
in Asset i (1 < i < n) wurde der Betrag αi angelegt
∆xi ...Rendite des i-ten Assets an einem Tag
∆P =n∑
i=1
αi∆xi
Annahme: ∆xi mehrdimensional normalverteilt mit Erwartungswertnull⇒ ∆P normalverteilt mit Erwartungswert null
σi ...tagliche Volatilitat des i-ten Assets (Standardabweichung von∆xi )
ρij ...Korrelationskoeffizient zwischen den Renditen von Asset i undAsset j
Sandra Radl Value at Risk 24.01.2018 18 / 31
Berechnungsmethoden Modellbildungsansatz
Allgemeine Formulierung des linearen Modells
σ2P =
n∑i=1
n∑j=1
ρijαiαjσiσj
σ2P =
n∑i=1
α2i σ
2i + 2
n∑i=1
∑j<i
ρijαiαjσiσj
Sandra Radl Value at Risk 24.01.2018 19 / 31
Berechnungsmethoden Modellbildungsansatz
Anwendung des linearen Modells
am Besten geeignet fur Portfolios, welche ausschließlich Aktien,Anleihen, Wahrungen und Rohstoffe beinhalten (Anderung desPortfoliowertes hangt linear von der prozentualen Anderung derAssets abhangt)
Forward-Kontrakt zum Kauf einer Wahrung mit Laufzeit T:
Forward Kontrakt...Vereinbarung, ein gewisses Gut zu einembestimmten Zeitpunkt und einem im Vorhinein vereinbarten Kurs zukaufen beziehungsweise zu verkaufen
Kann als Austausch von eines Zerobonds mit Laufzeit T inFremdwahrung gegen einen Zerobond mit Laufzeit T in inlandischerWahrung betrachtet werden (also Long-Position in einerFremdwahrungsanleihe + Short-Position in einer inlandischen Anleihe)
Sandra Radl Value at Risk 24.01.2018 20 / 31
Berechnungsmethoden Modellbildungsansatz
Anwendung des linearen Modells
am Besten geeignet fur Portfolios, welche ausschließlich Aktien,Anleihen, Wahrungen und Rohstoffe beinhalten (Anderung desPortfoliowertes hangt linear von der prozentualen Anderung derAssets abhangt)
Forward-Kontrakt zum Kauf einer Wahrung mit Laufzeit T:
Forward Kontrakt...Vereinbarung, ein gewisses Gut zu einembestimmten Zeitpunkt und einem im Vorhinein vereinbarten Kurs zukaufen beziehungsweise zu verkaufen
Kann als Austausch von eines Zerobonds mit Laufzeit T inFremdwahrung gegen einen Zerobond mit Laufzeit T in inlandischerWahrung betrachtet werden (also Long-Position in einerFremdwahrungsanleihe + Short-Position in einer inlandischen Anleihe)
Sandra Radl Value at Risk 24.01.2018 20 / 31
Berechnungsmethoden Modellbildungsansatz
Optionen im linearen Modell
Delta...Sensitivitat des Portfoliowerts gegenuber derAktienpreisanderung
δ : =∆P
∆S∆P = δ ∗∆S
∆x : =∆S
S∆P = S ∗ δ ∗∆x
∆P =n∑
i=1
Si ∗ δi ∗∆xi
αi : = Si ∗ δi
∆P =n∑
i=1
αi ∗∆xi
⇒ kann auf allgemeine Formulierung zuruckgefuhrt werden
Sandra Radl Value at Risk 24.01.2018 21 / 31
Berechnungsmethoden Modellbildungsansatz
quadratisches Modell
lineares Modell liefert im Falle eines Portfolios mit Optionen nur eineApproximation des Value at Risks, da das Gamma der Option(Sensitivitat des Portfolio-Deltas gegenuber dem Assetpreis) nichtberucksichtigt wirdγ beeinflusst Portfoliowert-Wahrscheinlichkeitsverteilung:
Abbildung: Portfoliowert-Wahrscheinlichkeitsverteilung fur (a) positivesGamma (b) negatives Gamma
geht man bei positivem (negativen) Gamma dennoch vonNormalverteilung aus, so ist berechneter VaR ist tendenziell zu hoch(niedrig)
Sandra Radl Value at Risk 24.01.2018 22 / 31
Berechnungsmethoden Modellbildungsansatz
Rechtsschiefheit der Wahrscheinlichkeitsverteilung beipositivem Gamma
Zusammenhang zwischen dem Wert einer Longposition in einer Kaufoption(positives Gamma) und dem zugrundeliegenden, normalverteiltenUnderlying
Abbildung: Wahrscheinlichkeitsverteilung eines Long Calls bei normalverteiltemUnderlying
Sandra Radl Value at Risk 24.01.2018 23 / 31
Berechnungsmethoden Modellbildungsansatz
quadratisches Modell
neben Delta wird auch Gamma berucksichtigt
∆P = δ ∗∆S +1
2∗ γ ∗ (∆S)2
∆x : =∆S
S
∆P = S ∗ δ ∗∆x +1
2∗ S2 ∗ γ ∗ (∆x)2
hangt Portfolio von n Marktvariablen ab, wobei jedes Asset desPortfolios nur von einer Markvariable abhangt, folgt daraus
∆P =n∑
i=1
Si ∗ δi ∗∆xi +n∑
i=1
1
2∗ S2
i ∗ γi ∗ (∆xi )2
Sandra Radl Value at Risk 24.01.2018 24 / 31
Berechnungsmethoden Modellbildungsansatz
quadratisches Modell
neben Delta wird auch Gamma berucksichtigt
∆P = δ ∗∆S +1
2∗ γ ∗ (∆S)2
∆x : =∆S
S
∆P = S ∗ δ ∗∆x +1
2∗ S2 ∗ γ ∗ (∆x)2
hangt Portfolio von n Marktvariablen ab, wobei jedes Asset desPortfolios nur von einer Markvariable abhangt, folgt daraus
∆P =n∑
i=1
Si ∗ δi ∗∆xi +n∑
i=1
1
2∗ S2
i ∗ γi ∗ (∆xi )2
Sandra Radl Value at Risk 24.01.2018 24 / 31
Berechnungsmethoden Modellbildungsansatz
quadratisches Modell
kann ein Asset des Portfolios auch von mehreren Marktvariablenabhangen, so gilt die allgemeinere Formel
∆P =n∑
i=1
Si ∗ δi ∗∆xi +n∑
i=1
n∑i=1
1
2∗ Si ∗ Sj ∗ γij ∗∆xi ∗∆xj
wobei
γij =∂2P
∂Si∂Sj
fur das so genannte”Cross − Gamma” steht
kann zur Berechnung der Momente von ∆P benutzt werden
mittels Cornish-Fisher-Entwicklung kann uber Momente das Quantilberechnet werden
Sandra Radl Value at Risk 24.01.2018 25 / 31
Berechnungsmethoden Modellbildungsansatz
quadratisches Modell
kann ein Asset des Portfolios auch von mehreren Marktvariablenabhangen, so gilt die allgemeinere Formel
∆P =n∑
i=1
Si ∗ δi ∗∆xi +n∑
i=1
n∑i=1
1
2∗ Si ∗ Sj ∗ γij ∗∆xi ∗∆xj
wobei
γij =∂2P
∂Si∂Sj
fur das so genannte”Cross − Gamma” steht
kann zur Berechnung der Momente von ∆P benutzt werden
mittels Cornish-Fisher-Entwicklung kann uber Momente das Quantilberechnet werden
Sandra Radl Value at Risk 24.01.2018 25 / 31
Berechnungsmethoden Modellbildungsansatz
Monte-Carlo-Simulation
1 Portfolio wird unter Verwendung der gegenwartigen Werte derMarktvariablen bewertet
2 Ziehung eines Zufallsergebnisses aus der mehrdimensionalenNormalverteilung der ∆xi
3 gezogenen Zufallswerte werden zur Bestimmung allerMarktvariablenwerte benutzt
4 Portfolio wird auf Grundlage dieser Marktvariablen neu bewertet
5 Differenz des Portfoliowerts im ersten Schritt und im vierten Schrittergibt moglichen Wert fur ∆P
6 Die Schritte 2 bis 5 werden mehrfach wiederholt⇒ Wahrscheinlichkeitsverteilung von ∆P wird erzeugt
Nachteil: sehr aufwandig
Sandra Radl Value at Risk 24.01.2018 26 / 31
Berechnungsmethoden Modellbildungsansatz
Monte-Carlo-Simulation
1 Portfolio wird unter Verwendung der gegenwartigen Werte derMarktvariablen bewertet
2 Ziehung eines Zufallsergebnisses aus der mehrdimensionalenNormalverteilung der ∆xi
3 gezogenen Zufallswerte werden zur Bestimmung allerMarktvariablenwerte benutzt
4 Portfolio wird auf Grundlage dieser Marktvariablen neu bewertet
5 Differenz des Portfoliowerts im ersten Schritt und im vierten Schrittergibt moglichen Wert fur ∆P
6 Die Schritte 2 bis 5 werden mehrfach wiederholt⇒ Wahrscheinlichkeitsverteilung von ∆P wird erzeugt
Nachteil: sehr aufwandig
Sandra Radl Value at Risk 24.01.2018 26 / 31
Berechnungsmethoden Modellbildungsansatz
Monte-Carlo-Simulation
1 Portfolio wird unter Verwendung der gegenwartigen Werte derMarktvariablen bewertet
2 Ziehung eines Zufallsergebnisses aus der mehrdimensionalenNormalverteilung der ∆xi
3 gezogenen Zufallswerte werden zur Bestimmung allerMarktvariablenwerte benutzt
4 Portfolio wird auf Grundlage dieser Marktvariablen neu bewertet
5 Differenz des Portfoliowerts im ersten Schritt und im vierten Schrittergibt moglichen Wert fur ∆P
6 Die Schritte 2 bis 5 werden mehrfach wiederholt⇒ Wahrscheinlichkeitsverteilung von ∆P wird erzeugt
Nachteil: sehr aufwandig
Sandra Radl Value at Risk 24.01.2018 26 / 31
Berechnungsmethoden Modellbildungsansatz
Monte-Carlo-Simulation
1 Portfolio wird unter Verwendung der gegenwartigen Werte derMarktvariablen bewertet
2 Ziehung eines Zufallsergebnisses aus der mehrdimensionalenNormalverteilung der ∆xi
3 gezogenen Zufallswerte werden zur Bestimmung allerMarktvariablenwerte benutzt
4 Portfolio wird auf Grundlage dieser Marktvariablen neu bewertet
5 Differenz des Portfoliowerts im ersten Schritt und im vierten Schrittergibt moglichen Wert fur ∆P
6 Die Schritte 2 bis 5 werden mehrfach wiederholt⇒ Wahrscheinlichkeitsverteilung von ∆P wird erzeugt
Nachteil: sehr aufwandig
Sandra Radl Value at Risk 24.01.2018 26 / 31
Berechnungsmethoden Zusammenfassen von Marktvariablen
Zusammenfassen von Marktvariablen
Annahme: in der Renditkurve treten ausschließlichParallelverschiebungen auf (nur eine Marktvariable muss definiertwerden), sehr ungenau
Alternative: Verwendung der Preise der Zerobonds mitStandardlaufzeiten (1 Monat, 3 Monate, 6 Monate, 1 Jahr, 2 Jahre, 5Jahre, 7 Jahre, 10 Jahre und 30 Jahre) als Marktvariablen
um VaR eines Portfolios zu berechnen werden Cashflows derWertpapiere des Portfolios analysiert und passenden standardisiertenZerobonds zugeordnet.
Sandra Radl Value at Risk 24.01.2018 27 / 31
Berechnungsmethoden Zusammenfassen von Marktvariablen
Zusammenfassen von Marktvariablen
Annahme: in der Renditkurve treten ausschließlichParallelverschiebungen auf (nur eine Marktvariable muss definiertwerden), sehr ungenau
Alternative: Verwendung der Preise der Zerobonds mitStandardlaufzeiten (1 Monat, 3 Monate, 6 Monate, 1 Jahr, 2 Jahre, 5Jahre, 7 Jahre, 10 Jahre und 30 Jahre) als Marktvariablen
um VaR eines Portfolios zu berechnen werden Cashflows derWertpapiere des Portfolios analysiert und passenden standardisiertenZerobonds zugeordnet.
Sandra Radl Value at Risk 24.01.2018 27 / 31
Stress Testing und Back Testing
Stress Testing und Back Testing
Stress Testing
Erstellung von Schatzungen, wie sich das Portfolio bei den extremstenMarktbewegungen der letzten 10 bis 20 Jahren bzw. vonUnternehmensfuhrung vorgegebenen Szenarien verhalten wurde
z.B.: prozentuale Anderung der Marktvariablen in Großbritannien am10. April 1992 (Rendite fur zehnjahrige Anleihen bewegte sich um 7,7Standardabweichungen)
Back Testing
Uberprufung, wie gut unsere Value at Risk Schatzer in derVergangenheit waren
Sandra Radl Value at Risk 24.01.2018 28 / 31
Stress Testing und Back Testing
Stress Testing und Back Testing
Stress Testing
Erstellung von Schatzungen, wie sich das Portfolio bei den extremstenMarktbewegungen der letzten 10 bis 20 Jahren bzw. vonUnternehmensfuhrung vorgegebenen Szenarien verhalten wurde
z.B.: prozentuale Anderung der Marktvariablen in Großbritannien am10. April 1992 (Rendite fur zehnjahrige Anleihen bewegte sich um 7,7Standardabweichungen)
Back Testing
Uberprufung, wie gut unsere Value at Risk Schatzer in derVergangenheit waren
Sandra Radl Value at Risk 24.01.2018 28 / 31
Kritik
Kritik
keine Berucksichtigung des erwarteten Verlusts im (100-X) %-Quantil
Abbildung: Verlustverteilungsfunktionvon Portfolio A
Abbildung: Verlustverteilungsfunktionvon Portfolio B
Portfolio A und B haben den selben VaR, dennoch ist B um einigesriskanter (zu erwartende Verlust im (100-X)% Quantil derWertanderungsverteilungsfunktion ist wesentlich hoher)
Sandra Radl Value at Risk 24.01.2018 29 / 31
Kritik
Kritik
keine Berucksichtigung des erwarteten Verlusts im (100-X) %-Quantil
Abbildung: Verlustverteilungsfunktionvon Portfolio A
Abbildung: Verlustverteilungsfunktionvon Portfolio B
Portfolio A und B haben den selben VaR, dennoch ist B um einigesriskanter (zu erwartende Verlust im (100-X)% Quantil derWertanderungsverteilungsfunktion ist wesentlich hoher)
Sandra Radl Value at Risk 24.01.2018 29 / 31
Kritik
Expected Shortfall
Conditional Value at Risk (C-VaR), Tail Loss
”Mit welchem Verlust kann ich rechnen, wenn der Fall eintritt, dass
der Verlust den Value at Risk uberschreitet?”
Abbildung: Expected Shortfall
Sandra Radl Value at Risk 24.01.2018 30 / 31
Kritik
Quelle
Hull, John C.Optionen, Futures und andere DerivateMunchen: Pearson Studium, 2009
Sandra Radl Value at Risk 24.01.2018 31 / 31