Univerzita Karlova v Praze Matematicko-fyzik´aln´ı fakulta
´ RSK ˇ ´ PRACE ´ BAKALA A
2008
ˇ y Jakub Cern´
Univerzita Karlova v Praze Matematicko-fyzik´aln´ı fakulta
´ RSK ˇ ´ PRACE ´ BAKALA A
ˇ y Jakub Cern´ Odhady Value at Risk pro trˇ zn´ı a kreditn´ı riziko Katedra pravdˇepodobnosti a matematick´e statistiky
Vedouc´ı bakal´ aˇ rsk´ e pr´ ace: RNDr. Jiˇr´ı Witzany, Ph.D. Studijn´ı program: Matematika Studijn´ı pl´ an: Finanˇcn´ı matematika 2008
R´ad bych podˇekoval hlavnˇe vedouc´ımu m´e bakal´aˇrsk´e pr´ace RNDr. Jiˇr´ımu Witzanymu, Ph.D., za ˇcas a ochotu, se kterou se mi vˇenoval, za poskytnut´e materi´aly, cenn´e rady a pˇripom´ınky k textu. D´ale Luk´aˇsovi Kopeck´emu za pomoc pˇri tvorbˇe obr´azk˚ u.
Prohlaˇsuji, ˇze jsem svou bakal´aˇrskou pr´aci napsal samostatnˇe a v´ yhradnˇe s pouˇzit´ım citovan´ ych pramen˚ u. Souhlas´ım se zap˚ ujˇcov´an´ım pr´ace a jej´ım zveˇrejˇ nov´an´ım. ˇ y Jakub Cern´
V Praze dne 11.12.2008
2
Obsah ´ 1 Uvod
5
2 Teoretick´ aˇ c´ ast 2.1 Definice a vymezen´ı pojm˚ u. . . . . . . . . . . . . 2.1.1 Statistick´a ˇc´ast . . . . . . . . . . . . . . . 2.1.2 Finanˇcn´ı ˇc´ast . . . . . . . . . . . . . . . . 2.2 Value at Risk . . . . . . . . . . . . . . . . . . . . 2.2.1 Absolutn´ı VaR . . . . . . . . . . . . . . . 2.2.2 Relativn´ı VaR . . . . . . . . . . . . . . . . 2.2.3 Parametrick´ y a neparametrick´ y VaR . . . 2.3 Trˇzn´ı VaR . . . . . . . . . . . . . . . . . . . . . . 2.3.1 Metoda variance a kovariance . . . . . . . 2.3.2 Historick´a simulace . . . . . . . . . . . . . 2.3.3 Metoda Monte Carlo . . . . . . . . . . . . 2.4 Kreditn´ı VaR . . . . . . . . . . . . . . . . . . . . 2.4.1 Kreditn´ı riziko a VaR . . . . . . . . . . . . 2.4.2 Pravdˇepodobnost selh´an´ı a kreditn´ı rating 2.4.3 V´ ynosov´e kˇrivky a recovery rate . . . . . . 2.4.4 Kreditn´ı migrace a korelace . . . . . . . . 2.5 Nejzn´amˇejˇs´ı metody mˇeˇren´ı kreditn´ıho VaR . . . 2.5.1 CreditMetrics . . . . . . . . . . . . . . . . 2.5.2 CreditRisk+ . . . . . . . . . . . . . . . . . 2.5.3 KMV . . . . . . . . . . . . . . . . . . . . . 2.6 Riziko a kapit´alov´a pˇrimˇeˇrenost . . . . . . . . . . 2.6.1 Basel I . . . . . . . . . . . . . . . . . . . . 2.6.2 Basel II . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
3 Analytick´ aˇ c´ ast 3.1 Data . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.1 Vybran´e burzovn´ı indexy . . . . . . . . . . . 3.1.2 Sloˇzen´ı portfolia . . . . . . . . . . . . . . . . 3.1.3 Nez´avislost transformovan´ ych dat . . . . . . 3.1.4 Rozdˇelen´ı a normalita transformovan´ ych dat 3
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
6 6 6 9 11 11 11 12 13 13 17 20 21 21 22 22 24 25 25 29 30 31 31 33
. . . . .
37 37 37 37 38 39
3.2
3.3
V´ yhody a nev´ yhody VaR . . . . . . . . . . . . 3.2.1 Celkov´e riziko a kapit´alov´a pˇrimˇeˇrenost 3.2.2 M´alo pravdˇepodobn´e ztr´aty . . . . . . 3.2.3 Subaditivita . . . . . . . . . . . . . . . 3.2.4 Statick´e portfolio . . . . . . . . . . . . 3.2.5 Pohled do budoucna . . . . . . . . . . Shrnut´ı v´ ysledk˚ u . . . . . . . . . . . . . . . . 3.3.1 Doporuˇcen´ y postup pro investora . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
44 44 44 46 46 47 47 47
4 Z´ avˇ er
48
Literatura
49
4
N´azev pr´ace: Odhady Value at Risk pro trˇzn´ı a kreditn´ı riziko ˇ y Autor: Jakub Cern´ Katedra (´ ustav): Katedra pravdˇepodobnosti a matematick´e statistiky Vedouc´ı bakal´aˇrsk´e pr´ace: RNDr. Jiˇr´ı Witzany, Ph.D. e-mail vedouc´ıho:
[email protected] Abstrakt: Tato pr´ace studuje statistick´e odhady trˇzn´ıho a kreditn´ıho rizika pomoc´ı m´ıry rizika Value at Risk. Teoretick´a ˇc´ast popisuje definici Value at Risk, odhad Value at Risk pro trˇzn´ı riziko varianˇcnˇe kovarianˇcn´ı metodou, metodou historick´e simulace, metodou simulace Monte Carlo a odhad Value at Risk pro kreditn´ı riziko nejzn´amˇejˇs´ımi metodami CreditMetrics, CreditRisk+ a KMV. Tato ˇc´ast je zakonˇcena historick´ ym v´ yvojem a v´ ypoˇctem kapit´alov´e pˇrimˇeˇrenosti. Analytick´a ˇc´ast pr´ace rozeb´ır´a hlavn´ı v´ yhody a nev´ yhody Value at Risk na pˇr´ıkladu portfolia sloˇzen´eho z cenn´ ych pap´ır˚ u v´azan´ ych na re´aln´e burzovn´ı indexy. C´ılem t´eto pr´ace je popsat Value at Risk jako celek, popsat jej´ı v´ yhody a analyzovat nev´ yhody. Kl´ıˇcov´a slova: Value at Risk, Trˇzn´ı VaR, Kreditn´ı VaR, Kapit´alov´a pˇrimˇeˇrenost
Title: Estimations of market and credit Value at Risk ˇ y Author: Jakub Cern´ Department: Department of Probability and Mathematical Statistics Supervisor: RNDr. Jiˇr´ı Witzany, Ph.D. Supervisor’s e-mail address:
[email protected] Abstract: This present work studies statistical estimations of market and credit risk by measure of risk called Value at Risk. Theoretical part of this work describes the defintion of Value at Risk, estimations of Value at Risk for market risk by the variance and covariance method, by historical simulation method, by Monte Carlo simulation method and estimations of Value at Risk for credit risk by the most widely known methods CreditMetrics, CreditRisk+ and KMV. This part ends by historical development and calculation of capital adequacy. The analytical part of the work analyses main advantages and disadvantages of Value at Risk on the example of portfolio compact of exchange-traded funds. The aim of this work is to describe Value at Risk as a whole, describe its advantages and analyse disadvantages. Keywords: Value at Risk, Market VaR, Credit VaR, Capital adequacy
5
Kapitola 1 ´ Uvod ˇ ızen´ı rizik je velmi d˚ R´ uleˇzit´e pro existenci a dobr´e fungov´an´ı podnik˚ u, zvl´aˇst’ bank a finanˇcn´ıch instituc´ı, u kter´ ych by pˇr´ıpadn´ y krach znamenal naruˇsen´ı finanˇcn´ıho syst´emu a ekonomiky celkovˇe, nemluvˇe o u ´jmˇe vkladatel˚ u. Koncept hodnoty v riziku (Value at Risk) se v posledn´ıch dvou desetilet´ıch stal z´akladn´ım kamenem ˇr´ızen´ı jak trˇzn´ıho, tak i kreditn´ıho rizika. Value at Risk (zkr. VaR) jako odhad maxim´aln´ı pravdˇepodobn´e ztr´aty je pro veden´ı bank a finanˇcn´ıch instituc´ı shrnut´ı veˇsker´ ych rizik do jedin´eho ˇc´ısla, kter´e jiˇz nevyˇzaduje hlubˇs´ı matematick´e a statistick´e znalosti. Vedle toho m´a VaR i sv´a u ´skal´ı, kter´a bude tato pr´ace rozeb´ırat. Cel´a pr´ace je rozdˇelena na dvˇe hlavn´ı kapitoly, na teoretickou ˇc´ast a analytickou ˇc´ast. V teoretick´e ˇc´asti jsou vysvˇetleny z´akladn´ı pojmy statistiky a finanˇcn´ı matematiky, definice VaR, odhady trˇzn´ıho VaR pomoc´ı simulaˇcn´ıch a analytick´ ych metod, nejzn´amˇejˇs´ı metody odhadu kreditn´ıho VaR. Odhad kreditn´ıho rizika pomoc´ı metodologie CreditMetrics je rozebr´an detailnˇeji. Z´avˇer teoretick´e ˇc´asti patˇr´ı popisu kapit´alov´ ych poˇzadavk˚ u Basel I a Basel II. V analytick´e ˇc´asti pr´ace se zamˇeˇr´ıme na v´ yhody, ale hlavnˇe nev´ yhody VaR demonstrovan´e na pˇr´ıkladu s re´aln´ ymi daty a moˇzn´e alternativy t´eto m´ıry rizika v podobˇe koherentn´ıch mˇer nebo tzv. conditional VaR (zkr. CVaR). Pro anal´ yzu dat pouˇzijeme program R.
6
Kapitola 2 Teoretick´ aˇ c´ ast 2.1
Definice a vymezen´ı pojm˚ u
V t´eto kapitole si zadefinujeme pojmy z teorie pravdˇepodobnosti a finaˇcn´ı matematiky, kter´e budeme v n´asleduj´ıc´ım textu bˇeˇznˇe pouˇz´ıvat. Znalost tˇechto pojm˚ u je k pochopen´ı dalˇs´ıho studia odhad˚ u VaR (a rizika obecnˇe) kl´ıˇcov´a. Pˇredpokladem jsou z´akladn´ı znalosti matematick´e anal´ yzy, line´arn´ı ´ algebry a teorie m´ıry. Upln´ y apar´at teorie pravdˇepodobnosti je pops´an v [10].
2.1.1
Statistick´ aˇ c´ ast
Definice 1 (Rozdˇ elen´ı n´ ahodn´ e veliˇ ciny) Rozdˇelen´ım n´ ahodn´e veliˇciny X rozum´ıme m´ıru (∀B ∈ B) PX (B) = P {ω ∈ Ω : X(ω) ∈ B} = P [X ∈ B],
(2.1.1)
kde ω ∈ Ω je element´arn´ı jev a B je borelovsk´a σ-algebra podmnoˇziny R. Definice 2 (Distribuˇ cn´ı funkce) Distribuˇcn´ı funkce F n´ahodn´e veliˇciny X je (∀x ∈ R) F (x) = P [X < x]. (2.1.2) Definice 3 Distribuˇcn´ı funkci F naz´ yv´ame absolutnˇe spojitou, pokud existuje nez´aporn´a borelovsky mˇeˇriteln´a funkce f takov´a, ˇze (∀x ∈ R) F (x) =
Zx
f (u)du
−∞
Pozn´ amka: Funkci f naz´ yv´ame hustota n´ahodn´e veliˇciny.
7
(2.1.3)
Definice 4 (Kvantilov´ a funkce a kvantil) Necht’ n´ahodn´a veliˇcina X m´a distribuˇcn´ı funkci F (x), x ∈ R Funkce F −1 (u) = inf {x : F (x) ≥ u}, 0 ≤ u ≤ 1.
(2.1.4)
se naz´ yv´a kvantilov´a funkce. Hodnoty kvantilov´e funkce se naz´ yvaj´ı kvantily. Napˇr. α-kvantil je hodnota −1 F (α). Definice 5 (Stˇ redn´ı hodnota) Stˇredn´ı hodnota n´ahodn´e veliˇciny X je definovan´a pˇredpisem Z Z (2.1.5) E[X] = X(ω)dP (ω) = xdF (x), Ω
R
Stˇredn´ı hodnota sama o sobˇe nem´a velkou vypov´ıdac´ı schopnost. Stˇredn´ı hodnota je re´aln´e ˇc´ıslo, okolo kter´eho hodnoty n´ahodn´e veliˇciny kol´ısaj´ı. My pro u ´ˇcely mˇeˇren´ı rizik potˇrebujeme zn´at i odchylku od stˇredn´ı hodnoty. Definice 6 (Rozptyl) Rozptyl n´ahodn´e veliˇciny je definov´an pˇredpisem 2 var[X] = E[X − E[X]]2 = σX .
Smˇerodatn´a odchylka σX = Definice 7 (Kovariance)
p var[X].
(2.1.6) (2.1.7)
cov(X, Y ) = E[XY ] − E[X]E[Y ]
(2.1.8)
var[X ± Y ] = var[X] + var[Y ] ± 2cov(X, Y ).
(2.1.9)
Speci´alnˇe cov(X, X) = var[X]. Definice 8 (Korelace) Necht’ X, Y ∈ L2 , var[X] > 0, var[Y ] > 0. Korelaˇcn´ı koeficient veliˇcin X a Y se znaˇc´ı ρ(X, Y ) nebo cor(X, Y ) a je definov´an vztahem cov(X, Y ) ρ(X, Y ) = p . (2.1.10) var[X] · var[Y ] Definice 9 (Mnohorozmˇ ern´ e norm´ aln´ı rozdˇ elen´ı) Necht’ Z = (Z1 , . . . , Zr )T , kde Z1 , . . . , Zr jsou nez´avisl´e n´ahodn´e veliˇcny, Zi ∼ N (0, 1), i = 1, . . . , r. Necht’ A je matice typu n×r. Vezmˇeme X = AZ+µ, kde µ∈ Rn . Pak ˇr´ık´ame, ˇze X m´a mnohorozmˇern´e norm´ aln´ı rozdˇelen´ı s parametry µ a Σ = AAT . Znaˇc´ıme X ∼ Nn (µ, Σ). 8
Kovarianˇcn´ı matici m˚ uˇzeme pˇrepsat jako Σ = E[(X − EX)(X − EX)T ] 2 σ11 cov12 . . . cov1n cov21 σ 2 . . . cov2n 22 Σ = .. .. .. ... . . . 2 covn1 covn2 . . . σnn
Definice 10 (Markov˚ uv ˇ retˇ ezec) Posloupnost celoˇc´ıseln´ ych n´ahodn´ ych ∞ veliˇcin {Xn }n=0 se naz´ yv´a Markov˚ uv ˇretˇezec, jestliˇze P (Xn+1 = j|Xn = i, Xn−1 = in−1 , . . . , X1 = i1 , X0 = i0 ) = P (Xn−1 = j|Xn = i), pro kaˇzd´e n ∈ N, j, i, in−1 , . . . , i0 ∈ S, S ⊂ Z je mnoˇzina stav˚ u ˇretˇezce. Definice 11 (Pravdˇ epodobnost pˇ rechodu) Necht’ n ∈ N0 , potom se pij (n, n + 1) = P (Xn+1 = j, Xn = i) naz´ yv´a pravdˇepodobnost pˇrechodu ze stavu i (v ˇcase n) do stavu j (v ˇcase n + 1). Pokud pij (n, n + 1) = pij nez´avis´ı na n, naz´ yv´a se Markov˚ uv ˇretˇezec homogenn´ı. Definice 12 (Matice pˇ rechodu) Necht’ pro kaˇzd´e i ∈ S existuje n ∈ N0 tak, ˇze P (Xn = i) > 0 a tak pravdˇepodobnost P (Xn+1 = j|Xn = i) = pij je pro kaˇzd´e j ∈ S definov´ana, pak m˚ uˇzeme ze vˇsech tˇechto pravdˇepodobnost´ı sestavit ˇctvercovou matici P. Symbolicky zap´ıˇseme P = {pij }i,j∈S a naz´ yv´ame matic´ı pravdˇepodobnost´ı pˇrechodu. Vˇ eta 1 (Cholesk´ eho rozklad) Pro kaˇzdou symetrickou, pozitivnˇe definitn´ı n×n matici V ∈ R (∀x 6= 0, x ∈ Rn , xT Vx > 0) existuje pr´avˇe jedna doln´ı troj´ uheln´ıkov´ a matice L takov´ a, ˇze V = LT L,
(2.1.11)
kde diagon´aln´ı prvky matice L jsou vˇetˇs´ı neˇz nula a n ∈ N. D˚ ukaz se provede indukc´ı.
9
2.1.2
Finanˇ cn´ı ˇ c´ ast
V t´eto ˇc´asti se budeme vˇenovat pojm˚ um finanˇcn´ı matematiky. Narozd´ıl od statistiky se ve finanˇcn´ı matematice ned´a vˇse striktnˇe a jednoznaˇcnˇe zadefinovat. Proto budeme pouˇz´ıvat kromˇe definic i obecn´a oznaˇcen´ı, kter´a mohou b´ yt interpretov´ana r˚ uznˇe. D´ale v textu budeme portfolio ch´apat jako soubor aktiv a pasiv s urˇcitou hodnotou, kter´a se v ˇcase mˇen´ı. Definice 13 (Relativn´ı a absolutn´ı ztr´ ata) Necht’ Vt je hodnota portfolia v ˇcase t = 0, 1, . . . , T , kde VT je hodnota v ˇcase T a V0 je poˇc´ateˇcn´ı hodnota. Potom XT = VT − EVT , (2.1.12) je relativn´ı ztr´ ata (resp. zisk) v ˇcase T , pokud je XT z´aporn´ y (resp. kladn´ y). Podobnˇe XT = VT − V0 (2.1.13)
je absolutn´ı ztr´ ata (resp. zisk) v ˇcase T , pokud je XT z´aporn´ y (resp. kladn´ y). Riziko Pod pojmem rizika rozum´ıme budouc´ı moˇznost ztr´at. Tuto moˇznost m˚ uˇzeme charakterizovat rozdˇelen´ım ztr´at, kter´e mohou nastat. Trˇ zn´ı riziko Trˇzn´ı riziko je rozdˇelen´ı ztr´at, kter´e jsou funkc´ı trˇzn´ıch faktor˚ u. Hlavn´ımi trˇzn´ımi faktory jsou: u ´rokov´e sazby, mˇenov´e kurzy, ceny akci´ı, ceny komodit a ceny podkladov´ ych instrument˚ u. Kreditn´ı riziko Kreditn´ı riziko je rozdˇelen´ı ztr´at, kter´e jsou funkc´ı kreditn´ıch faktor˚ u. Jedn´ım z hlavn´ıch kreditn´ıch faktor˚ u je ohodnocen´ı protistrany (rating). Kreditn´ı riziko m˚ uˇze vzniknout, nebo se zmˇenit v z´avislosti na ratingu dvˇema zp˚ usoby: 0-1 zp˚ usob a zp˚ usob zmˇeny ratingu. 0-1 zp˚ usob ohodnocuje pouze na selhal-neselhal (tzv. default mode). Zp˚ usob zmˇeny ratingu ohodnocuje podle toho, v jak´e ratingov´e kategorii se protistrana nach´az´ı (tzv. mark-to-market mode). Z toho plyne, ˇze mark-to-market mode zahrnuje default mode. Definice 14 (Line´ arn´ı a neline´ arn´ı portfolio) Necht’ P1 , P2 , . . . , Pn jsou ceny (n´ahodn´e veliˇciny) jednotliv´ ych aktiv Ai , i = 1, 2, . . . , n. Line´arn´ım portfolio je kaˇzd´e portfolio, jehoˇz cena (hodnota) je jeho line´arn´ı kombinac´ı w1 P1 + w2 P2 + · · · + wn Pn , kde wi je v´aha i-t´eho aktiva v portfoliu. Pokud portfolio nen´ı line´arn´ı kombinac´ı v´aˇzen´ ych cen, naz´ yv´ame ho neline´arn´ı. 10
Definice 15 (Kovarianˇ cn´ı matice v´ ynos˚ u) Necht’ i, j ∈ N, σj je standartn´ı odchylka denn´ı relativn´ı zmˇeny trˇzn´ıho faktoru j a ρi,j je korelace relativn´ıch denn´ıch zmˇen trˇzn´ıch faktor˚ u i a j. Potom se Vi,j = σi σj ρi,j , naz´ yv´a kovarianˇcn´ı matice v´ynos˚ u. Definice rizika, kterou jsme si uvedli, je pouze jednou z mnoha. Proto existuj´ı i r˚ uzn´e m´ıry rizika jako napˇr. standartn´ı odchylka, Value at Risk nebo CVaR. Definice 16 (Smˇ erodatn´ a (standartn´ı) odchylka) Necht’ RT je relativn´ı zmˇena ceny v ˇcase T vyj´adˇren´a jako RT =
VT − V0 V0
a z´aroveˇ n je RT n´ahodn´a veliˇcina. Potom p σ(RT ) = var(RT ),
(2.1.14)
je riziko vyj´adˇren´e smˇerodatnou (standartn´ı) odchylkou. Ve finanˇcn´ı oblasti se takto vyj´adˇren´e smˇerodatn´e odchylce nˇekdy tak´e ˇr´ık´a volatilita. M´ırou Value at Risk se budeme zab´ yvat ve zb´ yvaj´ıc´ım textu. V analytick´e ˇc´asti rozebreme CVaR jako ˇreˇsen´ı pˇri nedostateˇcn´em pokryt´ı m´alo pravdˇepodobn´ ych ztr´at m´ırou Value at Risk.
11
2.2
Value at Risk
2.2.1
Absolutn´ı VaR
Za pomoc´ı pojm˚ u z kapitoly 2 si jiˇz m˚ uˇzeme formulovat slovn´ı i matematickou definici Value at Risk (d´ale jen VaR). Pro dan´e portfolio aktiv a pasiv, v ˇcasov´em horizontu t a s pravdˇepodobnost´ı α, pˇredstavuje VaRt,α maxim´aln´ı potenci´aln´ı ztr´atu X v˚ uˇci poˇc´ateˇcn´ı hodnotˇe, ke kter´e m˚ uˇze doj´ıt v ˇcasov´em horizontu t s pravdˇepodobnost´ı 1−α. Tedy s pravdˇepodobnost´ı α bude ztr´ata niˇzˇs´ı neˇz X a s pravdˇepodobnost´ı 1 − α ztr´ata bude X a v´ıce. Definice 17 (Value at risk) Necht’ α ∈ (0, 1) je hladina spolehlivosti a X je ztr´ata, potom VaRabs t,α = −inf {x ∈ R : F (x) ≥ 1 − α}. naz´ yv´ame absolutn´ı VaR. Jin´ ymi slovy je VaR kvantil rozdˇelen´ı ztr´aty (dle rovnice (2.1.4)).
VaRabs t,a Ztráta
(1-α) kvantil
0 µ
Zisk
Obr´ azek 2.1: Grafick´ e zn´ azornˇ en´ı absolutn´ı VaR
2.2.2
Relativn´ı VaR
Pouˇz´ıv´a se i tzv. relativn´ı hodnota v riziku VaRrel a jako t,α definovan´ abs VaRrel t,α = E[X] + VaRt,α
(2.2.1)
Relativn´ı VaR je v´ıce vyuˇz´ıvan´a neˇz absolutn´ı VaR, jak se budeme moci pˇresvˇedˇcit u metody variance a kovariance (kapitola 2.3.1). Budeme uvaˇzovat portfolio s hodnotou P0 a m´ıru zisku jako n´ahodnou veliˇcinu R pˇres ˇcasov´ y interval se stˇredn´ı hodnotou µ. A (1−α)-kvantil n´ahodn´e veliˇciny R oznaˇc´ıme jako R∗ . Potom je ∗ (2.2.2) VaRabs t,α = −P0 R 12
a relativn´ı hodnota abs ∗ ∗ VaRrel t,α = µP0 + VaRt,α = P0 µ − P0 R = P0 (µ − R ).
(2.2.3)
VaRrel t,a Ztráta
(1-α) kvantil
µ
Zisk
Obr´ azek 2.2: Grafick´ e zn´ azornˇ en´ı relativn´ı VaR D´ale nebudeme horn´ı index u oznaˇcen´ı VaR pouˇz´ıvat, pokud nebude pˇredem ˇreˇceno jinak, jedn´a se o relativn´ı VaR.
2.2.3
Parametrick´ y a neparametrick´ y VaR
Zp˚ usob, jak´ ym jsme si zadefinovali VaR, se op´ır´a o distribuˇcn´ı funkci. Ze skuteˇcnosti, ˇze m´ame k dispozici jen omezen´ y poˇcet historick´ ych dat, plyne, ˇze nezn´ame pˇresnou distribuˇcn´ı funkci a t´ım p´adem ani VaR. Avˇsak my si m˚ uˇzeme distribuˇcn´ı funkci odhadnout tak, ˇze odhadnut´a distribuˇcn´ı funkce se bude bl´ıˇzit k t´e skuteˇcn´e. Posloupnost nez´avisl´ ych stejnˇe rozdˇelen´ ych n´ahodn´ ych veliˇcin Xi pro i = 1, . . . , n se naz´ yv´a n´ ahodn´y v´ybˇer. Pro statistick´e zpracov´an´ı vˇsak nejsou k dispozici n´ahodn´e veliˇciny X1 , . . . , Xn , ale jejich skuteˇcnˇe napozorovan´e hodnoty x1 , . . . , xn , kter´e oznaˇcujeme jako pozorov´an´ı n´ahodn´eho v´ ybˇeru. Oznaˇcme skuteˇcnou distribuˇcn´ı funkci n´ahodn´ ych veliˇcin Xi jako F0 . Tuto distribuˇcn´ı funkci nezn´ame. Mus´ıme stanovit model, tj. mnoˇzinu F vˇsech rozdˇelen´ı, kter´ ych pozorov´an´ı xi mohou nab´ yvat. Mus´ı platit F0 ∈ F.
Moˇznosti pro model F:
(i) mnoˇzina vˇsech rozdˇelen´ı na R s koneˇcnou stˇredn´ı hodnotou nebo koneˇcn´ ym rozptylem. Pak odhadujeme napˇr. EXi , varXi a naz´ yv´ame neparametrick´ y model. Neparametrick´ y model n´am poslouˇz´ı pˇri odhadu tzv. neparametrick´eho VaR, na kter´em jsou zaloˇzeny simulaˇcn´ı metody. Napˇr. metoda historick´e simulace (kapitola 2.3.2) a metoda simulace Monte Carlo (kapitola 2.3.3). 13
(ii) mnoˇzina rozdˇelen´ı urˇcit´eho typu, napˇr. F = {vˇsechna exponenci´aln´ı rozdˇelen´ı s parametrem λ > 0} F = {vˇsechna norm´aln´ı rozdˇelen´ı s parametry µ ∈ R, σ 2 > 0} µ a naz´ yv´ame parametrick´ y Pak odhadujeme parametr λ, nebo σ2 model. Parametrick´ y model slouˇz´ı k odhadu tzv. parametrick´eho VaR, na kter´em jsou zaloˇzeny parametrick´e metody. Napˇr. metoda variance a kovariance.(kapitola 2.3.1)
2.3
Trˇ zn´ı VaR
Trˇzn´ı VaR je m´ırou trˇzn´ıho rizika. Metody v t´eto kapitole nejsou urˇceny pouze pro mˇeˇren´ı trˇzn´ıho VaR, ale pro VaR obecnˇe. Uv´ad´ım ho v t´eto kapitole, protoˇze VaR byl zaveden v prvn´ı ˇradˇe pro mˇeˇren´ı trˇzn´ıho rizika a regul´atoˇri povoluj´ı intern´ı metody mˇeˇren´ı trˇzn´ıho rizika, z nichˇz nejpouˇz´ıvanˇejˇs´ı a nejv´ıc regul´atory akceptovan´a je pr´avˇe VaR. Z´akladn´ı pˇr´ıstupy ke statistick´e anal´ yze VaR jsou: • parametrick´ y pˇr´ıstup - Metoda variance a kovariance • empirick´ y (v´ ybˇerov´ y) pˇr´ıstup - Historick´a simulace • celkov´a anal´ yza - Metoda Monte Carlo a stress testing VaR je pˇr´ıkladem statistick´eho mˇeˇren´ı cenov´eho rizika. Je to statistick´ y odhad, ve kter´em je potenci´aln´ı ztr´ata portfolia reprezentov´ana jedn´ım ˇc´ıslem (jej´ı hodnotou) na urˇcit´e hladinˇe spolehlivosti. ˇ Casto se pro mˇeˇren´ı VaR pˇredpokl´ad´a tzv. statick´e portfolio. To znamen´a, ˇze mˇeˇr´ıme potenci´aln´ı ztr´atu hodnoty portfolia na nˇejak´e hladinˇe spolehlivosti s danou mnoˇzinou potenci´aln´ıch ztr´at vzhledem k trˇzn´ım sazb´am vypoˇc´ıtan´ ym za podm´ınky, ˇze sloˇzen´ı portfolia se nezmˇen´ı. VaR je obvykle mˇeˇrena jako potenci´aln´ı ztr´ata hodnoty statick´eho portfolia vzhledem ke zmˇen´am v trˇzn´ıch sazb´ach. Pro mnoho, ne-li vˇetˇsinu, portfoli´ı obchodovateln´ ych produkt˚ u se pro pˇresn´e nebo realistick´e mˇeˇren´ı trˇzn´ıho rizika po dobu delˇs´ı neˇz 1 den vyˇzaduje modelov´an´ı VaR v r˚ uzn´ ych ˇcasov´ ych horizontech a stress testing.
2.3.1
Metoda variance a kovariance
U metody variance a kovariance pˇredpokl´ad´ame, ˇze zisky a ztr´aty maj´ı sdruˇzen´e norm´aln´ı rozdˇelen´ı. D´ale pˇredpokl´ad´ame, ˇze portfolio (jednotliv´e 14
instrumenty) se d´a rozloˇzit na jednotliv´e finanˇcn´ı toky a tento rozklad je line´arn´ı. Takˇze souˇcasn´a hodnota oceˇ nuj´ıc´ı portfolio (pozici v portfoliu) je line´arn´ı funkce souˇcasn´ ych hodnot jednotliv´ ych finanˇcn´ıch tok˚ u. Z tˇechto pˇredpoklad˚ u plyne, ˇze tato line´arn´ı funkce m´a sdruˇzen´e norm´aln´ı rozdˇelen´ı. To n´am zjednoduˇs´ı v´ ypoˇcet, protoˇze potom je VaR n´asobek smˇerodatn´e odchylky portfolia. Pro odhadnut´ı VaR mus´ıme zn´at kovarianˇcn´ı matici v´ ynos˚ u a v´ahy jednotliv´ ych pozic v portfoliu. Z tˇech urˇc´ıme smˇerodatnou odchylku, kterou vyn´asob´ıme poˇc´ateˇcn´ı hodnotou portfolia a kvantilem norm´aln´ıho rozdˇelen´ı, kter´ y urˇc´ıme dle hladiny spolehlivosti. Kdyˇz se vr´at´ıme zpˇet k rovnic´ım (2.2.2) a (2.2.3) a budeme pˇredpokl´adat, ˇze m´ıra zisku m´a norm´aln´ı rozdˇelen´ı (R ∼ N (µ, σ 2 )). Pak se (1 − α)-kvantil R vyj´adˇr´ı jako R ∗ = µ − σ · uα , (2.3.1) kde
−u1−α = uα .
(2.3.2)
VaRt,α = −P0 · (µ − σuα )
(2.3.3)
VaRt,α = P0 (µ − (µ − σuα )) = P0 σuα ,
(2.3.4)
Pro absolutn´ı VaR tedy plat´ı
a pro relativn´ı
coˇz pˇresnˇe odpov´ıd´a definici jednodenn´ıho VaR pro portfolio o jednom instrumentu. Pˇredpoklad norm´aln´ıho rozdˇelen´ı n´am umoˇzn ˇuje snadn´e pˇrechody mezi r˚ uzn´ ymi hladinami spolehlivosti. Dle statistick´ ych tabulek si m˚ uˇzeme dohledat pˇr´ısluˇsn´ y kvantil a VaR snadno pˇrepoˇc´ıtat. Hladina spolehlivosti Kvantil 90% 1.282 95.4% (Citibank) 1.695 95% (Riskmetrics) 1.644 99% (BIS Requirements) 2.326 ˇ Tabulka 2.1: Casto pouˇ z´ıvan´ e kvantily pro v´ ypoˇ cet VaR Jednodenn´ı VaR na hladinˇe 95% spoˇc´ıt´ame jako: VaR1,0.95 = P0 · 1.644 · σ1 Pˇri v´ ypoˇctu VaR se pˇredpokl´ad´a realistiˇctˇejˇs´ı pr˚ umˇern´a doba drˇzen´ı t aktiva (napˇr. t = 10, 20, 250). A n´as zaj´ım´a VaR pr´avˇe za toto obdob´ı. D´ıky pˇredpokladu nez´avislosti m˚ uˇzeme rozptyl odhadnout jako σt2 = t · σ12 . 15
(2.3.5)
Z toho plyne, ˇze smˇerodatn´a odchylka je √ σt = tσ1 .
(2.3.6)
V pˇr´ıpadˇe, ˇze bychom nemˇeli k dispozici jednodenn´ı volatilitu, ale volatility v ˇcasech t1 , t2 , pak m˚ uˇzeme pˇrepsat (2.3.6) jako √ t1 σ1 , σt1 = √ σt2 = t2 σ1 , coˇz je σt2 =
r
t2 σt . t1 1
N´aslednˇe aplikujeme na vzorec (2.3.4) r t2 VaRt2 ,α = VaRt1 ,α . t1
(2.3.7)
(2.3.8)
Jin´ ymi slovy m˚ uˇzeme VaR upravit podle r˚ uzn´ ych period drˇzen´ı pouze zmˇenou pomˇeru druh´ ych odmocnin tˇechto period. Takˇze pˇredpoklad norm´aln´ıho rozdˇelen´ı n´am ˇr´ık´a o VaR s jak´ ymikoliv kombinacemi hladin spolehlivosti a dobami drˇzen´ı u ´plnˇe vˇse. Jiˇz jsme si ˇrekli, ˇze banky podl´ehaj´ı kapit´alov´ ym poˇzadavk˚ um (CAD) 1 (kapitola 2.6). Komise poˇzaduje od banky alespoˇ n desetidenn´ı volatilitu a hladinu spolehlivosti 99%. V [11] je hladina spolehlivosti 95% a jednodenn´ı volatilita. Takˇze plat´ı jednoduch´ y vztah √ . . 2.326 . VaRCAD = 2.326 · σ10 · P0 = · σ1 · 10 · P0 = 4.5 · VaRRiskM etrics . 1.644 Veˇsker´e v´ ypoˇcty metodou variance a kovariance, kter´e jsme si zde uk´azali se zab´ yvaj´ı pouze jedn´ım aktivem. Abychom mohli poˇc´ıtat VaR cel´eho portfolia (jedn´a se o line´arn´ı portfolio viz Definice 14), potˇrebujeme dalˇs´ı vstup do v´ ypoˇctu a t´ım jsou korelace mezi jednotliv´ ymi rizikov´ ymi faktory a tak´e vz´ajemn´e korelace mezi pozicemi v portfoliu. Necht’ portfolio obsahuje k aktiv a Pi je hodnota investovan´a do i-t´eho aktiva, potom m˚ uˇzeme zobecnit v´ ypoˇcet rozptylu jako v u k k uX X σ=t Pi Pj σi σj ρij , (2.3.9) i=1 j=1
1
Basel Comitee
16
coˇz m˚ uˇzeme jeˇstˇe upravit 2
σ =
k X
Pi2 σi2
+2
i=1
k X X
ρij Pi Pj σi σj .
(2.3.10)
i=1 j
Potom m˚ uˇzeme zobecnit i v´ ypoˇcet VaR p VaRt,α = P × V × PT ,
(2.3.11)
kde P = (u1−α · P1 , . . . , u1−α · Pk ) a V je kovarianˇcn´ı matice. Doposud jsme se zab´ yvali tzv. line´arn´ım modelem. Nejjednoduˇsˇs´ı aplikac´ı line´arn´ıho modelu je portfolio bez deriv´at˚ u obsahuj´ıc´ı pouze pozice v ciz´ı mˇenˇe, akci´ıch, komodit´ach a dluhopisech (dluhopisy pˇri zanedb´an´ı konvexity). Jin´ ymi slovy je naˇse portfolio line´arn´ı, tedy v´ ynosy portfolia jsou line´arnˇe z´avisl´e na v´ ynosech jednotliv´ ych aktiv tvoˇr´ıc´ıch portfolio. Pˇr´ıkladem deriv´atu v line´arn´ım modelu je forwardov´ y kontrakt ke koupi ciz´ı mˇeny, na kter´ y m˚ uˇzeme pohl´ıˇzet jako na smˇenu ciz´ıho bezkup´onov´eho dluhopisu s dom´ac´ım bezkup´onov´ ym dluhopisem. Pro u ´ˇcely v´ ypoˇctu VaR je forward upraven tak, ˇze dlouh´a pozice je pro ciz´ı dluhopis a kr´atk´a pozice pro dom´ac´ı dluhopis. Jako dalˇs´ı pˇr´ıklad m˚ uˇzeme uvaˇzovat u ´rokov´ y swap. Na ten m˚ uˇzeme pohl´ıˇzet jako na smˇenu dluhopisu s pohyblivou sazbou s dluhopisem s fixn´ı sazbou. Nyn´ı budeme uvaˇzovat line´arn´ı model se zahrnut´ım opc´ı. Pˇredpokl´adejme portfolio obsahuj´ıc´ı opci na jedinou akcii, jej´ıˇz cena je S. Potom je ∆=
δP δS
(2.3.12)
m´ıra zmˇeny hodnoty portfolia S, kde δS je jednodenn´ı zmˇena ceny akcie a δP je jednodenn´ı zmˇena hodnoty portfolia. Pak m˚ uˇzeme definovat δx =
δS , S
(2.3.13)
jako jednodenn´ı zmˇenu ceny. Nyn´ı m˚ uˇzeme zmˇenu ceny line´arnˇe aproximovat δP = ∆ · S · δx.
(2.3.14)
Pro pozice v k podkladov´ ych trˇzn´ıch promˇenn´ ych zahrnuj´ıc´ıch opce m˚ uˇzeme odvodit line´arn´ı vztah mezi δP a δxi , i = 1, . . . , k analogicky δP =
k X i=1
Si · ∆i · δxi , 17
(2.3.15)
kde Si je hodnota i-t´e trˇzn´ı promˇenn´e a ∆i m´ıra zmˇeny hodnoty portfolia vzhledem k i-t´e trˇzn´ı promˇenn´e. Pokud vˇsak budeme uvaˇzovat portfolio s opcemi, bude line´arn´ı model pouhou aproximac´ı. Model, kter´ y jsme si uvedli v´ yˇse, se tak´e naz´ yv´a delta norm´aln´ı aproximace. Delta je zde m´ıra zmˇeny hodnoty portfolia vzhledem k podkladov´emu aktivu (trˇzn´ı promˇenn´e) oznaˇcena jako ∆. Pro zpˇresnˇen´ı naˇsich v´ ypoˇct˚ u budeme pouˇz´ıvat kvadratick´ y model, tzv. delta gamma aproximaci. Gamma je v tomto pˇr´ıpadˇe m´ıra zmˇeny delty vzhledem k trˇzn´ı promˇenn´e a budeme ji znaˇcit Γ. Γ m´a velk´ y vliv na v´ ypoˇcet VaR, protoˇze mˇen´ı ˇsikmost pravdˇepodobnostn´ıho rozdˇelen´ı podle znam´enka a v´ ypoˇcet VaR je z´avisl´ y na lev´em konci tohoto rozdˇelen´ı. Pokud budeme porov´anat rozdˇelen´ı portfolia s hustotou norm´aln´ıho rozdˇelen´ı, pak m´a negativn´ı (resp. pozitivn´ı) Γ tendenci k tˇeˇzˇs´ımu chvostu (resp. m´enˇe tˇeˇzk´emu chvostu). Potom z pˇredpokladu norm´aln´ıho rozdˇelen´ı bude VaR velmi mal´a (resp. velk´a). Pˇredpokl´adejme portfolio o jednom aktivu, jehoˇz hodnota je S. Potom zlepˇsen´ı delta norm´aln´ı metody za pomoc´ı Taylorova rozvoje m˚ uˇzeme zapsat rovnic´ı 1 δP = ∆δS + Γ(δS)2 . (2.3.16) 2 Dle rovnice (2.3.13) m˚ uˇzeme upravit 1 δP = S∆δx + ΓS 2 (δx)2 . 2
(2.3.17)
Pro portfolio o k podkladov´ ych aktivech, kde kaˇzd´ y z instrument˚ u v portfoliu je z´avisl´ y pouze na jedn´e z trˇzn´ıch promˇenn´ ych, m˚ uˇzeme rovnici (2.3.16) pˇrepsat k k X 1X Γi Si (δxi )2 , (2.3.18) δP = ∆i Si δxi + 2 i=1 i=1 kde Si je hodnota i-t´e trˇzn´ı promˇenn´e a ∆i a Γi jsou m´ıry vzhledem k it´e promˇenn´e. V´ ypoˇcet pro line´arn´ı a kvadratick´ y model je pˇrevzat z [8]. Podrobnˇejˇs´ı pops´an´ı kvadratick´eho modelu lze naj´ıt v [6].
2.3.2
Historick´ a simulace
Metoda historick´e simulace je zaloˇzena na tom, ˇze m´ame k dispozici dostateˇcnˇe velk´ y objem dat. Pak m˚ uˇzeme pomoc´ı t´eto metody odhadovat VaR. Postupujeme tak, ˇze si shrom´aˇzd´ıme data (v´ ynosy jednotliv´ ych instrument˚ u portfolia) z minul´eho obdob´ı (nebo minul´ ych obdob´ı - z´aleˇz´ı na instituci, napˇr. banky odhaduj´ı VaR dennˇe). Do ˇcasov´e ˇrady, kter´a n´am vznikne zapoˇc´ıt´ame i souˇcasn´ y stav portfolia. Z tˇechto dat odhadneme VaR jako kvantil hustoty rozdˇelen´ı (Definice 17). 18
Z t´eto metody vypl´ yv´a, ˇze riziko se mˇeˇr´ı pomoc´ı cenov´ ych zmˇen: absolutn´ı zmˇenou, relativn´ı zmˇenou a logaritmickou zmˇenou v cenˇe. Pokud je zmˇena ceny definov´ana jako relativn´ı k nˇejak´e poˇc´ateˇcn´ı cenˇe, pak t´eto zmˇenˇe ˇr´ık´ame v´ ynos (m´ıra n´avratnosti). Jednodenn´ı obdob´ı Necht’ je Pt cena v ˇcase t. Nyn´ı t reprezentuje jeden obchodn´ı den. Absolutn´ı m´ıra zisku mezi obdob´ımi t a t − 1 je Dt = Pt − Pt−1 .
(2.3.19)
Relativn´ı m´ıra zisku, nebo v´ ynos, Rt pro stejn´e ˇcasov´e obdob´ı je Rt =
Pt − Pt−1 . Pt−1
Logaritmick´a m´ıra zisku odpov´ıd´a Pt rt = ln = ln (1 + Rt ). Pt−1
(2.3.20)
(2.3.21)
D´ale v textu budeme u metody historick´e simulace vyuˇz´ıvat relativn´ı m´ıru zisku. Pro logaritmickou se vˇsechny v´ ypoˇcty a odvozen´ı provedou analogicky. k-denn´ı obdob´ı Jak je v´ yˇse uvedeno, tak Rt je pops´an jako jednodenn´ı v´ ynos. Nyn´ı uk´aˇzeme, jak ho vyuˇz´ıt k v´ ypoˇctu v´ ynos˚ u za v´ıce jak jednodenn´ı obdob´ı. k-denn´ı v´ ynos je definov´an: Rt (k) =
Pt − Pt−k . Pt−k
(2.3.22)
Dle v´ ypoˇctu zmˇeny za jeden den m˚ uˇzeme vyj´adˇrit v´ ynos 1+Rt (k) pomoc´ı souˇcinu v´ ynos˚ u za kaˇzd´ y den. 1 + Rt (k) = (1 + Rt )(1 + Rt−1 ) . . . (1 + Rt−k−1 ) Pt−k−1 Pt Pt−1 · · ··· · = Pt−1 Pt−2 Pt−k Pt = . Pt−k
(2.3.23)
Necht’ t = 1, . . . , T jsou jednotliv´a obdob´ı. Kdyˇz je line´arn´ı portfolio tvoˇreno N aktivy, pak Rj,t je v´ ynos j-t´eho aktiva v obdob´ı t a wj,T jsou jednotliv´e souˇcasn´e v´ahy j-t´eho aktiva v tomto portfoliu. Potom v´ ynos portfolia Rp,t v obdob´ı t m˚ uˇzeme spoˇc´ıtat jako Rp,t =
N X j=1
19
wj,T Rj,t .
(2.3.24)
Hodnoty spoˇc´ıtan´e pomoc´ı rovnice (2.3.24) si seˇrad´ıme podle velikosti Rp,(1) < Rp,(2) < · · · < Rp,(T −1) < Rp,(T ) . A urˇc´ıme empirick´ y (1 − α)-kvantil, 0 < α < 1 (tzv. “cut off point”) R(⌊T (1−α)⌋+1) , pokud T (1 − α) ∈ /Z (2.3.25) u e(1−α) = 1 (R(T (1−α)) + R(T (1−α)+1) ), pokud T (1 − α) ∈ Z 2
vzhledem k dan´e hladinˇe spolehlivosti. To jest hodnotu, kterou nepˇres´ahnou pˇredpokl´adan´e ztr´aty. Absolutn´ı VaR vypoˇcteme jako V aRt,α = −e u(1−α) · P0 .
(2.3.26)
Postup pro v´ ypoˇcet cut off pointu je pˇrevzat z [5]. Odhad VaR pomoc´ı historick´e simulace pro portfolio neline´arn´ıch instrument˚ u se od odhadu pro line´arn´ı portfolio liˇs´ı. Identifikujeme jednotliv´e trˇzn´ı faktory, kter´e ovlivˇ nuj´ı portfolio. Potom shrom´aˇzd´ıme data zmˇen tˇechto trˇzn´ıch promˇenn´ ych bˇehem nˇejak´eho dan´eho ˇcasov´eho obdob´ı t, tentokr´at je t = 0, . . . , T . Pro neline´arn´ı portfolio si vytvoˇr´ıme dnes (j-t´ y den) T sc´en´aˇr˚ u toho, jak se veliˇcina bude chovat z´ıtra (j + 1 den) podle historick´eho v´ yvoje ˇcasov´e ˇrady. Definice 18 Necht’ Vik je hodnota k-t´e trˇzn´ı promˇenn´e (k = 1, . . . , n) v i-t´ y den (i = 1, . . . , m). Pˇredpokl´adejme, ˇze dnes je j-t´ y den. Potom i-t´ y sc´en´aˇr hodnoty trˇzn´ı promˇenn´e z´ıtra (v j + 1 dni) se rovn´a k Vj+1,i = Vjk
Vik . k Vi−1
(2.3.27)
Dopoˇc´ıt´ame celkovou hodnotu portfolia pro kaˇzd´ y sc´en´aˇr a oznaˇc´ıme ji 1 n Pj+1,i = f (Vj+1,i , . . . , Vj+1,i ),
(2.3.28)
kde f je funkce trˇzn´ıch promˇenn´ ych. Vypoˇc´ıt´ame relativn´ı zmˇenu Rp,i =
Pj+1,i − Pj , Pj
(2.3.29)
kde Pj je hodnota portfolia v j-t´ y den. D´ale postupujeme stejnˇe jako u line´arn´ıho portfolia. Z toho plyne, ˇze line´arn´ı portfolio je speci´aln´ım pˇr´ıpadem portfolia neline´arn´ıho.
20
2.3.3
Metoda Monte Carlo
Alternativou k pˇr´ıstup˚ um, kter´e jsme si v´ yˇse zm´ınili je pˇr´ıstup zaloˇzen´ y na vyuˇzit´ı simulace Monte Carlo. U metody historick´e simulace jsme si zm´ınili, ˇze jej´ı nev´ yhodou je pˇredpoklad velk´eho objemu dat. Metoda Monte Carlo je simulace v´ yvoje hodnoty portfolia vyuˇz´ıvaj´ıc´ı historick´a data k odhadu parametr˚ u trˇzn´ıch faktor˚ u, jejich n´asledn´e simulace, t´ım p´adem i simulace hodnoty portfolia a v´ ysledek v podobˇe zisku nebo ztr´aty. Simulujeme n´ahodn´e procesy, kter´e pak ud´avaj´ı ceny jednotliv´ ych aktiv vytv´aˇrej´ıc´ıch portfolio. Metoda Monte Carlo n´am pom´ah´a ocenit i tˇeˇzko oceniteln´e finanˇcn´ı instrumenty. D´ıky pˇrizp˚ usobivosti t´eto metody ji m˚ uˇzeme aplikovat na r˚ uzn´a dalˇs´ı rizika (napˇr. kreditn´ı). V textu budeme pouˇz´ıvat pojem n´ahodn´a ˇc´ısla, je vˇsak nutn´e si uvˇedomit, ˇze poˇc´ıtaˇcem generovan´a ˇc´ısla jsou pseudon´ahodn´a. Pˇri aplikaci t´eto metody si nejdˇr´ıve zvol´ıme model specifikuj´ıc´ı chov´an´ı jednotliv´ ych instrument˚ u portfolia a odhadneme parametry. M˚ uˇzeme volit napˇr. model n´ahodn´e proch´azky, Brown˚ uv pohyb (Wiener˚ uv proces). Budeme pouˇz´ıvat pˇr´ır˚ ustkov´ y model rovnice Brownova pohybu ceny akcie St jako √ St+∆t − St = St (µ∆t + σ ∆tεt ), (2.3.30) kde µ je bezrizikov´a m´ıra zisku trˇzn´ı ceny akcie, σ je volatilita trˇzn´ı ceny akcie, εt ∼ N (0, 1) v ˇcase t a ∆t je pˇr´ır˚ ustek ˇcasu. Pokud budeme uvaˇzovat ∆t = 1, potom St+1 − St = St (µ + σεt ), (2.3.31) Z rovnice (2.3.30) si m˚ uˇzeme vyj´adˇrit stˇredn´ı hodnotu E(St+∆t − St |St ) = St µ∆t a smˇerodatn´a odchylka p √ var(St+∆t − St |St ) = St σ ∆tεt .
(2.3.32)
(2.3.33)
Pokud aplikujeme simulaci Monte Carlo na portfolio o v´ıce sloˇzk´ach, mus´ıme odhadnout i korelaˇcn´ı strukturu v´ ynos˚ u jednotliv´ ych aktiv portfolia. M˚ uˇzeme vyuˇz´ıt kovarianˇcn´ı matici (Definice 15) a upravit si ji dosazen´ım (Definice 8). Vznikne n´am korelaˇcn´ı matice 1 ρ12 . . . ρn1 .. .. . (2.3.34) Cor = ... . . ρn1 ρn2 . . . 1
V mnohorozmˇern´em pˇr´ıpadˇe je simulace n´ahodn´ ych vektor˚ u ε = (ε1 , . . . , εn ) ∼ Nn (0, Cor) mnohem sloˇzitˇejˇs´ı neˇz v pˇr´ıpadˇe jednorozmˇern´em. My si vˇsak 21
pom˚ uˇzeme mnohorozmˇern´ ym normovan´ ym norm´aln´ım rozdˇelen´ım Nn (0, I), kde 0 je nulov´ y vektor a I je jednotkov´a matice. Budeme simulovat n´ahodn´e vektory η = (η1 , . . . , ηn ) ∼ Nn (0, I), kter´e jsou navz´ajem nez´avisl´e. Jiˇz v´ıme, ˇze kovarianˇcn´ı matice je pozitivnˇe semidefinitn´ı, z toho plyne, ˇze i korelaˇcn´ı matice je pozitivnˇe semidefinitn´ı. Takˇze m˚ uˇzeme prov´est Cholesk´eho rozklad T Cor = AA , kde A = aij (Vˇeta 1). Potom touto transformac´ı dostaneme poˇzadovan´ y vektor ε ε1 = a11 η1 , ε2 = a21 η1 + a22 η2 , .. . εn = an1 η1 + an2 η2 + · · · + ann ηn ,
(2.3.35)
coˇz lze zapsat maticovˇe jako ε = Aη.
(2.3.36)
Pro dvourozmˇern´ y pˇr´ıpad (dvˇe aktiva) vypad´a matice A takto 1 p 0 A= , ρ 1 − ρ2
z toho plyne, ˇze
ε 1 = η1 , p ε2 = ρη1 + 1 − ρ2 η2 .
Pouˇzit´ım vhodn´eho gener´atoru a modelu nasimulujeme rozdˇelen´ı ceny portfolia a pomoc´ı v´ ystupu v podobˇe histogramu m˚ uˇzeme jiˇz naj´ıt VaR.
2.4 2.4.1
Kreditn´ı VaR Kreditn´ı riziko a VaR
Potenci´aln´ım selh´an´ım nebo zmˇenou d˚ uvˇeryhodnosti (ratingu) dluˇzn´ık˚ u, protistran v transakc´ıch s deriv´aty a emitent˚ u dluhopis˚ u vznik´a a roste velmi v´ yznamn´e kreditn´ı riziko bank a jin´ ych finanˇcn´ıch instituc´ı, jehoˇz m´ırou rizika je pr´avˇe kreditn´ı VaR. Pro velk´ y v´ yznam kreditn´ıho rizika se vˇetˇsina finanˇcn´ıch instituc´ı vˇenuje mˇeˇren´ı a ˇr´ızen´ı kreditn´ıho rizika. Regul´atoˇri vyˇzaduj´ı od bank, aby udrˇzovaly takov´ y kapit´al, kter´ y kreditn´ı riziko pokryje. Pro v´ ypoˇcet trˇzn´ıho rizika povoluje Komise vyuˇz´ıt plnˇe intern´ı syst´emy a modelov´an´ı banky. U kreditn´ıho rizika Komise povoluje bank´am pouze intern´ı v´ ypoˇcty rating˚ u, jinak je v´ ypoˇcet kreditn´ıho rizika striktnˇe definov´an pr´avˇe Komis´ı. 22
2.4.2
Pravdˇ epodobnost selh´ an´ı a kreditn´ı rating
Pravdˇepodobnost kreditn´ıho selh´an´ı (pravdˇepodobnost defaultu) je pravdˇepodobnost toho, ˇze protistrana nedodrˇz´ı platebn´ı podm´ınky dan´e smlouvou. Tyto pravdˇepodobnosti vˇetˇsinou oceˇ nuj´ı kreditn´ı oddˇelen´ı na z´akladˇe informac´ı o d˚ uvˇeryhodnosti klienta (finanˇcn´ı v´ ykazy, u ´vˇerov´ y n´avrh, jeho p˚ usoben´ı v minulosti). Vyuˇz´ıvaj´ı sv˚ uj vlastn´ı ohodnocovac´ı syst´em, tzv. kreditn´ı rating. Mimo tyto intern´ı postupy je moˇzn´e vyuˇz´ıt (napˇr. pro d˚ uleˇzitˇejˇs´ı klientelu) vnˇejˇs´ı ratingy poskytovan´e specializovan´ ymi agenturami jako napˇr. Standart & Poor’s nebo Moody’s. Ratingov´e agentury Moody’s nebo Standart & Poor’s (d´ale jen S&P) vytv´aˇrej´ı ratingy, popisuj´ıc´ı u ´vˇeruschopnost podnikov´ ych cenn´ ych pap´ır˚ u (d´ale jen CP). Pokud pouˇzijeme syst´em ratingu S&P, nejlepˇs´ı ohodnocen´ı je AAA. CP s t´ımto ratingem jsou povaˇzov´any za neschopn´e selh´an´ı (defaultu). Druh´ y nejlepˇs´ı rating je AA, d´ale n´asleduje A, BBB, BB, . . . ,Default (nˇekdy tak´e znaˇcen´e jako D). Pˇriˇcemˇz pouze rating BBB a lepˇs´ı spadaj´ı do tzv. investiˇcn´ıho stupnˇe. Ratingy agentury Moody’s koresponduj´ı s ratingy S&P, takˇze AAA, AA, A, BBB, BB odpov´ıdaj´ı Aaa, Aa, A, Baa, Ba. Abychom mohli vytvoˇrit lepˇs´ı ohodnocen´ı cenn´ ych pap´ır˚ u, vytvoˇrily agentury jeˇstˇe podskupiny tˇechto rating˚ u. S&P rozdˇeluje A rating na A+, A, A-, stejnˇe bychom mohli rozdˇelit vˇsechny ostatn´ı. Moody’s rozdˇeluje A rating na A1, A2, A3. Dle m´eho n´azoru je zvyˇsov´an´ı poˇctu rating˚ u spr´avn´e, protoˇze jsou velk´e rozd´ıly mezi jednotliv´ ymi protistranami. Na druhou stranu bude jejich poˇcet vˇzdy shora omezen´ y.
2.4.3
V´ ynosov´ e kˇ rivky a recovery rate
Obchodn´ıci s cenn´ ymi pap´ıry vyvinuli procedury pro zahrnut´ı kreditn´ıho rizika do sv´ ych v´ ypoˇct˚ u pˇri oceˇ nov´an´ı podnikov´ ych cenn´ ych pap´ır˚ u. Shroma ’ ˇzd uj´ı trˇzn´ı data aktivnˇe obchodovan´ ych CP pro v´ ypoˇcet bezkup´onov´e v´ ynosov´e kˇrivky pro kaˇzdou ratingovou kategorii. CCC
Výnos
AA
AAA
Splatnost
Obr´ azek 2.3: Spreadov´ e kˇ rivky Prvn´ım krokem odhadu pravdˇepodobnost´ı defaultu z cen CP je spoˇc´ıtat 23
oˇcek´avan´e ztr´aty zp˚ usoben´e defaultem podnikov´ ych CP s r˚ uzn´ ymi dobami splatnosti. To zahrnuje porovn´an´ı cen podnikov´ ych CP s cenou bezrizikov´ ych CP se stejnou dobou splatnosti a stejn´ ym kup´onem. Obvykl´ y pˇredpoklad je, ˇze souˇcasn´a hodnota n´aklad˚ u na default se rovn´a rozd´ılu mezi cenami bezrizikov´ ych CP a podnikov´ ych cenn´ ych pap´ır˚ u. To znamen´a, ˇze vyˇsˇs´ı v´ ynos podnikov´ ych CP je odˇskodnˇen´ı moˇzn´ ych ztr´at z defaultu. Cena bezrizikov´eho CP se spoˇc´ıt´a dle bezrizikov´e v´ ynosov´e kˇrivky. Pˇrirozen´a volba bezrizikov´e kˇrivky je kˇrivka st´atn´ıch CP (pokladniˇcn´ıch pouk´azek). V n´asleduj´ıc´ıch v´ ypoˇctech pˇredpokl´adejme rizikovˇe neutr´aln´ı prostˇred´ı. Definice 19 Necht’ yT je v´ ynos podnikov´eho bezkup´onov´eho CP na T let. Necht’ y T je bezrizikov´ y v´ ynos podnikov´eho bezkup´onov´eho CP na T let. Potom cena bezrizikov´eho bezkup´onov´eho CP s dobou splatnosti T let s nomin´aln´ı hodnotou PN H je PN H e−yT T . a diskontovan´a oˇcek´avan´a ztr´ata z defaultu je PN H (e−yT T − e−yT T ). Oznaˇcme pravdˇepodobnost defaultu PD (t) v ˇcase t, kde t = 0, 1, . . . , T . Pokud nepˇredpokl´ad´ame ˇz´adnou n´avratnost v okamˇziku defaultu, je v´ ypoˇcet PD (t) snadn´ y. ’ Necht je PD (T ) pravdˇepodobnost, ˇze podnikov´e CP budou m´ıt hodnotu nula v dobˇe splatnosti a pravdˇepodobnost 1-PD (T ), ˇze hodnota bude PN H . Hodnota CP je nyn´ı PD (T ) · 0 + (1 − PD (T ))PN H e−y(T )T = PN H (1 − PD (T ))e−y(T )T . V´ ynos CP je y(T ), tedy PN H e−y(T )T = PN H (1 − PD (T ))e−y(T )T , z toho plyne PD (T ) = 1 − e−(y(T )−y(T ))T
(2.4.1)
Nyn´ı jsme nepˇredpokl´adali n´avratnost v okamˇziku defaultu, to ovˇsem nen´ı realistick´e.Pokud protistrana selˇze, potom m´a vˇeˇritel pr´avo vym´ahat sv´e pohled´avky na aktivech, kter´a prostistranˇe jeˇstˇe zbyla. V´ yˇsi vym´ahan´e ˇc´astky (pˇredem dan´e procento z celkov´e v´ yˇse n´arok˚ u) si zadefinujeme jako recovery rate, kterou vˇeˇritel obdrˇz´ı v okamˇziku defaultu. Pˇri zvyˇsov´an´ı recovery rate se kreditn´ı riziko sniˇzuje, nikoliv zanik´a. Oznaˇcme si RR jako recovery rate, potom hodnota CP je (1 − PD (T ))PN H e−y(T )T + PD (T ) · PN H · RR · e−y(T )T , 24
takˇze PN H e−y(T )T = (1 − PD (T ))PN H e−y(T )T + PD (T ) · PN H · RR · e−y(T )T , coˇz d´av´a PD (T ) =
2.4.4
1 − e−(y(T )−y(T ))T . 1 − RR
Kreditn´ı migrace a korelace
Jiˇz jsme se zm´ınili o tom, ˇze kreditn´ı riziko nen´ı pouze rizikem selh´an´ı protistrany, ale tak´e zmˇena ratingu protistrany. Za urˇcit´e obdob´ı maj´ı nˇekter´e CP tendenci mˇenit sv˚ uj rating. To se naz´ yv´a migrace kreditn´ıch rating˚ u (angl. credit ratings migration). Z historick´ ych dat se, napˇr. pomoc´ı Markovovsk´ ych ˇretˇezc˚ u (Definice 10), vytvoˇr´ı pˇrechodov´a matice rating˚ u (Definice 12) , jej´ıˇz sloˇzky jsou pravdˇepodobnosti pˇrechodu (Definice 11) z jedn´e kategorie do jin´e za dan´e obdob´ı. Obvykle se pro potˇreby mˇeˇren´ı kreditn´ıho rizika pouˇz´ıv´a perioda jeden rok. Term´ın korelace defaultu se pouˇz´ıv´a k pops´an´ı vz´ajemn´e z´avislosti selh´an´ı dvou spoleˇcnost´ı v nˇejak´em dostateˇcnˇe kr´atk´em intervalu. Existuje spousta d˚ uvod˚ u, proˇc tato korelace nen´ı nulov´a. Spoleˇcnosti mohou podnikat ve stejn´em odvˇetv´ı, ve stejn´em regionu, mohou b´ yt stejnˇe zasaˇzeny nˇejakou mimoˇr´adnou ud´alost´ı. Pˇredpokl´adejme dvˇe spoleˇcnosti X a Y. Ratingov´e agentury obvykle poˇc´ıtaj´ı korelaˇcn´ı koeficient takto PX,Y (t) − PX (t)PY (t) ρX,Y (t) = p , [PX (t) − PX (t)2 ][PY (t) − PY (t)2 ]
(2.4.2)
kde PX,Y (t) je sdruˇzen´a pravdˇepodobnost toho, ˇze X a Y selˇzou v ˇcase t = 0, . . . , T a PX (t) je pravdˇepodobnost selh´an´ı spoleˇcnosti X v ˇcase t, analogicky pro spoleˇcnost Y. Funkce ρX,Y je z´avisl´a na ˇcase a obvykle se korelaˇcn´ı koeficient s pˇrib´ yvaj´ıc´ım ˇcasem zvyˇsuje. Dalˇs´ı metoda mˇeˇren´ı korelaˇcn´ıho koeficientu vyuˇz´ıv´a pravdˇepodobnostn´ıho rozdˇelen´ı doby do selh´an´ı. Pˇredpokl´adejme tX a tY jsou doby do selh´an´ı spoleˇcnost´ı X a Y. Promˇenn´e tX a tY nemaj´ı norm´aln´ı rozdˇelen´ı. Nicm´enˇe zX (tX ) = Φ−1 [PX (tX )]
a
zY (tY ) = Φ−1 [PY (tY )]
jsou funkcemi tX a tY , kter´e uˇz maj´ı norm´aln´ı rozdˇelen´ı. V tomto pˇr´ıpadˇe pˇredpokl´ad´ame, ˇze zX (tX ) a zY (tY ) maj´ı dvojrozmˇern´e norm´aln´ı rozdˇelen´ı. Takˇze sdruˇzen´e pravdˇepodobnostn´ı rozdˇelen´ı dob do selh´an´ı lze vyj´adˇrit pravdˇepodobnostn´ım rozdˇelen´ım PX (tX ) promˇenn´e tX , pravdˇepodobnostn´ım rozdˇelen´ım PY (tY ) promˇenn´e tY a korelaˇcn´ıho koeficientu mezi ρX,Y (tX , tY ). Tento pˇredpoklad n´as vede k pouˇz´ıv´an´ı tzv. Gaussovsk´e kopule. 25
Gaussovsk´a kopule m˚ uˇze b´ yt rozˇs´ıˇrena na libovolnˇe koneˇcnˇe velk´e mnoˇzstv´ı spoleˇcnost´ı. Pˇredpokl´adejme k spoleˇcnost´ı a ti je doba do selh´an´ı i-t´e spoleˇcnosti. Definujme Pi (ti ) jako pravdˇepodobnostn´ı rozdˇelen´ı ti a zi (ti ) = Φ−1 [Pi (ti )],
(2.4.3)
pro 1 ≤ i ≤ k a pˇredpokl´ad´ame, ˇze zi (ti ) maj´ı mnohorozmˇern´e norm´aln´ı rozdˇelen´ı. Pˇr´ıstup Gaussovsk´e kopule je velmi uˇziteˇcn´ y zp˚ usob jak reprezentovat korelaˇcn´ı strukturu mezi promˇenn´ ymi, kter´e nejsou norm´alnˇe rozdˇelen´e. Umoˇzn ˇuje oddˇelen´ y odhad korelac´ı promˇenn´ ych z jejich margin´aln´ıch rozdˇelen´ı. Aˇckoliv jednotliv´e promˇenn´e nemaj´ı mnohorozmˇern´e norm´aln´ı rozdˇelen´ı, jejich transformace norm´alnˇe rozdˇelen´e jsou.
2.5 2.5.1
Nejzn´ amˇ ejˇ s´ı metody mˇ eˇ ren´ı kreditn´ıho VaR CreditMetrics
V roce 1997 vyvinula banka J.P. Morgan metodu zvanou CreditMetrics pro v´ ypoˇcet kreditn´ıho VaR. Tato pr´ace vyˇsla rok pot´e, co J.P. Morgan uvedl svou prvn´ı stˇeˇzejn´ı pr´aci o v´ ypoˇctu trˇzn´ıho VaR zvanou RiskMetrics. Tento model patˇr´ı do kategorie mark-to-market, coˇz znamen´a, ˇze nerozdˇelujeme stav protistrany pouze na selhal-neselhal, ale za urˇcit´e obdob´ı zjiˇst’ujeme, v jak´e ratingov´e kategorii se dluˇzn´ık nach´az´ı, napˇr. i v Defaultu. CreditMetrics zahrnuje odhad pravdˇepodobnostn´ıho rozdˇelen´ı kreditn´ıch ztr´at simulov´an´ım zmˇen kreditn´ıch rating˚ u pro kaˇzdou protistranu. Pˇredpokl´adejme, ˇze chceme stanovit pravdˇepodobnostn´ı rozdˇelen´ı ztr´at bˇehem jednoho roku. Pˇri kaˇzd´e simulaci stanovujeme zmˇenu kreditn´ıho ratingu protistrany a tak´e zmˇeny trˇzn´ıch promˇenn´ ych. Pˇreceˇ nujeme naˇse nezaplacen´e pohled´avky pˇri stanoven´ı celkov´ ych kreditn´ıch ztr´at ze selh´an´ı a zmˇen kreditn´ıho ratingu. Tento pˇr´ıstup je mnohem komplikovanˇejˇs´ı neˇz CreditRisk+, kter´ y modeluje pouze okamˇziky selh´an´ı. CreditMetrics m˚ uˇze sledovat zmˇeny kreditn´ıho ratingu bˇehem kratˇs´ıho obdob´ı, napˇr. mˇes´ıc, coˇz usnadˇ nuje zpˇresnˇen´ y pˇrehled o potenci´aln´ıch kreditn´ıch ztr´at´ach za cel´ y rok a poskytuje lepˇs´ı informovanost o protistranˇe. M˚ uˇzeme zahrnout podm´ınku, ˇze ztr´ata nastane pouze kdyˇz se protistrana dostane ze sv´eho st´avaj´ıc´ıho ratingu, napˇr. A, pˇr´ımo na Default. Pro stanoven´ı kreditn´ıch ztr´at, kreditn´ıch zmˇen pro r˚ uzn´e protistrany, bychom nemˇeli pˇredpokl´adat vz´ajemnou nez´avislost. CreditMetrics vyuˇz´ıv´a Gaussovsk´e kopule k modelov´an´ı zmˇen rating˚ u mnoha r˚ uzn´ ych protistran. Vyˇzadujeme pˇredpoklad, ˇze korelace mezi dvˇema norm´aln´ımi n´ahodn´ ymi 26
promˇenn´ ymi odpov´ıdaj´ıc´ı dvˇema protistran´am je stejn´a, jako korelace mezi cenami jejich akci´ı. V pˇr´ıpadˇe portfolia dvou nebo v´ıce obligac´ı pro analytick´ y v´ ypoˇcet smˇerodatn´e odchylky staˇc´ı zn´at pravdˇepodobnostn´ı tabulku spoleˇcn´ ych migrac´ı. Pravdˇepodobnosti spoleˇcn´ ych migrac´ı lze urˇcit na z´akladˇe historick´e tabelace, historick´ ych trˇzn´ıch spread˚ u a nebo na z´akladˇe opˇcn´ıho modelu kreditn´ıho rizika spolu s historick´ ymi daty. Credit at Risk CreditMetrics je komplexn´ı pˇr´ıstup k odhadov´an´ı Credit at Risk (d´ale jen CaR). Odhad CaR je aplikac´ı m´ıry VaR na odhad kreditn´ıho rizika. Asymetrick´e pravdˇepodobnostn´ı rozdˇelen´ı zisk˚ u a ztr´at je d˚ usledkem existence kreditn´ıho rizika. Asymetrie je zp˚ usobena t´ım, ˇze pravdˇepodobnost zmˇeny ratingu protistrany vykazuj´ıc´ı ztr´atu je mnohem vˇetˇs´ı, neˇz pravdˇepobnost zmˇeny ratingu vykazuj´ıc´ı zisk. A proto je norm´aln´ı rozdˇelen´ı jeˇstˇe m´enˇe informativn´ı (m´enˇe pouˇziteln´e), neˇz tomu bylo u trˇzn´ıho rizika. Takˇze metoda variance a kovariance pro kreditn´ı riziko CaRt,α = uα σt P0
(2.5.1)
je jen hrub´ ym odhadem opravdov´eho rizika, kter´emu je banka vystavena. Nyn´ı si rozebereme postup, jak´ ym CreditMetrics odhaduje CaR pro jednu obligaci. 1. V naˇsem modelu vznik´a riziko nejen ze selh´an´ı, ale i ze zmˇeny kreditn´ıho ratingu. Proto si nejdˇr´ıve urˇc´ıme pravdˇepodobnost selh´an´ı i r˚ uzn´e pravdˇepodobnosti migrace do jin´ ych ratingov´ ych kategori´ı. Napˇr. pro obligaci s ratingem BBB.
BBB
BBB rating 0.02% 0.33% 5.95% 86.93% 5.30% 1.17% 0.12% 0.18% 100.00%
AAA AA A BBB BB B CCC D
Obr´ azek 2.4: Migrace obligace BBB2 2. V prvn´ım kroku jsme si urˇcili pravdˇepodobnosti migrace. V dalˇs´ım kroku urˇc´ıme procento z celkov´e ˇc´astky, kter´e bude vˇeˇriteli vyplaceno 2
Obr´ azek 2.4 je pˇrevzat z [12].
27
v pˇr´ıpadˇe defaultu. To znamen´a, ˇze ohodnot´ıme klienta na z´akladˇe r˚ uzn´ ych podklad˚ u, jak uˇz bylo zm´ınˇeno. CreditMetrics nab´ız´ı 5 moˇzn´ ych kategori´ı ohodnocen´ı klienta podle jejich z´avislosti na defaultu - Senior Secured, Senior Unsecured, Senior Subordinated, Subordinated, Junior Subordinated. 3. D´ale vypoˇc´ıt´ame tabulku alternativn´ıch hodnot pro sestup (resp. vzestup) na jin´ y ratingov´ y stupeˇ n. Tabulka n´am ˇr´ık´a, jak´a by byla cena obligace, kdyby zmˇenila sv˚ uj rating na jin´ y. Pˇri v´ ypoˇctu tˇechto cen se pouˇz´ıvaj´ı nulov´e sazby bekup´onov´ ych obligac´ı, kter´e jsou kategorizov´any dle splatnosti a ratingu. 4. Nyn´ı m´ame vˇsechny informace, kter´e jsme potˇrebovali zn´at k odhadu volatility. Zn´ame-li cenu obligace pro kaˇzd´ y rating a pravdˇepodobnost migrace kaˇzd´eho ratingu, pak m˚ uˇzeme pouˇz´ıt v´ ypoˇcet stˇredn´ı hodnoty ceny obligace vzhledem k r˚ uzn´ ym sc´en´aˇr˚ um (v naˇsem pˇr´ıpadˇe 8 sc´en´aˇr˚ u) E[S] = pAAA SAAA + · · · + pCCC SCCC + pD SD ,
(2.5.2)
kde pi je pravdˇepodobnost zmˇeny ratingu na rating i a Si je cena obligace pˇri z´ısk´an´ı ratingu i. A rozptyl tohoto rozdˇelen´ı !2 X X 2 2 (2.5.3) Srating prating , σ (S) = Srating prating − rating
rating
potom m˚ uˇzeme CaR odhadnout jako CaRt,α = uα σt S0 ,
(2.5.4)
kde S0 je poˇc´ateˇcn´ı hodnota. V´ yˇse uveden´ y postup je pouze pro jednu obligaci, nyn´ı budeme pˇredpokl´adat portfolio o dvou obligac´ıch. 1. Stejnˇe jako u portfolia o jedn´e obligaci si sestroj´ıme tabulku migrace, ale tentokr´at zde budou sdruˇzen´e migraˇcn´ı pravdˇepodobnosti. Z definice nez´avislosti n´ahodn´ ych veliˇcin plyne, ˇze pokud jsou dvˇe n´ahodn´e veliˇciny nez´avisl´e, potom se sdruˇzen´e pravdˇepodobnosti rovnaj´ı souˇcinu pravdˇepodobnost´ı margin´aln´ıch. Pokud jsou tyto veliˇciny korelovan´e, potom CreditMetrics uˇz´ıv´a techniku dˇel´ıc´ıch bod˚ u. Pokud nejsou korelovan´e, m˚ uˇzeme se sdruˇzen´ ymi pravdˇepodobnostmi, kter´e zn´ame, postupovat jako v pˇr´ıpadˇe pro jednu obligaci. Stˇredn´ı hodnotu vypoˇc´ıt´ame jako E[X +Y ] = pA,A (XA +YA )+pA,BBB (XA +YBBB )+· · ·+pD,D (XD +YD ), 28
kde pi,j je sdruˇzen´a pravdˇepodobnost s ratingem i pro cenu X a ratingem j pro cenu Y . Pro i rating˚ u je tedy i2 sˇc´ıtanc˚ u. Obdobnˇe pro rozptyl plat´ı σ 2 (X + Y ) = E[(X + Y )2 ] − (E[X + Y ])2 . CaR odhadneme jako
CaRt,α = uα σt (X0 + Y0 ).
(2.5.5)
2. Pˇredpokl´adejme, ˇze se zmˇen´ı trˇzn´ı hodnota aktiv protistrany (emiˇ ım vyˇsˇs´ı (resp.niˇzˇs´ı) je tenta), potom se zmˇen´ı rating protistrany. C´ hodnota aktiv, t´ım lepˇs´ı (resp. horˇs´ı) rating. CreditMetrics vych´az´ı z p´asem pro hodnotu aktiv urˇcuj´ıc´ı rating S&P, kter´e odpov´ıdaj´ı statistick´ ym pravdˇepodobnostem zmˇen ratingu. Pˇresnˇeji ˇreˇceno, je-li σ smˇerodatn´a odchylka (roˇcn´ı) zmˇeny hodnoty aktiv podniku s ratingem napˇr. BB, je d´ano jak´a zmˇena RA hodnoty aktiv vyj´adˇren´a jako n´asobek σ zp˚ usob´ı zhorˇsen´ı nebo zlepˇsen´ı ratingu. Oznaˇcme si jednotliv´a p´asma jako Z = (ZAAA , ZAA , . . . , ZD ), kter´a maj´ı n´asleduj´ıc´ı vlastnosti RA < ZD ⇒ selh´an´ı protistrany .. . ZAA < RA < ZAAA ⇒ zmˇena ratingu na AA ZAAA < RA ⇒ zv´ yˇsen´ı ratingu na AAA.
D´ale necht’ pravdˇepodobnosti, se kterou nastanou zmˇeny ratingu jsou pops´any v´ ybˇerov´ ymi pravdˇepodobnostmi P = (PAAA , PAA , . . . , PD ). Symbolicky zap´ıˇseme ZD RA PD = P > , σ σ .. . RA ZAAA ZAA < < , PAA = P σ σ σ ZAAA RA PAAA = P , < σ σ podle definice distribuˇcn´ı funkce a oznaˇcen´ı distribuˇcn´ı funkce norm´aln´ıho rozdˇelen´ı m˚ uˇzeme ps´at ZD PD = Φ , σ .. . ZA ZAA PAA = Φ −Φ , σ σ ZAAA PAAA = 1 − Φ . σ 29
Postup na BBB
Snížení na B
Společnost zůstane BB
Selhání společnosti
Z CCC
ZB
ZBBB
ZA
Z AA
Z AAA
Obr´ azek 2.5: Rozdˇ elen´ı v´ ynos˚ u s dˇ el´ıc´ımi body. Zde si m˚ uˇzeme povˇsimnout, ˇze pro zmˇenu ratingu je urˇcuj´ıc´ı tzv. standartizovan´a zmˇena RσA ∼ N (0, 1). Ty jsou odvozeny z tabulky migraˇcn´ıch pravdˇepodobnost´ı. Pro v´ıce protistran je tˇreba zn´at pouze korelace zmˇen jejich aktiv, stejn´e korelace maj´ı totiˇz standardizovan´e zmˇeny, jejichˇz smˇerodatn´e odchylky jsou rovny 1. 3. Jiˇz jsme zm´ınili, ˇze pro v´ıce protistran je tˇreba zn´at korelace. Tu nem˚ uˇzeme odhadnout pˇr´ımo z pozorovan´ ych dat. Korelace m˚ uˇzeme odhadnout na z´akladˇe trˇzn´ı hodnoty aktiv protistrany, napˇr. cen akci´ı nebo pomoc´ı jednoho ˇci v´ıce sektorov´ ych index˚ u. Zn´ame-li tedy v´ ychoz´ı rating vˇsech protistran z naˇseho portfolia, korelace roˇcn´ıch zmˇen jejich aktiv, migraˇcn´ı tabulku, potom pravdˇepodobnostn´ı rozdˇelen´ı lze jiˇz jednoduˇse urˇcit pomoc´ı simulace Monte Carlo, popˇr. analytick´ ym odhadem. Pˇri simulaci nejprve generujeme moˇzn´e budouc´ı standardizovan´e zmˇeny hodnoty aktiv naˇsich protistran. Pˇritom vych´az´ıme z dan´ ych korelac´ı. V kaˇzd´em sc´en´aˇri pak urˇc´ıme rating vˇsech protistran a hodnotu naˇseho portfolia. Omezit shora poˇcet sc´en´aˇr˚ u, kter´e je poˇc´ıtaˇc schopen generovat, je pˇri rychl´em v´ yvoji techniky tˇeˇzk´e, ale pˇredpokl´adejme, ˇze v ˇr´adu 107 . Na z´akladˇe tˇechto v´ ypoˇct˚ u sestav´ıme histogram a odeˇcteme poˇzadovan´e parametry - stˇredn´ı hodnotu, smˇerodatnou odchylku, kvantily, VaR,. . . V praxi je zapotˇreb´ı uvaˇzovat portfolio o obecnˇe o N obligac´ıch, kde N ≥ 2. Tento probl´em se d´a vyˇreˇsit pomoc´ı transformace na probl´em portfoli´ı o dvou sloˇzk´ach, kter´ y je rozebr´an v [3].
2.5.2
CreditRisk+
Druh´ y pˇr´ıstup je zaloˇzen na metodologii navrhnut´e bankou Credit Suisse Financial Products v roce 1997 a byl pojmenov´an CreditRisk+ (tak´e Credit Risk Plus). Tento pˇr´ıstup vyuˇz´ıv´a postupy zaveden´e v pojiˇst’ovnictv´ı (napˇr.
30
bonusov´e a malusov´e syst´emy v pojiˇstˇen´ı automobil˚ u). Je to model spadaj´ıc´ı do kategorie default-mode. Pˇredpokl´adejme, ˇze banka, nebo finanˇcn´ı instituce, m´a N protistran urˇcit´eho typu a pravdˇepodobnost jejich selh´an´ı je p v ˇcase T . Pˇredpokl´adan´ y poˇcet selh´an´ı cel´eho portfolia je ϑ = N · p. D´ale pˇredpokl´adejme, ˇze selh´an´ı jsou nez´avisl´e a p << 1. Pravdˇepodobnost k selh´an´ı je d´ana hustotou Poissonova rozdˇelen´ı s parametrem ϑ jako P (N = k) =
e−ϑ ϑk . k!
(2.5.6)
To m˚ uˇzeme jeˇstˇe spojit s pravdˇepodobnostn´ım rozdˇelen´ım minul´ ych ztr´at na jednotliv´ ych dluˇzn´ıc´ıch, abychom obdrˇzeli pravdˇepodobnostn´ı rozdˇelen´ı veˇsker´ ych ztr´at ze selh´an´ı. K zpˇresnˇen´ı odhadu pravdˇepodobnostn´ıho rozdˇelen´ı ztr´at z jednotliv´ ych selh´an´ı m˚ uˇzeme jeˇstˇe zahrnout pravdˇepodobnostn´ı rozdˇelen´ı kreditn´ı expozice a pˇrizp˚ usobit vzhledem k historick´ ym recovery rates. Pokud jsou splnˇeny tyto pˇredpoklady, potom m˚ uˇze b´ yt pravdˇepodobnostn´ı rozdˇelen´ı celkov´ ych ztr´at analyticky spoˇcteno. Pro zaveden´ı obecnˇejˇs´ıch pˇredpoklad˚ u m˚ uˇzeme k v´ ypoˇctu vyuˇz´ıt jiˇz zm´ınˇenou metodu Monte Carlo u trˇzn´ıho VaR. V praxi je pro banku nezbytn´e posuzovat nˇekolik kategori´ı protistran. Takˇze anal´ yza pradvˇepodobnostn´ıch rozdˇelen´ı se mus´ı aplikovat na kaˇzdou kategorii zvl´aˇst’ a v´ ysledky se potom slouˇc´ı. T´ım dostaneme celkovou ztr´atu portfolia. Probl´em spoˇc´ıv´a v tom, ˇze kreditn´ı VaR se narozd´ıl od trˇzn´ıho mˇeˇr´ı jednou za rok. To implikuje velkou zmˇenu v default rates, kter´a mezi roky 1979 a 1990 ˇcinila v´ıce jak 3% (uvedeno v [8]).
2.5.3
KMV
S modelem KMV pˇriˇsla spoleˇcnost KMV Corporation. KMV tak´e patˇr´ı do skupiny model˚ u default-mode, coˇz znamen´a, ˇze kreditn´ı riziko plyne pˇr´ımo ze selh´an´ı. Pravdˇepodobnost selh´an´ı je spojena se strukturou aktiv a pasiv protistrany. Od ostatn´ıch model˚ u se KMV liˇs´ı t´ım, ˇze neodhaduje ekonomick´ y kapit´al pomoc´ı VaR, ale na z´akladˇe anal´ yz. Z´asadn´ım pojmem KMV je oˇcek´avan´a frekvence selh´an´ı (angl. expected default frequency), coˇz je pravdˇepodobnost selh´an´ı jednotliv´ ych protistran. Pro odhadnut´ı t´eto frekvence je zapotˇreb´ı odhadnout bod selh´an´ı, kter´ y je d´an souˇctem kr´atkodob´ ych a poloviny dlouhodob´ ych dluh˚ u. Pokud se protistrana udrˇz´ı nad touto hranic´ı, nedoch´az´ı k selh´an´ı. Bod selh´an´ı se d´a tak´e definovat jako kvantil. KMV odhaduje vzd´alenost od bodu selh´an´ı, kter´a se rovn´a rozd´ılu mezi oˇcek´avanou hodnotou aktiva a hodnotou pˇri kter´e doˇslo k selh´an´ı. Coˇz
31
m˚ uˇzeme statisticky interpretovat jako rozd´ıl mezi stˇredn´ı hodnotou a kvantilem. Na z´akladˇe mnoha historick´ ych dat je urˇcen vztah mezi vzd´alenost´ı do selh´an´ı a oˇcek´avanou frekvenc´ı selh´an´ı. KMV tak´e urˇc´ı oˇcek´avanou souˇcasnou hodnotu penˇeˇzn´ıch tok˚ u pro jednotliv´a aktiva, korelaci v´ ynosnosti aktiv a odhad rozdˇelen´ı ztr´at, ze kter´eho spoˇc´ıt´a kreditn´ı riziko zadan´eho portfolia.
2.6 2.6.1
Riziko a kapit´ alov´ a pˇ rimˇ eˇ renost Basel I
Basilejsk´a komise pˇripravila prvn´ı verzi n´avrhu Smlouvy o kapit´alov´e pˇrimˇeˇrenosti jiˇz v prosinci 1987. Byl to v´ ysledek dlouholet´e spolupr´ace s centr´aln´ımi bankami zem´ı G10. V ˇcervenci 1988 byla vyd´ana koneˇcn´a verze Basel I1 . Smlouva mˇela platnost jiˇz od sv´eho vyd´an´ı, pˇriˇcemˇz vˇsechna pravidla a poˇzadavky mˇely b´ yt zavedeny do roku 1992 (tzv. ,,pˇrechodn´e obdob´ı“). D˚ uvodem vytvoˇren´ı pravidel pro minim´aln´ı kapit´al banky byla zm´ınˇen´a snaha zv´ yˇsit spolehlivost a rovnov´ahu mezin´arodn´ıho bankovn´ıho syst´emu. Dalˇs´ım d˚ uvodem bylo rovn´e podnik´an´ı se stejn´ ymi podm´ınkami pro vˇsechny banky. Basel I mˇel b´ yt pouˇziteln´ y pro banky v zem´ıch cel´eho svˇeta a z´aroveˇ n mˇela b´ yt pravidla v r˚ uzn´ ych zem´ıch konzistentn´ı a neumoˇzn ˇovat velk´e konkurenˇcn´ı nerovnosti mezi jednotliv´ ymi bankami. Poˇzadavky Basilejsk´e smlouvy se t´ ykaj´ı pˇredevˇs´ım bank v ˇclensk´ ych zem´ıch Basilejsk´e komise. Nyn´ı plat´ı i pro zemˇe EU, kter´a Baselu I vyuˇzila ve sv´e direktivˇe. Smlouva z roku 1988 vyˇzaduje od mezin´arodnˇe aktivn´ıch bank zem´ı G10, aby udrˇzely kapit´al minim´alnˇe na 8% celkov´ ych aktiv mˇeˇren´ ych r˚ uzn´ ymi zp˚ usoby vzhledem k jejich rizikovosti (RWA) - tzv. kapit´alov´a pˇrimˇeˇrenost (CAD). Kapit´ al CAD = ≥ 8% (2.6.1) RW A Definice kapit´alu je stanovena (obecnˇe) dvˇema vrstvami (angl. tiers). Tier 1 je vlastn´ı kapit´al akcion´aˇr˚ u a zadrˇzen´e pˇr´ıjmy. Tier 2 jsou dodateˇcn´e vnitˇrn´ı a vnˇejˇs´ı zdroje dostupn´e bance. Banka mus´ı udrˇzet alespoˇ n polovinu mˇeˇren´eho kapit´alu v Tier 1 (minim´alnˇe tedy 4%). Basel I jeˇstˇe nekategorizuje pohled´avky podle extern´ıch rating˚ u, kter´e zav´ad´ı aˇz pokroˇcilejˇs´ı Basel II. Basel I pˇriˇrazuje rizikov´e v´ahy jednoduˇseji, napˇr. podniky, banky, ale i zemˇe r˚ uzn´ ych skupin. Jiˇz zm´ınˇen´ y minim´aln´ı kapit´al je hranic´ı, pod kterou nesm´ı kapit´al banky za ˇz´adn´ ych okolnost´ı klesnout. Oˇcek´av´a se, ˇze banky budou udrˇzovat vyˇsˇs´ı neˇz poˇzadovanou hladinu kapit´alu, aby se vyhnuly n´ahl´emu navyˇsov´an´ı za nepˇr´ızniv´eho v´ yvoje rizikov´eho profilu banky. Basel I ponech´av´a regul´ator˚ um 1
cel´ ym n´ azvem ”International Convergence of Capital Measurements and Capital Standards”
32
pravomoc poˇzadovat vyˇsˇs´ı kapit´al, pokud dojdou k z´avˇeru, ˇze tomu rizikov´ y profil banky odpov´ıd´a. K z´asadn´ı u ´pravˇe v Basel I doˇslo v roce 1996, kdy byla vyd´ana koneˇcn´a verze dodatku2 . Na z´akladˇe tohoto dodatku byly obchodn´ı aktivity banky vyjmuty z kreditn´ıho rizika a byl pro nˇe vytvoˇren speci´aln´ı kapit´alov´ y poˇzadavek. Basilejsk´a komise se snaˇzila zohlednit odliˇsnost mezi kreditn´ım a trˇzn´ım rizikem a l´epe tak propojit kapit´alov´ y poˇzadavek se skuteˇcn´ ym rizikem banky. Banky toto musely zav´est do konce roku 1997. Trˇzn´ı riziko bylo v dodatku zadefinov´ano jako riziko ztr´aty v rozvahov´ ych i podrozvahov´ ych pozic´ıch z d˚ uvodu pohybu trˇzn´ıch cen. Upraven´ y kapit´alov´ y poˇzadavek tak pokr´ yv´a zejm´ena obchody s finanˇcn´ımi instrumenty, kter´e jsou v´azan´e na u ´rokov´e sazby, obchody s CP aj. Rizikovost banky je hodnocena na z´akladˇe velikosti otevˇren´ ych pozic v tˇechto instrumentech. Tento dodatek umoˇznil bank´am k v´ ypoˇctu kapit´alov´e pˇrimˇeˇrenosti pouˇz´ıt sv´e vnitˇrn´ı pˇr´ıstupy. Vytvoˇren´ı tohoto dodatku je prvn´ım momentem v historii v´ ypoˇctu kapit´alov´e pˇrimˇeˇrenosti, kdy je bank´am d´ana moˇznost vyuˇz´ıt sv´e intern´ı pˇr´ıstupy. Na rozd´ıl od kreditn´ıho rizika, kde je zp˚ usob v´ ypoˇctu kapit´alov´eho poˇzadavku striktnˇe nadefinov´an Basilejskou komis´ı. U trˇzn´ıho rizika je bank´am ponech´ana moˇznost si zvolit mezi dvˇema metodami. Standardizovan´a metoda pouˇz´ıv´a podobn´ y pˇr´ıstup jako u kreditn´ıho rizika. Pokroˇcil´a metoda umoˇzn ˇuje bank´am vyuˇz´ıvat sv´e v´ ypoˇcty a modely. Banky musej´ı splnit ˇradu poˇzadavk˚ u na kvalitu tˇechto model˚ u i na vyspˇelost ˇr´ızen´ı rizik. Intern´ı modely jsou vˇetˇsinou zaloˇzeny na metodˇe VaR. Vzhledem k rychl´emu v´ yvoji se Basel I dostal do konfliktu se sofistikovanˇejˇs´ımi zp˚ usoby v´ ypoˇct˚ u a modelov´an´ı rizik. Hlavn´ımi faktory ve v´ yvoji rizika bank jsou pˇredevˇs´ım rostouc´ı nab´ıdka poskytovan´ ych produkt˚ u a sluˇzeb, komplexita finanˇcn´ıch transakc´ı, propojenost bankovn´ıho sektoru a nov´e metody ˇr´ızen´ı vˇsech druh˚ u rizik. V okamˇziku, kdy se tyto okolnosti staly ned´ılnou souˇc´ast´ı bankovn´ıho prostˇred´ı, v´ ypoˇcet kapit´alov´eho poˇzadavku nejjednoduˇsˇs´ı metodou rizikovˇe v´aˇzen´ ych aktiv se stal velmi nepˇresn´ ym odhadem skuteˇcn´eho rizika banky. Tyto nepˇresnosti jsou tak´e zp˚ usobeny t´ım, ˇze Basel I pokr´ yv´a hlavnˇe kreditn´ı riziko, kter´e je pro banku dominantn´ı, takˇze se pˇredpokl´adalo, ˇze prostˇredky na pokryt´ı kreditn´ıho rizika pokryj´ı i vˇsechna ostatn´ı rizika. Ta se ale v budoucnu uk´azala b´ yt velmi v´ yznamn´ ymi. Dalˇs´ı probl´em spojen´ y s v´ yvojem ˇr´ızen´ı rizik v ˇcase je n´ızk´a motivace ke zlepˇsov´an´ı ˇr´ızen´ı veˇsker´ ych rizik, v´ yvoji sv´ ych intern´ıch syst´em˚ u. Zaˇcal se tak´e prohlubovat rozd´ıl mezi ekonomick´ ym a regulatorn´ım kapit´alem. 2
v cel´em znˇen´ı ”Amendment to the Capital Accord to incorporate market risks”
33
2.6.2
Basel II
C´ıle nov´e smlouvy Basel II - jak je navrhnuto Basilejskou komis´ı - jsou: • Podpora ochrany a spolehlivosti finanˇcn´ıho syt´emu • Zv´ yˇsit konkurenˇcn´ı rovnost • Stanovit v´ıce komplexn´ı pˇr´ıstup ke zmiˇ novan´ ym rizik˚ um • Rozvinout pˇr´ıstupy ke kapit´alov´e pˇrimˇeˇrenosti, kter´e jsou n´aleˇzitˇe citliv´e ke stupni pˇr´ısluˇsn´eho rizika bankovn´ıch pozic a aktivit • Zamˇeˇren´ı se na mezin´arodnˇe aktivn´ı banky a z´aroveˇ n zachovat z´akladn´ı principy pouˇziteln´e pro aplikaci na banky r˚ uzn´ ych u ´rovn´ı komplexnosti a informovanosti. K dosaˇzen´ı tˇechto c´ıl˚ u Basel II mˇeˇr´ı kapit´alovou pˇrimˇeˇrenost n´asleduj´ıc´ım vztahem: CAD =
Kapit´al Kreditn´ı riziko + Trˇzn´ı riziko + Operaˇcn´ı riziko
(2.6.2)
s r˚ uzn´ ymi pˇr´ıstupy k mˇeˇren´ı jednotliv´ ych rizik. Zp˚ usob, jak´ ym je Basel II strukturov´an, se soustˇred’uje na mˇeˇren´ı rizik, kter´ ym banka ˇcel´ı, a hodnocen´ı pravdˇepodobnosti insolvence. Basel II pˇredstavuje pokroˇcilejˇs´ı metody v´ ypoˇctu kreditn´ıho rizika a kapit´alov´ y poˇzadavek na operaˇcn´ı riziko (napˇr. riziko zkolabov´an´ı poˇc´ıtaˇcov´e s´ıtˇe, podvody,. . . ). V dneˇsn´ı dobˇe mnoho bank alokuje 20% nebo i v´ıc ze sv´eho kapit´alu pr´avˇe na pokryt´ı tohoto rizika. V Basel II jsou v´ahy rizika pˇredefinov´any odkazem na rating pˇripraven´ y extern´ı u ´vˇerovou vymˇeˇrovac´ı instituc´ı (ratingov´a agentura), kter´a vyhovuje pˇr´ısn´ ym standard˚ um, nebo spolehnut´ım se na intern´ı pokroˇcil´e pˇr´ıstupy k metod´am v´ ypoˇctu (tzv. IRB pˇr´ıstupy), u kter´ ych banky pˇripravuj´ı vstupy pro v´ahy rizik. Portfoliov´ y pˇr´ıstup byl pˇrevzat mˇeˇren´ım rizik, tzn. aktiva rozdˇelit do 4 skupin (0%, 20%, 50% a 100%) vzhledem ke kategorii protistrany (standartizovan´ y pˇr´ıstup). ´ er.kvalita AAA do AA- A+ do A- BBB+ do BB- Pod BB- Neohodnoc. Uvˇ V´ ahy rizika 20% 50% 100% 150% 100%
Tabulka 2.2: Rizikov´ e v´ ahy pro podnikov´ e expozice To znamen´a, ˇze nˇejak´a aktiva (v podstatˇe banky drˇz´ıc´ı vl´adn´ı aktiva jako pokladniˇcn´ı pouk´azky - T-Bills a dluhopisy ) nemaj´ı kapit´alov´e poˇzadavky. IRB pˇr´ıstup (Internal Ratings Based Approach), jak plyne z n´azvu, je syst´em ratingu, kter´ y si internˇe banka vypracuje pod dohledem regul´atora. 34
Pˇredpis v´ ypoˇctu IRB je vytvoˇren pro portfolia p˚ ujˇcek velk´ ych mezin´arodn´ıch bank. Banka rozdˇel´ı sv´a aktiva do 14 r˚ uzn´ ych tˇr´ıd a aplikuje v´ ypoˇcet IRB na 13 z nich (vˇsechny kromˇe kmenov´ ych akci´ı). Banky d´ale rozdˇel´ı tyto tˇr´ıdy podle ratingu dluˇzn´ık˚ u, ale musej´ı regul´ator˚ um prok´azat, ˇze jejich postupy jsou dostateˇcnˇe robustn´ı. Pro kaˇzd´ y rating si banka pˇriprav´ı kl´ıˇcov´e promˇenn´e, kter´e pak dosad´ı do rovnice v´ ypoˇctu IRB. Zjednoduˇsenˇe m˚ uˇzeme tuto rovnici zapsat jako CADIRB = LGD · CADV · M, (2.6.3) kde LGD je m´ıra ztr´aty pˇri selh´an´ı - pod´ıl ztracen´ ych aktiv pˇri selh´an´ı (angl. Loss Given Default). M je upraven´a pr˚ umˇern´a splatnost p˚ ujˇcky a CADV je celkov´ y poˇzadovan´ y kapit´al v podobˇe procenta z aktiv stanoven´ y tzv. Vaˇs´ıˇckovou formul´ı definovanou jako −1 √ Φ (PD ) + Φ−1 (α) ρV √ CADV = Φ , (2.6.4) 1 − ρV kde α je hladina spolehlivosti, PD je pravdˇepodobnost selh´an´ı a ρV je korelace v´ ynos˚ u aktiv dluˇzn´ık˚ u v portfoliu. Vaˇs´ıˇckova formule urˇcuje hladinu kapit´alu tak, aby byla banka chr´anˇena pˇred bankrotem v jednom roce s pravdˇepodobnost´ı bankrotu ne v´ıce neˇz (1 − α). Regul´atoˇri stanovuj´ı hladinu spolehlivosti α = 99.9% pro pokroˇcil´e IRB pˇr´ıstupy. IRB pˇr´ıstupy vyuˇz´ıvaj´ı princip Gaussovsk´e kopule (podobnˇe jako CreditMetrics), kter´ y jsme si zavedli v rovnici (2.4.3). V´ ypoˇcet M z rovnice (2.6.3) lze naj´ıt v [7] a v´ıce o u ´vˇerov´ ych modelech v [9]. Basel II se skl´ad´a ze tˇr´ı pil´ıˇru: 1. Minim´aln´ı kapit´alov´e poˇzadavky 2. Proces dohledu 3. Transparentnost a trˇzn´ı discipl´ına Dohromady tyto tˇri pil´ıˇre pˇrisp´ıvaj´ı k vyˇsˇs´ı u ´rovni zabezpeˇcen´ı a spolehlivosti finanˇcn´ıho syst´emu. Prvn´ı pil´ıˇr Definice kapit´alu v Basel II se nezmˇenila a minim´aln´ı kapit´alov´ y poˇzadavek (viz rovnice (2.6.1)) zahrnuj´ıc´ı operaˇcn´ı a trˇzn´ı riziko (viz rovnice (2.6.2)) z˚ ust´av´a 8% vzhledem k celkov´emu kapit´alu. Kapit´al Tier 2 je st´ale limitov´an do 100% kapit´alu Tier 1. Hlavn´ı zmˇeny pˇrich´azej´ı ze zahrnut´ı operaˇcn´ıho rizika a pˇr´ıstupy k mˇeˇren´ı r˚ uzn´ ych druh˚ u rizik. Operaˇcn´ı riziko v kapit´alov´e pˇrimˇeˇrenosti je rozebr´ano v [13]. N´asleduj´ıc´ı v´ yˇcet shrnuje tyto pˇr´ıstupy:
35
Kapit´al :
Nezmˇenˇen
Kreditn´ı riziko : Standartizovan´ y pˇr´ıstup (modifikace existuj´ıc´ıho zp˚ usobu) Z´akladn´ı intern´ı pˇr´ıstupy (IRB) Pokroˇcil´e intern´ı pˇr´ıstupy (IRB) Trˇzn´ı riziko :
Standartizovan´ y pˇr´ıstup Modely vnitˇrn´ıch pˇr´ıstup˚ u
Operaˇcn´ı riziko :
Pˇr´ıstup z´akladn´ıho ukazatele Standartizovan´ y pˇr´ıstup Pˇr´ıstup vnitˇrn´ıch mˇeˇren´ı
Hlavn´ım c´ılem je vytvoˇrit standardizovan´ y pˇr´ıstup, kter´ y v pr˚ umˇeru minim´aln´ı kapit´al mezin´arodnˇe aktivn´ıch bank nesn´ıˇz´ı ani nezv´ yˇs´ı. U pokroˇcilejˇs´ıch metod je c´ılem zajistit minim´aln´ı kapit´al na pokryt´ı rizik a poskytnut´ı bank´am kapit´alov´e podnˇety ve srovn´an´ı se standardizovan´ ym pˇr´ıstupem (v´ıce k v´ ypoˇct˚ um kapit´alov´e pˇrimˇeˇrenosti v [2]). Basel II pˇrin´aˇs´ı zmˇeny i do stanoven´ı kapit´alov´eho poˇzadavku pro kreditn´ı riziko. Nab´ız´ı pouˇzit´ı intern´ıch rating˚ u banky a pouˇzit´ı portfoliov´ ych model˚ u kreditn´ıch rizik. Banka si m˚ uˇze vybrat, zda bude sv˚ uj kapit´alov´ y poˇzadavek urˇcovat standardizovanou metodu nebo z´akladn´ı a pokroˇcilou metodou intern´ıch rating˚ u podle sv´ ych technick´ ych moˇznost´ı, ale jej´ı v´ ybˇer bude posuzovat regul´ator. Veˇsker´e zm´ınˇen´e metody by mˇely kl´ast d˚ uraz na kvalitu ˇr´ızen´ı rizik banky a na metody sniˇzov´an´ı rizika. Druh´y pil´ıˇr Druh´ ym pil´ıˇrem Basel II je dohled nad celkovou kapit´alovou pˇrimˇeˇrenost´ı a to zejm´ena u mezin´arodnˇe aktivn´ıch bank. Na z´akladˇe prvn´ıho pil´ıˇre si banka vypoˇcte sv˚ uj poˇzadovan´ y minim´aln´ı kapit´al, zat´ımco pˇredmˇetem druh´eho pil´ıˇre je dohled regul´atora, zda tento kapit´al byl stanoven ve v´ yˇsi, kter´a je odpov´ıdaj´ıc´ı skuteˇcn´emu rizikov´emu profilu banky. Bude posuzov´ana robustnost postup˚ u pouˇzit´e bankou, kvalita intern´ıch proces˚ u, stabilita trˇzn´ıho prostˇred´ı, pr´ace intern´ıch a extern´ıch auditor˚ u, kvalita oddˇelen´ı ˇr´ızen´ı rizik a dalˇs´ı faktory maj´ıc´ı vliv na celkov´ y rizikov´ y profil banky. Vˇetˇsina bank mˇeˇr´ı sv´a rizika pomoc´ı metodologie VaR. V Tabulce 2.1 si m˚ uˇzeme povˇsimnout, ˇze hladiny spolehlivosti jednotliv´ ych instituc´ı se liˇs´ı. A proto maj´ı regul´atoˇri pravomoc vyn´asobit bankou vypoˇc´ıtan´ y VaR konstantou 3 nebo 4. V Basel II si banky m˚ uˇzou vybrat z nab´ıdky pˇr´ıstup˚ u mˇeˇren´ı kreditn´ıho, trˇzn´ıho a operaˇcn´ıho rizika. Tento proces v´ ybˇeru pˇr´ıstupu vyˇzaduje dohled dostupnosti minim´aln´ıch poˇzadavk˚ u k zaveden´ı vybran´eho pˇr´ıstupu. Nav´ıc k tomu v IRB pˇr´ıstupech jsou rizikov´e v´ahy vypoˇc´ıt´any ze vstup˚ u banky (napˇr. pravdˇepodobnost nesplacen´ı). V pˇr´ıpadˇe nutnosti je zapotˇreb´ı se pˇresvˇedˇcit, 36
zda bankovn´ı vstupy jsou mˇeˇreny nebo odhadov´any spr´avn´ ym a robustn´ım zp˚ usobem. Tˇret´ı pil´ıˇr Tˇret´ım pil´ıˇrem je transparentnost a trˇzn´ı discipl´ına. T´ımto pil´ıˇrem jsou na banky kladeny n´aroky na transparentnost podnik´an´ı a zveˇrejˇ nov´an´ı informac´ı. Komise spol´eh´a na to, ˇze veˇrejnosti bude usnadnˇeno povˇedom´ı o bezpeˇcnosti a rizikovosti banky zveˇrejˇ nov´an´ım v´ıce informac´ı bankou. Finanˇcn´ı instituce tak budou nuceny udrˇzet si natolik silnou kapit´alovou z´akladnu, aby uk´azaly svoji schopnost pokr´ yvat pˇr´ıpadnou ztr´atu pr´avˇe t´ımto kapit´alem, aniˇz by t´ım zp˚ usobily z´asadn´ı dopad na stabilitu banky. Z tohoto d˚ uvodu chce Komise rozˇs´ıˇrit spektrum informac´ı, kter´e budou banky povinn´e zveˇrejˇ novat, napˇr´ıklad o zp˚ usob v´ ypoˇctu kapit´alov´eho poˇzadavku. Jeˇstˇe v´ıce informac´ı bude poˇzadov´ano od bank, kter´e vyuˇz´ıvaj´ı vlastn´ı pokroˇcil´e metody v´ ypoˇct˚ u.
37
Kapitola 3 Analytick´ aˇ c´ ast V t´eto ˇc´asti pr´ace budeme analyzovat v´ yhody, ale hlavnˇe nev´ yhody VaR na re´aln´ ych datech. U kaˇzd´e analyzovan´e nev´ yhody je uvedeno i jej´ı potenci´aln´ı ˇreˇsen´ı. Nejv´ yznamˇejˇs´ım rozˇs´ıˇren´ım VaR, kter´e zde zadefinujeme a rozebreme, je CVaR, kter´a jako alternativa VaR zahrnuje i m´alo pravdˇepodobn´e ztr´aty, a koherenci m´ıry rizika.
3.1 3.1.1
Data Vybran´ e burzovn´ı indexy
Budeme uvaˇzovat investora, kter´ y chce investovat P = 90 mil. CZK do CP v´azan´ ych na v´ yvoj tˇr´ı burzovn´ıch index˚ u - S&P 500 (v USD), Nikkei 225 (v JPY) a PX (v CZK). D´ale m´a investor k dispozici ˇcasov´e ˇrady 500 denn´ıch pozorov´an´ı uzav´ırac´ıch cen vˇsech tˇr´ı index˚ u - S&P 500 (27.4.2006 22.4.2008), Nikkei 225 (11.4.2006 - 22.4.2008), PX (21.4.2006 - 22.4.2008). Mˇenov´e kurzy k 22.4.2008 byly 1 USD = 15.243 CZK a 100 JPY = 15.730 CZK. CP, kter´e obvykle kop´ıruj´ı v´ yvoj indexu se naz´ yvaj´ı exchange-traded ´ funds (zkr´acenˇe ETFs). Udaje o ˇcasov´ ych ˇrad´ach indexu S&P 500 a Nikkei 225 jsou z internetov´eho serveru (http://finance.yahoo.com), kurz PX z internetov´eho serveru Praˇzsk´e burzy (http://www.pse.cz) a mˇenov´e kurzy ˇ ze serveru CNB (http://www.cnb.cz). CP v´azan´e na indexy budeme d´ale znaˇcit A1 pro S&P 500, A2 pro Nikkei 225 a A3 pro PX.
3.1.2
Sloˇ zen´ı portfolia
Sloˇzen´ı portfolia je uvedeno v n´asleduj´ıc´ı tabulce, kde wi jsou jednotliv´e v´ahy CP v portfoliu a ni je poˇcet CP, i = 1, 2, 3.
38
CP A1 A2 A3 celkem
ni wi 5 8 · 10−6 2421 0.0422 54923 0.9577 57349 1
ˇ c´ astka v CZK 100 tis. 5 mil. 84.9 mil. 90 mil.
Tabulka 3.1: Sloˇ zen´ı porfolia V´ yvoj ˇcasov´e ˇrady portfolia zjist´ıme u ´pravou dle Definice 14. Investor chce odhadnout riziko portfolia m´ırou VaR. Je tedy zapotˇreb´ı jeˇstˇe ˇcasov´e ˇrady transformovat tak, abychom zjistili denn´ı v´ ynosy podle (2.3.20). Pˇredpokl´adejme, ˇze portfolio je kurzovˇe zajiˇstˇen´e.
3.1.3
Nez´ avislost transformovan´ ych dat
Pro budouc´ı v´ ypoˇcet VaR budeme potˇrebovat zn´at standartn´ı odchylku v´ ynos˚ u, tedy i z´avislost (resp. nez´avislost) mezi jednotliv´ ymi v´ ynosy ˇcasov´ ych ˇrad. Nez´avislost m˚ uˇzeme ovˇeˇrit v´ ybˇerovou korelaˇcn´ı matic´ı A1 A2 A3
A1 A2 A3 1 0.01102568 0.04371957 , 0.01102568 1 0.04064497 0.04371957 0.04064497 1
ze kter´e vid´ıme, ˇze nejvˇetˇs´ı z´avislost je mezi A1 a A3 . Jelikoˇz z v´ ybˇerov´e korelaˇcn´ı matice nen´ı nez´avislost zˇrejm´a, provedeme test nulovosti korelace, tzv. Pearson˚ uv test(v programu R Pearson’s product-moment correlation). Ve v´ ystupu tohoto testu v programu R jsou: n´azvy zadan´ ych dat (SP500, Nikkei225, PX), testov´a statistika (t), poˇcet stupˇ n˚ u volnosti (df, v naˇsem pˇr´ıpadˇe df = 497), p-hodnota (p-value, tj. nejmenˇs´ı hodnota na kter´e zam´ıt´ame nulovost korelace), alternativn´ı hypot´eza, 95% interval spolehlivosti a v´ ybˇerov´ y korelaˇcn´ı koeficient, kter´ y je jiˇz uveden v korelaˇcn´ı matici. Test nez´avislosti A1 a A2 data: SP500 and Nikkei225 t = 0.2458, df = 497, p-value = 0.806 alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: -0.07682716 0.09870863 sample estimates: cor 0.01102568. Uˇz z v´ ybˇerov´e korelaˇcn´ı matice bylo vidˇet, ˇze korelace mezi v´ ynosy tˇechto dvou index˚ u je nejmenˇs´ı a tomu tak´e odpov´ıd´a p-hodnota, kter´a je velmi 39
vysok´a (80.6%), takˇze nulovost na hladinˇe spolehlivosti 99% nezam´ıt´ame. Test nez´avislosti A1 a A3 data: SP500 and PX t = 0.9756, df = 497, p-value = 0.3297 alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: -0.04422865 0.13099534 sample estimates: cor 0.04371957. Zm´ınili jsme se o tom, ˇze v´ ybˇerov´a korelace v´ ynos˚ u tˇechto dvou index˚ u je nejvyˇsˇs´ı ze vˇsech, tomu odpov´ıd´a i n´ızk´a p-hodnota. Ale i pˇresto nulovost korelace nezam´ıt´ame na hladinˇe spolehlivosti 99%. Test nez´avislosti A2 a A3 data: Nikkei225 and PX t = 0.9069, df = 497, p-value = 0.3649 alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: -0.04730228 0.12796690 sample estimates: cor 0.04064497. Zde je v´ ybˇerov´ y korelaˇcn´ı koeficient bl´ızk´ y koeficientu z pˇredchoz´ıho testu, tedy i p-hodnota je n´ızk´a, ale i tak je na dan´e hladinˇe spolehlivosti dost vysok´a. M˚ uˇzeme konstatovat, ˇze na z´akladˇe testu v´ ybˇerov´ ych korelaˇcn´ıch koeficient˚ u na hladinˇe spolehlivosti 99% jsou v´ ynosy ˇcasov´ ych ˇrad index˚ u mezi sebou nez´avisl´e.
3.1.4
Rozdˇ elen´ı a normalita transformovan´ ych dat
V´ ybˇerov´e rozdˇelen´ı v´ ynos˚ u jednotliv´ ych index˚ u a portfolia zjist´ıme na z´akladˇe histogramu.
40
30 20 0
10
Pravdepodobnost
40
50
Histogram portfolia
−0.04
−0.02
0.00
0.02
0.04
Portfolio
Obr´ azek 3.1: V´ ybˇ erov´ e rozdˇ elen´ı v´ ynos˚ u portfolia Na Obr´ azku 3.1 si m˚ uˇzeme prohl´ednout histogram v´ ynos˚ u portfolia, kter´ y je proloˇzen v´ ybˇerovou hustotou.
41
60 40 20 0
Pravdepodobnost
80
Histogram indexu S&P 500
−0.02
0.00
0.02
0.04
SP500
30 20 10 0
Pravdepodobnost
40
Histogram indexu Nikkei 225
−0.06
−0.04
−0.02
0.00
0.02
0.04
Nikkei225
30 20 10 0
Pravdepodobnost
40
Histogram indexu PX
−0.05
0.00
0.05 PX
Obr´ azek 3.2: V´ ybˇ erov´ e rozdˇ elen´ı v´ ynos˚ u jednotliv´ ych index˚ u Nyn´ı zn´ame v´ ybˇerov´e rozdˇelen´ı cel´eho portfolia, ale potˇrebujeme zn´at i v´ ybˇerov´a rozdˇelen´ı jednotliv´ ych index˚ u, kter´a jsou zobrazena na Obr´ azku 3.2. Pro v´ ypoˇcet VaR metodou variance a kovariance (kapitola 2.3.1) je zapotˇreb´ı ovˇeˇrit, zda maj´ı v´ ynosy index˚ u i portfolia norm´aln´ı rozdˇelen´ı.
42
40 30 20 0
10
Pravdepodobnost
50
60
Rozdeleni indexu S&P 500
−0.04
−0.02
0.00
0.02
0.04
0.02
0.04
0.02
0.04
SP500
30 20 10 0
Pravdepodobnost
40
Rozdeleni indexu Nikkei 225
−0.04
−0.02
0.00 Nikkei225
30 20 0
10
Pravdepodobnost
40
Rozdeleni indexu PX
−0.04
−0.02
0.00 PX
Obr´ azek 3.3: Hustota v´ ynos˚ u index˚ u a hustota norm´ aln´ıho rozdˇ elen´ı
43
50
Rozdeleni portfolia
30 20 0
10
Pravdepodobnost
40
Normalni rozdeleni Empiricke rozdeleni
−0.04
−0.02
0.00
0.02
0.04
Portfolio
Obr´ azek 3.4: Hustota v´ ynos˚ u portfolia a hustota norm´ aln´ıho rozdˇ elen´ı Kdyˇz se pod´ıv´ame na Obr´ azky 3.3 a 3.4, mohlo by se zd´at, ˇze tato v´ ybˇerov´a rozdˇelen´ı jsou norm´aln´ı, ale nen´ı tomu tak. Normalitu ovˇeˇr´ıme v programu R jednov´ ybˇerov´ ym Kolmogorovov´ ym - Smirnovov´ ym testem (One-sample Kolmogorov-Smirnov test ), kter´ y porovn´av´a v´ ybˇerovou distribuˇcn´ı funkci, u kter´e odhadneme stˇredn´ı hodnotu a rozptyl, s distribuˇcn´ı funkc´ı norm´aln´ıho rozdˇelen´ı se stejn´ ym rozptylem a stˇredn´ı hodnotou. V´ ystup testu obsahuje n´azev zadan´ ych dat, testovou statistiku (D), p-hodnotu (pvalue) a alternativn´ı hypot´ezu. Test normality A1 data: SP500 D = 0.0872, p-value = 0.001015 alternative hypothesis: two-sided Podle p-hodnoty bychom museli uvaˇzovat hladinu spolehlivosti 99.9% a vyˇsˇs´ı, aby nebyla zam´ıtnuta normalita. V tomto pˇr´ıpadˇe normalitu zam´ıt´ame. Test normality A2 data: Nikkei225 D = 0.0635, p-value = 0.03582 alternative hypothesis: two-sided Pˇri v´ ypoˇctu VaR metodou variance a kovarinace budeme hlavnˇe pˇredpokl´adat hladinu spolehlivosti 99%. Normalitu na t´eto hladinˇe spolehlivosti nezam´ıt´ame. 44
Test normality A3 data: PX D = 0.0627, p-value = 0.03935 alternative hypothesis: two-sided Tento test opˇet nulovou hypot´ezu na hladinˇe spolehlivosti 99% nezam´ıt´a. Test normality portfolia data: Portfolio D = 0.0608, p-value = 0.04985 alternative hypothesis: two-sided Podle p-hodnoty bychom mohli uvaˇzovat hladinu spolehlivosti 95.1% a vyˇsˇs´ı pro nezam´ıtnut´ı normality. Dle vˇsech v´ yˇse uveden´ ych test˚ u nen´ı splnˇena normalita v´ ynos˚ u indexu S&P 500 na hladinˇe spolehlivosti 99%, a proto nen´ı splnˇena ani sdruˇzen´a normalita.
3.2 3.2.1
V´ yhody a nev´ yhody VaR Celkov´ e riziko a kapit´ alov´ a pˇ rimˇ eˇ renost
V pr˚ ubˇehu t´eto pr´ace jsme si jiˇz zm´ınili, ˇze ve v´ ysledku je VaR pouze jedno ˇc´ıslo shrnuj´ıc´ı celkov´e riziko. VaR se od poˇc´atku devades´at´ ych let rozˇs´ıˇril z trˇzn´ıho rizika i na rizika ostatn´ı, jmenujme napˇr´ıklad kreditn´ı riziko nebo operaˇcn´ı riziko, kter´e teprve zaˇc´ın´a nab´ yvat na d˚ uleˇzitosti pˇri ˇr´ızen´ı rizik banky i ostatn´ıch finanˇcn´ıch instituc´ı. VaR zahrnuje i v´ ypoˇcet rizika pro neline´arn´ı instrumenty jako jsou finanˇcn´ı deriv´aty ˇci opce. Pˇri splnˇen´ı normality se v´ ypoˇcet VaR zjednoduˇsuje na zjiˇstˇen´ı kvantilu norm´aln´ıho rozdˇelen´ı. VaR je povoleno pouˇz´ıt pro intern´ı v´ ypoˇcty kapit´alov´e pˇrimˇeˇrenosti banky pro trˇzn´ı riziko. Banka si tak m˚ uˇze ˇr´ızen´ı sv´ ych trˇzn´ıch rizik pˇrizp˚ usobit ,,na m´ıru“. Uˇz´ıv´an´ı intern´ıho v´ ypoˇctu je vˇsak povoleno pouze pro trˇzn´ı riziko. Pro odhad kreditn´ıho rizika m˚ uˇzou banky v r´amci kapit´alov´e pˇrimˇeˇrenosti pouˇz´ıvat pouze vlastn´ı kreditn´ı rating. Ale podle v´ yvoje kapit´alov´ ych poˇzadavk˚ u m˚ uˇzeme do budoucna pˇredpokl´adat, ˇze regul´atoˇri povol´ı i intern´ı modely pro odhad kreditn´ıho rizika.
3.2.2
M´ alo pravdˇ epodobn´ e ztr´ aty
Velkou nev´ yhodou VaR jsou m´alo pravdˇepodobn´e ztr´aty. To jest ztr´aty, kter´e nastanou aˇz za zvolen´ ym kvantilem. Tyto ztr´aty mohou velmi v´ yznamnˇe pˇrevyˇsovat VaR, ale tak´e zp˚ usobuj´ı to, ˇze dvˇe banky s r˚ uzn´ ym rizikov´ ym profilem maj´ı stejnou VaR, coˇz m˚ uˇze v´est ke skr´ yv´an´ı nebo umˇel´emu sniˇzov´an´ı 45
skuteˇcn´eho rizika portfolia. Podobn´e chov´an´ı bylo v historii zaznamen´ano a vedlo k velmi nebezpeˇcn´ ym a rizikov´ ym strategi´ım. Proto maj´ı regul´atoˇri pr´avo vyn´asobit VaR mˇeˇren´ y na 99% hladinˇe spolehlivosti konstantou 3 aˇz 4. V naˇsem pˇr´ıkladu bylo portfolio sestaveno u ´myslnˇe tak, aby vznikly m´alo pravdˇepodobn´e ztr´aty.
50
Rozdeleni portfolia
30 20 10
Pravdepodobnost
40
Normalni rozdeleni Empiricke rozdeleni
0
VaR 95%
VaR 99% −0.04
−0.02
0.00
0.02
0.04
Portfolio
Obr´ azek 3.5: Kvantily norm´ aln´ıho rozdˇ elen´ı Na Obr´ azku 3.5 jsou oznaˇceny 95% a 99% kvantil norm´aln´ıho rozdˇelen´ı v porovn´an´ı s v´ ybˇerovou hustotou. Pˇri zm´ınˇen´ ych tˇeˇzk´ ych chvostech m˚ uˇzeme norm´aln´ı rozdˇelen´ı nahradit t-rozdˇelen´ım, kter´e m´a chvost tˇeˇzˇs´ı neˇz norm´aln´ı rozdˇelen´ı. Nyn´ı se vr´at´ıme zpˇet k naˇsemu pˇr´ıkladu, budeme poˇc´ıtat VaR na hladinˇe spolehlivosti 99%. Metodou historick´e simulace je VaR1,0.99 = 2 672 501 CZK, metodou variance a kovarince VaR1,0.99 = 2 140 613 CZK. Metoda historick´e simulace n´am poskytla re´alnˇejˇs´ı odhad rizika a vid´ıme, ˇze rozd´ıl v ˇc´astk´ach nen´ı zanedbateln´ y, coˇz je zp˚ usobeno hlavnˇe t´ım, ˇze nebyl splnˇen pˇredpoklad sdruˇzen´e normality. Dalˇs´ı m´ırou rizika je modifikace m´ıry VaR tzv. conditional VaR (d´ale jen CVaR). Definice 20 (CVaR) Conditional VaR na hladinˇe α ∈ [0, 1] , ozn. CVaRt,α , odpov´ıdaj´ıc´ı n´ahodn´e ztr´atˇe X je zadefinov´an jako CVaRt,α = −E [X|X ≤ −VaRt,α (X)] . 46
(3.2.1)
Definice 20 definuje absolutn´ı CVaR. Pro z´ısk´an´ı relativn´ı CVaR mus´ıme pˇriˇc´ıst stˇredn´ı hodnotu. Aplikujeme m´ıru CVaR na portfolio investora vzhledem k VaR vypoˇc´ıtan´e pomoc´ı historick´e simulace a metodou variance a kovariance. N´asleduj´ıc´ı tabulka je shrnut´ım v´ ypoˇctu a porovn´an´ı metod v´ ypoˇctu VaR a CVaR, ne vˇsak mˇer mezi sebou. Metoda VaR1,0.99 CVaR1,0.99 historick´a simulace 2 672 501 CZK 3 233 268 CZK varianˇcnˇe-kovarianˇcn´ı 2 140 613 CZK 2 791 282 CZK Rozd´ıl 531 888 CZK 441 986 CZK Tabulka 3.2: VaR a CVaR portfolia Na tomto pˇr´ıkladu m˚ uˇzeme vidˇet, ˇze m´alo pravdˇepodobn´e ztr´aty jsou velk´ ym kamenem u ´razu VaR.
3.2.3
Subaditivita
Definice 21 (Koheretn´ı m´ıra) Necht’ M je mnoˇzina re´aln´ ych n´ahodn´ ych veliˇcin, pak funkci ρ : M → R ˇr´ık´ame koherentn´ı m´ıra rizika, pokud splˇ nuje n´asleduj´ıc´ı vlastnosti (i) X, Y ∈ M , X ≥ Y ⇒ ρ(X) ≤ ρ(Y ), (ii) X, Y, X + Y ∈ M ⇒ ρ(X + Y ) ≤ ρ(X) + ρ(Y ), (iii) X ∈ M, k ∈ R+ , kX ∈ M ⇒ ρ(kX) = kρ(X), (iv) X ∈ M, i ∈ R ⇒ ρ(X + i) = ρ(X) − i. Pokud zisky a ztr´aty z portfolia nejdou popsat norm´aln´ım, log-norm´aln´ım nebo Studentov´ ym t-rozdˇelen´ım, potom nen´ı VaR subaditivn´ı, nesplˇ nuje (ii). To znamen´a, ˇze diverzifikace rizik portfolia na souˇcet rizik subportfoli´ı neomez´ı celkov´e riziko. Subaditivita je jedn´ım ze ˇctyˇr krit´eri´ı, kter´ y by mˇela splˇ novat koherentn´ı m´ıra rizika. Z toho plyne, ˇze VaR obecnˇe nen´ı koheretn´ı m´ırou rizika. V tomto smyslu nen´ı VaR ,,spr´avnou“ m´ırou rizika, protoˇze odrazuje investora od diverzifikace sv´ ych rizik, coˇz by ,,spr´avn´a“ m´ıra rizika nemˇela. V´ıce o koheretn´ıch m´ır´ach lze naj´ıt v [1].
3.2.4
Statick´ e portfolio
Na zaˇc´atku u trˇzn´ıho VaR jsme zavedli pˇredpoklad statick´eho portfolia. Pˇredpokl´ad´ame, ˇze sloˇzen´ı portfolia se bˇehem obdob´ı, v kter´em mˇeˇr´ıme VaR, nezmˇen´ı. To m˚ uˇze zp˚ usobit probl´emy napˇr. obchodn´ık˚ um, kteˇr´ı bˇehem dne 47
obchoduj´ı a ke konci dne odhaduj´ı VaR sv´ ych uzavˇren´ ych pozic. Odhad VaR ˇ sen´ım tohoto probl´emu je tzv. tak m˚ uˇze podhodnocovat maxim´aln´ı ztr´atu. Reˇ dynamick´ y VaR, kter´ y simuluje sc´en´aˇre pohybu trˇzn´ıch sazeb v z´avislosti na ˇcase a podle toho pak upravuje jednotliv´e pozice v portfoliu a vyhodnocuje v´ yvoj portfolia.
3.2.5
Pohled do budoucna
,,Odhadovat VaR je stejn´e jako sledovat cestu zpˇetn´ ym zrc´atkem“, uv´ad´ı Kevin Dowd (viz [4]). Tento cit´at trefnˇe vystihuje odhad VaR v praxi. I v naˇsem pˇr´ıkladˇe investor vych´az´ı z historick´ ych ˇcasov´ ych ˇrad. Pˇredpokl´ad´ame, ˇze pˇri dostateˇcn´em mnoˇzstv´ı historick´ ych u ´daj˚ u se rozdˇelen´ı v´ ynos˚ u v budoucnosti bude chovat stejnˇe jako v ned´avn´e minulosti. Tento pˇredpoklad je velmi siln´ y, protoˇze trh se neust´ale vyv´ıj´ı. Pokud nastane nˇejak´a mimoˇr´adn´a ud´alost (pˇr´ırodn´ı katastrofa, teroristick´ y u ´tok, politick´ y pˇrevrat, finanˇcn´ı krize,. . . ), nen´ı historick´e rozdˇelen´ı v´ ynos˚ u pouˇziteln´e. Pro oˇsetˇren´ı tˇechto nepˇr´ızniv´ ych jev˚ u je VaR doplnˇen testov´an´ım teoretick´ ych stresov´ ych situac´ı (tzv. stress testingem) vytvoˇren´ ych napˇr. na z´akladˇe generov´an´ı, pozic v portfoliu, nebo zkuˇsenost´ı.
3.3 3.3.1
Shrnut´ı v´ ysledk˚ u Doporuˇ cen´ y postup pro investora
Pod´ıv´ame-li se na v´ yˇcet jednotliv´ ych v´ yhod a nev´ yhod VaR, vid´ıme, ˇze n´aˇs v´ ypoˇcet byl velmi zjednoduˇsuj´ıc´ı. Investor mˇel portfolio kurzovˇe zajiˇstˇen´e. Kdyby tomu tak nebylo, spoˇc´ıtali bychom mˇenovovou VaR. Vzhledem k tomu, ˇze investovan´e ˇc´astky v ciz´ı mˇenˇe jsou v´ yraznˇe menˇs´ı neˇz v CZK, nebyla by mˇenov´a VaR tak v´ yznamn´a. D´ale jsme pˇredpokl´adali statick´e portfolio, takˇze by investor mˇel udrˇzovat nemˇenn´e portfolio, aby se odhadnut´e riziko bl´ıˇzilo riziku skuteˇcn´emu. Veˇsker´e v´ ypoˇcty v´ ybˇerov´eho rozdˇelen´ı jsme provedli na z´akladˇe ˇcasov´ ych ˇrad, z toho plyne, ˇze jak´akoliv mimoˇr´an´a situace by mohla maxim´aln´ı potenci´aln´ı ztr´atu v´ yraznˇe ovlivnit. Ovˇeˇren´ı normality nedopadlo dle oˇcek´av´an´ı a zaznamenali jsme m´alo pravdˇepodobnou ztr´atu, tud´ıˇz nelze doporuˇcit metodu variance a kovariance. Odhad metodou historick´e simulace pokr´ yv´a, v naˇsem konkr´etn´ım pˇr´ıpadˇe alespoˇ n ˇc´asteˇcnˇe, m´alo pravdˇepodobn´e ztr´aty. Proto by bylo bylo vhodnˇejˇs´ı doporuˇcit investorovi v´ ypoˇcet pomoc´ı m´ıry CVaR vzhledem k VaR odhadnutou metodou historick´e simulace, kter´a se nejv´ıce bl´ıˇz´ı re´aln´emu riziku portfolia.
48
Kapitola 4 Z´ avˇ er C´ılem t´eto pr´ace bylo popsat VaR jako celek. Rozebrali jsme statistick´e vlastnosti VaR a jednotliv´e metody odhadu pro trˇzn´ı i kreditn´ı riziko. Zamˇeˇrili jsme se i na v´ ypoˇcet kapit´alov´ ych poˇzadavk˚ u, kter´e striktnˇe definuj´ı v´ ypoˇcet kreditn´ıho rizika narozd´ıl od rizika trˇzn´ıho, kter´e je moˇzn´e odhadovat vlastn´ımi v´ ypoˇcty. Doplˇ nkem teoretick´e ˇc´asti je pˇr´ıklad VaR pro trˇzn´ı riziko, na kter´em jsme demonstrovali v´ yhody a hlavnˇe nev´ yhody VaR, abychom si ucelili pohled na VaR. Uk´azali jsme si, jak´ y v´ yznam m´a nez´avislost a normalita v´ ynos˚ u. Pˇri ˇreˇsen´ı pˇr´ıkladu se sice zab´ yv´ame v´ ypoˇctem v´ ybˇerov´ ych korelac´ı, ale nen´ı zd˚ uraznˇena jejich d˚ uleˇzitost. Korelace velmi v´ yznamnˇe ovlivˇ nuj´ı VaR pro trˇzn´ı riziko (viz [14]) i kreditn´ı riziko (viz [12]). Pˇri pr´aci s re´aln´ ymi daty se n´am vˇetˇsinou nepovede splnit veˇsker´e pˇredpoklady, tento pˇr´ıklad nebyl v´ yjimkou. Koneˇcn´ y v´ ypoˇcet celkov´eho rizika uk´azal, ˇze je zapotˇreb´ı rozˇs´ıˇrit VaR na CVaR pr´avˇe kv˚ uli extr´emn´ım situac´ım, kter´e nast´avaj´ı. Aˇckoliv pˇrevaˇzuje poˇcet nev´ yhod oproti v´ yhod´am, st´av´a se VaR st´ale obl´ıbenˇejˇs´ım n´astrojem v rukou risk manager˚ u bank a finanˇcn´ıch instituc´ı.
49
Literatura [1] Artzner P.: Coherent measures of risk, Mathematical Finance (1999) 3 (9) 203–228. [2] Cipra T.: Kapit´ alov´ a pˇrimˇeˇrenost ve financ´ıch a solventnost v pojiˇst’ovnictv´ı, Ekopress, Praha, 2002. ˇ ızen´ı port[3] Dˇedek O.: Ohroˇzen´ a hodnota, Studijn´ı text ˇc. 2 k pˇredmˇetu R´ folia a finanˇcn´ıch rizik, FSV UK, 2007. [4] Dowd K.: Beyond Value at Risk: the new science of risk management, John Wiley & sons, Chichester, 1998. ˇ ep´an J.: Stochastic Modeling in Economics and [5] Dupaˇcov´a J., Hurt J., Stˇ Finance, Kluwer Academic Publisher, 2002 [6] Glasserman P.: Portfolio Value at Risk with heavy tailed risk factors, Management science (2002) 3 (12) 239–269. [7] Hugh T.,Wang Z.Interpreting the Internal Ratings-Based Capital Requirements in Basel II, working paper, Hong Kong, 2004 [8] Hull J.C.: Options, futures and other derivatives, 5th edition, PrenticeHall, Englewood Cliffs, 2003. [9] Kadlˇc´akov´a N., S˚ uvov´a H.: Pˇrehled u ´vˇerov´ych model˚ u, Bankovnictv´ı 18.4.2002 strana 26, rubrika Mˇenov´a politika. [10] Lachout P.: Teorie pravdˇepodobnosti, Karolinum, Praha, 2004. [11] Morgan J.P.: RiskMetricsTM -Technical document, New York, 1996. [12] Morgan J.P.: CreditMetricsTM -Technical document, New York, 1997. [13] Rakov´a K.: Operaˇcn´ı riziko v Basilejsk´e dohodˇe o kapit´ alov´e pˇrimˇeˇrenosti, diplomov´a pr´ace, IES FSV UK, 2004. [14] Strnad P.: Mˇeˇren´ı trˇzn´ıch rizik pomoc´ı metody Value at Risk, ˇcasopis Ekonomie+Management 2 (2005).
50