Analiza mocy testów pomiaru VaR wykorzystuj ˛acych funkcje strat
Transkrypt
Analiza mocy testów pomiaru VaR wykorzystuj ˛acych funkcje strat
Analiza mocy testów pomiaru VaR wykorzystujacych ˛ funkcje strat BADANIA SYMULACYJNE Krzysztof Piontek Katedra Inwestycji Finansowych i Zarzadzania ˛ Ryzykiem email: [email protected] CEL PRACY: empiryczna analiza mocy poszczególnych testów w zależności od wielkości symulowanego odst˛epstwa od modelu poprawnego oraz od długości próby, a także odpowiedź na pytanie, który z prezentowanych testów jakości pomiaru VaR powinien być stosowany w celu minimalizacji bł˛edu II rodzaju. 1. Wprowadzenie Wartość zagrożona (Value at Risk, VaR): P (Wt+1 ≤ Wt − V aRt(q)) = q, −1 (q) = q P rt+1 ≤ Fr,t (1) gdzie F (·) oznacza założona˛ ax ante dystrybuant˛e rozkładu (warunkowego lub bezwarunkowego) prognoz stóp zwrotu, a Φ−1(·) to funkcja odwrotna do dystrybuanty standaryzowanego rozkładu normalnego. Definicja miary VaR zapisana wzorem (1) w żaden sposób nie precyzuje jednak jak należy owa˛ wartość zagrożona˛ wyznaczyć. W praktyce wykorzystuje si˛e wi˛ec rożne metody, które moga˛ prowadzić do odmiennych oszacowań VaR. Na etapie pomiaru brak jest jednak w praktyce wiedzy a priori, która metoda (lub model) okaże si˛e najlepsza˛ lub chociaż akceptowalna.˛ Konieczna staje si˛e procedura testowania wstecznego oszacowań ryzyka otrzymanych różnymi metodami (backtesting procedure). Pozwala ona (na podstawie danych historycznych) odpowiedzieć na pytanie, czy dane podejście można stosować, lub które z wi˛ekszej liczby konkurencyjnych rozwiazań ˛ powinno zostać wybrane jako najlepsze z punktu widzenia założonego kryterium. Wydaje si˛e, że w chwili obecnej wyzwaniem nie jest już poprawa własności metod szacowania ryzyka (przynajmniej rynkowego), lecz umiej˛etność rozróżniania rozwiaza ˛ ń skutecznych i nieskutecznych. W praktyce brak jest bowiem rozwiazań ˛ ogólnie przyj˛etych za najlepsze i wystarczajaco ˛ dobre. 2. Metody oceny pomiaru wartości zagrożonej Modele VaR można analizować zarówno poprzez jakość modeli ekonometrycznych leżacych ˛ u podstaw modelu VaR, jak i wprost poprzez porównanie wyników VaR z faktycznie zaobserwowanymi stratami. Obszarem zainteresowania niniejszych rozważań pozostaje jedynie to drugie podejście. A) METODY WYKORZYSTUJACE ˛ ANALIZE˛ SZEREGU PRZEKROCZEŃ (Kupiec(1995), Christoffersen (1998)) Szereg przekroczeń (failure process, hit function): 1; r t+1 < −V aRt(q) przekroczenie V aR It(q) = 0; rt+1 ≥ −V aRt(q) brak przekroczenia gdzie: Powyższy warunek sprawdza si˛e zazwyczaj poprzez oszacowanie parametrów równania (7) lub wykorzystujac ˛ test LR. zt − µ = ρ(zt−1 − µ) + εt, var(εt) = σ 2 (7) Model przyjmuje si˛e za prawidłowy, jeśli brak jest podstaw do odrzucenia hipotezy zerowej: H0 : (µ, σ, ρ) = (0, 1, 0). (8) b = 2 [LLF (µ̂, σ̂, ρ̂) − LLF (0, 1, ρ̂)] ∼ χ2 LRuc 2 (9) C) TESTY WYKORZYSTUJACE ˛ FUNKCJE STRAT (Lopez (1998), Sarma, Thomas, Shah (2001)) Na podstawie informacji o historycznych stopach zwrotu i korespondujacych ˛ z nimi oszacowaniach VaR wyznaczana jest odpowiednia wartość tzw. funkcji strat (dla każdej stopy zwrotu): f (V aR , r ) ; r t t+1 t+1 ≤ −V aRt (10) Lt (V aRt(q), rt+1) = g (V aRt, rt+1) ; rt+1 > −V aRt Najcz˛eściej rozpatruje si˛e funkcje strat odpowiadajace ˛ punktowi widzenia nadzoru, który preferuje modele z wysokimi wartościami VaR. f (V aRt, rt+1) ≥ g (V aRt, rt+1) , g (V aRt, rt+1) = 0 (11) Ostateczna wartość funkcji strat dla całego okresu, w którym testowany jest model, wyznaczana jest ze wzoru: T X 1 Ψ= Lt (V aRt, rt+1) T (12) t=1 f (V aRt, rt+1) = 1 + (|rt+1| − V aRt)2 ! ∼ χ21 (3) PT T1 , T1 = t=1 It(q), T0 = T − T1. q̂ = T0 + T1 (4) (13) ||rt+1| − V aRt|2 (14) f (V aRt, rt+1) = V aRt Na podstawie analizy informacji wynikajacej ˛ z wartości funkcji strat możliwe sa˛ dwa podejścia: 1) wybór techniki pomiaru VaR, dla której wartość funkcji strat przyjmuje minimum (w przypadku skrajnym model, dla którego nie obserwuje si˛e przekroczeń uznawany jest za najlepszy), 2) przyj˛ecie lub odrzucenie modelu VaR poprzez porównanie wartości funkcji strat dla danych historycznych z wartościa˛ krytyczna˛ testu uzyskiwana˛ poprzez symulacj˛e Monte Carlo szeregów stóp zwrotu z założonego modelu (tego samego, który leży u podstaw modelu VaR). Lopez proponuje 3 etapowa˛ procedur˛e wyznaczania wartości krytycznej łacznej ˛ funkcji strat dla, której przekroczenie powodowałoby odrzucenie modelu: 1) dopasowanie modelu, 2) symulacja Monte Carlo szeregów zysków i strat, wyznaczenie wartości VaR dla tych szeregów, wyznaczenie rozkładu wartości łacznej ˛ funkcji strat dla założonego modelu, 3) porównanie uzyskanej wartości funkcji strat dla rzeczywistego szeregu z odpowiednimi kwantylami rozkładu teoretycznego. Rozpatrujac ˛ jedynie szereg przekroczeń [It(q)]t=T t=1 , możliwa do anali- Inne możliwe propozycje w zakresie funkcji strat: zy informacja ulega znacznej redukcji. Dodatkowo warto zauważyć, iż "miara" VaR zdefiniowana wzorem (5) spełnia warunki liczby i niezależności przekroczeń dla wystarczajaco ˛ wysokiej wartości X. Jest to poważny zarzut wobec klasycznych testów modeli VaR. X; z prawdopodobieństwem 1 − q V aRt(q) = (5) −X; z prawdopodobienstwem q 100 250 500 750 1000 0,030 0,1955 0,3751 0,6656 0,8068 0,9142 Tabela 1a: moc testu Kupca, q=0,05, α = 0, 05, CV - χ21 0,035 0,040 0,045 0,050 0,055 0,060 0,1339 0,0940 0,0719 0,0653 0,0725 0,0927 0,2263 0,1279 0,0744 0,0585 0,0757 0,1242 0,4180 0,2164 0,0975 0,0539 0,0736 0,1534 0,5321 0,2629 0,1016 0,0537 0,1021 0,2420 0,6743 0,3512 0,1269 0,0514 0,1015 0,2711 f (V aRt, rt+1) = c + ||rt+1| − V aRt|d , (15) ||rt+1| − V aRt|d f (V aRt, rt+1) = , V aRt (16) f (VaRt, rt+1) = ||rt+1| − ESt|d. (17) 0,065 0,1249 0,2015 0,2876 0,4476 0,5182 Źródło: obliczenia własne. Tabela 2a: moc testu Kupca, q=0,05, α = 0, 05, CV - symulowane 0,030 0,035 0,040 0,045 0,050 0,055 0,060 0,065 100 0,1948 0,1320 0,0894 0,0626 0,0486 0,0456 0,0528 0,0699 250 0,3751 0,2259 0,1263 0,0695 0,0462 0,0512 0,0829 0,1414 500 0,5681 0,3238 0,1519 0,0635 0,0395 0,0685 0,1519 0,2872 750 0,8068 0,5321 0,2627 0,1000 0,0458 0,0789 0,1982 0,3902 1000 0,8838 0,6114 0,2920 0,0967 0,0419 0,0995 0,2708 0,5182 Źródło: obliczenia własne. Tabela 3a: moc testu cz˛estości przekroczeń Berkowitza, q=0,05, α = 0, 05, CV - χ22 0,030 0,035 0,040 0,045 0,050 0,055 0,060 0,065 100 0,2242 0,1490 0,0896 0,0604 0,0474 0,0590 0,1372 0,2638 250 0,5866 0,3418 0,1732 0,0730 0,0460 0,0908 0,2412 0,5244 500 0,9190 0,6562 0,3170 0,1094 0,0478 0,1310 0,4162 0,7812 750 0,9864 0,8582 0,4748 0,1514 0,0480 0,1842 0,5780 0,9148 1000 0,9990 0,9464 0,6188 0,1792 0,0494 0,2150 0,7006 0,9666 Źródło: obliczenia własne. Tabela 4a: moc testu Lopeza - wzór (13), q=0,05, α = 0, 05, CV - symulowane 0,030 0,035 0,400 0,450 0,500 0,055 0,060 0,065 100 0,0735 0,0683 0,0649 0,0585 0,0508 0,0447 0,0413 0,0388 250 0,1475 0,1031 0,0763 0,0589 0,0505 0,0458 0,0461 0,0473 500 0,2045 0,1319 0,0873 0,0630 0,0512 0,0474 0,0516 0,0599 750 0,2574 0,1593 0,0980 0,0646 0,0504 0,0494 0,0581 0,0726 1000 0,3120 0,1900 0,1111 0,0673 0,0506 0,0511 0,0638 0,0839 Źródło: obliczenia własne. Tabela 5a: moc testu Lopeza - wzór (14), q=0,05, α = 0, 05, CV - symulowane 0,030 0,035 0,400 0,450 0,500 0,055 0,060 0,065 100 0,1509 0,0997 0,0693 0,0527 0,0510 0,0604 0,0828 0,1173 250 0,3443 0,1996 0,1100 0,0612 0,0506 0,0698 0,1227 0,2024 500 0,6287 0,3747 0,1822 0,0797 0,0506 0,0856 0,1875 0,3418 750 0,8101 0,5304 0,2574 0,0967 0,0505 0,1030 0,2542 0,4736 1000 0,9134 0,6649 0,3363 0,1152 0,0505 0,1189 0,3161 0,5800 Źródło: obliczenia własne. 0,070 0,1680 0,3018 0,4554 0,6600 0,7493 Przykładowa˛ prób˛e rozwiazania ˛ oczywistego konfliktu pomi˛edzy bezpieczeństwem oraz maksymalizacja˛ wyniku finansowego stanowi nast˛epujace ˛ rozwiazanie ˛ (Sarma, Thomas, Shah): c + ||r | − V aR |d ; r t t+1 t+1 ≤ −V aRt Lt (V aRt, rt+1) = (18) ϕV aRt; rt+1 > −V aRt 3. Wyniki badań symulacyjnych - przyj˛eto założenie, że rozkład stóp zwrotu jest rozkładem t-Studenta, - liczba stopni swobody dla szeregów symulowanych wynosi 6, - wykorzystano standaryzowana˛ wersje rozkładu t-Studenta, - przyj˛eto, że model VaR zakłada także rozkład t-Studenta, lecz liczba stopni swobody może być nieprawidłowa, - symulowano szeregi o długości 100, 250, 500, 750, 1000 obserwacji, - dla każdej długości szeregu symulowano 100.000 prób, wyznaczano odpowiednia˛ statystyk˛e testowa˛ oraz cz˛estość odrzucenia hipotezy zerowej o poprawności modelu dla modelu nieprawidłowego, co przybliża moc testu. Uzyskane wyniki prezentuja˛ poniższe tabele. 4. Podsumowanie Ocena efektywności metod oceny modeli VaR powinna sprowadzać si˛e do analizy bł˛edów I i II rodzaju. Szczególnie niebezpieczny jest bład ˛ II rodzaju – przyj˛ecie hipotezy H0 o poprawności modelu w przypadku, gdy model jest bł˛edny. Żadne z rozwiazań ˛ nie jest wolne od wad oraz każde posiada też pewne zalety. Testy klasyczne cechuje niska moc, lecz sa˛ bardzo proste oraz intuicyjne, gdyż koresponduja˛ wprost z definicja˛ miary VaR i wyst˛epujacymi ˛ przekroczeniami. Testy wykorzystujace ˛ funkcj˛e strat ujmuja˛ aspekt bezpieczeństwa instytucji oraz/lub ekonomiki zwiazanej ˛ z wielkościa˛ kapitału wymaganego. Ich wada˛ pozostaje subiektywny wybór postaci funkcji strat oraz fakt, że pojedyncze duże przekroczenie może prowadzić do odrzucenia w ogólności prawidłowego modelu. Najciekawszymi i uzyskujacymi ˛ coraz wi˛eksza˛ popularność, wydaja˛ si˛e być testy wykorzystujace ˛ transformacje Rosenblatta. Pozwalaja˛ one skuteczniej identyfikować modele nieprawidłowe. Niedogodnościa˛ w ich stosowaniu pozostaje jednak konieczność określenia postaci rozkładu stóp zwrotu (warunkowego lub bezwarunkowego) w wykorzystywanym modelu VaR. WNIOSEK: najlepsze wyniki uzyskano w badaniu symulacyjnym dla testu Berkowitza. Wraz ze wzrostem odst˛epstwa od modelu poprawnego i długościa˛ analizowanego szeregu rośnie przewaga tego rozwiazania. ˛ 5. Kierunki dalszych badań Najpopularniejsze funkcje strat zadane sa˛ wzorami: Testowaniu może podlegać zarówno cz˛estość przekroczeń, jak i ich niezależność. Rozważania dotycza˛ jedynie testowania cz˛estości przekroczeń. LRP OF = LRuc = −2 ln Jeśli model jest prawidłowy, to ut ∼ iid U (0, 1) lub zt ∼ iid N (0, 1). (2) UWAGA: V aRt podany jest w wartościach dodatnich. (1 − q)T0 q T1 (1 − q̂)T0 q̂ T1 Testy w ramach tej grupy nie ograniczaja˛ si˛e do analizy własności modelu w ramach jednego założonego poziomu tolerancji. Idea sprowadza si˛e do analizy odst˛epstwa rozkładu empirycznego stóp zwrotu od rozkładu teoretycznego oszacowań uzyskanych na podstawie modelu uznanego za poprawny. Dla obserwowanych ex post stóp zwrotu rt wyznacza si˛e szereg ut lub zt: Z rt ut = F (rt) = f (y)dy, zt = Φ−1(ut), (6) −∞ gdzie: Wt/rt - wartość portfela/stopa zwrotu w chwili t, −1 - odpowiedni kwanty rozkładu stóp zwrotu, Fr,t q - zadany poziom tolerancji VaR. TEST KUPCA (1995): B) TESTY ZGODNOŚCI KWANTYLI MIARY VaR I ROZKŁADU STRAT (Crnkovic-Drachman (1996), Berkowitz (2001)) 100 250 500 750 1000 0,006 0,0032 0,2230 0,1993 0,1730 0,2844 1. uwzgl˛ednienie wpływu obserwacji nietypowych o wielkościach obserwowanych w praktyce, 2. uwzgl˛ednienie odst˛epstw od niezależności przekroczeń w ramach każdej z prezentowanych metodologii testowania oszacowań wartości zagrożonej, 3. oszacowanie mocy odpowiednich testów niezależności przekroczeń oraz testów mieszanych, 4. rozdzielenie aspektu ilości przekroczeń oraz wielkości przekroczeń, 5. wprowadzenie analiz z punktu widzenia instytucji finansowej w ramach obecnych uregulowań prawnych, 6. wyznaczenie liczby obserwacji niezb˛ednej do uzyskania założonej mocy testu, 7. dyskusja na temat minimalnej akceptowalnej mocy testów w przypadku oceny modeli wewn˛etrznych stosowanych przez instytucje finansowe. Literatura [1] S. Campbell. A Review of Backtesting and Backtesting Procedures. Federal Reserve Board, Washington, 2005. [2] M. Hass. New Methods in Backtesting. CAESAR, 2001, www.gloriamundi.org. [3] J. A. Lopez. Methods for Evaluating Value-at-Risk Estimates. Federal Reserve Bank of New York Research Paper no. 9802, 1998. [4] K. Piontek. A Survey and a Comparison of Backtesting Procedures (in Polish). In P. Chrzan, Matematyczne i ekonometryczne metody oceny ryzyka finansowego. pages 113–124. Prace Naukowe AE w Katowicach, Katowice, 2007. [5] A. da Silva, C. da Silveira Barbedo, G. Araujo, M das Neves. Internal Models Validation in Brazil: Analysisis of VaR Backtesting Methodologies. Financial Stability Report, May 2005, Volume 4 – Number 1, 131–154, Banco Central Do Brasil. Tabela 1b: moc testu Kupca, q=0,01, α = 0, 05, CV - χ21 0,007 0,008 0,009 0,010 0,011 0,012 0,0055 0,0087 0,0130 0,0184 0,0250 0,0328 0,1748 0,1386 0,1124 0,0948 0,0847 0,0815 0,1382 0,0986 0,0769 0,0709 0,0788 0,0996 0,1053 0,0647 0,0445 0,0408 0,0523 0,0787 0,1729 0,1023 0,0650 0,0551 0,0696 0,1073 0,013 0,0420 0,0845 0,1321 0,1198 0,1667 0,014 0,0525 0,0934 0,1751 0,1749 0,2446 0,013 0,0420 0,0466 0,0670 0,1198 0,1117 0,014 0,0525 0,0639 0,0979 0,1749 0,1730 0,070 0,0968 0,2247 0,4553 0,6054 0,7493 Źródło: obliczenia własne. Tabela 2b: moc testu Kupca, q=0,01, α = 0, 05, CV - symulowane 0,006 0,007 0,008 0,009 0,010 0,011 0,012 100 0,0032 0,0055 0,0087 0,0130 0,0184 0,0250 0,0328 250 0,0009 0,0021 0,0043 0,0081 0,0137 0,0217 0,0326 500 0,0496 0,0308 0,0207 0,0173 0,0198 0,0285 0,0440 750 0,1730 0,1053 0,0647 0,0445 0,0408 0,0523 0,0787 1000 0,2843 0,1724 0,1002 0,0593 0,0425 0,0461 0,0692 0,070 0,4464 0,7708 0,9576 0,9920 0,9970 Źródło: obliczenia własne. Tabela 3b: moc testu cz˛estości przekroczeń Berkowitza, q=0,01, α = 0, 05, CV - χ22 0,006 0,007 0,008 0,009 0,010 0,011 0,012 0,013 100 0,0785 0,0686 0,0575 0,0504 0,0490 0,0551 0,0655 0,0709 250 0,1246 0,0867 0,0629 0,0511 0,0521 0,0539 0,0714 0,0941 500 0,2281 0,1383 0,0805 0,0615 0,0487 0,0583 0,0846 0,1387 750 0,3364 0,1948 0,0979 0,0629 0,0475 0,0683 0,1054 0,1744 1000 0,4469 0,2460 0,1265 0,0648 0,0500 0,0680 0,1297 0,2239 0,014 0,0829 0,1291 0,1967 0,2779 0,3553 0,070 0,0383 0,0512 0,0715 0,0921 0,1127 Źródło: obliczenia własne. Tabela 4b: moc testu Lopeza - wzór (13), q=0,01, α = 0, 05, CV - symulowane 0,006 0,007 0,008 0,009 0,010 0,011 0,012 0,013 100 0,0183 0,0196 0,0219 0,0236 0,0248 0,0256 0,0281 0,0290 250 0,0142 0,0171 0,0192 0,0219 0,0251 0,0286 0,0315 0,0354 500 0,0589 0,0564 0,0581 0,0542 0,0496 0,0485 0,0482 0,0513 750 0,1429 0,0986 0,0680 0,0549 0,0492 0,0485 0,0519 0,0578 1000 0,1464 0,1052 0,0785 0,0588 0,0509 0,0503 0,0553 0,0625 0,014 0,0305 0,0392 0,0560 0,0657 0,0751 0,070 0,1615 0,3097 0,5255 0,6895 0,8034 Źródło: obliczenia własne. Tabela 5b: moc testu Lopeza - wzór (14), q=0,01, α = 0, 05, CV - symulowane 0,006 0,007 0,008 0,009 0,010 0,011 0,012 0,013 100 0,0050 0,0079 0,0128 0,0183 0,0250 0,0330 0,0432 0,0535 250 0,0023 0,0049 0,0090 0,0158 0,0256 0,0393 0,0550 0,0763 500 0,1367 0,0931 0,0657 0,0523 0,0502 0,0604 0,0813 0,1119 750 0,1968 0,1228 0,0772 0,0550 0,0492 0,0610 0,0911 0,1358 1000 0,2627 0,1565 0,0923 0,0582 0,0509 0,0664 0,1046 0,1637 0,014 0,0658 0,1003 0,1529 0,1964 0,2416 Źródło: obliczenia własne. INNOWACJE W FINANSACH I UBEZPIECZENIACH – METODY MATEMATYCZNE, EKONOMETRYCZNE I INFORMATYCZNE, Ustroń, 19-20.11.2008