Escolar Documentos
Profissional Documentos
Cultura Documentos
š Risk
Asset Allocation
15 de Abril de 2019
email: andreaugolini@me.com
1 Primeira Parte
Primeira Parte
Medir o VaR e ES
Metodo normal
P (t + ∆)
r(t + ∆) = ln
P (t)
A hipótese paramétrica Gaussiana consiste em assumir que os retornos diários
têm uma distribuição normal
2
r(t) ∼ N (µ∆ , σ∆ ), ∀t > 0
2
com media µ∆ e variância σ∆ .
Distribuição Normal
La distribuzione
Definição normale
de Variável Aleatória Normal
Diz-se DeÖnition (V.A.continua
que a variável Normale) X tem a distribuição normal com os parâmetros µ
e σ2 , X ∼ N (µ, σ 2
) se tiver função denormale
Si dice che la v.c. X ha distribuzione densidade:
con parametri µ e s2 ,
! "
X ! N µ, s2 , se ha funzione di densit‡:
1 x−µ
!2
1 −
1 x $µ 2
fX (x) √p 1 e e $22 ( s σ) , x
fX (x=) = ∈ (−∞,
x •,
2 ,($ +•) $∞)
2πσ 22
2ps
2.0
1.5
1.0
0.5
c
G. Fusai ! (SEMEQ) Stima Parametrica del VaR e dellí ES Asset Allocation 4 / 106
A. Ugolini 15 de Abril de 2019 6 / 37
Distribuição Normal e Lognormal
Distribuição Normal
La distribuzione normale
Função de Repartição
Funzione di ripartizione
Z
Z x
x 1 1 " 1−( s21"(µ s−µ
2 2
) ds
FXF(x)
X (x=
)= Pr (X≤!x)
Pr(X x) =
= p√ e e2 s )σds.
" • 2
2πσ
2ps 2
−∞
1.0
y
0.8
0.6
0.4
0.2
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
x
c
G. Fusai ! (SEMEQ) Stima Parametrica del VaR e dellí ES Asset Allocation 5 / 106
A. Ugolini 15 de Abril de 2019 7 / 37
Distribuição Normal e Lognormal
Distribuição Normal
Propriedade
Os parâmetros µ e σ 2 da distribuição normal são exatamente a média e o
variância de X
E(X) = µ, Var(X) = σ 2
Além disso, todos os momentos centrais da ordem ı́mpar da distribuição são
nulos
E (X − µ)2n+1 = 0
Distribuição Normal
Propriedade
O parâmetro kurtosis é igual a 3:
E (x − µ)4
kurt(X) = =3
σ4
Se X ∼ N (0, 1) diz-se que X é um variável continua normal padrão.
Se X ∼ N (µ, σ 2 ) e Y = a + bX então
Y ∼ N a + bµ, b2 σ 2
Distribuição Log-Normal
La distribuzione log-normale
Definição
DeÖnitionde(V.A. Variável Aleatória Log-Normal
Lognormale)
Diz-se
Si dice que
che! laa v.c.
variável continua X log-normale
tem a distribuição log-normal
µ e s2 , com os parâmetros
2 " X ha distribuzione
2 ! " conparametri
2
µX e!σLN , X µ,∼sLN 2 , se
(µ,
logσX),!se
N log s2 ∼
µ, X N µ,laσfunzione
. Inoltre . Além disso, adi função
di densit‡ una v.a.de
lognormale de
densidade Ë: um variável aleatoria lognormal é: tiver função de densidade:
# $2
ln x %µ
1 11 %1
p √ e1 2 es− 12 ( , xσ2 ()0,,+x•∈) .(0, +∞)
ln x−µ 2
= =
fX (fxX) (x)
x 2ps 2
x 2 2πσ
2.0
1.5
1.0
0.5
0.0
1 2
x
c
G. Fusai ! (SEMEQ) Stima Parametrica del VaR e dellí ES Asset Allocation 8 / 106
Distribuição Log-Normal
Propriedade
Se log X1 ∼ N µ, σ 2 , então
2
1
σ2
E (X1n ) = enµ+ 2 n
Se log X1 ∼ N µ1 , σ12 e log X2 ∼ N µ2 , σ22 , então X1 X2 é ainda
log-normal.
2
R(t,t+∆) ∼ N µ∆ , σ∆
R(t,t+∆) − µ∆
−V aRα (t, t + ∆) − µ∆ =1−α
Pr p
2
< p
2
σ∆ σ∆
| {z } | {z }
N (0,1) z1−α
q
V aRα (t, t + ∆) = − µ∆ + 2z
σ∆ 1−α
Lembrando que o método Gaussiano tem limites enormes mas com uma
simple formula me permite calcular a exposição ao risco.
Lembrando que
P (t + ∆) = P (t)er(t+∆)
e o P&L é igual a
P (t + ∆) − P (t) = P (t) er(t+∆) − 1
≈ P (t)r(t + ∆)
Aproveitando as propriedades do normal temos
2
y
-1.0 -0.8 -0.6 -0.4 -0.2 0.2 0.4 0.6 0.8 1.0
x
-1
e x ! 1 # x, x !0
No caso anterior, fizemos uma aproximação (ex − 1 ≈ x), que nos permitiu
determinar a distribuição do P&L.
No entanto, essa aproximação não é necessária.
O percentil do P&L diário pode, de fato, ser expresso em termos percentual
do rendimento logarı́tmico diário
log −ret
V aRαP &L
(t, t + ∆) ≈ −P (t) e−V aRα (t,t+∆)
−1
x
log −ret
Em particular, sendo V aRα (t, t + ∆) igual a − (µ̂∆ + zα σ̂∆ ), se
consegue
Exemplo em R
Código em R: EstParametricaVaR.R
Exemplo
(método aproximado)
Imaginamos que você tenha um tı́tulo com:
µ̂∆ = −0.0130%
σ̂∆ = 2.3683%
Se α = 95% então
z5% = −1.644853
Então, supondo que você tenha uma posição unitária em tı́tulo e sendo
P (t) = 29.3, temos
V ˆaRα (t, t + ∆)
0.0130 2.3683
≈ − 29.3 × − − 1.644853 ×
100 100
| {z }
−0.03882
= − 29.3 × (−0.03882)
=1.137569$
A. Ugolini 15 de Abril de 2019 20 / 37
VaR no modelo paramétrico normal
Exemplo
(método exato)
Imaginamos que você tenha um tı́tulo com:
µ̂∆ = −0.0130%
σ̂∆ = 2.3683%
Se α = 95% então
z5% = −1.644853
Então, supondo que você tenha uma posição unitária em tı́tulo e sendo
P (t) = 29.3, temos
V ˆaRα (t, t + ∆)
0.030 23683
= − 29.3 × e− 100 −1.644853× 100 − 1
= − 29.3 × e−0.03882 − 1
=1.1158$
onde
n
X
r(t, T ) = r(s + (j − 1)∆, s + j∆)
j=1
onde n∆ = T − t
Portanto, é necessário derivar a distribuição de r(t, T ) e, portanto, de P (T ).
A square–root rule
Exemplo
A square-root rule
µ̂∆ = −0.0130%
σ̂∆ = 2.3683%
2
R(t,t+k∆) ∼ N Kµ∆ , Kσ∆
P r R(t,t+k∆) < −V aRα(t,t+k∆) = 1 − α
q
2z
V aRα (t, t + k∆) = − kµ∆ + kσ∆ 1−α
q
ˆ 2
V aRα (t, t + k∆) = − k µ̂∆ + kσ̂∆ z1−α
Exemplo em R
Código em R: EstParametricaVaR.R
Exemplo
hipótese de normalidade
Então, supondo que você tenha uma posição unitária em tı́tulo e sendo
P (t) = 29.3, temos
√
10 0.0130 2.3083
V̂aRα t, t + = −29.3× e− 100 ×10−1.644853× 100 × 10 − 1 = 3.4295
250
Ou aproximadamente, temos
2.3683 √
0.0130
−29.3 × − 10 − 1.644853 10 = 3.6475
100 100
Expected Shortfall
Relativamente ao Expected Shortfall (em termos de rendimento) é possı́vel
obter (a demonstração foi feita em aula e deve conhecê-la) uma expressão
analı́tica na hipótese da normalidade log-retornos:
φ Φ−1 (α)
ESαret (t, t + ∆) = −µ∆ + σ∆
1−α
onde φ(x) é a densidade do normal padrão e Φ−1 (x) é o inverso da
distribuição cumulativa da normal.
Uma estimativa também é feita
φ Φ−1 (α)
ret
ES α (t, t + ∆) = −µ̂∆ + σ̂∆ ×
d
1−α
e obteremos uma estimativa enviesada quanto ao VaR.
Para a estimativa de n perı́odos, aplica-se a regra de transformação
φ Φ−1 (α)
ret √
ES α (t, t + n∆) = −µ̂∆ n + σ̂∆ n ×
d
1−α
A. Ugolini 15 de Abril de 2019 35 / 37
Expected Shortfall no modelo paramétrico normal
Expected Shortfall
P (t + ∆) − P (t) ≈ P (t)r(t + ∆)
temos
P &L ret
ES
dα (t, t + ∆) ≈ P (t) × ES
dα (t, t + ∆)
!
φ Φ−1 (α)
= P (t) × −µ̂∆ + σ̂∆ ×
1−α
Exemplo em R
Código em R: EstParametricaES.R