Upload
rosabella-cozzi
View
219
Download
3
Embed Size (px)
Citation preview
Analisi e gestione del rischio
Lezione 19
Il secondo pilastro
Secondo pilastro
• Nel secondo pilastro vengono fornite raccomandazioni per la supervisione dei sistemi di risk-management con riferimento a fonti di rischio non coperte nel primo pilastro:– Integrazione tra i rischi– Rischio di concentrazione– Rischio di liquidità– Rischio di trasformazione delle scadenze
Integrazione tra rischi: approcci• Un elemento che non è coperto dal primo pilastro è
la possibilità che diversi fattori di rischio si manifestino insieme.
• L’integrazione tra i rischi (di mercato, di credito e operativo) può essere fatta secondo due approcci opposti
• Approccio bottom-up: i diversi fattori di rischio sono aggregati al livello di ogni singolo prodotto e poi aggregati insieme
• Approccio top-down: i diversi fattori di rischio sono aggregati a livello di business unit e poi aggregati tra di loro
Integrazione tra rischi: problemi
• L’approccio bottom-up è poco seguito, principalmente perché i rischi sono aggregati per fattore di rischio piuttosto che per prodotto (ricordiamo il mapping nel rischio di mercato)
• L’approccio top-down è il più diffuso. Il vero problema in questo caso è di tipo tecnico. Tipicamente, i rischi di mercato sono aggregati nel tempo su frequenze molto elevate (tipicamente, 10 gg di periodo di smobilizzo), mentre rischi di credito e operativi sono aggregati a su frequenze più basse (tipicamente, su frequenza annua)
Integrazione nel tempo dei rischi• Un problema preliminare per l’approccio top-down
è quello di aggregare nel tempo le misure di rischio. Tipicamente, il rischio di mercato deve essere riportato su base annua.
• Il problema è quindi determinare il VaR su un tempo di smobilizzo di un anno, in modo che sia coerente con quelli calcolati su base di 10 gg.
• La regola che viene utilizzata è quella della radice quadrata: il VaR calcolato su 10 giorni– viene moltiplicato per 5 (la radice quadrata di 25)– la media non viene considerata pari a zero, ma viene
posta pari al tasso risk-free più il premio per il rischio
Ipotesi del modello
• La regola della radice quadrata è basata su due assunzioni– I profitti e perdite in ogni periodo hanno
distribuzione normale– I profitti e perdite di ogni periodo sono
indipendenti dalle perdite nei periodi precedenti
• Ipotesi alternative possono portare a diversi risultati di aggregazione dei rischi.
VaR al 5%: dipendenza seriale
0
2
4
6
8
10
12
14
16
18
20
1 3 5 7 9 11 13 15 17 19 21
Indip
theta= 0.01
theta= 0.1
theta= 0.5
theta= 1
theta= 10
theta= 50
theta= 100
P erf c orr
L’approccio top-down
• Dopo l’aggregazione temporale otteniamo valori aggregati dei VaR per rischi di mercato, di credito e operativi
• I diversi VaR vengono poi aggregati utilizzando funzioni di copula.
• E’ particolarmente rilevante considerare funzioni di copula che rappresentino dipendenza nelle code (tail dependence), è infatti noto che i diversi fattori di rischio vedono aumentare la loro correlazione in periodi di particolare stress.
Rischio di concentrazione: cause
• Il rischio di concentrazione è legato a particolari esposizioni verso singoli fattori di rischio, singoli settori o addirittura singoli nomi.
• La concentrazione può essere dovuta a– Specializzazione nel business di intermediazione:
prodotti, tecniche, mercati. – Relazioni di clientela da parte degli intermediari– Speciale competenza nella conoscenza di particolari
settori o regioni
• La concentrazione del rischio genera maggiori ritorni a fronte di una maggiore rischiosità.
Rischio di concentrazione: tipi
• Il rischio di concentrazione viene classificato, secondo Basilea II, in tre tipi– Rischio di concentrazione “single name”:
esposizione a singoli prenditori di fondi– Rischio di concentrazione settoriale:
esposizione a particolari settori industriali o zone
– Rischio di concentrazione da micro-contagio: esposizione a gruppi di prenditori di fondi legati tra loro da rapporti di business.
Misure di concentrazione
• Misure statistiche di concentrazione:– Curva di Lorenz– Indice di concentrazione di Gini– Indice di Hirschman-Herfindahl (HHI)
• Misure di concentrazione di portafogli– Formule di aggiustamento per la granularità
dei portafogli. Una di queste è stata proposta nei lavori preparatori di Basilea II ma alla fine si è ritenuto di non farla confluire nel I pilastro.
Stress testing
• Tecniche di stress testing consentono di valutare la rischiosità della posizione a particolari eventi
• La scelta degli scenari può essere fatta– raccogliendo informazioni su particolari eventi o
situazioni di mercato– utilizzando le aspettative implicite negli strumenti
finanziari, es. futures, opzioni, ecc…
• La costruzione degli scenari deve essere coerente con la struttura di correlazione dei dati
Stress testingCome generare scenari coerenti
• Scomposizione di Cholesky– Lo shock attribuito a un dato mercato e/o
bucket si propaga agli altri attraverso la matrice di Cholesky
• Metodo di Black e Litterman– Lo scenario scelto per un dato mercato e/o
bucket è pesato e mischiato all’informazione storica con una tecnica bayesiana
Variabili Normali Multivariate• Cholesky Decomposition
– Indichiamo con X un vettore di variabili aleatorie indipendenti ciascuna delle quali distribuita secondo una normale standard, la matrice di varianza-covarianza di X sarà pertanto data dalla matrice unità di dimensione n n. Supponiamo di voler derivare da questo insieme di variabili un secondo set di variabili, che indicheremo con Y, non più indipendenti bensì dotato di matrice di varianza-covarianza assegnata .
– Il nuovo insieme di variabili aleatorie può essere ricercato come combinazione lineare delle variabili indipendenti , cioè si pone
– Il problema si riconduce così alla determinazione di una matrice A di dimensione n n tale che
AXY AXY
tAA tAA
• Cholescky Decomposition
– La soluzione della precedente equazione non è unica nel senso che esistono più matrici A che, moltiplicate per la loro trasposta, danno come risultato . Se la matrice è definita positiva il metodo più efficiente dal punto di vista computazionale per risolvere il problema consiste nell’applicazione della scomposizione di Cholescky.
nnnn AAA
AA
A
A
21
2221
11
0
00
nnnn AAA
AA
A
A
21
2221
11
0
00
Variabili Normali Multivariate
– Il punto chiave di tale metodologia consiste nel ricercare A nella forma di una matrice triangolare inferiore, ovvero una matrice in cui tutti gli elementi sopra la diagonale sono nulli,
• Cholesky Decomposition
– Sviluppando il prodotto AAt in componenti è facile verificare che gli elementi di A sono ricavabili dalle seguenti formule iterative
– Ad esempio per il caso semplice di due variabili troviamo
1
1
2i
kikiiii aa
1
1
2i
kikiiii aa
1
1
1 i
kjkikij
iiji aaa
a
1
1
1 i
kjkikij
iiji aaa
a
2
22
1
1
0
A
2
22
1
1
0
A
Variabili Normali Multivariate
Black e Litterman
• La tecnica proposta da Black e Litterman e utilizzata in asset management può essere utilizzata per rendere coerenti gli scenari.
• Fonti di informazione– Storica (serie storiche di prezzi)– Implicita (cross-section di prezzi di derivati)– Privata (prodotta “in house”)
Views
• Assumiamo che “in house” venga proposta una “view” sull’andamento di un mercato 1 e una “view” sull’andamento del mercato 3 rispetto al mercato 2.
• Entrambe le “view” hanno errori i con matrice di covarianza e1' r = q1 + 1
e3' r - e2' r = q2 + 2
• La dinamica delle variazioni percentuali r dei prezzi devono essere “condizionate” dalle “view” qi.
Condizionamento degli scenari alle “view”
• Riportiamo le “view” in forma di matrice
e calcoliamo la distribuzione congiunta
2
1
23
1
%0
%6
110
001
''
'
qee
eP
q
r
PVP'PV
PVV
P '
',N
~
Distribuzione condizionale
• La distribuzione condizionale di r rispetto a q risulta quindi
e si noti che può essere interpretato come un modello di regressione di tipo GLS (generalised least squares)
PVPVP'VP-V
P-qPVP'VP1
1
'
;'~qr
N
Esempio: costruzione di uno scenario
• Assumiamo di costruire uno scenario sulla curva dei tassi a 1, 10 e 30 anni.
• I valori di media, deviazione standard e correlazione sono dati da
•
192.003.0
92.0104.0
03.004.01
07.0
06.0
01.0
58.6
77.5
00.6
R
Shock alla curva dei tassi
4.5
5
5.5
6
6.5
7
1 6 11 16 21 26
Maturities
Yields Historic
Scenario
Analisi di stress testing (1)Il tasso a breve aumenta al 6%
(0.1% sd)
Scadenza Nominale MtM corrente
MtM scenario
Perdita Media
Scenario VaR
1 anno 100 95.08 94.18 0.90 0.92
10 anni 100 58.35 56.16 2.17 2.93
30 anni 100 15.54 13.88 1.66 2.30
Analisi di stress testing (2) Il tasso a breve aumenta al 6%
(1% sd)
Scadenze Nominale MtM Corrente
MtM Scenario
Perdita Media
Scenario VaR
1 anno 100 95.08 95.08 0.00 0.53
10 anni 100 58.35 58.35 0.00 1.49
30 anni 100 15.54 15.54 0.00 1.21
VaR e mercati illiquidi
• Il VaR può essere visto come una strategia in opzioni, per garantire la solvibilità della business unit.
• Determinare questa strategia richiede un mercato efficiente e liquido dell’attivo.
• Il circolo vizioso della liquidità – Mercati illiquidi Informazione rumorosa
Rischio di liquidità: misure
• Misure di liquidità– Bid-ask spread: differenza tra il prezzo a cui è
possibile acquistare o vendere un titolo (non tiene conto della dimensione della transazione)
– Slippage: differenza tra il costo reale di esecuzione e la media delle quotazioni bid e ask. Tiene conto della dimensione, rispetto allo “spessore” del mercato: ordini di dimensione maggiore“mangiano” una quota maggiore del libro ordini.
Rischio di liquidità: eventi• Elementi non misurabili:
– Liquidity holes: fasi del mercato nelle quali si riduce drasticamente l’afflusso di ordini da una delle due parti (denaro o lettera), rendendo problematica la ricerca di una controparte per lo smobilizzo
– Circuit breakers: procedure di interruzione delle contrattazioni sui mercati regolamentati. E’ un cambiamento della struttura stessa del mercato, da asta continua ad asta batch
Rischio di liquidità: le cause
• Le cause– Aspetti di “microstruttura” del mercato
• Scorte dei market-makers• Triple-witching-hour• Active learning dei market-makers
– Aspetti di tipo comportamentale degli operatori• Herd behaviour• Inerzia di portafoglio
Rischio di liquidità: gli effetti
• Gli effetti– Il costo di smobilizzo fluttua e può essere
correlato con variazioni del mercato in momenti di particolare tensione.
– Mercati illiquidi trasmettono informazione meno trasparente, e rendono più problematica sia la valutazione che l’analisi di rischio
Marking-to-Market e liquidità
• Il valore delle posizioni che calcoliamo fa riferimento a situazioni ideali di mercati perfettamente liquidi
• Tenere conto del rischio liquidità induce a definire fattori di sconto diversi per poste lunghe e corte.
• L’andamento divergente di tali fattori di sconto definisce il rischio di liquidità
Modelli di finanza e rischio liquidità
• Perché i modelli di finanza generano prezzi uguali per posizioni lunghe e corte?
• Risposta tecnica: unica misura di probabilità– da assunzioni di teoria delle decisioni
• utilità attesa e assioma di indipendenza
– da assunzioni di teoria della finanza• mercati completi e assenza di frizioni