Risk Management and Financial Institution Chapter 13 —— Historical Simulation and EVT

---

typora-copy-images-to: Risk Management and Financial Institution

Risk Management and Financial Institution Chapter 13 —— Historical Simulation and EVT

---

• 介绍历史模拟法来评估VaR以及为了提高评估的准确性而增加的拓展
• 压力VaR以及压力ES也将被叙述，这是监管者用来决定市场风险留存资本的指标
• EVT极值理论用来提升VaR 以及ES的估计

13.1 The Methodology 方法论

• 历史模拟法使用过去的数据来预测未来发生的事
• 例子： 1天的展望期，流行的501天的历史数据
• 步骤：
  • 找出影响交易组合的风险源
  • 收集风险源在500天内的历史数据
  • 计算出500中情景的组合价值变化
  • 得出每日损失的概率分布图
  • 99%的分位数是500个计算数值的第5个，作为VaR值
  • ES是高于前四个超过VaR的损失的平均值

13.1.1 Illustration 过程说明

详情见Excel表

• 我们应该应用最新的501天数据进行更新

• If the financial institution’s trading leads to a riskier portfolio, the 10-day 99% VaR typically increases; if it leads to a less risky portfolio, the VaR typically decreases

13.1.2 ES

详情见Excel表

13.1.3 Stressed VaR and Stressed ES

• 前面的举例利用的数据是最新的最近的历史数据，计算得出Current VaR and Current ES

• Periods of high volatility will tend to give high values for VaR and ES, whereas periods of low volatility will tend to give low values

• 搜寻251天对现有portfolio有特别压力的时期，形成250个情景

13.2 Accuracy of VaR VaR的准确性

• 由于历史模拟法估计有限的观测值，因而会产生误差，估计的标准误公式为：

• n 是观测个数，q是指分位数也就是confidence level，f(x)等于损失的概率密度函数值

• 该方式理解为估计的估计，回测历史模拟法的估计

• 标准误会随着抽样数据的增加而降低降低的速度与数据量的平方根成反比

• 正态分布不是一个优秀的损失分布假设，因为会有肥尾产生，更好的分布假设是帕累托分布Pareto distribution

13.3 Extensions 拓展推广

• 该拓展与推广是为了对市场变量非静态性质进行的调整
• 研究一种bootstrap 的方式

13.3.1 Weighting of Observations 对观察值设定权重

• 权重按照指数形态递减，对于情景i 来说，分配的权重为：

• 指数权重方法有一个相对历史模拟法的缺陷在于与样本大小的有效性是递减的

13.3.2 Volatility Scaling for Market Variables 在历史模拟法中包含波动率的更新

• 将EWMA 与GARCH 方法与历史模拟法并用

• 对历史的return做波动率的调整
• 对VaR的估计可以比历史上任何的损失数据都要大（详情见EXCEL列表）

13.3.4 Bootstrap Method

• 自助法是历史模拟法的变种
• 以历史数据的变动为基准，计算出交易组合的价值变化，对变化数据进行再抽样，对每一个抽样都计算出VaR值，得到VaR的分布
• 依据置信区间切分VaR的分布，得到结果

13.4 计算问题

• 嵌套模拟，对历史情景的模拟都会再引入蒙特卡洛模拟
• delta - gamma 方法，近似的求出组合价值的变化

13.5 EVT 极值理论 （推导略）

• 使用极值理论来描述尾部分布，当我们需要估计高置信区间的VaR值时，极值理论可以使得实证分布的尾部外推变得更加光滑

13.5.1 主要结果 Key Result

• 广义帕累托累计分布函数：

• 有两个参数，一个是形状参数ξ==（ksi）==，有关分布的形状，这一参数决定了尾部分布的肥瘦，β 参数是分布的规模因子

• 正态分布的ξ为0，尾部越肥ξ越大，对于金融数据来说，ξ都是正的，且范围一般为0.1-0.4

13.5.2 对ξ与β的估计

• 使用最大似然估计法，选择合适的参数使得数据发生的概率最大