2.5.2 Multivariate Monte Carlo-Simulation
description
Transcript of 2.5.2 Multivariate Monte Carlo-Simulation
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 1
2.5.2 Multivariate Monte Carlo-Simulation
in der Realität besteht zwischen der zeitlichen Entwicklung der verschiedenen Risikofaktoren ein Zusammenhang
Berücksichtigung derartiger Abhängigkeiten durch die jeweilige Korrelation zwischen den Risikofaktoren
Vorgehensweise
Festlegung der Prämissen
Simulation der Marktparameter durch (0,1)-gleichverteilte Zufallszahlen
Ableitung der korrelierten Zufallszahlen S
Transformation der Zufallszahlen gemäß der zugrunde gelegten hypothetischen Verteilung der Marktparameter
Bewertung des Portfolios für die verschiedenen Simulationen
Berechnung des VaR unter Berücksichtigung des Konfidenzniveaus
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 2
Ableitung der korrelierten Zufallszahlen S
gegeben: positiv semidefinite Varianz-Kovarianz-Matrix !!
Cholesky-Faktorisierung: Ableitung einer oberen Dreiecksmatrix A für die (MM)-Kovarianz-
Matrix , für die gilt:
Für einen Vektor mit M normalverteilten, unabhängigen Zufallsvariablen z‘= (z1, z2,...,zM) erhält man einen Vektor s‘= (s1, s2,...,sM) mit korrelierten Zufallsvariablen bezüglich der Kovarianzmatrix durch
s = A z< 2.9 > (22)-Kovarianz-Matrix
'AAΣ
22,22,22,1
2,22,12
2,12
1,1
2,21,2
1,1
2,2
2,11,1
1,2
2,1
aaa
aaaa
aa
0a
a0
aa
1
1
( bezeichnet die Kovarianz zwischen den Zufallszahlen z1und z2 )
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 3
Sukzessive Ableitung der Matrix A:
1a1a 2,22
2,2
1,22,12,11,22,12,22,1 aaa
22,11,1
22,1
21,1 1(a1aa
2
2,11,22
2,1
2,1
1,2
2,11(
01
1(0
1
1
1
2
1
2
12
2,1
1,2
s
s
z
z
1(0
1
korrelierte Zufallszahlen
22,22,22,1
2,22,12
2,12
1,1
2,21,2
1,1
2,2
2,11,1
1,2
2,1
aaa
aaaa
aa
0a
a0
aa
1
1
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 4
Ermittlung der Matrix A für eine (MM)-Kovarianz-Matrix :
M,M1,M
M,22,21,2
M,12,11,1
rekursive Bestimmung der Diagonalelemente
1i
1k
2i,ki,ii,i aa
M,M1,M
2,21,2
1,1
M,M1,M
M,22,2
M,12,11,1
aa
0aa
00a
a00
aa0
aaa
Bestimmung der Elemente der 1. Zeile1,1
j,1j,1 a
a
1i
1kj,ki,kj,i
iiij aa
a1
a M,...,3i,2i,1ijfür
Bestimmung der Elemente rechts von der Diagonalen
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 5
< 2.10 > 3 Marktparameter (Zufallsvariablen) sind gemeinsam normalverteilt mit
Generierung von 1.000 Zufallszahlen für jeden Marktparameter: 1.000 31-Vektoren mit unabhängigen, gleichverteilten Zufallszahlen,
z.B. Z’ = (0,46; 0,60; 0,45)
9,07,05,0
7,06,04,0
5,04,03,0
Σ
Bestimmung des zugehörigen Vektors S der korrelierten Zufallszahlen
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 6
Zusammenfassung der Vektoren in Simulations-Matrix, die Korrelationen zwischen Daten
M,D
M,1
1,D
1,1
s
s
s
s
Bewertung des Portfolios
Vektor der möglichen Portfoliowerte auf der Basis der Zufallszahlen der ausgewählten D Durchführungen
TD1 )V,...,V()(f V
Anpassung der Zufallszahlen gemäß der Verteilungsannahme (evtl. Berücksichtigung des Drifts) und der Bewertungsfunktion
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 7
Berechnung des Value at Risk (vgl. Historische Simulation)
Tägliche Gewinne und Verluste als Differenz zwischen dem mit den veränderten Marktparametern bewerteten Portfoliowert und dem auf der Basis der aktuellen Marktdaten ermittelten Portfoliowert
Anordnung der Werte entsprechend ihrem Wert
empirische Häufigkeitsverteilung
Berechnung des VaR durch Quantilsbildung (aufgrund der hohen Stichprobe ist simulierte Verteilung
wesentlich robuster als Verteilung nach der historischen Simulation)
D
1
t
t
D
1
V
V
V
V
V
V
)f
0
0
0tV(ΔV
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 8
hohe Zahl der Simulationen macht Schätzung des VaR wesentlich robuster
Vor-/Nachteile
Verteilungsannahme wird vorausgesetzt, allerdings nicht auf Normalverteilung beschränkt
sehr hoher Rechenaufwand durch häufige Neubewertung des Portfolios
Verteilungsannahme aber nur für Risikofaktoren, nicht für die simulierten Wertveränderungen des Portfolios Nichtlinearitäten der einzelnen Positionen werden voll berücksichtigt
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 9
Varianz-Kovarianz-Ansatz
HistorischeSimulation
Monte Carlo-Simulation
Linearisierung derPreis-Risikofaktoren-Beziehung anhandvon Sensitivitäten
Beziehung zwischenPreis und Risikofak-toren anhand einesBewertungsalgorith-mus
Beziehung zwischenPreis und Risikofak-toren anhand einesBewertungsalgorith-mus
Charakterisierung derVerteilung des Port-foliowertes aufgrundder Verteilung der Ri-sikofaktoren
Simulation der Risiko-faktoren anhand his-torischer Daten undentsprechende Simu-lation der Preisverän-derungen
Simulation der Risiko-faktoren und entspre-chende Simulation derPreisveränderun-gen
Annahme der (Stan-dard)Normalverteilungder Risikofaktoren
Keinerlei Verteilungs-annahme
Annahme der (Stan-dard)Normalverteilungder Risikofaktoren
2.6 Vergleich der VaR-Methoden
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 10
Varianz-Kovarianz-Ansatz
Historische Simula-tion
Monte Carlo-Simulation
Niedriger Rechenauf-wand
Hoher Rechenauf-wand
Hoher Rechenauf-wand
Nichtlinearitäten wer-den nicht berück-sichtigt
Nichtlinearitäten wer-den berücksichtigt
Nichtlinearitäten wer-den berücksichtigt
Verwendung der Kor-relation und damit deslinearen Zusammen-hangs zwischen Risi-kofaktoren
Verwendung tatsäch-lich beobachteter(auch nicht linearer)Zusammenhänge zwi-schen Risikofaktoren
Verwendung der Kor-relation und damit deslinearen Zusammen-hangs zwischen Risi-kofaktoren
Nur in der Historie be-obachtete Szenarienwerden berücksichtigt
Nur in der Historie be-obachtete Szenarienwerden berücksichtigt
Per Zufallsziehungenwerden auch Konstel-lationen einbezogen,die nicht in der Historieenthalten sind
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 11
Varianz-Kovarianz-Ansatz basiert auf Normalverteilungsannahme tatsächliche Verteilung weist i.d.R. eine höhere Kurtosis, insbesondere fat tails auf Risiko wird tendenziell unterschätzt
Vergleichende Bewertung des VaR
Historische Simulation verzichtet auf Normalverteilung theoretisch das genaueste Risikomaß höheres Risiko
Monte Carlo-Simulation erfaßt Optionsrisiken genauer deswegen genauere Risikozahl, aber auch Normalverteilungsannahme Risiko tendenziell auch zu niedrig