Upload
chavi
View
39
Download
0
Embed Size (px)
DESCRIPTION
金融機構風險管理. 第三章 風險值與市場風險. 衡量風險工具 風險值 衡量風險值的方法 共變異法及其應用 歷史模擬法 蒙地卡羅模擬法. 右偏. 左偏. E(R). 衡量風險工具. 一般衡量市場風險的方法有: 敏感度 、 波動度 、 風險值 1. 敏感度 (Sensitivity) 敏感度指的就是衡量某風險因子的變動對目標資產價值的影響程度。 2. 波動度 (Volatility) 波動度基本上就是分析某風險因子的離散程度。最常見的衡量工具就是變 異數、標準誤、準標準誤等。 標準誤 (Standard Deviation). - PowerPoint PPT Presentation
Citation preview
金融機構風險管理
第三章 風險值與市場風險
衡量風險工具 風險值 衡量風險值的方法 共變異法及其應用 歷史模擬法 蒙地卡羅模擬法
衡量風險工具 一般衡量市場風險的方法有:敏感度、波動度、風險值 1.敏感度 (Sensitivity) 敏感度指的就是衡量某風險因子的變動對目標資產價值的影響程度。
2.波動度 (Volatility) 波動度基本上就是分析某風險因子的離散程度。最常見的衡量工具就
是變 異數、標準誤、準標準誤等。 標準誤 (Standard Deviation)
N
iiX XEx
N 1
2)]([1
1 (3.17)
右偏
E(R) E(R)
左偏
【圖 3.1】機率分配的偏誤
準標準誤 (Semi-Standard Deviation)
N
ii
Lsemi x
N 1
2)0,min(1
(3.18) x = R-B , R<B
R = 實際報酬B = 目標報酬
準標準誤的缺點是:
1.不像變異數、標準差普遍受到了解與使用,準標準誤知道的人不多,使用的人更少。
2.所謂目標報酬為何,並無清楚定義,導致執行上的困難。
3.不像標準差使用於個別資產或資產組合相當容易計算,準標準誤就不易從資產組合切割為個別資產。因此準標準誤的使用並不普遍。
風險值 (Value at Risk,VaR)
傳統較常用的風險管理工具,如:猜測數量、敏感度、情境模擬等一般風險值的定義有兩種:相對風險值與絕對風險值1.相對風險值 相對風險值所計算之潛在最大損失乃相對於該資產之期望值
而言,也就是該資產之潛在非預期損失。 2.絕對風險值 絕對風險值之計算則相對於該資產原先之投入價值而言,也
就是該資產之潛在非預期損失與預期損失之加總。 一般而言,均以相對風險為 VaR的定義。
假定某風險因子 X ,則:相對風險值 (Relative VaR) Xα
* σZXE(X)VaR(mean) (3.19)
絕對風險值 (Absolute VaR)
Xα0*
0 σZE(X)][XXXVaR(zero) (3.20)
在實務上要衡量某單一資產 W 的 VaR通常需要知道以下三件事:1.W在下一期的機率分配2.期間 t 有多長3.W在當期的價值 W0
因此假定該資產 W 的預期報酬率為 R , W =W0 (1+R),則 VaR可改寫成:相對風險值 (Relative VaR) ΔtσZWWE(W)VaR(mean) Rα0
* 絕對風險值 (absolute VAR) ΔtμΔtσZWWWVaR(zero) Rα0
*0
(3.21)
(3.22)
)μ(1WE(W) R0
R0σWσ(W) 其中, 的設定是來自於對報酬率作出以下兩項假定:t
其中
1.報酬率為連續複率 (Continuously Compounded Return) 形式2.未來每期利率均隸屬於常態分配
風險值舉例債券之利率風險根據 (3.5)式可知
drPDdP bb )(
r
DD
1
drDPP bb 0
)()( 0 drZDPPZVaR bb
(3.28)
(3.29)
(3.30)
(3.31)
Pb = 債券的市價r = 市場殖利率 (Risk Factor)D* = 修正後存續期間 (Modified
Duration)σ(r) = 市場殖利率的標準差
某債券的現值為 $100,存續期間為 7 ,假定殖利率的走向屬常態分配,其標準差為 0.2% ,求在 99% 信賴水準下的風險值。VaR= 100×7×2.32×0.2%=3.24
衡量風險值的方法
根據 Jorion (2000)的分類,衡量風險值的方法
可分兩類:局部評價法、完全評價法 。
局部評價法的名稱很多,例如: Parametric VaR 、Linear VaR 、 Variance-Covariance VaR 、 Greek-
Normal
VaR 、 Delta-Normal 等,本文則以共變異法稱之。
這三種方法各有優劣,由表 3.1可清楚看出在:計算速度、處理非線性能力、處理非常態能力、與歷史資料的相關性等方面這三種方發之優劣處。
共變異法 歷史模擬法 蒙地卡羅模擬法
計算速度 ★★★★ × ★
處理非線性能力 × ★★★★ ★★★★
處理非常態能力 × ★ ★★★★
與歷史資料的相關性 ★★ ★★ ×
表 3.1 衡量風險值的方法的優缺點
共變異法及其應用
1.定義風險因子 ( 或因子集合 ) ,並確定該因子足以計 算出目標資產的價值。2.找出風險因子與目標資產之間的敏感度3.根據風險因子的歷史資料計算其平均數、標準誤及 相關係數等統計量4.根據風險因子之統計量及其敏感度計算目標資產的 標準誤5.假定風險因子與目標資產之隨機現象均為常態分 配,計算 99%信賴水準下的 VaR (2.33σ)
在共變異法下,任一資產或資產組合的VaR計算步驟如下:
以投資國外債券為例,假定美國的投資人投資以德國馬克計價的 4 年期債券,金額為 100 (百萬),該債券每期支付固定利息 C ,其市場價格為Pb,其他相關參數如(表 3.2),請求出在 99%信賴度下該投資的風險值。
參數 值投資金額 ($)期限 Muturity (T)債券市場利率 (r)利率之標準差 ( σr )匯率 Exchange rate (EX)匯率標準差( σEX )利率與匯率之相關係數 (ρr,ex)存續期間 (Dollar duration)
100 (百萬 )4 年5%0.8%1.5 DEM/USD0.03 EM/USD-0.6298.49
一 . 股權之價格風險
Rw
R
R
R
www
RwRwRwR
n
n
nnp
2
1
21
2211
N
iiipp wRE
1
)(
ww
w
w
ww
wwwRV
NNNNN
N
N
N
i
N
i
N
ijjijjiiipp
1
21
11211
1
1 1 1
222)(
WwwZWZVAR pp
( 3.40 )
( 3.41 )
( 3.42 )
( 3.43 )
Ri = 第 i 項資產的報酬率Rp = 資產組合的報酬率wi = 持有第 i 項資產的比例( 權數 )W = 總投資金額
任選 3 檔股票 250天的股價資料如(表 3.3),並根據前後 2 天的股價,透過自然對數計算日報酬率( ),假定3 檔股票:統一、中鋼、台積電分別以權數 0.3、 0.3、 04形成資產組合,則根據( 3.40) ~ ( 3.42)可得資產組合的變異與共變異矩陣如(表 3.4),在根據( 3.43)可得風險值( VaR): 51.99。
tt PP 1ln
年月日 統一 中鋼 台積電2000/11/30 19.22 16.88 56.48
2000/11/29 19.13 16.98 57.11
2000/11/28 19.03 16.98 58.37
2000/11/27 19.13 16.98 59.63
2000/11/24 19.22 16.98 59.95
2000/11/23 18.58 16.6 56.16
1999/12/27 20.92 20.9 82.95
(表 3.3)任選 3 檔股票 250天的股價資料
此外若根據(表 3.4)之對角線上之個別資產變異分別計算個別資產的風險值可得:
風險值
統一 中鋼 台積電
19.82112
12.60936
28.11064
(表 3.5)個別資產的風險值
資產組合之分散風險效果為: 8.55=19.82+12.61+28.11-51.99
0.000804 0.000335 0.000375
0.000335 0.000325 0.000418
0.000375 0.000418 0.00091
(表 3.4)三檔股票的共變異矩陣
二 .Delta-Gamma (Greeks) Method
1.以固定收益證券為例固定收益證券的泰勒展開式如下:
2)(2
1)*( drCVdrVDdV ( 3.47 )
V = 固定收益證券價值r = 市場殖利率D*= 存續期間 (First Partial
Derivatives)
C = 凸性係數 (Convexity)
2.以買入買權 (long-call option) 為例假定波動度、到期期間、無風險利率等風險因子的敏感度太小可以忽略不計,則一個買權的二階泰勒展開式如下:
2
22
2
2
12
1
dSdS
dSS
cdS
S
cdc
( 3.48 )
若 dS隸屬常態分配,則假設:
標的資產價格變動服從常態分配,亦即假設股價上漲與下跌的機率式均等。
奇數動差 (Odd Moments) 為零
三次方以上的值很小可以予以省略
歷史模擬法 (Historical Simulation Method)
一 . 歷史模擬法的優點: 1.簡單方便:只要過去歷史資料的建檔與新資料的不斷加入, 在相同方法下,可循環使用資料庫。 2.可處理非線型、非常態的風險因子:例如選擇權的 Gamma 、 Vaga風險,
或機 率分配的厚尾 (Fat Tails)現象,歷史模擬法均可完全補捉。
二 . 歷史模擬法的缺點: 1.歷史資料不足時,會導致偏誤發生,風險值的估計可信度不高。 2.僅僅使用一條樣本 ( 已實現 ) 數列,代表性不足。如果一些重大事件不 在其中,不表示這些重大事件未來不會發生,反之,如果重大事件包含 其中,有可能因其所占比重過大,而高估重大事件的發生。 3.對於波動度暫時增加的情況無法處理,尤其是對結構性的改變 ( 如股價漲 跌限制 ) 無法反應,以致偏誤發生。 4.過去資料均以相同權數 (Weight) 計算,忽略了近期資料的相對重要性。 5.如果是計算一龐大的資產組合的風險值時,歷史模擬法所要計算的數據太 過龐大,嚴重影響計算的速度。
三 . 拔靴法 (Bootstrap Method) 拔靴法係假設樣本皆來自未知分配的獨立樣
本,並賦予每個樣本相同的機率,利用重複抽樣的方式,估計出資產組合未來報酬的分配,並以此求算出風險值。
蒙地卡羅模擬法 (Monte Carlo Simulation, MCS)
一 . 資產價格模擬 (Simulating a Price Path)
蒙地卡羅模擬法重要且關鍵的步驟為選擇一隨機模型二 . 多變數模擬 兩個或多個變數同時模擬,由於系統風險存在,變數與變數之間或多或少 都存在相關性,若採用上述隨機亂數的抽取方式,則變數與變數之間的相關 係數趨於 0 ,這並不符合一般市場的實際情況,有必要對模擬法進行調整。 三 .Cholesky 分解 透過 Cholesky分解法可將一組完全獨立的隨機變數,轉換為另一組具相
關性質的隨機變數。 四 . 特徵值分解 特徵值分解又稱主成分分析法其過程較 Cholesky分解複雜,但對那些非正定
共變異矩陣來說,特徵值分解是較佳的選擇。
模擬天數 隨機亂數 模擬股價1 -0.30 55.80
2 1.66 58.58
3 0.69 59.71
4 0.44 60.39
5 1.04 62.21
6 0.40 62.84
7 0.26 63.19
8 0.11 63.26
9 -0.64 61.81
10 -2.19 57.39
(表 3.5)台積電價格模擬 --初始價 56.48
【圖 3.3】 30條台積電價格模擬圖
0
10
20
30
40
50
60
70
80
90
100
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100
P
t
數列1
數列2
數列3
數列4
數列5
數列6
數列7
數列8
數列9
數列10
數列11
數列12
數列13
數列14
數列15
數列16
數列17