Capitol 4

Capitolul 4.
Modelarea statistică în măsurarea riscului de piaţă
CAPITOLUL 4. MODELAREA STATISTICĂ ÎN MĂSURAREA

RISCULUI DE PIAŢĂ
4.1. Definire şi forme de manifestare a riscului de piaţă
4.1.1. Introducere
Riscul de piaţă înglobează două componente fundamentale:

a) Riscul specific de piaţă;
b) Riscul general de piaţă.
a) Riscul specific de piaţă – reprezintă riscul generat de un instrument financiar (titlu,
obligaţiuni, acţiuni, curs valutar, etc.), a cărei variaţie este mai mică sau mai mare comparativ cu
expectaţiile privind variaţia generală a pieţei, datorită unor probleme specifice privind
lichiditatea instrumentului respectiv, sau anumitor evenimente legate de emitentul instrumentului
respectiv. În anumite lucrări de specialitate, riscul specific este înglobat în riscul de creditare
însă, conform Amendamentului Acordului Basel I din anul 1996, riscul specific de piaţă trebuie
inclus în riscul de piaţă şi nu în riscul de creditare;
b) Riscul general de piaţă – se referă la riscul de piaţă generat de modificarea parametrilor
de piaţă: ratele dobânzilor, preţurile acţiunilor, cursurile de schimb, etc., care afectează
portofoliul de instrumente financiare.
Delimitarea celor două categorii de riscuri nu se poate realiza pentru toate instrumentele
financiare tranzacţionate pe o piaţă. Riscul specific este caracteristic numai anumitor categorii de
instrumente: o parte din instrumentele derivative (opţiuni pe valute), acţiunile, titlurile, etc. şi nu
este caracteristic: ratelor dobânzilor, operaţiunilor swap pe valute, tranzacţiilor forward pe rata
dobânzii, tranzacţiilor forward pe cursuri de schimb, operaţiunilor futures pe rata dobânzii, etc.
În schimb, riscul general de piaţă este caracteristic tuturor instrumentelor financiare
tranzacţionate pe o piaţă.
O delimitare mai clară a celor două componente ale riscului de piaţă se poate realiza pe piaţa
de capital, unde riscul de piaţă măsurat prin volatilitatea preţului unei acţiuni, înglobează atât
riscul general de piaţă cât şi riscul specific. Preţul de piaţă al unei acţiuni reflectă, pe de o parte,
situaţia economică a emitentului (riscul specific de piaţă) şi, pe de altă parte, condiţiile generale
ale pieţei (riscul general de piaţă).
4.1.2. Concepte fundamentale utilizate în analiza riscului de piaţă pentru un

portofoliu de active financiare
i. Principiul diversificării al lui Markovitz
Metodele moderne de analiză a riscului de piaţă pentru un portofoliu de instrumente

financiare îşi au originea în teoriile lui Markovitz care, în anul 1959, în lucrarea: “Portofolio
116
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
Selection: Efficient Divesification of Investments”, postulează Teoria privind Alocarea Eficientă

şi Diversificarea Investiţiilor pentru un Portofoliu. Ideea diversificării instrumentelor care
alcătuiesc un portofoliu nu este nouă, însă meritul lui Markovitz este că a reuşit să o formalizeze
teoretic.
Markovitz porneşte de la principiul că atunci când un investitor îşi construieşte un portofoliu
de active, trebuie să ia în calcul expectaţiile privind valoarea medie şi deviaţia standard a
randamentului portofoliului, şi să urmărească maximizarea randamentului (media) şi
minimizarea riscului (deviaţia standard) portofolului.
Teoria lui Markovitz consideră că randamentul portofoliului poate fi măsurat prin media
ponderată a randamentului fiecărui activ şi, în consecinţă, riscul portofoliului va fi mai mic decât
media ponderată a riscului activelor individuale deoarece, riscul oricărui instrument poate fi
descompus în mai multe componente, iar anumite componente pot dispare ca urmare a unei
judicioase combinaţii a acelui instrument cu alte instrumente, în timp ce, riscul asociat celorlalte
componente este rezultatul deciziei de a investi în activul respectiv. Conform principiului
diversificării, riscul portofoliului va fi cu atât mai mic cu cât corelaţia dintre randamentele
instrumentelor care alcătuiesc portofoliu este mai mică, deoarece portofoliul conţine instrumente
cu caracteristici diferite şi de aici rezultă grade diferite de risc.
Markovitz consideră că un investitor care îşi ghidează deciziile după astfel de criterii va avea
un comportament raţional, iar corelaţia care se manifestă între diversele instrumente financiare
oferă posibilitatea de a construi profilul optim al unui portofoliu şi arată faptul că un instrument
nu poate fi evaluat în mod izolat, atractivitatea sa depinde de contribuţia pe care acesta o aduce la
randamentul şi deviaţia standard a portofoliului.
Principiul diversificării al lui Markovitz a revoluţionat modul economic de gândire şi, în mod
special componenta financiară a teoriei economice deoarece a deschis noi oportunităţi şi
posibilităţi de a cuantifica economia financiară.
ii. Modelul Preţului Capitalului unui Activ (Capital Asset Prising Model - CAPM)
Cinci ani mai târziu, principiul diversificării al lui Markovitz a fost extins în analizele
financiare prin introducerea Principiul Expectaţiilor Omogene, conform căruia toţi actorii care
acţionează pe o piaţă financiară urmăresc aceleaşi obiective: maximizarea randamentelor
activelor. Principiul susţine că toţi actorii pieţei au la dispoziţie aceleaşi deviaţii standard şi
corelaţii pentru preţurile instrumentelor financiare. În consecinţă, având un comportament
raţional, conform principiului selecţiei al lui Markovitz, aceşti actori vor alege întotdeauna
acelaşi portofoliu de active.
Principiul a fost formalizat în Modelul Preţului Capitalului unui Activ sau prescurtat CAPM.
Acest model descrie comportamentul investitorilor atunci când aceştia au un comportament
raţional şi, acţionează pe o piaţa eficientă.
Teoria Pieţei Eficiente reprezintă un concept cu ajutorul căruia s-a încercat să se formalizeze
teoretic dinamica pieţei financiare. Teoria porneşte de la ipoteza că preţul unui instument
117
financiar este rezultatul consensului la care au ajuns la un momentdat actorii care activează pe o
piaţă financiară. În aceste condiţii, orice informaţie privind evoluţia în viitor a preţului
instrumentului este înglobată în preţul curent şi, în consecinţă, piaţa va reacţiona instantaneu la
orice informaţie nouă referitoare la evoluţia factorilor care vor influenţa preţul instrumentului în
viitor, atingând un nou punct de echilibru. Conceptul presupune că toţi actorii pieţei au un
comportament raţional şi îşi asumă aceleaşi riscuri. Teoria Pieţei Eficiente caută să rezolve unul
din paradoxurile pieţei financiare şi anume: dacă evoluţia preţului unui instrument financiar este
influenţată de toate informaţiile disponibile la un momentdat referitoare la factorii care
determină preţul instrumentului, iar aceste informaţii sunt deja înglobate în preţul curent al
acestuia, atunci evoluţia preţului nu este aleatoare şi, în consecinţă, modelarea statistică în
măsurarea riscului nu poate fi aplicată. Soluţia paradoxului este următoarea: preţul unui
instrument înglobează toate informaţiile disponibile la un momentdat şi, numai noile informaţii
pot avea impact asupra asupra evoluţiei preţului în viitor. Prin natura lor, informaţiile noi, şi în
special conţinutul acestora, sunt aleatoare şi impredictibile până în momentul în care sunt
disponibile. Noile instrumente determină o nouă modificare a preţurilor instrumentelor
financiare şi conferă acestora un caracter aleatoriu.
Conform acestei teorii, preţul curent nu reflectă numai consensul actorilor pieţei ci şi
preferinţa acestora de a-şi asuma riscuri iar atunci când se pune problema măsurării riscului
pentru un instrument trebuie calculat numai riscul nediversificabil al instrumentului, respectiv
acel risc care este specific numai instrumentului respectiv şi care nu poate fi eliminat prin
diversificare.
Formalizarea matematică a conceptului este următoarea: dacă se notează cu j – instrumentul
financiar, atunci conform CAPM E ( R j ) – expectaţiile privind randamentul instrumentului j în
cadrul unui portofoliului sunt date de relaţia:
[
E ( R j ) = R f + β j E ( RM − R f ) ] (4.1)
unde: R f – randamentul instrumentelor cu risc zero (fără risc);

Cov( R j , RM )
βj = - senzitivitatea instrumentului j la factorul de risc;
Var ( RM )
E ( RM ) – expectaţiile privind randamentul tuturor instrumentelor din cadrul
portofoliului;
E ( RM − R f ) - expectaţiile privind randamentul suplimentar obţinut prin
asumarea factorului de risc.
În cazul în care randamentul instrumentului j este influenţat de mai mulţi factori de risc,
ecuaţia modelui devine:
E ( R j ) = R f + β 1 j [ E ( F1 ) − R f ] + β 2 j [ E ( F2 ) − R f ] + K + β nj [ E ( Fn ) − R f ] (4.2)
118
unde: i = 1, n -numărul factorilor de risc;

β i , j - sensitivitatea activului j la factorul de risc i ;
R f – randamentul instrumentelor cu risc zero;
E ( Fi ) − R f - profitul suplimentar aşteptat ca urmare a asumării factorului de
risc i
Sub forma identităţii (4.2) modelul este cunoscut în literatura de specialitate sub denumirea
de Teoria Preţului de Arbitraj cu Factori Multipli (Multifactor Arbitrage Pricing Theory).
Conform acestei teorii, unui instrument financiar i se pot asocia numeroşi factori de risc, însă
teoria nu specifică numărul şi natura acestor factori. Din acest motiv, aplicarea în practică a
teoriei este dificilă şi, în general este preferată Teoria Preţului de Arbitraj cu un Singur Factor
sau CAPM, dată de relaţia (4.1).
Teoria Preţului de Arbitraj poate fi scrisă sub forma următoarei relaţii formalizate:
R jt − R ft = α j + β1 j ( F1t − R ft ) + β 2 j ( F2t − R ft ) + ... + β nj ( F1n − R ft ) + ε jt (4.3)
unde: R jt - randamentul instrumentului j la momentul t ;

R f – randamentul instrumentelor cu risc zero la momentul t ;
Fit - profitul obţinut prin asumarea factorului de risc i ;
α j - factorii de risc suplimentari asociaţi randamentului instrumentului j ;
β i , j - sensitivitatea activului j la factorul de risc i ;
ε jt - randamentul rezidual ai instrumentului j la momentul t
Scrisă sub formă matriceală relaţia (4.3) devine:
R t = B ⋅ ft + Et (4.4)
unde: R t - vectorul instrumentelor financiare al căror randament este mai mare ca al

instrumentelor cu risc zero la momentul t ;
B - matricea expunerii instrumentelor la diferiţi factori de risc;
f t - vectorul riscului suplimentar, sau riscul suplimentar asociat instrumentelor
care nu intră în categoria instrumentelor cu risc zero la momentul t ;
Et - vectorul veniturilor reziduale asociate instrumentelor la momentul t , cu
riscul corespunzător:
V = B T FB + Ω (4.5)
119
unde: V - matricea de covarianţă a randamenelor activelor R t ;

F -matricea de covarianţă a factorilor de risc suplimentar f t ;
Ω - matricea riscurilor reziduale E t .
Relaţia (4.5) reprezintă ecuaţia fundamentală utilizată în măsurarea riscului de piaţă pentru
un portofoliu de instrumente financiare. Ecuaţia arată că matricea de covarianţă a randamentelor
activelor poate fi decompusă în două categorii de factori de risc: factori de risc asociaţi activelor
şi factori de risc reziduali. În practică, identificarea acestor factori rămâne un exerciţiu empiric
asupra căruia nu s-a ajuns la un consens. În paragraful următor sunt prezentate trei modele care
pot fi construite în funcţie de criteriile utilizate la alegerea factorilor de risc.
iii. Criterii utilizate la construcţia modelelor în raport cu factorii de risc
În activitatea practică, identificarea şi clasificarea factorilor de risc este dificil de realizat.

Teoriile dezvoltate până în prezent nu oferă soluţii concrete iar rezolvarea acestei probleme
rămâne la latitudinea analistului de risc. În ciuda acestui neajuns, în modelarea riscului de piaţă,
s-a realizat o clasificare a modelelor de risc pornind de la formalizarea acestora sub forma
identităţii (4.5). Astfel, au fost identificate trei categorii de modele:
a) Modelul cu factori fundamentali – care presupune cunoaşterea matricei B în funcţie de
care este estimat vectorul riscurilor suplimentare f t .
Modelul porneşte de la identificarea factorilor de risc asociaţi instrumentelor care alcătuiesc
matricea B . În practică, nu pot fi identificaţi toţi factorii de risc la care sunt expuse instrumentele
financiare ce alcătuiesc matricea B . Prin consens, s-au stabilit câteva caracteristici ale debitorilor
sau ale instrumentelor emise de aceştia care pot influenţa randamentele instrumentelor şi, în
consecinţă, riscul asociat acestora. Tabelul 26 prezintă categoriile de factori care influenţează
diferitele tipuri de instrumente financiare.
Tabelul 26. Factori de risc care influenţează principalele instrumente financiare

tranzacţionate pe piaţă
Factori de risc
Instrumente
Volatilitate Lichiditate Profitul Stabilitatea Capitalizare Senzitivitatea
financiare
debitorului creşterii ratei dobânzii
Cursuri de
■
schimb
Titluri de stat ■ ■
Obligaţiuni ■ ■
Acţiuni ■ ■ ■ ■ ■
120
Factorii de risc sunt înregistraţi pe baza datelor zilnice de analiştii financiari, managerii
fondurilor de investiţii sau persoane implicate în activităţile de tranzacţionare. Ulterior, aceste
înregistrări sunt utilizate la construcţia ecuaţiei de regresie (4.4) prin care se identifică la fiecare
moment t , dacă există un risc suplimentar semnificativ f t asociat acestor caracteristici.
Înregistrând pe o perioadă de timp factori de risc suplimentar f t se obţine matricea factorilor de
covarianţă F .
b) Modelul cu factori macroeconomici – care presupune că se cunoaşte vectorul factorilor
de risc suplimentar f t în funcţie de care se estimează matricea B .
Aproximarea factorilor de risc suplimentar care compun vectorul f t se realizează cu ajutorul
seriilor de date macroeconomice.
Această abordare presupune că diferitele evenimente înregistrate la nivel macroeconomic pot
influenţa pe viitor valoarea randamentelor instrumentelor financiare iar evoluţia acestor
randamente poate fi anticipată analizând la nivelul fiecărui instrument influenţele pe care
evenimentele macroeconomice le au asupra randamentelor instrumentului.
Pentru construcţia modelului se parcurg mai multe etape. În primul rând, se identifică acele
evenimente macroeconomice (indicatori macroeconomici) care vor influenţa factorii de risc
suplimentar ce alcătuiesc vectorul f t (de exp.: rata inflaţiei, produsul intern brut, producţia
industrială, etc.).
După care, fiecare factor de risc suplimentar din cadrul vectorului f t , este reprezentat sub
forma unei serii de timp şi este utilizat la estimarea matricei B cu ajutorul relaţiei (4.4).
c) Modelul statistic – care încearcă să estimeze simultan matricea B şi vectorul f t .
Acest model este foarte apropiat de Teoria Preţului de Arbitraj. Modelul porneşte de la
analiza statistică a randamentelor activelor în funcţie de care se deduce matricea B şi vectorul
f t . Analiza statistică se realizează utilizând matricea de covarianţă V care, ulterior, este
descompusă pe factori de influenţă utilizând analiza factorială. Metoda este asemănătoare cu cea
utilizată de modelul cu factori fundamental, excepţia constă în faptul că factorii de risc sunt
identificaţi utilizând proceduri statistice şi nu analize fundamentale subiective. În mod similar, se
stabilesc factorii de expunere B , după care se estimează factorii de risc care compun vectorul f t .
Pentru construcţia modelului statistic analistul trebuie să ia în calcul anumite raţionamente
economice; în caz contrar, rezultatele nu sunt veridice.
Fiecare model descris anterior are adepţi şi critici şi oferă avantaje şi dezavantaje. În practică,
cel mai utilizat este modelul cu factori fundamentali deoarece, utilizează concepte larg folosite
de analişti, manageri sau persoane implicate în tranzacţii pe pieţele financiare. Însă, marea
problemă a modelelor prezentate o reprezintă gradul ridicat de abstractizare, şi de aici rezultă o
serie de dificultăţi în momentul aplicării lor în practică.
121
4.1.3. Abordarea riscului de piaţă în industria financiar-bancară
i. Măsurarea riscului de piaţă în industria financiar - bancară
În cadrul unei societăţi financiar-bancare, fiecare categorie de instrumente financiare,

formează portofoliile de active/instrumente financiare. De exemplu, portofoliul de titluri,
portofoliul de indici bursieri, portofoliul de valute/poziţia valutară, etc.. Figura 18 prezintă
schematic posibilităţile de a investi activele financiare, parametrii de piaţă caracteristici acestor
categorii de instrumente financiare, şi parametrii de piaţă care reprezină factorii de risc ai
fiecărui instrument financiar.
Figura 18. Tipuri de instrumente financiare şi parametrii de piaţă care generează factorii
de risc specifici
Active financiare
titluri de stat poziţie valutară (spot, acţiuni

obligaţiuni forwrad, swap) alcătuită indicii bursieri
Categorii de plasamente la alte bănci din sumele deţinute în
instrumente credite valută
Parametrii de
piaţă care ratele dobânzilor cursurile de schimb preţul acţiunilor
generează factorii ratele dobânzilor ratele dobânzilor
de risc
Măsurarea riscului de piaţă, presupune identificarea factorilor de risc specifici fiecărui

instrument financiar şi prognozarea pe un orizont de timp a pierderilor potenţiale asociate acestor
factori de risc.
Controlul riscului de piaţă, presupune impunerea anumitor limite de variaţie a pierderilor
potenţiale pentru un portofoliu de active financiare, sau pentru întregul portofoliu de active
financiare al băncii. În funcţie de evoluţia valorii portofoliului, personalul implicat în activităţile
de tranzacţionare trebuie să iniţieze acele operaţiuni care, în final, să nu conducă la înregistrarea
de pierderi mai mari decât limita impusă de controlul riscului.
Pentru a putea să-şi exercite capacitatea de control asupra riscului de piaţă, top-
managementul unei societăţi financiar-bancare, avea nevoie de un indicator capabil să măsoare
pierderile potenţiale agregate pe care le-ar putea suferii portofoliul de active financiare, ca
urmare a mişcărilor nefavorabile pe care le înregistrează instrumentele pe piaţa financiară.
Echipele de cercetători din marile instituţii financiar-bancare internaţionale, în colaborare cu
personalul din domeniul academic au încercat să dezvolte şi să implementeze o nouă clasă de
122
modele pentru măsurarea riscului de piaţă, modele concepute special astfel încât sa înglobeze
într-o singură măsură riscurile asociate instrumentelor financiare.
În final, au rezultat indicatori care au căpătat diferite denumiri, în funcţie de societatea
bancară sau instituţia care a elaborat modelul: Capital-at-Risk (CaR), Value-at-Risk (VaR),
Daily-Earnings-at-Risk (DEaR), Dollars-at-Risk (DaR), Money-at-Risk (MaR), însă s-a constatat
că indiferent de denumirea acestor indicatori toţi au un numitor comun: măsoară pierderea
potenţială pentru un portofoliu de instrumente financiare, care variază într-un interval de
încredere pentru un anumit orizont de timp.
Diferenţele apărute în denumirea acestor indicatori, au rezultat ca urmare a modalităţilor
diferite de implementare tehnică, şi s-au datorat particularităţilor organizatorice specifice fiecărei
bănci, sau contextului strategic în care fiecare societate bancară s-a angajat să-şi implementeze
noul sistem de măsurare şi control al riscului de piaţă.
În final, atăt societăţile bancare, cât şi mediile academice, au ajuns la un consens în ceea ce
priveşte denumirea indicatorului de măsurare a riscului de piaţă: Value-at-Risk (Valoarea
Riscului sau prescurtat VaR).
ii. Prezentarea indicatorului Value-at-Risk (Valoarea Riscului)
Factorii de risc generaţi de un instrument financiar, sunt consecinţa instabilităţii parametrilor

de piaţă şi influenţează randamentul acelui instrument. Instabilitatea pieţei generează la rândul ei
incertitudine. Măsurarea incertitudinii se realizează cu ajutorul volatilităţii. Conceptul de
volatilitate va fi definit şi prezentat pe larg în sub-capitolul 4.2. al lucrării. Însă, trebuie precizat
că marea majoritate a lucrărilor de specialitate şi analiştii de risc, sunt unanim de acord, că, în
mod uzual, măsurarea volatilităţii randamentului unui instrument financiar se realizează cu
abaterea medie pătratică a modificăriilor înregistrate de preţurile instrumentelor pe piaţa
financiară. Această abordare a stat la baza majorităţii metodologiilor moderne elaborate pentru
analiza şi măsurare a riscului de piaţă.
Metodologiile elaborate şi-au atins maturitatea începând cu sfârşitul anilor '80 când a fost
generalizat conceptul Value-at-Risk, indicatorul fundamental utilizat la măsurarea riscului de
piaţă în industria financiar-bancară. Însă, utilizarea pe scară largă a acestui indicator este relativ
recentă. Astfel, începând cu anii '90 aplicarea în practică a VaR cunoaşte o adevărată explozie
atât în rândurile instituţiilor financiar-bancare, cât şi în rândurile corporaţiilor nefinanciare,
respectiv, a tuturor instituţiilor expuse riscului ca urmare a operaţiunilor de pe piaţa financiar-
bancară.
Un moment hotărâtor care a contribuit la dezvoltarea şi răspândirea utilizării acestui
indicator, l-a reprezentat, publicarea la sfârşitul anului 1994, de către echipa de cercetare a
Băncii de Investiţii J. P. Morgan, a unei metodologii de calcul a Value-at-Risk, metodologie care
ulterior a fost acceptată ca un standard în industria financiar-bancară, sub denumirea
RiskMetricsTM .
123
Value-at-Risk reprezintă o măsură a schimbărilor maxime potenţiale în valoarea unui

portofoliu alcătuit din mai multe instrumente financiare, cu o probabilitate dată şi pentru un
orizont dat de timp. Cu alte cuvinte, Indicatorul VaR măsoară riscul tuturor instrumentelor
financiare (tranzacţii valutare, opţiuni, tranzacţii cu titluri, etc.), care intră în componenţa
portofoliului unei instituţii financiar-bancare, şi trebuie să răspundă la următoarea întrebare: Cât
de mare poate fi pierderea potenţială a unei bănci, pierdere calculată cu o probabilitate dată de
x%, pe un orizont de timp dat.
În exemplul următor este prezentat modul de calcul a VaR pentru o tranzacţie pe piaţa
valutară: se presupune că o instituţie financiară rezidentă în Statele Unite are o poziţie
deschisă 18 pe piaţa valutară de 100 milioane euro, respectiv a cumpărat 100 milioane euro
contra dolari americani. Se pune problema, să se determine cu o probabilitate dată de 5%, care
este posibilitatea ca această instituţie să înregistreze o pierdere mai mare decât cea calculată de
Indicatorul VaR pe o perioadă de o zi? Pentru a rezolva această problemă, trebuie să analizate
cele două elemente care caracterizează o poziţie deschisă pe piaţa valutară a unei bănci:
expunerea şi riscul.
Care este expunerea băncii ? Fiind vorba de o instituţie rezidentă în USA expunerea la
riscul de piaţă (“mark-to-market position”) 19 este egală cu valoarea de piaţă a poziţiei

exprimată în moneda americană ($). Dacă se presupune că rata de schimb EUR/USD este 1
USD = 0,95 EUR, atunci valoarea de piaţă a poziţiei, respectiv expunerea băncii va fi de 95
milioane dolari americani.
Care este riscul băncii ? Pornind de la expunerea băncii, riscul de piaţă trebuie să
estimeze care va fi modificarea potenţială a ratei de schimb EUR/USD. Indicatorul care

măsoară mărimea acestei modificări este deviaţia standard ( σ t ) a modificărilor ( rt ) ale ratei de
schimb EUR/USD, calculată pe baza evoluţiilor istorice ale acestor rate. Se presupune că
această valoare a fost calculată, şi este de 0,565%. Dacă se porneşte de la ipoteza că
randamentele standardizate ( rt / σ t ) ale cursului EUR/USD sunt Normal Distribuite, şi
cunoscând valoarea σ t , atunci riscul de piaţă sau VaR va fi 1,65 σ t sau 0,932%.
Cu alte cuvinte, în 95% din cazuri este de aşteptat ca rata de schimb EUR/USD să nu varieze
cu mai mult de 0,932%. Exprimată în USD, VaR a poziţiei deschise a băncii este egală cu: $ 95
milioane · 0,932% = 885 400$, ceea ce înseamnă că, în 95% din cazuri, pentru suma cumpărată
de 100 milioane de EUR, este de aşteptat ca banca să nu piardă mai mult de 885 400$ într-un
interval de 24 ore.
În exemplul prezentat anterior, VaR este calculat pentru o singură poziţie valutară, respectiv
un singur instrument – cursul de schimb EUR/USD. La nivelul unei societăţi bancare, VaR
trebuie calculat pentru fiecare portofoliu de instrumente (VaR pentru portofoliul de titluri, VaR
pentru poziţia valutară, VaR pentru portofoliul de acţiuni, etc.) şi, cu aceste valori, se calculează
18
Poziţie valutară deschisă – reprezintă fie o poziţie long, respectiv cumpărarea unei valute contra altei valute, fie la o poziţie short, respectiv
vânzarea unei valute contra altei valute. Riscul în situaţia poziţiilor deschise este generat de modificările cursurilor de schimb (preţurilor) între
valutele care alcătuiesc poziţia valutară a băncii.
19
Mark-to market position – poziţia valutară marcată la piaţă. De obicei marcarea la piaţă se realizează la sfârşitul fiecărei zile de tranzacţionare
pe baza cursurilor de închidere ale pieţei.
124
VaR pentru întregul portofoliu de active, în raport cu care se stabileşte procentul de capital care
este necesar băncii pentru a-şi acoperii pierderile potenţiale generate de riscul de piaţă.
Modul de calcul al VaR pentru întregul portofoliu de active al unei bănci depinde de
informaţiile disponibile, şi nu este rezultatul însumării VaR pentru fiecare portofoliu deoarece,
trebuie luate în calcul corelaţiile dintre factorii de risc ce apar în urma interdependenţelor care se
manifestă între parametrii de piaţă care generează aceşti factori de risc. În aceste condiţii, pentru
întregul portofoliu de active, VaR se calculează conform metodei de însumare a dispersiilor.
De exemplu, dacă se presupune că activele unei bănci sunt distribuite în p j portofolii de
instrumente cu j = 1, n , atunci, pentru fiecare portofoliu, se calculează indicatorul VaR p j . În
situaţia în care datele privind parametrii de piaţă care generează riscurile sunt insuficiente, atunci
pot fi calculaţi coeficienţii de corelaţie sau covarianţele între preţurile diferitelor categorii de
instrumente financiare. Dacă se notează ρ( j , l ) , covarianţa dintre preţurile portofoliilor j şi l ⇒
VaR pentru portofoliul de active al băncii este dat de relaţia:
⎛ VaR p1 ⎞
⎛ 1 ρ(1,2) ... ρ(1, n) ⎞ ⎜ ⎟
⎜ ⎟ ⎜ ... ⎟
VaR = (VaR p1 ...VaR p j ...VaR pn ) ⎜ ρ(1,2)
⋅⎜
...
1
...
...
...
... ⎟ ⎜
... ⎟ ⎜
⋅ VaR p j ⎟
⎟
⎜ ⎟ ⎜ ... ⎟
⎜ ρ(1, n) ... ... 1 ⎟⎠ ⎜
⎝ ⎟
⎝VaR pn ⎠
Dacă nu sunt date suficiente pentu a putea calcula interdependenţa dintre preţurile diferitelor
categorii de active, atunci se acceptă că VaR pentru întregul portofoliu de active este rezultatul
însumării VaR pentru fiecare portofoliu de active:
n
VaR = ∑VaR
j =1
pj
În industria financiar-bancară din ţările dezvoltate, VaR a devenit un instrument standard de

măsurare a riscului de piaţă. Orice instituţie bancară modernă utilizează VaR ca mijloc de
măsurare a riscului de piaţă, în special din momentul în care au fost introduse reglementările
privind capitalul minim necesar unei societăţi bancare pentru acoperirea riscului de piaţă.
Aşa cum a fost menţionat în sub-capitolul 1.3.4. al lucrării, instituţiile abilitate în
supravegherea şi reglementarea activităţilor de tranzacţionare, au devenit interesate în utilizarea
VaR pentru măsurarea riscului de piaţă şi datorită recomandărilor amendamentului din anul
1996, la Acordul Basel I privind riscul de piaţă.
De asemenea, băncile centrale din ţările cu economie de piaţă dezvoltată au recomandat
utilizarea VaR pentru măsurarea riscului de piaţă. Astfel, în iunie 1995 Federal Reseve a Statelor
Unite a propus un pre-angajament, prin care se permite băncilor americane să utilizeze modele
proprii de calcul a VaR, acest indicator fiind utilizat la stabilirea mărimii capitalului minim
125
necesar pentru acoperirea riscului de piaţă. Atunci când pierderile pe care le înregistrează băncile
americane depăşesc mărimea capitalului minim necesar stabilit, acestea suferă anumite penalizări
În ţările din Uniunea Europeană, prin Capital Adequate Directive, care a fost pusă în aplicare
începând cu anul 1996, s-a permis utilizarea modelelor de calcul a Indicatorului VaR pentru a
stabili mărimea capitalului necesar pentru a acoperi poziţiile de pe pieţele valutare şi s-a decis ca,
pe baza acestui indicator, să se poată stabili mărimea capitalului pentru acoperirea riscului de
piaţă.
Utilizarea în practică a Indicatorului Value-at-Risk prezintă atât avantaje cât şi dezavantaje.
Principalele avantaje ale VaR sunt:
Poate comensura într-o singură valoare numerică valoarea riscului de piaţă pentru
întregul portofoliul de active al băncii, fapt care uşurează munca managementului de risc, şi
măreşte capacitatea decizională şi de control a acestuia;
Este utilizat la compararea riscului de piaţă pentru toate tipurile de activităţi ale unei
societăţi (bancare sau ne-bancare);

Indicatorul poate fi extins şi asupra altor categorii de riscuri, cum ar fi riscul de creditare
sau riscul operaţional;

Poate măsura riscul specific pentru un instrument (de exemplu: includerea riscului
individual al unei acţiuni sau a diferenţelor de rating între instrumentele purtătoare de dobândă
(titluri, obligaţiuni), printre factorii de risc);
Poate fi calculat separat pe fiecare portofoliu de instrumente iar, pe total active, poate fi
calculat prin adunare simplă fără a lua în calcul corelaţiile ce apar între factorii de risc ai
instrumentelor.
Principalele dezavantaje ale VaR:
Nu ia în calcul gradul de lichiditate al pieţelor pe care se tranzacţionează instrumentele
financiare;
Măsoară doar riscul de piaţă pe termen scurt numai în condiţiile în care piaţa are o
evoluţie normală, nu măsoară riscul în situaţii de volatilitate extremă a pieţelor;

Costurile pe care le implică implementarea unui sistem integrat de calcul a Value-at-Risk
sunt destul de ridicate;

În unele situaţii, valorile oferite de VaR sunt foarte imprecise pentru că modelul depinde
de mulţi parametrii a căror evoluţie este dificil de atincipat;

Indicatorul VaR măsoară riscul de piaţă pe un orizont scurt de timp (în general pentru o zi
sau o lună), motiv pentru care nu poate fi utilizat la stabilirea necesarului de capital ce trebuie
alocat de o societate bancară pentru acoperirea riscului de piaţă pe termen lung.
În ciuda acestor avantaje şi dezavantaje, VaR este utilizat pe scară largă în industria
financiar-bancară şi nu trebuie privit decât ca o metodă suplimentară de măsurare a riscului de
piaţă.
126
iii. Riscul de piaţă pe termen scurt versus riscul de piaţă pe termen lung, particularităţi ale
metodelor de analiză
Dezvoltarea pieţelor financiare internaţionale, care s-a realizat în paralel cu liberalizarea

comerţului mondial şi a globalizării economice, a făcut necesară descoperirea şi implementarea
de tehnici şi metode de analiză tot mai sofisticate. Noile companii care activează la nivel global
şi în special cele care activează în domeniul financiar: bănci, fonduri de investiţii, fondurile de
pensii, etc., se confruntă cu factori de risc tot mai numeroşi şi totodată trebuie să respecte noile
reglementări elaborate de instituţiile specializate în supravegherea pieţelor financiare. În aceste
condiţii, instituţiile financiare au fost nevoite să dezvolte modele interne de măsurare a riscului
pe baza cărora să determine capitalul necesar pentru a-şi acoperi riscul de piaţă.
Majoritatea metodologiilor care au fost dezvoltate la începutul anilor ’90 s-au orientat asupra
riscului de piaţă pe termen scurt, respectiv riscul pentru un orizont de timp de maximum trei luni.
De obicei, aceste metodologii calculează riscul de piaţă pentru o zi, o săptămână, sau o lună.
Însă, atât analiştii de risc, cât şi managerii societăţilor financiare-bancare, a fondurilor de
investiţii sau a marilor companii multinaţionale au ajuns la concluzia că, în unele cazuri, activele
financiare pe care le administrează sunt mai puţin senzitive şi expuse la factorii de risc pe
termen scurt, respectiv la mişcările zilnice ale preţurilor pe piaţă, şi, adesea, randamentele
acestor active au fluctuaţii mult mai mari pe termen lung. În plus, în majoritatea cazurilor,
bugetele de venituri şi cheltuieli ale acestor companii sunt elaborate pentru cel puţin un an de zile
şi din acest motiv ei trebuie să se concentreze asupra factorilor de risc care influenţează
performanţele pe un orizont de timp mai lung decât cel propus de tehnicile şi metodele de
măsurare a riscului pe termen scurt, de tipul celor Value-at-Risk. Aceste companii, trebuie să
obţină randamentele aşteptate pe termen lung şi în acelaşi timp trebuie să controleze şi să
menţină riscul la nivele de toleranţă acceptabile sau la nivelele pe care şi le-au propus.
Orizontul de prognoză pentru măsurarea riscului nu este unic definit, nu este un standard, el
diferă în funcţie de clasa activelor, de natura activităţii desfăşurate de instituţie, de sectorul
industrial, etc.
În cazul instituţiilor financiar-bancare sursele principale de risc pe termen lung sunt: evoluţia
ratelor dobânzilor, evoluţia cursurilor de schimb şi evoluţia preţurilor acţiunilor tranzacţionate la
bursă. În aceste condiţii, au fost dezvoltate metodologii specifice pentru analiza riscului de piaţă
pe termen scurt şi a riscului de piaţă pe termen lung. Tehnicile şi metodele de analiză utilizate de
aceste modele, diferă în funcţie de lungimea orizontului de prognoză iar majoritatea ipotezelor
utilizate în analiza de risc pe termen scurt nu pot fi aplicate pentru analiza de risc pe un orizont
mai lung de timp. În Figura 19 este prezentată schema generalizată a factorilor care influenţează
preţul unui instrument financiar şi principalele metode şi tehnici de analiză specifice, în raport cu
aceşti factori.
127
Figura 19. Factorii care influenţează preţul unui instrument financiar

Metode specifice
de analiză
Modelare statistică pe
Natura factorilor Informaţii
baza informaţiilor de
de influenţă economice
piaţă curente
Evenimente
Exogeni Modelare econometrică
politice
Preţul Evenimente Analiza de senzitivitate

instrumentelor sociale
financiare
Analiza varianţă /
Natura covarianţă
Endogeni stohastică a
procesului Simularea Monte-Carlo
Simularea Istorică
În cazul analizei pe termen scurt a riscului de piaţă, modele dezvoltate sunt elaborate în
raport cu natura stohastică intrinsecă a procesului de evoluţie a preţului instrumentului financiar
şi nu iau în calcul factorii exogeni de influenţă, cum ar fi: evoluţia indicatorilor macroeconomici,
diversele evenimente politice şi sociale cu care se poate confrunta o ţară, etc..
Trebuie menţionat că, această delimitare a metodelor de analiză a riscului de piaţă nu este
strictă, în sensul că există anumite metode care pot fi aplicate atât la analiza riscului pe termen
scurt cât şi la analize pe termen lung. De exemplu, modelarea econometrică poate fi aplicată la
analiza şi la prognozarea volatilităţii randamentului unui instrument financiar pe termen scurt iar,
pe termen lung, poate fi utilizată la măsurarea influenţei pe care o au diferiţi factori, în special
cei de natură economică, care pot fi uşor cuantificaţi, asupra preţurilor/randamentelor
instrumentelor financiare.
4.2. Elemente de statistică matematică şi teoria probabilităţilor utilizate la

măsurarea incertitudinii pe piaţa financiara
4.2.1. Introducere
Măsurarea riscului de piaţă reprezintă, în ultimă instanţă, abilitatea de a prognoza şi anticipa

evoluţia în viitor a randamentului sau preţului unui instrument financiar individual, sau evoluţia
profiturilor/pierderilor pentru un portofoliu de instrumente financiare.
În general, evoluţia în viitor a unui fenomen, indiferent de domeniul pe care acesta îl descrie
(economic, social, mecanic, etc.), nu poate fi stabilită cu certitudine. Teoria statistică a încercat
128
să ofere soluţii pentru rezolvarea acestui neajuns dezvoltând o clasă de modele de prognoză care
au la bază modelarea statistico-probabilistă.
La ora actuală, se cunosc două modalităţi de abordare a modelelor de prognoză care descriu
evoluţia unui fenomen:
Modele deterministe – în care modelul de prognoză este construit pe baza datelor istorice
care descriu evoluţia fenomenului şi presupune identificarea unei legături funcţionale între
factorii care influenţează fenomenul, legătură care poate fi modelată matematic cu ajutorul unei
funcţii reale cu una sau mai multe variabile. Prin această abordare, se consideră că factorii care
influenţează evoluţia în viitor a fenomenului sunt supuşi acţiunii aceloraşi evenimente şi, în
consecinţă, prin stabilirea de legături funcţionale între aceştia (în funcţie de evoluţiile istorice) se
pot determina cu certitudine valorile pe care le va înregistra fenomenul în viitor;
Modele statistice (stohastice) – în care modelul de prognoză este construit tot pe baza
datelor istorice, însă influenţa factoriilor asupra fenomenului este aleatoare, motiv pentru care
legătura dintre factori nu mai poate fi descrisă printr-o relaţie funcţională ci, printr-o relaţie
probabilistică, relaţie care asociază anumite probabilităţi valorilor posibile pe care le va lua
fenomenul în viitor. Această abordare, presupune că un fenomen nu poate lua o valoare certă în
viitor. El poate lua valori într-un anumit interval, ceea ce înseamnă că, există mai mulţi “viitori
posibili”, fiecare având un anumit grad de realizare.
În majoritatea cazurilor, metodele de prognoză statistică sunt preferate metodelor
deterministe deoarece, evenimentele viitoare care acţionează asupra factorilor care influenţează
evoluţia fenomenului, nu sunt nici sigure, nici irealizabile, ci, într-o măsură mai mică sau mai
mare, ele sunt întâmplătoare.
Mergând pe firul aceluiaşi raţionament, majoritatea teoriilor dezvoltate la ora actuală pentru a
prognoza preţul unui instrument financiar au la bază metode şi tehnici statistice, deoarece se
presupune că modificarea preţului unui instrument financiar este aleatoare, fiind rezultatul
acţiunii informaţilor de natură aleatoare şi, în consecinţă, prognoza privind evoluţia viitoare a
preţului trebuie să se realizeze după ce în prealabil a fost identificată forma distribuţiei (teoretice
sau specifice) şi funcţia de repartiţie cu care poate fi descrisă această distribuţie.
4.2.2. Ipoteze fundamentale utilizate la analiza riscului de piaţă pe termen scurt
Teoriile dezvoltate până în prezent, au stabilit câteva ipoteze specifice analizei riscului de
piaţă pe termen scurt. O parte din aceste ipoteze, pot fi aplicate şi la analiza riscului de piaţă pe
termen lung:
Pe termen scurt randamentul unui instrument financiar poate fi aproximat prin
modificarea logaritmică a preţului instrumentului financiar;

Preţul instrumentelor financiare pot fi interpretate ca reprezentând variabile aleatoare
unidimensionale şi continue;
129
Analiza în dinamică a preţului unui instrument financiar se realizează cu ajutorul

modelelor stohastice de analiză a seriilor de timp;
Pe termen scurt, randamentul mediu al unui instrument financiar are o valoare
nesemnificativă, şi se consideră că este egală cu zero. O consecinţă directă a acestei ipoteze este
că, dispersia randamentelor instrumentelor financiare poate fi aproximată prin suma pătratului
acestor randamente;
Modificarea preţului unui instrument financiar urmează, în majoritatea cazurilor, o
distribuţie normală de probabilităţi. Pe termen scurt, randamentul unui portofoliu alcătuit din
mai multe instrumente financiare urmează o distribuţie normală multivariată. În aceste condiţii,
volatilitatea modificării preţurilor/randamentelor se măsoară prin dispersia (abaterea medie
pătratică) densităţii de probabilităţi, iar corelaţia dintre randamentele instrumentelor financiare
care alcătuiesc portofoliu se măsoară cu coeficientul de coleraţie liniară.
i. Pe termen scurt randamentul unui instrument financiar poate fi aproximat prin

modificarea logaritmică a preţului instrumentului financiar
Analiza seriilor de timp a randamentelor instrumentelor financiare se realizează pentru

modificările logaritmice ale preţurilor acestor instrumente.
Dacă se notează cu Pt preţul unui instrument financiar la un moment t , şi cu rt modificarea
logaritmică a preţului aceluiaşi instrument financiar la momentul t ⇒ relaţiile:
⎛ P ⎞
rt = ln( Pt ) − ln( Pt −1 ) ⇔ rt = ln⎜⎜ t ⎟⎟ (4.6)
⎝ Pt −1 ⎠
Pe de altă parte, randamentul aceluiaşi instrument financiar, pe care, pentru uşurinţa

exemplului, va fi nota tot cu rt , este dat de relaţia:
ΔPt Pt − Pt −1 P
rt = = = t −1 ⇔
Pt −1 Pt −1 Pt −1
Pt
1 + rt = (4.7)
Pt −1
Se ştie că, dacă x este un număr foarte mic, la limită, se poate utiliza aproximarea
x ≅ ln(1 + x) . De unde rezultă că, identitatea (4.6) este echivalentă cu identitatea (4.7) şi, pe
termen scurt, randamentul unui instrument financiar poate fi aproximat prin modificarea
logaritmică a preţului acelui instrument 20 :
20
Abordarea îşi are originea în conceptul de “ compunerea continuă a ratei dobânzii”, care reprezintă rata echivalentă a dobânzii pe care o aduce
un activ financiar care este investit pe o anumită perioadă şi la o anumită rată a dobânzii, cu o frecvenţă care tinde către infinit. Această rată
130
⎛ P ⎞
rt ≅ ln(1 + rt ) = ln⎜⎜ t ⎟⎟ = ln( Pt ) − ln( Pt −1 ) (4.8)
⎝ Pt −1 ⎠
În consecinţă, în cadrul acestei lucrări atunci când se va face referire la randamentul unui
instrument financiar, se va considera că acesta este reprezentat de modificarea logaritmică a
preţului acelui instrument şi vice-versa.
ii. Preţurile instrumentelor financiare, sunt considerate variabile aleatoare

unidimensionale şi continue
Conform teoriei statistice, variabilele care definesc evoluţia unui fenomen, indiferent de
natura acelui fenomen: economic, politic, mecanic, etc. sau, în acest caz, preţurile instrumentelor
financiare, sunt de două tipuri:
Variabile deterministe – care sunt determinate de factori a căror dependenţă este
funcţională;
Variabile aleatoare (stohastice sau statistice) – care sunt determinate de factori care pot
lua diferite valori cu un anumit grad de realizare.

Pentru a rezolva paradoxului Teoriei Pieţei Eficiente, descris în paragraful ii din sub-
capitolul 4.1.2 al lucrării, preţul unui instrument financiar trebuie interpretat ca reprezentând o
variabilă aleatoare şi nu o variabilă deterministă.
O variabilă aleatoare este o funcţie al cărei domeniu de definiţie este reprezentat de mulţimea
evenimentelor posibile pe care le poate lua variabila, iar co-domeniul este reprezentat de
mulţimea numerelor reale, care sunt probabilităţi ce pot fi asociate fiecărui eveniment posibil.
Practic, funcţia asociază fiecărui eveniment x un număr real care reprezintă şansele de apariţie a
evenimentului, respectiv:
X :Ω → R
⎛x x ... ... ⎞
unde: X : ⎜⎜ 1 2 ⎟⎟ şi
⎝ p1 p 2 ... ... ⎠
∑p
i
i =1
Măsurarea probabilităţilor de apariţie a evenimentelor se realizează prin densitatea de

repartiţie a probabilităţilor f (x) asociată variabilei aleatoare X . Corespondenţa dintre x şi
⎛ x ⎞
f ( x) este de forma ⎜⎜ ⎟⎟ şi reprezintă repartiţia variabilei aleatoare X .
⎝ f (x) ⎠
este determinată cu ajutorul funcţiei logaritmice. Dacă i este dobânda anualizată la care este investit activul, atunci compunerea continuă a
ratei dobânzii este dată de relaţia: r = ln(1 + i ) .
131
Variabilele aleatoare pot fi clasificate din punct de vedere al continuităţii în: variabile
discrete şi variabile continue şi, din punct de vedere al numărului de spaţii pe care sunt definite
în: variabile unidimensionale şi variabile multidimensionale.
Modelele statistice utilizate la măsurarea riscului de piaţă, pornesc de la ipoteza că
randamentele instrumentelor financiare sunt variabile aleatoare continue şi unidimensionale.
iii. Analiza în dinamică a preţurilor unui instrument financiar se realizează cu ajutorul

modelelor stohastice de analiză a seriilor de timp
Seria de timp sau seria cronologică reprezintă un şir de valori ordonate în funcţie de timp a
unui indicator economic sau social.
Modele stohastice a seriilor de timp au fost elaborate de Box şi Jenkins la sfârşitul anilor ’60.
În analiza riscului de piaţă, aceste modele sunt utilizate pentru prognoze pe termen scurt (de
obicei până la trei luni).
Raţionamentul care a stat la baza utilizării modelelor stohastice în analiza fenomenelor
economice, este următorul: un proces economic descris printr-o serie de timp, evoluează atât
prin acţiunea mecanismelor interne, cât şi sub influenţa unor factori externi, de natură
aleatoare, care intervin accidental, sub forma unor impulsuri aleatoare. Acesti factori externi
conferă procesului un caracter aleatoriu, deci se poate considera că, variabila economică este o
variabilă aleatoare iar procesul care caracterizează evoluţia acesteia este un proces stohastic
(aleatoriu).
Formalizarea matematică a raţionamentului este următoarea: procesul stohastic este definit
printr-o familie de variabile aleatoare {X t }+∞
− ∞ care este descrisă printr-o distribuţie de probabilităţi
T – dimensională cu T = (−∞,+∞) .
Elementele observate ale seriei de timp (x1 , x 2,......, xT ) reprezintă realizarea particulară a
procesului stohastic şi se notează cu expresia {xt }1T . În toate analizele stohastice ale seriilor de
timp descrierea procesului stohastic se realizează pe baza datelor observate, ceea ce presupune că
intervalul T = (−∞,+∞) este redus la intervalul T = (1, T ) şi se consideră că toate datele din
realizarea procesului stohastic sunt reprezentative pentru întreg procesul stohastic. În modelarea
stohastică a serilor de timp, relaţia dintre procesul stohastic şi realizarea sa este similară cu
relaţia dintre eşantion şi populaţia de bază din teoria sondajului.
Pentru a aplica un model stohastic unei serii de timp, aceasta trebuie să îndeplinească
condiţia de staţionaritate. Spunem că un proces este staţionar dacă se găseşte într-o stare de
echilibru statistic, ceea ce presupune că nici o componentă aleatoare nu prezintă importanţă mai
mare ca cealaltă, între componente existând o stare de echilibru permanent. Pentru a îndeplini
aceste condiţii procesul nu trebuie să prezinte trend şi nu trebuie să fie influenţat de nici un
factor dependent de timp. Figura 20 prezintă comparativ evoluţia unui proces nestaţionar şi a
unui proces staţionar
132
Figura 20. Procese nestaţionare/staţionare
Evoluţia unui proces nestaţionar
Evoluţia unui proces staţionar
Pentru a testa condiţia de staţionaritate, se utilizează Funcţia (Coeficientul) de Autocorelaţie

(ACF – Autocorelation Fonction), care măsoară gradul de interdependenţă dintre termenii seriei
şi care este dată de relaţia:
rk =
∑ (x − x )(x − x ) ,
t t −k
(4.9)
∑ (x − x )
t
2
unde: k reprezintă întârzierea (lag-ul) numărul de unităţi de timp după care apare efectul unor
impulsuri.
Cu ajutorul funcţiei de autocorelaţie, pentru diferite valori ale lui k se construiesc

corelogramele, care sunt reprezentări grafice ale acestei funcţii. În funcţie de natura formelor
corelogramelor, se stabileşte ce tip de model se poate aplica pentru analiza seriei de timp.
Modele de analiză a seriilor de timp pot fi clasificate în:
Modele stohastice liniare univariate;
133
Modele stohastice neliniare univariate.

Din clasa modelelor liniare univariate fac parte modelele autoregresive: AR(p), MA(q),
ARMA(p,q), ARIMA(p,q) iar din clasa modelelor neliniare univariate fac parte modelele ce
caracterizează procesele heterocedastice: ARCH(p), GARCH(p,q), IGARCH(p,q), etc.
iv. Pe termen scurt media randamenetului unui instrument financiar este egală cu zero
şi, în consecinţă, dispersia randamentului poate fi aproximată cu suma pătratului
acelui randament
Verificarea ipotezei se realizează pornind de la formula randamentului unui instrument

financiar care poate fi estimată prin modificarea logaritmică a preţului acelui instrument:
⎛ P ⎞
rt = ln⎜⎜ t ⎟⎟ = ln( Pt ) − ln( Pt −1 ) = p t − p t −1 , unde p t = ln( Pt )
⎝ Pt −1 ⎠
Dacă se calculează media simplă a randamentului pentru un orizont de timp 0, T , obţinem

următoarele relaţii :
T T
1 1
r=
T
∑
t =1
( p t − p t −1 ) =
T
∑(p
t =1
T − p0 ) (4.10)
Din identitatea (4.10) rezultă că atunci când se calculează media randamentului pentru
acelaşi orizont de timp, la momente diferite de timp, valoarea ei nu depinde de observaţiile
situate în interiorul intervalului 0, T . Valoarea mediei depinde de lungimea intervalului şi de
valoarea primei şi ultimei observaţii din interval. În consecinţă, este de aşteptat ca, valoarea
medie a randamentului să fie foarte redusă şi să nu influenţeze în mod semnificativ erorile de
estimare. Dacă se consideră că media randamentelui este zero, atunci dispersia randamentului
poate fi estimată prin suma pătratului acelui randament:
2
⎛ T ⎞
T T
⎜ rt ⎟
⎜ ⎟
∑ T
2
∑ 2 2
∑
σ = (rt − r ) = rt − ⎜ t =1 ⎟ , dar r → 0 ⇒ σ 2 = ∑ rt2 (4.11)
t =1 t =1 ⎜ T ⎟ t =1
⎜ ⎟
⎝ ⎠
v. Modificarea logaritmică a preţului unui instrument financiar urmează, în

majoritatea cazurilor, o distribuţie normală de probabilităţi
Distribuţia normală de probabilităţi este cea mai utilizată distribuţie teoretică în analiza
fenomenelor economice. Caracteristicile şi proprietăţile acestei distribuţii au fost prezentate pe
134
larg în paragraful ii din sub-capitolul 3.3.3 a lucrării. Utilizarea distribuţiei normale în analiza
riscului de piaţă a pornit de la caracteristicile pe care trebuie să le îndeplinească un model
stohastic care trebuie să fie capabil să descrie evoluţia în viitor a modificării preţului unui
instrument financiar sau a valorii unui portofoliu de instrumente financiare. Pentru a analiza
aceste modificări, se prognozează evoluţia în viitor a preţului fiecărui instrument pornind de la
modificările pe care acesta le-a cunoscut în trecut.
Modelul cu care se poate descrie evoluţia în viitor a preţului unui instrument financiar trebuie
să îndeplinească două condiţii principale:
a) Să urmărească modificarea în dinamică a evoluţiei pe care o are preţul instrumentului în
funcţie de timp;
b) Să stabilească care este distribuţia modificării preţului instrumentului în orice moment.
O clasă de modele care poate descrie evoluţia modificării preţului unui instrument financiar
şi care se bazează pe ipoteza că aceste preţuri se modifică cu pas aleatoriu sunt Modelele
Random Walk. Modelul RandomWalk este un caz particular al unui model autoregresiv AR(p) în
care valoare curentă xt a variabilei este determinată de nivelul său iniţial x 0 şi de suma
termenilor reziduali din perioadele precedente:
t −1
xt = x0 + ∑ε
i =0
t −i (4.12)
Păstrând notaţiile din paragraful i, Modelul Random Walk care descrie evoluţia în viitor a
preţului unui instrument este dat de relaţia:
Pt = μ + Pt −1 + σε t ⇔
Pt − Pt −1 = μ + σε t (4.13)
unde: εt ≈ IID N(0,1) este o variabilă Identic şi Independent Distribuită.
Conform relaţiei (4.13) preţul instrumentului financiar depinde de un parametru fix μ, de

preţul activului din perioada precedentă Pt-1 şi de variabila εt care urmează o distribuţie normală
de medie 0 şi dispersie 1.
În ipoteza în care se utilizează modificarea logaritmică a preţului, identitatea (4.13) devine:
pt = μ + pt −1 + σε t (4.14)
unde: ε t ≈ IID N (0,1) – Identic şi Independent Distribute, iar pt = ln( Pt )
Prin transformări succesive relaţia (4.14) devine:
p t − p t −1 = μ + σε t ⇔
135
⎛ P ⎞
ln⎜⎜ t ⎟⎟ = μ + σε t ⇒ conform relaţiei (4.6)
⎝ Pt −1 ⎠
rt = μ + σε t (4.15)
Realţia (4.15) artă că randamentului unui instrument financiar este normal distribuit.
Relaţia (4.14) poate fi întâlnită şi sub forma:
Pt = Pt −1 exp( μ + σε t ) (4.16)
În varianta (4.16) este reprezentată ecuaţia care descrie evoluţia aleatoare a preţului unui
instrument financiar. Sub această formă modelul arată că în viitor, preţul unui instrument
financiar nu poate lua valori negative, deoarece, pt −1 - este un număr pozitiv iar expresia
rt − μ
exp(μ + σε t ) - este întotdeauna pozitivă. De asemenea, când ε t = urmează o distribuiţie
σ
normală, Pt urmează o distribuţie lognormală.
Caracteristici principale ale Modelului Random Walk:
La fiecare moment t , modificarea logaritmică a preţului descrie o distribuţie cu medie 0
şi dispersie σ 2 (identic distribuite) ⇒ media şi varianţa sunt homoscedastice (nu se modifică în

funcţie de timp);
La fiecare moment t , modificarea logaritmică a preţului este statistic independentă
(independent distribuită). Aceasta înseamnă că, valorile preţurilor în momente diferite de timp
sunt complet independente. Preţul nu depinde de valorile din trecut, ci depinde doar de
parametrii μ şi σ .
În practică, în urma analizelor efectuate asupra evoluţiei preţurilor instrumentelor financiare,
s-a adoptat o variantă modificată a Modelului Random Walk. Aceste analize au condus la
următoarele concluzii:
Dispersia modificării preţului este heteroscedastică (se schimbă în timp) şi este
autocorelată (nu este independent distribuită);

Covarianţa modificării preţurilor este autocorelată şi prezintă caracteristici dinamice;
Modificarea preţului unui instrument financiar urmează o distribuţie normală deoarece
forma distribuţiei poate fi caracterizată doar prin medie şi dispersie;

La nivelul unui portofoliu, suma multivariată a modificării preţurilor este normal
distribuită, deoarece modificarea valorii portofoliului este egală cu suma ponderată a modificării
preţurilor instrumentelor care alcătuiesc portofoliul.
Pornind de la aceste consideraţii, a fost dezvoltat un Model Random Walk modificat, care
este reprezentat prin identitatea :
p t = μ + p t −1 + σ t ε t (4.17)
136
unde: ε t ∼N (0,1) şi varianţa σ t - este o funcţie de timp
Deoarece, pe termen scurt (o zi) parametrul μ are valori foarte mici, din motivele expuse în
paragraful iii al capitolului, se presupune că este neglijabil şi i se atribuie valoarea zero ( μ = 0 ),
iar relaţia (4.17) devine:
pt − pt −1 = σ tε t ⇔ (4.18)
rt = σt εt (4.19)
unde: rt = pt − pt −1 reprezintă modificarea logaritmică a preţurilor instrumentelor

financiare
În situaţia în care avem un portofoliu alcătuit din j = 1, n instrumente financiare, modificarea

logaritmică a preţurilor acestor instrumente este dată de relaţia:
r jt = σ jt ε jt (4.20)
unde: ε jt ∼ MVN (0,Rt) – urmează o distribuţia normală multivariată.
Din relaţiile (4.18) şi (4.19) se poate concluziona că modificările preţurilor instrumentelor

financiare nu urmează o distribuţie normală, ci o distribuţie lognormală condiţionată, deoarece
modificările logaritmice ale preţurilor se distribuie normal iar preţul unui instrument la
momentul t se distribuie normal şi depinde de preţul aceluiaşi instrument la momentul t − 1 . În
acelaşi timp, modificările logaritmice ale preţurilor raportate la dispersiile standard prognozate
(rt / σt ) formează o distribuţie normală normată condiţionată de medie 0 şi dispersie 1.
vi. Aplicarea şi verificarea ipotezelor de măsurare a riscului de piaţă pe termen scurt

pentru ervoluţia cursului de schimb dolar /leu
Scopul acestei analize este de a verifica şi testa posibilităţile de aplicare a ipotezelor

fundamentale utilizate în analiza riscului de piaţă pe termen scurt, pentru evoluţia cursului de
schimb dolar/leu. Analiza urmăreşte următoarele aspecte:
Trendul pe care-l descrie seria de date a cursului dolar/leu ( Pt ) şi valorile logaritmice
p t = ln( Pt ) ;
Verificarea ipotezei conform căreia media modificărilor logaritmice rt a preţului
dolar/leu trebuie să fie egală cu zero;
137
Verificarea ipotezei de heteroscedasticitate pentru modificările logaritmice rt = p t − pt −1 a

seriei dolar/leu;
Testarea ipotezei de staţionaritate pentru seria modificărilor logaritmice rt ;
Analiza formei distribuţiei pentru modificările logaritmice rt a preţului USD/ROL.

Caracterizarea tranzacţiilor valutare din ţara noastră.
Pe piaţa interbancară din ţara noastră se pot realiza tranzacţii valutare cu orice perechi de
valute, însă majoritatea tranzacţiilor se realizează în euro (EUR) contra lei (ROL) deoarece
moneda europeană este moneda de referinţă 21 a pieţei. Tranzacţiile EUR/ROL se pot realiza cu
orice dată de scadenţă şi reprezintă activitatea cea mai dinamică a pieţei interbancare.
Până în luna martie 2003, moneda de referinţă a pieţei valutare era dolarul american (USD).
Începând din acel moment, Banca Naţională a României a anunţat că noua moneda de referinţă
este EUR, proces care a fost absolut normal şi necesar pentru ca România să poată adera la
Uniunea Europeană în anul 2007.
Însă, seria EUR/ROL nu oferă un număr suficient de date necesare pentru o astfel de analiză,
orizontul de timp de când moneda europeană este considerată monedă de referinţă pe piaţa
interbancară din ţara noastră fiind de numai 3-4 ani de zile, ceea ce este insuficient. De exemplu,
într-o astfel de analiză, pentru cotaţiile valutare de pe piaţa financiară internaţională se lucrează
cu un orizont de timp de peste 10 ani de zile (date înregistrate zilnic). Luând în considerare
aceste aspecte, pentru a testa ipotezele fundamentale utilizate în analiza seriilor de date
financiare, s-a utilizat seria USD/ROL deoarece dolarul reprezintă cea mai veche valută care s-a
tranzacţionat în mod direct pe piaţă în raport cu leul românesc.
Datele utilizate pentru această analiză cuprind evoluţia cursului USD/ROL pe o perioadă de
aproximativ 6 ani: 01/01/1997 – 01/03/2003, şi au fost structurate într-o bază de date EXCEL,
cuprinzând un total de aproximativ 1600 observaţii. Pentru calculul parametrilor statistici, pe
lângă funcţiile din programul EXCEL, au fost utilizate programele de analiză statistică:
STATISTICA versiunea 4.3. şi EVIEW versiunea 3.0. Punctul de pornire al analizei a fost anul
1997 deoarece, începând din acel an, tranzacţiile valutare de pe piaţa interbancară românească
ajung la un volum suficient de ridicat pentru a justifica noţiunea de piaţă financiară.
În ciuda faptului că în anumite perioade, şi în special la începutul orizontului de analiză,
Banca Naţională a României a intervenit frecvent (în mod direct sau prin intermediul altor bănci
comerciale) pe piaţă pentru a cumpăra valută (dolari americani) în momentul aprecierii
accentuate a monedei naţionale sau pentru a vinde valută în momentul deprecierii monedei
naţionale, cotaţiile leulului în raport cu valuta americană au fost rezultatul tranzacţiilor directe pe
piaţă.
21
Noţiunea de monedă de referinţă se referă la acea monedă care se tranzacţionează în mod direct pe piaţa interbancară din ţara noastră în raport
cu leul. Astfel, în afară de euro, în momentul de faţă, pe piaţa interbancară din România se pot tranzacţiona şi alte valute contra leului, cum ar
fi: coroane suedeze (SEK/ROL), franci elveţieni (CHF/ROL), etc., însă cursurile de schimb ale valutelor respective se calculează în funcţie de
nivelul cotaţiei EUR/ROL şi de cotaţia euro în raport cu valutele respective: EUR/SEK, EUR/CHF, etc. pe pieţele internaţionale. Din acest
motiv, cotaţiile acestor valute în raport cu leul sunt influenţate pe lângă cotaţia euro în raport cu leul şi de cotaţia monedei europene în raport
cu valuta respectivă, ceea ce poate duce la distorsiuni ale rezultatelor, în situaţia în care o astfel de analiză s-ar realiza pentru seriile respective.
Cea mai reprezentativă serie pentru piaţa interbancară din ţara noastră într-o astfel de analiză, este cea a cotaţiei monedei de referinţă în raport
cu leul.
138
La sfârşitul fiecărei zile de tranzacţionare, Banca Centrală publică un curs oficial al leului în
raport cu euro şi în raport cu încă alte 15 valute. Acest curs este calculat ca medie a cotaţiilor
practicate de băncile comerciale pe piaţă, şi este valabil pentru a doua zi lucrătoare. Pe baza
cursului oficial publicat de Banca Centrală, agenţii economici şi societăţile bancare îşi ajustează
contul de profit şi pierderi.
Analiza trendului pentru cursul de schimb USD/ROL
Figura 21 prezintă evoluţia cursului de schimb USD/LEU, respectiv preţul Pt al dolarului
exprimat în lei pentru perioada 01/01/1997 – 01/03/2003.
Figura 21. Evoluţia cursului USD/ROL în perioada 01 ian 1997 – 01 mar 2003
40,000
Pret U S D /R O L
35,000
30,000
25,000
20,000
15,000
10,000
5,000
N um ar de
unitati
0
1
43
85
127
169
211
253
295
337
379
421
463
505
547
589
631
673
715
757
799
841
883
925
967
1009
1051
1093
1135
1177
1219
1261
1303
1345
1387
1429
1471
1513
1555
1597
Se observă că, la începutul perioadei de analiză, seria are un trend ascendent. Acest fenomen
se datorează politicii valutare a Băncii Naţionale a României, din perioada respectivă, prin care
s-a urmărit îndeplinirea mai multor obiective: cumpărarea de valută pentru creşterea rezervei
naţionale, încurajarea exporturilor de produse româneşti şi descurajarea importurilor produselor
străine, etc. În perioada respectivă, Banca Naţională a intervenit frecvent pe piaţa inerbancară
pentru a corecta evoluţia cursului USD/ROL.
Figura 22 prezintă graficul evoluţiei seriei ln(USD/ROL). Se observă forma mai aplatizată a
trendului compartiv cu trendul seriei USD/ROL prezentată în graficul din Figura 21.
Media modificărilor logaritmice rt ale preţului USD/ROL. Pentru modificările logarimice rt
ale seriei USD/ROL s-a calculat valoarea medie (vezi linia cinci din Tabelul 27). Se observă că
media seriei are o valoare foarte mică (0,00075), care poate fi neglijată iar media poate fi
considerată egală cu zero. În consecinţă, volatilitatea seriei modificărilor logaritmice pentru
preţul USD/ROL poate fi aproximată prin suma pătratului acestor modificări (relaţia 4.11).
139
Figura 22. Evoluţia seriei ln(USD/ROL) în perioada 01 ian 1997 – 01 mar 2003
11
ln(U S D /R O L )
11
10
10
N um ar de
unitati
8
1
42
83
124
165
206
247
288
329
370
411
452
493
534
575
616
657
698
739
780
821
862
903
944
985
1026
1067
1108
1149
1190
1231
1272
1313
1354
1395
1436
1477
1518
1559
1600
Verificarea ipotezei de heteroscedasticitate pentru modificările logaritmice rt ale preţului
USD/ROL. Figura 23 prezintă graficul seriei de date a modificării logaritmice sau randamentul
preţului USD/ROL: rt = ln( Pt ) − ln( Pt −1 ) .
Figura 23. Modificarea logaritmică a cursului USD/ROL în perioada 01 ian 1997 – 01

mar 2003
Perioadele de volatilitate ridicată
sau clusterele de volatilitate.
0.1000
R andam ent U SD /R O L
0.0800
0.0600
0.0400
0.0200
0.0000
1
43
85
127
169
211
253
295
337
379
421
463
505
547
589
631
673
715
757
799
841
883
925
967
1009
1051
1093
1135
1177
1219
1261
1303
1345
1387
1429
1471
1513
1555
1597
-0.0200
N um ar de
unitati
-0.0400
-0.0600
-0.0800
-0.1000
-0.1200
140
Analizând graficul din Figura 23, se observă modul în care perioadele de volatilitate ridicată
(σ sau deviaţia standard) alternează cu perioadele de volatilitate redusă. Mai mult, perioadele de
volatilitate ridicată se pot distinge cu claritate şi formează clustere de volatilitate în raport cu
perioadele cu volatilitate redusă. O primă concluzie care se desprinde de aici este că volatilitatea
σt pentru modificările logaritmice rt a preţului USD/ROL este o funcţie dependentă de timpul
(t), iar procesul este de tip heteroscedastic.
Verificarea ipotezei de staţionaritate pentru modificările logaritmice ale preţului USD/ROL.
Pentru seria modificărilor logaritmice rt a preţului USD/ROL s-au calculat coeficienţii de
autocorelaţie, utilizând formula (4.9), pentru un număr de 100 de întârzieri (lag-uri). Cu ajutorul
acestor coeficienţi s-a construit corelograma funcţiei de autocorelaţie (Figura 24).
Figura 24. Coeficienţii de autocorelaţie pentru modificarea logaritmică a cursului

USD/ROL pentru 100 lag-uri
0 .2 5
A u to c o re la tie
0 .2
0 .1 5
0 .1
0 .0 5
0
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
1
-0 .0 5
-0 .1
-0 .1 5
-0 .2
-0 .2 5
N u m a r d e la g -u ri (z ile )
Corelogram oferă posibilitatea să se analizeze dacă modificările logaritmice ale preţurilor

sunt dependente sau independente de timp, respectiv, se testează dacă seria este sau nu
autocorelată. Dacă seria ar fi autocorelată, atunci coeficienţii de autocorelaţie rk trebuie să fie
semnificativ diferiţi de zero şi reciproc. Pentru fiecare coeficient de autocorelaţie, se calculează
1,96
cu o probabilitate dată P=95% un interval de încredere: ± . În situaţia în care seria nu este
T
autocorelată, ci este aleatoare, rk urmează o Distribuţie Normală de medie zero şi dispersie
1
, unde T reprezintă numărul total de observaţii.
T
141
1
Pentru randamentul preţului USD/ROL, se cunosc valorile: T = 1600 zile ⇒ = 0,025, iar
T
intervalul de încredere este: (-0,049, +0,049). Dacă seria nu ar fi autocorelată, atunci, pentru o
probabilitate P=95%, este de aşteptat ca la 100 de observaţii să avem cel mult cinci coeficienţi de
corelaţie care să fie situaţi în afara intervalului de încredere determinat.
Analizând graficului din Figura 24, se observă că există numeroşi coeficienţi care se situează
în afara intervalului de încredere obţinut. Astfel, există opt coeficienţi situaţi în afara intervalului,
deci se poate afirma că între modificările logaritmice rt ale preţului USD/ROL există
autocorelaţie, însă, deoarece coeficienţii situaţi în afara intervalului de încredere sunt în număr
redus iar valoarea lor este mică (sub 20%), autocorelaţia este destul de slabă.
Testarea autocorelaţiei poate fi aprofundată utilizând Testul Box-Ljung (BL). Se porneşte de
la relaţia:
p
rk2
BL( p ) = T (T + 2) ⋅ ∑
k =1 T − k
(4.21)
unde: p reprezintă numărul coeficienţilor de autocorelaţie.
În ipoteza nulă, a inexistenţei autocorelaţiei, relaţia (4.21) urmează o distribuţie χ 2 cu p grade

de libertate. Pentru seria modificărilor logaritmice rt ale preţului USD/ROL, a fost aplicat Testul
Box-Ljung pentru p=15. Valoarea tabelară a lui χ 2 pentru 15 grade de libertate şi o probabilitate
P=95% este 25. Dacă BL (15) > 25 ⇒ seria este autocorelată şi ipoteza nulă este respinsă.
În cazul seriei analizate, a rezultat o valoare: BL(15) ≈ 250 > 25. De aici rezultă că ipoteza
nulă este respinsă şi seria este autocorelată. Acest rezultat vine să întărească concluzia care
rezultă din analiza grafică pentru corelograma funcţiei de autocorelaţie.
În concluzie, modificările logaritmice rt pentru preţul USD/ROL sunt autocorelate iar seria
nu este aleatoare.
Pentru a aprofunda analiza, se va verifica existenţa autocorelaţiei pentru varianţa
modificărilor logaritmice rt a seriei USD/ROL. Este de presupus că, aceste varianţe vor fi
puternic autocorelate din moment ce randamentele rt sunt autocorelate. Aşa cum s-a menţionat,
deoarece pe termen scurt media randamentelor preţurilor instrumentelor financiare se consideră
nulă, având o valoare nesemnificativă, atunci varianţa poate fi aproximată prin suma pătratul
acestor randamente.
Figura 25 prezintă graficul evoluţiei pătratului modificării logaritmice a preţului USD/ROL.
Se observă că perioadele de volatilitate ridicată şi volatilitate redusă formează aceleaşi clustere
pe care le regăsim la analiza modificării logaritmice a preţurilor (Figura 23).
Pentru a testa forma autocorelaţiei pentru noua serie de date, în prima etapă s-a construit
corelograma funcţiei de autocorelaţie a pătratului randamantelor (Figura 26) pentru 100 de
coeficienţi şi, în a doua etapă s-a utilizat Testul Box-Ljung.
142
Se observă că, în comparaţie cu corelograma modificărilor logaritmice rt pentru preţul

USD/ROL (Figura 24), autocorelaţia pentru pătratul modificărilor logaritmice este mai
persistentă şi puternică deoarece majoritatea coeficienţilor de autocorelaţie sunt pozitivi şi
1,96
depăşesc intervalul de încredere ± ⇔ ± 0,049, calculat pentru o probabilitate P=95%.
T
Aplicând Testul BL pentru p=15 coeficienţi de autocorelaţie (identitatea (4.21)) BL(15), s-a
obţinut valoarea 1084 care este mult mai mare comparativ cu valoarea teoretică 25 pentru o
probabilitate P=95% şi 15 grade de libertate. În consecinţă, ipoteza nulă este respinsă iar seria
este autocorelată.
Figura 25. Pătratul randamentelor pentru seria USD/ROL în perioada 01ian1997 – 01

mar 2003
0.0100
Patratul randamentului
USD/ROL
0.0090
0.0080
0.0070
0.0060
0.0050
0.0040
0.0030
0.0020
Numar de
0.0010 unitati
0.0000
1
43
85
127
169
211
253
295
337
379
421
463
505
547
589
631
673
715
757
799
841
883
925
967
1009
1051
1093
1135
1177
1219
1261
1303
1345
1387
1429
1471
1513
1555
1597
143
Figura 26. Corelograma funcţiei de autocorelaţie pentru pătratul randamentelor

USD/ROL
0.5
Autocor elatie
0.4
0.3
0.2
0.1
100
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
1
4
7
-0.1
Numar de lag-ur i
(zile)
Forma distribuţiei modificărilor logaritmice rt ale seriei USD/ROL.

Forma distribuţiei pentru modificările logaritmice rt ale preţului USD/ROL în perioada
supusă analizei este prezentată în Figura 27.
Figura 27. Forma distribuţiei randamentelor USD/ROL
200
150
100
50
0
-0.100 -0.075 -0.050 -0.025 0.000 0.025 0.050 0.075 -0.05 0.00 0.05
USDROL
144
Din grafic se observa cu uşurinţă că forma acestei distribuţii are caracteristici leptocurtice
comparativ cu distribuţia normală. Forma acestei distribuţii este foarte asemănătoare cu
majoritatea distribuţiilor modificărilor preţurilor instrumentelor financiare tranzacţionate în
sistemul financiar internaţional, şi se datorează frecvenţei ridicate ale valorilor extreme pe care le
pot înregistra aceste preţuri.
Pentru această serie au fost calculaţi principalii indicatori statistici. Formulele de calcul
utilizate pentru a calcula momentele de ordinul întâi, doi, trei şi patru, indicatorul lui Kurtosis şi
indicatorul Skewness, sunt date de identităţile: (3.29), (3.30), (3.31), (3.32), (3.33) şi (3.34), din
sub-capitolul 3.3.3 al lucrării. Valorile acestor indicatori sunt prezentate în Tabelul 27.
Tabelul 27. Indicatorii statistici ai seriei modificărilor logarimice pentru preţul

USD/ROL
Număr de observaţii 1602

Mediana 0,00075
Valoarea minimă -0,09601
Valoarea maximă 0,07709
Momentul centrat de ordinul întâi (media) 0,00130
Momentul centrat de ordinul doi (dispersia) 0,000077
Momentul centrat de ordinul trei -0,00000016
Momentul centrat de ordinul patru 0,00000027
Indicator de aplatizare (kurtosis) 44,9891
Indicator de boltire (skweness) -0,70231
Indicatorul Kurtosis (44.9891 > 3) are o valoare foarte mare şi este pozitiv. În consecinţă,
forma distribuţiei este foarte ascuţită comparativ cu distribuţia normală, deci distribuţia este
puternic leptocurtică.
Indicatorul Skewness (-0.70231 < 0) este negativ, deci forma repartiţiei are o simetrie de
dreapta comparativ cu distribuţia normală.
Aceste rezultate completează concluziile analizei grafice privind forma distribuţiei seriei
modificărilor logaritmice rt a preţului USD/ROL.
Concluzii şi comentarii
Seria de date USD/ROL nu este staţionară, ea prezintă un trend crescător aproape liniar,
în special în prima parte a intervalului. Acest proces s-a datorat politicii valutare practicate de
Banca Centrală în perioada respectivă, prin care s-a urmărit deprecierea monedei naţionale;
Seria de date a modificărilor logaritmice rt a preţului USD/ROL prezintă clustere de
volatilitate şi, în consecinţă volatilitatea este o funcţie dependentă de timp iar seria este
heteroscedastică;
Seria randamentelor cursului USD/ROL este autocorelată. Aceste fenomen poate fi
explicat de intervenţiile frecvente ale Băncii Naţionale, în special de la începutul perioadei. BNR
145
a reprezentat un factor care a influenţat evoluţia normală a cursului de schimb şi i-a imprimat
acestuia un trend ascendent. Astfel, datorită acestor intervenţii, au fost numeroase momentele în
care cursul de schimb nu a rezultat din cererea şi oferta de valută pe piaţă şi evoluţia sa nu a mai
avut un caracter aleatoriu;
În timp ce modificările logaritmice ale preţurilor au o autocorelaţie redusă, pătratul
acestor modificări sunt puternic autocorelate şi, în consecinţă se poate afirma că seria urmează o
distribuţie condiţionată;
Forma distribuţiei modificărilor logaritmice rt a preţului USD/ROL este leptocurtică şi
are o asimetrie de stânga în raport cu forma distribuţiei normale. În concluzie, ca şi în cazul altor
instrumente tranzacţionate pe piaţa financiară internaţională, nu se poate vorbi de o distribuţie
normală a randamentelor pentru seria USD/ROL;
În general, rezultatele obţinute pentru seria USD/ROL nu diferă semnificativ de
rezultatele obţinute în analizele asupra preţurilor valutelor tranzacţionate pe piaţa financiară

internaţională, şi de aceea aplicarea Modelului RandomWalk modificat care este utilizat în
majoritatea metodologiilor de măsurare a riscului de piaţă, în cazul cursului USD/ROL nu poate
genera erori semnificativ mai mari comparativ cu aplicarea acestuia în cazul altor instrumente
financiare;
Spre deosebire de preţurile instrumentelor financiare tranzacţionate în ţările puternic
dezvoltate, distribuţia modificărilor preţurilor pentru seria USD/ROL este puternic leptocurtică;
De altfel, aceste rezultate, sunt caracteristice pentru majoritatea tranzacţiilor valutare din
ţările emergente, care au un risc ridicat. Astfel, majoritatea randamentelor instrumentelor

financiare pe aceste pieţe au proprietăţi leptocurtice comparativ cu distribuţia normală iar, în
unele situaţii, seriile acestor randamente nu sunt aleatoare. Pieţele financiare din ţările respective
sunt caracterizate prin perioade cu fluctuaţii ridicate ale cursurilor de schimb şi prin intervenţii
frecvente ale Băncilor Centrale pentru deprecierea proprilor monede. Acest fenomen este
consecinţa condiţiilor specifice în care se găsesc aceste ţări, condiţii care favorizează iniţierea de
tranzacţii speculative din partea investitorilor străini;
În ciuda acestor neajunsuri nu se pune problema respingerii în totalitate a ipotezelor
respective. Problema poate fi eliminată prin modelarea seriilor de date şi prin construirea sau
găsirea acelor distribuţii de probabilităţi a căror forme să fie foarte apropiate de forma distribuţiei
seriei de date analizate, aspect care este valabil pentru majoritatea instrumentelor financiare
tranzacţionate în sistemul financiar internaţional. În acest fel, se poate obţine o rafinare a
rezultatelor, cu efecte benefice în procesele decizionale.
Însă, marea problemă pentru seria randamentelor USD/ROL este existenţa autocorelaţiei,
ceea ce conduce la concluzia că seria nu este aleatoare. În aceste condiţii, calcularea pierderilor
potenţiale rezultate din tranzacţiile USD/ROL pentru perioada respectivă – prin utilizarea
indicatorului Value-at-Risk - poate conduce la erori destul de semnificative atunci când aceste
pierderi potenţiale sunt comparate cu pierderile reale ale tranzacţiilor efectuate.
146
4.2.3. Volatilitatea şi coeficientul de corelaţie – instrumente de măsurare a

incertitudinii pe piaţa financiară. Modele şi aplicaţii
Volatilitatea şi coeficientul de corelaţie reprezintă principalele instrumente utilizate în

metodologiile de analiză a riscului de piaţă pentru un instrument financiar sau un portofoliu de
instrumente financiare.Volatilitatea măsoară sensitivitatea activelor financiare la factorii de risc
specifici, iar coeficientul de corelaţie măsoară gardul de interdependenţă dintre factorii de risc
respectivi.
Pentru măsurarea riscului de piaţă, sunt importante prognozele asupra volatilităţii şi
coeficientului de corelaţie între randamentele instrumentelor financiare, deoarece analiza de risc
presupune anticiparea pierderilor potenţiale pe care le poate suferi o societate financiar-bancară
ca urmare a expunerii pe care acesata o are faţă de instrumentele financiare ce alcătuiesc
portofoliul de active ale societăţii.
În consecinţă, analiza riscului de piaţă trebuie să se realizeze asupra valorilor prognozate ale
volatilităţilor şi/sau coeficienţilor de corelaţie pentru preţurile instrumentelor financiare.
Metodologiile de măsurarea a riscului de piaţă dezvoltate până în prezent, utilizează modele
de prognoză a volatilităţilor şi coeficienţilor de corelaţie care iau în considerare dinamica pieţei
financiare şi încearcă să reproducă caracteristicile fundamentale ale acesteia.
i. Concepte utilizate în prognozarea volatilităţii şi a coeficientului de corelaţie pe piaţa

financiară
Măsurarea incertitudinii pentru instrumentele tranzacţionate pe piaţa financiară se realizează

cu ajutorul volatilităţii iar dependenţa dintre aceste instrumente se măsoară cu ajutorul
coeficientului de corelaţie. În literatura de specialitate există două abordări privind analiza
acestor indicatori. Aceste abordări au dus la dezvoltarea a două clase de modele pentru
măsurarea şi prognozarea volatilităţii şi a coeficientului de corelaţie:
Clasa modelelor liniare, cuprinde acele modele care pornesc de la ipoteza că în viitor
modificarea logaritmică a preţurilor instrumentelor financiare va avea o volatilitate constantă şi

egală cu volatiliatea calculată pe baza datelor istorice privind evoluţia acestor preţuri pe un
anumit orizont de timp;
Clasa modelelor neliniare, cuprinde acele modele care pornesc de la ipoteza că
volatilitatea este o funcţie de timp şi, în consecinţă, evoluţia în viitor a acesteia nu este constantă.
Mai mult, evoluţia în viitor a volatilităţii depinde de stările din trecut ale fenomenului. Se
presupune că volatilitatea este condiţionată de anumite valori pe care aceasta le-a înregistrat în
trecut.
În raport cu cele două clase de modele au fost dezvoltate mai multe metode de măsurare şi
prognoză a volatilităţii şi coeficienţilor de corelaţie.
Cele mai cunoscute metode asociate primei clase de modele sunt:
Metoda Abaterii Medii Pătrate;
147
Metoda Mediei Mobile cu Ponderi Constante,

Pentru cea de-a doua clasă de modele:
Metoda Mediei Mobile Ponderate;
Metoda Analizei de Heteroscedasticitate.
ii. Măsurarea volatilităţii şi a coeficientului de corelaţie utilizând modele liniare
Metoda Abaterii Medii Pătrate – presupune calcularea volatilităţii cu ajutorul rădăcinii

pătrate a dispersiei care măsoară media dintre abaterea modificărilor individuale ale
randamentelor instrumentelor financiare de la valoarea lor medie, pe baza datelor cuprinse într-
un orizont istoric de timp. Practic se porneşte de la formula cunoscută a dispersiei pe un orizont
de timp t = 1...T , care este dată de relaţia:
T
1
σ2 =
T
∑ (r
t =1
t − r )2 (4.21)
şi se calculează rădăcina pătrată: σ = σ 2 ⇒ ecuaţia:
T
1
σ=
T
∑( r
t =1
t − r )2 (4.22)
Relaţia (4.22) presupune ca pentru calcularea volatilităţii să se utilizeze datele înregistrate

pentru întreaga populaţie supuse analizei. În practică, nu sunt disponibile un număr de date atât
de mare şi, în consecinţă, pentru măsurarea volatilităţii se utilizează formula abaterii medii
pătratice pentru un eşantion de populaţie:
T
1
σ=
T −1
∑( r
t =1
t − r )2 (4.23)
care presupune corectarea cu un grad de libertatea a orizontului de timp. Rezultatele obţinute

prin aplicarea celor două relaţii: (4.22) şi (4.23) pentru calcularea volatilităţii nu diferă
semnificativ. De exemplu, dacă se calculează abaterea medie pătratică pentru randamentul
preţului EUR/ROL, pe o perioadă de 250 zile lucrătoare, respectiv din 23 iunie 2004 până în 28
februarie 2005, se obţin rezultatele: 0,001273840 în cazul utilizării relaţiei (4.22) şi 0,001276395
în cazul utilizării relaţiei (4.23), diferenţele fiind nesemnificative.
Pentru a calcula coeficientul de corelaţie, se porneşte de la două instrumente financiare
notate: j, p . Covarianţa dintre modificările logaritmice ale preţurilor celor două instrumente
financare, în ipoteza că volatilitatea este constantă în timp este dată de relaţia:
148
T
σ 2 [( j , p )] = ∑ (r ( j ) − r ( j )) × (r ( p) − r ( p))
t =1
(4.24)
Coeficientul de corelatie dintre modificările logaritmice ale preturilor instrumentelor

financiare j, p , în ipoteza că volatilitatea este constantă în timp:
σ 2 [( j , p)]
ρ[( j , p)] = (4.25)
σ 2 ( j ) × σ 2 ( p)
În general, aplicarea metodei abaterii medii pătrate pentru calcularea şi prognozarea

volatilităţii şi a coeficientului de corelaţie, nu oferă rezultate satisfăcătoare deoarece, ipoteza că
volatilitatea este constantă nu se verifică pentru seriile de date ale randamentelor instrumentelor
financiare.
Metoda Mediei Mobile cu Ponderi Constante – ca şi în cazul metodei abaterii medii pătrate,
porneşte de la raţionamentul că modificarea logaritmică a preţurilor instrumentelor financiare
sunt identic şi independent distribuite, deci volatilitatea rămâne constantă de-a lungul întregului
orizont de prognoză. Diferenţa în raport cu metoda abaterii medii pătrate constă în asumarea
ipotezei că media randamentelor este egală cu zero.
În aceste condiţii, ecuaţia volatilităţii devine:
t =1
1
σ2 =
T
∑ (r )
t =T
t
2
(4.26)
Pentru calcularea coeficientului de corelaţie între preţurile instrumentelor financiare j, p

covarianţa (4.24) devine:
T
σ 2 [( j , p )] = ∑ ( r( j ) × r( p ))
t =1
(4.27)
iar relaţia de calcul a coeficientului de corelaţie este similară cu identitatea (4.25), însă
covarianţa şi dispersia sunt date de relaţiile (4.27) şi, respectiv (4.26).
În practică, pentru aplicarea acestor două metode de prognoză a volatilităţii şi coeficienţilor
de corelaţie, este necesar să se rezolve problema evoluţiei în viitor a volatilităţii în raport cu
timpul. Analiza acestui aspect se realizează pornind de la numărul de zile al orizontului de
prognoză.
Se porneşte de la randamentul prognozat rt ,T pentru perioada t , T , care este dat de relaţia:
149
rt ,T = ln( Pt +T ) − ln( Pt ) (4.28)
Identitatea (4.28) poate fi descompusă după cum urmează:
rt ,T = rt ,1 + rt +1,1 + K + rt +T −1,1 (4.29)
Dacă se consideră că, de-a lungul întregului orizont de prognoză, randamentele sunt identic şi
independent distribuite cu dispersie constantă ⇒ relaţia (4.29) este echivalentă cu:
σ 2 (rt ,T ) = σ 2 (rt ,1 ) + σ 2 (rt +1,1 ) + ... + σ 2 (rt +T −1,1 ) =

2
σ
14 σ422
+4 +4 σ32 = σ 2
+4
...4
T − ori
⇒ σ 2 = σ 2 (rt ,T ) T ⇔ σ = 1 T ⋅ σ 2 (rt ,T ) (4.30)
În cazul analizei preţurilor instrumentelor financiare, factorul de anualizare 1 T luat în

calcul are valoarea 250 T , unde 250 reprezintă numărul de zile lucrătoare dintr-un an, iar T
reprezintă numărul de zile ale orizontului de prognoză. Dacă orizontul de prognoză este de o zi,
atunci T = 1, o săptămână T = 7, o lună T = 30, etc.
O altă problemă care trebuie rezolvată în practică, se referă la lungimea orizontului istoric de
timp pentru care se calculează abaterea medie pătratică. În ciuda controverselor existente pe
această temă, majoritatea lucrărilor de specialitate recomandă ca volatilitatea prognozată pe un
orizont de timp de mărime T să fie prognozată cu ajutorul abaterii medii pătratice calculate pe
baza aceluiaşi număr T de date istorice.
Principalul avantaj în aplicarea acestor metode constă în uşurinţa cu care poate fi prognozată
volatilitatea prin abaterea medie pătratică.
Marele dezavantaj constă în acurateţea rezulatului obţinut. Astfel, dacă atunci când calculăm
abaterea medie pătratică mărim sau micşorăm orizontul istoric de date obţinem rezultate diferite.
Practic incertitudinea creşte odată cu creşterea orizontului de date istorice, deoarece varianţa este
mai mare iar densitatea devine mai dispersată. De exemplu, dacă se calculează pentru evoluţia
randamentului EUR/ROL, abaterea medie pătratică (volatilitatea) pentru orizonturi diferite de
timp, se obţin valori diferite în funcţie de lungimea orizontului istoric. În Tabelul 28 sunt
înregistrate rezultatele volatilităţii pentru randamentul EUR/ROL, utilizând un orizont istoric de:
20 zile (8 februarie 2005 - 28 februarie 2005), 50 de zile (9 ianuarie 2005 - 28 februarie 2005),
150 de zile (1 octombrie 2004 - 28 februarie 2005) şi 250 de zile (23 iunie 2004 - 28 februarie
2005).
150
Tabelul 28. Volatilităţile pentru randamentele preţului EUR/ROL pentru diferite

orizonturi de timp
Metoda de calcul Perioada (număr de zile)

a volatilităţii 20 50 150 250
Abatere medie
pătratică (media 0,002298 0,001968 0,001629 0,001276
egală cu zero)
Se observă că, odată cu mărirea orizontului de timp şi creşterea numărului de date utilizate la
calcularea volatilităţii, valoarea acesteia se reduce.
De asemenea, aceste metode nu iau în calcul fenomenul de volatilităţi clusterizate, care
caracterizează evoluţia preţurilor instrumentelor financiare. Astfel, metodele pornesc de la
ipoteza că pe tot orizontul de prognoză volatilitatea este constantă iar singurul factor care
influenţează volatilitatea prognozată este numărul de date istorice utilizate la calcularea acesteia.
În aceste condiţii, cele două metode nu iau în calcul valorile extreme care apar în evoluţia
preţurilor instrumentelor financiare. Acestea sunt tratate cu aceeşi importanţă de-a lungul
orizontului de prognoză indiferent cât de îndepărtate sau apropiate sunt în raport cu începutul
orizontului de prognoză.
iii. Măsurarea volatilităţii şi a coeficientului de corelaţie utilizând modele neliniare
Metoda Mediei Mobile Ponderate. Aşa cum a fost descris în paragraful iii din sub-capitolul
4.2.2. al lucrării, piaţa financiară este caracterizată prin momente de volatilitate ridicată care
alternează cu momentele de volatilitate scăzută ceea ce pe termen scurt generează volatilităţi care
au caracteristici aproximativ asemănătoare. Mai exact, pe piaţa financiară momentele de
volatilitate ridicată sunt precedate de momente de volatilitate ridicată şi vice-versa. În aceste
condiţii, pentru analiza seriilor de date ale randamentelor instrumentelor financiare este esenţial
să se identifice clusterele de volatilitate.
Un model de prognoză a volatilităţilor pe termen scurt, trebuie să acorde o importanţă mai
mare datelor mai recente, respectiv mai apropiate de momentul actual deoarece acestea au o
influenţă mai mare asupra viitorului apropiat comparativ cu datele care se găsesc pe un orizont
istoric mai îndepărtat de timp.
Metoda mediei mobile ponderate porneşte de la formula mediei mobile ponderate pentru o
serie de timp. Evoluţie unei astfel de serii poate fi reprezentată printr-un şir de forma:
xt −1 + λ ⋅ x t − 2 + λ2 ⋅ x t −3 + ... + λn −1 ⋅ xt − n
xn = (4.31)
1 + λ + λ2 + ... + λn −1
Pentru valori foarte mari ale lui n ( n → ∞ ), relaţia (4.31) devine:
151
∞
lim x n = (1 − λ )∑ λn −1 ⋅ xt −i (4.32)
n →∞ i =1
Dacă se consideră că x = r 2 , respectiv x este egal cu pătratul randamentului unui instrument

financiar atunci relaţia (4.32) este echivalentă cu:
∧ ∞
σ 2 = (1 − λ )∑ λn −1 ⋅ rt 2−1 ⇔
i =1
∧ ∧
σ t2 = (1 − λ ) ⋅ rt 2−1 + λ ⋅ σ t2−1 (4.33)
Relaţia (4.33) reprezintă ecuaţia de recursivitate pentru prognoza volatilităţii pe baza mediei
mobile ponderate. Sub această formă ecuaţia a fost prezentată pentru prima dată în anul 1996 de
grupul de cercetare al Băncii J.P. Morgan în metodologia de calcul a riscului de piaţă cunoscută
sub denumirea de RiskMetricsTM.
O primă problemă pe care o ridică aplicarea acestei metode constă în estimarea factorului λ .
Acesta este un parametru care în literatura de specialitate este denumit factor slab (decay factor),
şi poate lua valori în intervalul: 0< λ <1. Cu ajutorul factorului λ se determină ponderile relative
care trebuiesc aplicate observaţiilor istorice şi cantitatea efectivă de date utilizate în estimarea
volatilităţii.
Pentru a determina o valoare optimă a factorului λ , echipa de cercetare a Băncii J.P.
Morgan, a efectuat un număr de 480 de simulări pentru diferite serii de timp ale evoluţiei
randamentelor instrumentelor financiare. Valorile optime care au rezultat, şi care sunt
recomandate de Banca J.P. Morgan sunt: λ = 0.94 pentru prognoze de o zi şi respectiv
λ = 0.97 pentru prognoze de cel puţin o lună de zile.
Metoda mediei mobile ponderate prezentată în Metodologia RiskMetricsTM prezintă o serie
de neajunsuri în momentul aplicării în practică.
În primul rând, s-a constat că impunerea unor parametrii λ care să fie valabili pentru toate
pieţele generează frecvent distorsiuni în prognozarea volatilităţilor şi a coeficienţilor de corelaţie.
În al doilea rând, modelul nu oferă rezultate nesatisfăcătoare pentru prognoze care depăşesc
un orizont de timp mai mare de o zi lucrătoare şi, în special, pentru prognozele care depăşesc o
lună de zile.
Modelul GARCH de prognoză a volatilităţii (GARCH = Generalized Autoregresive
Conditional Heteroscedasticy - Model generalizat de măsurare a heteroscedasticităţii
condiţionate).Denumirea modelului oferă, pe de-o parte, informaţii privind criteriile pe care
trebuie să le îndeplinească seria de timp supusă analizei iar, pe de altă parte, metodele de
prognoză pe care le utilizează modelul:
152
Heteroscedatsicitatea se referă la dispersia variabilă a seriei. Se presupune că dispersia se

modifică sub influenţa anumitor factori externi. O serie de timp este heteroscedastică dacă
perioadele de volatilitate ridicată se disting cu claritate de perioadele de volatiliate redusă;
Heteroscedasticitate condiţionată – se referă la dispersia variabilă condiţionată a seriei;
Autoregresia – se referă la metoda de analiză şi prognoză aplicată de model.
Metoda GARCH a fost propusă pentru prima dată de Bollerslav în anul 1986. De atunci au
fost dezvoltate numeroase variante ale metodei: IntegratedGARCH, AsymetricGARCH,
ExponentialGARCH, etc..
Ideea de bază a metodei constă în a adăuga unei ecuaţii de regresie standard un al doilea
termen care modelează dispersia (volatilitatea) condiţionată.
În general, pentru analizele financiare de prognoză a volatilităţii randamentelor
instrumentelor financiare se utilizează ecuaţia modelului cu o singură întârziere (un singur lag),
care are simbolul GARCH(1,1). Conform modelului GARCH(1,1), relaţia de recurenţă pentru
volatilitatea prognozată este dată de ecuaţia:
σ t +1 = ω + α ⋅ rt2 + β ⋅ σ t2 (4.34)
unde: σ t +1 este volatilitatea la momentul t+1, prognozată pe baza volatilităţii şi a

randamentului la momentul t;
ω, α, β - reprezintă parametrii ce trebuie estimaţi.
ω este o constantă care estimează nivelul spre care converge volatilitatea prognozată de
Modelul GARCH pe termen lung. Valoarea lui ω este influenţată de lungimea orizontului de
date istorice utilizate pentru estimare şi de nivelele volatilităţilor pe acest orizont. De exemplu,
dacă pentru estimare s-a utilizat un orizont istoric de timp în care s-au înregistrat volatilităţi
ridicate, respectiv mişcări extreme ale preţurilor instrumentelor financiare, atunci pe întregul
orizontul de prognoză, ω va avea o valoare foarte ridicată.
α este coeficientul randametului. Dacă are o valoare ridicată, modelul prognozează o
volatiliate care va reacţiona instantaneu la mişcările pieţei.
β reprezintă coeficientul volatilităţii. O valoare ridicată a lui β arată că volatiliatea
prognozată va fi persistentă şi va avea o durată de viaţă lungă.
Aplicarea în practică a modelului este dificilă deoarece presupune în prealabil estimarea celor
trei parametrii. În practică, cea mai uzuală metodă de estimare este Estimatorul de Maximă
Probabilitate. În urma analizelor efectuate pentru evoluţia preţurilor instrumentelor financiare, s-
a constat că, valoarea α + β trebuie să fie subunitară iar α tinde să fie mai mică şi să ia valori
mai mici de 0,25, în timp ce valoarea lui β este mai mare şi ia valori mai mari de 0,7.
153
4.3. Metode statistico-probabilistice de măsurare a riscului de piaţă pentru un

portofoliu de active financiare. Indicatorul Value-at-Risk
4.3.1. Introducere
Metodele şi tehnicile statistice care au fost dezvoltate pentru măsurarea riscului de piaţă,
trebuie utilizate în funcţie de particularităţile şi caracteristicile pe care le prezintă fiecare
instrument financiar.
Indicatorul Value-at-Risk reprezintă cea mai utilizată metodă pentru măsurarea riscului de
piaţă în industria financiar-bancară. Pentru calcularea acestui indicator au fost elaborate mai
multe metodologii care utilizează atât modele parametrice, cât şi modele neparametrice de
analiză.
Cele mai utilizate metode de calcul a Value-at-Risk sunt:
Metoda Analizei Varianţă/Covarianţă;
Metoda Simulării Monte-Carlo (ambele utilizează modele parametrice);
Metoda Simulării Istorice (utilizează modele neparametrice).
În cadrul acestui capitol, vor fi descrise cele trei metode de calcul a indicatorului Value-at-
Risk, conceptele statistico-matematice care au stat la baza elaborării acestor metode, şi modul în
care este calculat VaR pentru un portofoliu de instrumente financiare.
Pentru început se presupune că se dă un portofoliu alcătuit din j = 1, k instrumente (active)
financiare şi se notează cu S j suma totală deţinută pentru fiecare instrument j exprimată în
valuta în care se calculează VaR (de obicei VaR este exprimat în valuta ţării în care este
k
rezidentă instituţia respectivă), iar S = ∑ S j reprezintă valoarea totală a portofoliului.
j =1
4.3.2. Metoda Analizei Varianţă/Covarianţă pentru calcularea indicatorului Value-

at-Risk
Este cea mai răspândită metodă şi a fost elaborată de Grupul de cercetare al Băncii
J.P.Morgan.
Porneşte de la ipoteza că modificarea preţurilor instrumentelor financiare care compun un
portofoliu urmează o Repartiţie Normală Multivariată. În aceste condiţii, se consideră că
repartiţia evoluţiei profiturilor sau pierderilor pentru întregul portofoliu de active financiare, a
cărui valoare este marcată la piaţă (mark-to-market value), este de asemenea normală. Odată
fixată această ipoteză, proprietăţile matematice ale distribuţiei normale standard sunt utilizate
pentru a determina acele pierderi care vor apare începând de la un anumit nivel de probabilitate
stabilit în prealabil α 22 , ceea ce reprezintă Indicatorul Value at Risk (VaR).
22
În practica financiar-bancară internaţională coeficientul α este cunoscut şi sub denumirea de factor de risc iar VaR este calculat de obicei
pentru un nivel α = 5% . Acordul Basel II recomandă un nivel de 1% pentru factorul de risc.
154
Reprezentarea teoretică a raţionamentului este următoarea:

Dacă ΔS t = S t +T − S t reprezintă pierderea potenţială la momentul t pe orizontul de prognoză
t+T, atunci această pierdere urmează o distribuţie normală multivariată: ΔS t ≈ N (μ t , σ t2 ) ,
caracterizată prin media μ t şi dispersia σ t2 .
Valoarea VaR calculat cu o probabilitate α% la momentul t este dată de relaţiile:
P (ΔS t < −VaRα ,T ) = α ⇔
[ ]
P ([ΔS t − μ t ] / σ t < − VaRα ,T − μ t / σ t ) = α (4.35)
Dar:
[ΔS t − μ t ] / σ t ≈ N (0,1)
Notând [ΔS t − μ t ] / σ t = z t , relaţia (4.35) devine:
[ ]
P ( z t < − VaRα ,T − μ t / σ t ) = α ⇔
P( z t < z α ) = α
unde: [− VaRα ,T − μ t ] / σ t = z α
⇒ VaRα,T = z α σ t − μ t (4.36)
În practica financiar-bancară internaţională, Indicatorul Value-at-Risk este calculat fie la

sfârşitul unei zile de tranzacţionare, pe baza preţurilor de închidere, a pieţei pentru un factor de
risc α , situaţie în care este valabil pentru a doua zi lucrătoare, fie pe termen mai lung (de la 10
zile până la 3 luni).
În cadrul aplicaţiei din acest capitol, măsurarea VaR se va realiza utilizând acele modele de
calcul pe termen scurt, respectiv o zi, deoarece pe termen scurt se presupune că este rezonabil să
se considere că repartiţia profiturilor şi pierderilor unui portofoliu poate fi descrisă prin funcţia
de densitate normală normată. Argumentele sunt următoarele:
Repartiţia Normală Normată are media egală cu zero, ceea ce se consideră că este
acceptabil pentru modificările aşteptate pe care le suferă preţurile instrumentelor financiare pe

termen scurt (cum ar fi o zi în cazul nostru) care tind către valori foarte mici, apropiate de zero,
conform ipotezei iv din sub-capitolul 4.2.2;
155
Deviaţia standard a repartiţiei normale normate, care măsoară dispersia acestei distribuţii
este aproximativ egală cu z α × σ , unde z α - reprezintă valoarea tabelată a Funcţiei Laplace
pentru un coeficient de probabilitate α .
În situaţia în care avem o distribuţie normală cu două laturi, pentru un z α = 1.65 , corespunde
un nivel al probabilităţii: P = 100 − α = 90%( α = 10%) .
Însă VaR măsoară numai pierderile potenţiale ale unui portofoliu şi, în consecinţă,
probabilităţile trebuie calculate numai pentru distribuţia normală cu o singură latură, respectiv
pentru latura negativă.
Graficul din Figura 28 prezintă forma distribuţiei normale cu o singură latură. În această
situaţie, la o valoare tabelată a lui z α de 1,65, corespunde o probabilitate
P = 100 − α = 95%( α = 5%) .
Figura 28. Forma distribuţiei normale cu o singură latură
−1.65 × σ 0
Interpretarea graficului este următoarea: în condiţiile în care caracteristica studiată urmează

o Repartiţie Normală, este de aşteptat ca valorile care sunt mai mici sau egale cu 1.65σ , să
apară, în medie, în mai puţin de 5% din cazuri.
Extrapolând acest raţionament pentru un portofoliu de instrumente financiare ale cărui
profituri sau pierderi urmează o repartiţie normală, se poate presupune că există o probabilitate
de 5% ca pierderile acestui portofoliu să nu depăşească - 1.65 × σ , ceea ce reprezintă de fapt
Indicatorul VaR cu o probabilitate de 5%.
Odată clarificate aceste raţionamente, se pot determina etapele necesare pentru calcularea
Indicatorului VaR pentru un portofoliu de instrumente financiare prin Metoda Analizei Varianţă /
Covarianţă.
Primă etapă constă în a verifica dacă legea de repartiţie descrisă de evoluţiile
profiturilor/pierderilor portofoliului analizat este normal distribuită.
156
Aşa cum a fost prezentat în pargraful v din capitolul 4.2.2 a lucrării, în practica curentă, se
acceptă că această repartiţie este normală, însă din analizele efectuate asupra evoluţiei preţurilor
diverselor instrumente financiare, şi în special a celor de pe pieţele emergente, cum este şi cazul
ţării noastre, s-a ajuns la concluzia că modificarea logaritmică a preţurilor acestor intrumente nu
urmează întotdeauna o distribuţie normală.
Majoritatea seriilor modificărilor logaritmice ale preţurilor instrumentelor financiare urmează
o Repartiţie Normală Condiţionată însă, se presupune că în timp ce modificările preţurilor
instrumentelor financiare (rt) nu urmează o distribuţie normală, raportul rt / σt , unde σ t
reprezintă volatilitatea prognozată, urmează o distribuţie normală normată de medie 0 şi
dispersie 1. Această abordare arată că volatilitatea σ t este o funcţie de timp, proprietate care este
cunoscută în analiza seriilor de timp sub denumirea de heteroscedasticitate.
A doua etapă constă în calcularea volatilităţii pentru evoluţia modificărilor preţurilor
instrumentelor financiare care alcătuiesc portofoliul analizat.
Păstrând notaţiile folosite în sub-capitolul 4.2.2, respectiv dacă rt reprezintă modificarea
⎛ P ⎞
logaritmică a preţului unui instrument financiar la un moment dat t ( rt = ln⎜⎜ t ⎟⎟ ), unde Pt este
⎝ Pt −1 ⎠
preţul instrumentului financiar la acelaşi moment t, atunci volatilitatea poate fi calculată utilizând
una din identităţile: (4.23), (4.26), (4.33) şi (4.34) din sub-capitolul 4.2.3 a lucrării.
Aşa cum a fost menţionat în sub-capitolul 4.2.3., un model de prognoză a volatilităţii pe o
piaţă financiară trebuie să ia în calcul heteroscedasticitatea, şi în plus, trebuie să aloce o pondere
mai mare valorilor mai recente ale acestor preţuri pentru ca volatilitatea să reacţioneze mai rapid
la şocurile recente care apar pe pieţele financiare. Pentru aplicaţia din cadrul acestui capitol
volatilitatea a fost prognozată utilizând metoda mediei mobile cu ponderi constante.
În a treia etapă se stabileşte care este corelaţia dintre modificările logaritmice ale preţurilor
instrumentelor financiare care alcătuiesc portofoliul. În acestă etapă se calculează:
Covarianţa dintre modificările logaritmice ale preţurilor valutelor: j, p
Coeficientul de corelatie dintre modificările logaritmice ale preturilor valutelor: j, p

În ultima etapă se calculează Indicatorului Value-at-Risk pentru o zi lucrătoare utilizând
identitatea:
VaR = V × C × V t (4.37)
unde: C este matricea coeficienţilor de corelaţie;

V = [(1.65 × S j × σ 2j )] j =1, k reprezintă vectorul pierderilor potenţiale pentru
j = 1, k active financiare, şi α = 5% factor de risc;
Matricea coeficienţilor de corelaţie C , a modificărilor logaritmice ale preţurilor activelor

financiare care compun portofoliul este dată de relaţia:
157
⎛ 1 ... ρ1, j ... ρ1,k ⎞

⎜ ⎟
⎜ ⎟
C = ⎜ ρ1, j 1 ⎟ (4.38)
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎝ ρ1,k ... ... ... 1 ⎠
Pe diagonala principală, matricea are valori unitare, iar restul elementelor au valori egal-
simetrice în raport cu această diagonală.
4.3.3. Metoda Simulării Istorice pentru calcularea indicatorului Value-at-Risk
Metoda Simulării Istorice utilizează modele neparametrice de calcul a indicatorului VaR,

deci se porneşte de la ipoteza că modificările preţurilor instrumentelor financiare nu urmează o
repartiţie teoretică.
Din punct de vedere statistic această metodă este echivalentă cu analiza interdecilică a unei
serii de date.
O asemenea abordare prezintă un avantaj semnificativ în calcularea Indicatorului VaR
deoarece, în cazul simulării istorice, forma repartiţiei este dată de însăşi evoluţia modificărilor
preţurilor instrumentelor financiare.
În esenţă, Metoda Simulării Istorice porneşte de la evoluţia modificărilor istorice ale
preţurilor instrumentelor financiare, iar pe baza acesteia se construieşte o distribuţie a profiturilor
şi pierderilor potenţiale viitoare. În final se calculează indicatorul VaR pentru pierderile care
depăşesc nivelul de toleranţă α stabilit în prealabil.
Pentru început, se realizează structura portofoliului de active financiare pentru care urmează
să se calculeze VaR. Acesta este reevaluat de un număr de ori egal cu numărul de date cuprinse
în orizontul istoric de timp în care au evoluat preţurile instrumentelor care alcătuiesc portofoliul.
Reevaluarea portofoliului va produce o repartiţie a profiturilor/pierderilor pe baza cărora se va
calcula VaR pentru un anumit nivel de încredere, respectiv factor de risc (nivelul α = 5% este cel
mai des utilizat în practică).
Calcularea VaR prin simulare istorică presupune utilizarea modificărilor procentuale sau
absolute ale preţurilor fiecărui instrument care alcătuieşte portofoliul. Aceste modificări se aplică
la structura portofoliului de astăzi.
Succesiunea etapelor pentru Metoda Simulării Istorice este următoarea:
În prima etapă se obţin seriile de date ale modificărilor procentuale ale preţurilor pentru toate
instrumentele financiare care compun portofoliul sau pentru orice factor de risc necesar pentru
reevaluare portofoliului:
P j ,t
I j ,t (%) = ( − 1) × 100 (4.39)
Pj ,t −1
158
unde: I j ,t (%) - reprezintă modificarea procentuală a preţurilor instrumentelor la

momentul t pentru instrumentul j .
În practică, pentru a aplica Metoda Simulării Istorice, trebuie rezolvate două probleme:
1. Care trebuie să fie lungimea seriei de date istorice?
2. Ce se întâmplă în situaţia în care nu avem date istorice pentru un instrument?
Prima problemă se rezolvă pornind de la ipoteza fundamentală a simulării istorice, conform
căreia, viitorul este mult mai bine prognozat pe baza istoriei recente.
În practica financiară, alegerea orizontului de timp istoric variază semnificativ. Unele lucrări
de specialitate recomandă utilizarea a doar 100 de zile, iar altele ajung la un orizont de trei ani de
zile. BIS - Bank for International Settlement - recomandă utilizarea unui orizont istoric cuprins
între 3-5 ani, însă în mod uzual, pentru simularea istorică se utilizează în jur de 100-360 date
istorice deoarece, se consideră că astfel este îndeplinită ipoteza fundamentală a simulării istorice,
anume: datele mai recente au o influenţă mai mare asupra valorii viitoare a preţurilor
instrumentelor.
A doua problemă este influenţa pe care o au noile instrumente emise şi tranzacţionate pe
piaţă, şi care intră în componenţa portofoliului, dar pentru care nu există date istorice. Însă
această problemă nu este caracteristică numai simulării istorice ci apare şi în cazul utilizării
metodei varianţă / covarianţă la calcularea volatilităţii şi coeficienţilor de corelaţie dintre noile
instrumente şi cele existente deja pe piaţă.
Pentru eliminarea acestui neajuns, o practică acceptabilă, constă în analiza evoluţiei istorice a
preţurilor pentru acele instrumente tranzacţionate deja pe piaţă şi care prezintă caracteristici
asemănătoare cu noul instrument, până în momentul în care se pot obţine şi pentru noile
instrumentele apărute pe piaţă serii de date istorice.
În a doua etapă, modificările procentuale ale preţurilor instumentelor care compun
portofoliul se aplică la structura actuală a portofoliului, şi se generează o serie de date a
modificărilor valorilor portofoliului:
k
Modificarea valorii portofoliului = ∑ I j ,t × S j (4.40)
j =1
unde: k - reprezintă numărul de instrumente care compun portofoliul;

S j este suma din instrumentul j care alcătuieşte portofoliul.
Ultima etapă constă în sortarea seriei de date a modificărilor valorilor portofoliului şi

transformarea seriei obţinute în percentile. Percentilele (sau Decilele) sunt acele valori care
împart seria în 100 de părţi egale. O serie are 99 de percentile. De obicei, percentilele se
determină grafic.
În final se stabileşte nivelul de toleranţă pentru care se doreşte valoarea VaR şi se alege
percentila care corespunde acestui nivel de toleranţă. Indicatorul VaR este aceea valoare asociată
percentilei corespunde nivelului de toleranţă ales.
159
4.3.4. Metoda Simulării Monte-Carlo pentru calcularea indicatorului Value-at-

Risk
Metoda Simulării Monte-Carlo prezintă numeroase similitudini cu Metoda Simulării Istorice.

Ideea de bază în cazul Simulării Monte-Carlo constă în generarea unor serii de numere
aleatoare. Ulterior, se alege o repartiţie statistică care să aproximeze acel mai bine modificările
pe care le vor suferi preţurile instrumentelor financiare.
Raţionamentul este următorul: se presupune că cele N numere aleatoare generate,
reprezintă schimbările ipotetice pe care le vor suferi preţurile instrumentelor financiare care
compun portofoliul. Repartiţia este stabilită, şi se presupune că estimează cel mai bine aceste
modificări ale preţurilor, iar pe baza ei se construiesc zeci sau zeci de mii (numărul depinde de
câte numere aleatoare au fost generate) de profituri/pierderi ipotetice ale portofoliului de
instrumente.
Pentru început, vor fi prezentate etapele Simulării Monte-Carlo pentru un singur instrument
financiar, după care pentru un portofoliu de instrumente.
În prima etapă trebuiesc generate numerele aleatoare. Se generează N numere aleatoare
( N = 1000 sau 10000 ) cu valori cuprinse între 0 şi 1.
Problema obţinerii de numere aleatoare este relativ complicată şi se poate baza pe mai multe
procedee:
Utilizarea de tabele cu numere întâmplătoare obţinute cu ajutorul unor maşini;
Procedee provenite din fizică bazate pe zgomotul electronic sau radioactiv;
Procedee aritmetice care se bazează pe relaţii de recurenţă.
Ultimul procedeu este cel mai răspândit în practică, şi pe baza lui au fost concepuţi algoritmii
pentru majoritatea utilizate la generarea numerelor aleatoare.
În realitate, un generator bazat pe un astfel de procedeu nu produce un şir de numere
aleatoare ci, mai precis, şiruri de numere egal probabile şi independente stochastic, care sunt
cunoscute în teoria statistică drept şiruri de numere pseudo-aleatore.
Cele N numere aleatoare (pseudo-aleatoare) generate reprezintă schimbări ipotetice pe care le
vor înregistra preţurile instrumentelor financiare.
A doua etapă constă în determinarea repartiţiei caracteristice pentru modificările preţurilor
instrumentelor financiare şi în estimarea parametrilor acestei repartiţii. Abilitatea de a construi o
repartiţie de probabilităţi constituie elementul prin care se distinge simularea Monte-Carlo de
celelalte două metode prezentate anterior în care forma distribuţiei era parte componentă a
metodelor. În general, pentru realizarea unei astfel de repartiţii trebuie sa se ţină cont de 2
elemente esenţiale:
Repartiţia trebuie să aproximeze modificările posibile ale preţurilor în viitor în funcţie de
modificările pe care le-au cunoscut aceste preţuri în trecut;

Repartiţia trebuie să aibă parametrii (medie, abatere medie pătratică, coef. de corelaţie)
care să poată fi uşor de estimat.
160
În practică, este acceptată repartiţia normală însă, s-a constatat că, deşi aceasta
caracterizează majoritatea randamentelor instrumentelor financiare, există numeroase pieţe, în
special cele emergente, unde această repartiţie nu poate fi utilizată. În această situaţie, trebuie să
se analizeze cu atenţie dacă repartiţia normală constituie alegerea cea mai rezonabilă.
În a treia etapă numerele generate aleator sunt convertite în numere aleatoare pe baza
repartiţiei alese. Această etapă depinde de repartiţia de probabilităţi aleasă. Dacă se presupune că
este repartiţia normală, atunci fiecare set de numere generate aleator vor fi repartizate normal de-
a lungul intervalului ales (între 0 şi 1). Raţionamentul este următorul: fiecare număr aleator
generat reprezintă o probabilitate cumulativă pentru repartiţia normală.
Pornind de la acest raţionament, numerele aleatoare sunt transformate într-un set de numere
aleatoare cu repartiţie normală cu ajutorul inversei funcţiei repartiţiei normale cumulative pentru
fiecare număr.
Inversa unei funcţii F ( x ) se notează cu F −1 ( x ) şi presupune determinarea valorilor lui x
pornind valorile F ( x ) . Se spune că F −1 ( x ) reprezintă imaginea lui x prin graficul funcţiei
F( x ) .
Figura 29 prezintă graficul formei repartiţiei normale cumulative. Prin distribuţia normală
cumulativă sunt reprezentate acele probabilităţi pentru care caracteristica studiată ia valori mai
mici sau egale cu o valoare dată.
Figura 29. Repartiţia Normală Cumulativă
Probabilităţi cumulative
(Numere generate aleator)
Modificări ipotetice
ale portofoliului
Estimarea funcţiei repartiţiei normale cumulative se realizează cu ajutorul Aproximării

Polinomiale date de Abramowitz şi Stegun.
Dacă se notează cu N (x) Distribuţia Normală Cumulativă, atunci pot fi întâlnite două situaţii:
Dacă: x ≥ 0 ⇒ N ( x) = 1 − N ' ( x)(ak + bk 2 + ck 3 ) ,
161
1 2
Dacă: x ≤ 0 ⇒ N ( x) = 1 − N (− x) , unde N ' ( x) = e x este funcţia distribuţiei normale
2π
standard, iar parametrii polinomiali estimaţi de Abramowitz şi Stegun au valorile:
1
k= ,unde: γ = 0.33267, a = 0.4361836, b = −0.1201676, c = 0.9372980 .
1 + γx
N (x) reprezintă unul din cele N numere generate aleator, iar x = N −1 ( x) reprezintă
modificările ipotetice ale preţurilor instrumentelor financiare normal distribuite. În continuare, se
multiplică fiecare modificare ipotetică generată a preţurilor cu volatilitatea instrumentului
respectiv ( σ × N −1 ( x) ) şi se obţine seria de date a pierderilor/câştigurilor potenţiale ale
instrumentului.
Ultimele două etape sunt similare cu ultimele etape din Metoda Simulării Istorice. Se
sortează profiturile / pierderile potenţiale ale instrumentului, după care se calculează Indicatorul
Value-at-Risk, care reprezintă acea valoare care va depăşi sau egala percentila corespunzătoare
factorului de risc α ales în prealabil.
Etapele aplicării Simulării Monte-Carlo la calcularea Indicatorului VaR pentru un portofoliu
de instrumente financiare sunt aproximativ similare cu cele aplicate pentru un singur instrument
financiar.
Diferenţa apare în momentul în care trebuie convertite numerele aleatoare generate în numere
aleatoare cu repartiţie normală (sau altă repartiţie aleasă), deoarece trebuiesc luate în calcul
corelaţiile care apar între preţurile instrumentelor financiare care compun portofoliul.
Astfel, pentru a obţine seria de modificări aleatoare ale preţurilor corelate pentru un
portofoliu, numerele generate aleator sunt transformate în numere corelate generate aleator cu
Repartiţie Normală,
În acest scop, se utilizează vectorii şi valorile proprii ale matricei coeficienţilor de corelaţie
dintre preţurile instrumentelor care alcătuiesc portofoliul. Cea mai utilizată metodă pentru
determinarea vectorilor şi valorilor proprii este Metoda Jacobi. Dacă se notează cu C matricea
coeficienţilor de corelaţie dintre preţurile celor k instrumente care alcătuiesc portofoliul, valorile
proprii λ ale matricei C (k × k ) se determină rezolvând ecuaţia:
C − λ ⋅ Ik = 0 (4.41)
unde: I k reprezintă matricea identică (linia principală este egală cu 1 iar restul
elementelor sunt 0), de dimensiuni (k × k ) .
Pentru fiecare valoare proprie calculată se determină vectorii proprii υj , j = 1, k , rezolvând
setul de ecuaţii simultane descris de relaţia:
(C − λ j )
⋅I ⋅υj =0 (4.42)
162
După determinarea vectorilor şi valorilor proprii, se construieşte seria de modificări aleatoare

ale preţurilor corelate, utilizând relaţia:
k
xp = ∑
p =1
λ j ⋅x norm ⋅ υ pj ⋅ σ p (4.43)
unde: x p - reprezintă modificarea aleatoare a preţurilor corelate pentru instrumentul p , a

cărui preţ urmează o Repartiţie Normală, cu deviaţia standard σ p ;
λ p - reprezintă radicalul valorii proprii λ p ;
x norm - modificarea aleatoare a preţului pe baza Repartiţiei Normale

( x norm = N −1 ( x) ),
iar x este numărul generat aleator.
Etapele următoare sunt similare cu cele de la Simularea Monte Carlo pentru un singur
instrument financiar. Se procedează la sortarea profiturilor/pierderilor potenţiale ale
portofoliului, după care se calculează Indicatorul Value at Risk care reprezintă acea valoare care
va depăşi sau egala percentila facorului de risc α stabilit.
În situaţia utilizării Simulării Monte-Carlo, pentru calcularea Value at Risk, trebuie rezolvată
problema convergenţei. Convergenţa apare datorită faptului că numerele generate aleator diferă
ori de câte ori simularea este rulată. Rezultă că se vor obţine modificări ipotetice diferite ale
preţurilor pentru un instrument (portofoliu), deoarece simularea nu dă întotdeauna aceleaşi valori
şi de aici vor rezulta valori diferite pentru Value-at-Risk. Pentru a asigura o estimare rezonabilă a
lui VaR trebuie să se genereze un număr cât mai mare de numere aleatoare. În general, în
practica financiară internaţională se efectuează un număr de 20 de simulări, iar la fiecare
simulare se generează circa 10 000 de numere aleatoare. Pentru fiecare simulare se calculează un
VaR, după care se determină nivelul minim, maxim, media şi abaterea medie pătratică pentru
MinVaR MedieVaR σVaR
aceste valori. Ulterior se calculează rapoartele × 100 , × 100 şi .
MedieVaR MaxVaR MedieVar
Convergenţa este eliminată atunci când deviaţia standard VaR reprezintă cel puţin 1% din Medie
VaR. În această situaţie VaR căutat este valoarea medie a valorilor VaR ce rezultă în urma
simulărilor respective.
4.3.5. Simulări empirice. Calcularea indicatorului Value at Risk pentru piaţa

tranzacţiilor financiar-valutare din ţara noastră
i. Scopul simulărilor
Scopul acestor simulări este de a calcula Indicatorului VaR pentru un portofoliu de valute, pe
baza datelor privind evoluţia preţurilor acestor valute pe piaţa interbancară din ţara noastră. În
163
urma simulării se vor analiza comparativ rezultatele VaR obţinute prin cele 3 metode descrise
anterior. Teoretic, prin aplicarea celor trei metode, între rezultatele obţinute nu ar trebuii să se
înregistreze diferenţe semnificative. Trebuie menţionat că acurateţea rezultatelor poate fi
influenţată de lipsa unor softuri adecvate de calcul şi analiză statistică – în special în situaţia
utilizării Simulării Monte-Carlo care necesită calcule matemetice complexe şi voluminoase. Însă,
diferenţele semnificative care pot apare, se datorează în primul rând, raţionamentelor şi
ipotezelor statistice care sunt specifice fiecărei metode.
Pentru uşurinţa calculelor s-a considerat că portofoliul este compus din 3 valute, dolari
americani (USD), euro (EUR), lire sterline (GBP) şi nu conţine instrumente derivative (poziţii
forward, futures sau opţiuni).
ii. Alegerea portofoliului de active
Pentru simulare a fost construit un portofoliu alcătuit din 3 valute:

Poziţie long echivalent USD = 1 000 000 USD;
Poziţie long echivalent EUR = 1 000 000 EUR;
Poziţie long echivalent GBP = 1 000 000 GBP.
Indicatorul Value at Risk a fost calculat pentru sfârşitul zilei de 19 decembrie 2002, cu un
factor de risc α = 5% , şi a fost exprimat în lei.
Cursurile de închidere ale pieţei au fost considerate cursurile oficiale publicate de Banca
Naţională la sfârşitul zilei de tranzacţionare, respectiv 19 decembrie 2002: 1 USD = 33 700 ROL,
1 EUR = 34 605 ROL, 1 GBP = 54 046 ROL.
Tabelul 29. Marcarea la piaţă a portofoliului
POZIŢIE VALUTARĂ POZIŢIA VALUTARĂ

VALUTA
(LONG) ECHIVALENT IN LEI
USD 1 000 000 - 37 700 000 000
EUR 1 000 000 - 34 605 000 000
GBP 1 000 000 - 54 046 000 000
TOTAL POZIŢIE VALUTARĂ ECHIVALENT IN LEI - 122 351 000 000
iii. Analiza datelor
Pentru simulare s-a utilizat seria de date a cursurilor oficiale publicate zilnic de Banca
Naţională pentru cele 3 valute contra ROL: USD/ROL, EUR/ROL, GBP/ROL, pe un interval
istoric de timp cuprins între: 2 ianuarie 2001 şi 19 decembrie 2002, având în total 505 zile
lucrătoare. Acest orizont de timp a fost utilizat pentru calcularea volatilităţilor, coef. de corelaţie
şi pentru testarea formei distribuţiei pentru cele trei instrumente şi pentru întregul portofoliu.
164
iv. Calcularea Indicatorului Value at Risk prin Metoda Analizei Varianţă/Covarianţă
Pentru modificările logaritmice ( rt ) ale preţurilor celor 3 valute în raport cu leul au fost
realizate graficele pentru analiza formei de repartiţie şi au fost calculate volatilităţile şi
coeficienţii de corelaţie între preţurile celor 3 instrumente. Rezultatele obţinute sunt prezentate în
Tabelul 30 şi Figura 30.
Tabelul 30. Parametrii statistici specifici fiecărei serii de timp
CURSURILE COEFICIENŢI
VOLATILITATE MEDIE USD/ROL EUR/ROL GBP/ROL
DE SCHIMB DE CORELAŢIE
USD/ROL 0.002420158 0.000516960 USD/ROL 1 0.196820 0.035439
EUR/ROL 0.006894999 0.000655252 EUR/ROL 0.196820 1 0.173433
GBP/ROL 0.002246152 0.000662114 GBP/ROL 0.035439 0.173433 1
Figura 30. Formele repartiţiei pentru raportul ( r / σ )
USD/ROL
-6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6
EUR/ROL
165
-3 -2 -1 0 1 2 3 4 5 -2 0 2 4
GBP/ROL
-2 -1 0 1 2 3 -2 -1 0 1 2 3
Indicatorul Value at Risk ( α = 5% )

poziţie long USD/ROL VaR = - 134 572 441 lei;
poziţie long EUR/ROL VaR = - 346 104 429 lei;
poziţie long GBP/ROL VaR = - 393 691 863 lei;
portofoliu long USD, EUR, GBP/ROL VaR = - 869 551 813 lei.
v. Calcularea Indicatorului Value at Risk prin Metoda Simulării Istorice
Pentru Simularea Istorică au fot utilizate date pentru un orizont istoric de 250 de zile,
cuprinse în intervalul 04 ianuarie 2002 - 19 decembrie 2002.
Figura 31. Evoluţia modificărilor procentuale ale preţurilor pentru orizontul de timp
considerat
U S D /R O L
1 .5 0
1 .0 0
0 .5 0
Modificare procentuala (%)
0 .0 0
2
2
02
2
2
2
2
2
2
2
11 200
28 200
19 200
08 200
30 200
21 200
10 200
17 200
17 200
29 200
20 200
16 200
05 200
26 200
06 200
28 200
08 200
29 200
18 200
09 200
02 200
14 200
05 200
25 200
10 200
29 200
20 200
11 200
31 200
22 200
11 200
23 200
12 200
03 200
23 200
20
3/
2/
1/
1/
1/
6/
5/
3/
3/
2/
2/
7/
7/
7/
6/
6/
5/
5/
4/
4/
4/
2/
2/
1/
1/
1/
0/
0/
0/
0/
9/
9/
9/
8/
8/
8/
/0
/0
/0
/0
/0
/0
/0
/0
/0
/0
/0
/0
/0
/0
/0
/0
/0
/0
/0
/0
/1
/1
/1
/1
/1
/1
/1
/1
/1
/0
/0
/0
/0
/0
/0
/0
19
-0 .5 0
-1 .0 0
-1 .5 0
P erioad a
166
Modificare procentuala (%)
19
Modificare procentuala (%) /1
2
10 /20
-1.50 -1.00 -0.50 0.00 0.50 1.00 1.50
-2.50
-2.00
-1.50
-1.00
-0.50
0.00
0.50
1.00
1.50
2.00
2.50
/1 02
2/
19/12/2002 29 20
/1 02
1
10/12/2002 20 /20
/1 02
1
29/11/2002 11 /20
/1 02
1
20/11/2002 31 /20
/1 02
0
11/11/2002
22 /20
/1 02
0/
31/10/2002
11 20
/1 02
0
02 /20
22/10/2002 /1 02
0
23 /20
11/10/2002 /0 02
9
12 /20
02/10/2002 /0 02
9/
03 20
23/09/2002 /0 02
9
23 /20
12/09/2002 /0 02
8
14 /20
03/09/2002 /0 02
8
05 /20
23/08/2002 /0 02
8/
25 20
14/08/2002 /0 02
7
16 /20
05/08/2002 /0 02
7/
05 20
25/07/2002 /0 02
7
26 /20
16/07/2002 /0 02
6
EUR/ROL
17 /20
05/07/2002 /0 02
6
GBP/ROL
06 /20
26/06/2002 /0 02
Perioada
6
Perioada
28 /20
17/06/2002 /0 02
5
17 /20
06/06/2002 /0 02
5
08 /20
28/05/2002 /0 02
5
29 /20
17/05/2002 /0 02
4/
18 20
08/05/2002 /0 02
4
09 /20
29/04/2002 /0 02
4/
29 20
18/04/2002 /0 02
3
20 /20
09/04/2002 /0 02
3
11 /20
29/03/2002 /0 02
3
28 /20
20/03/2002 /0 02
2
19 /20
11/03/2002 /0 02
2
08 /20
28/02/2002
/0 02
2
30 /20
/0 02
19/02/2002 1
21 /20
08/02/2002
/0 02
1/
10 20
/0 02
30/01/2002 1/
20
02
21/01/2002
10/01/2002
167
Figura 32. Evoluţia modificărilor profiturilor/pierderilor pentru portofoliu alcătuit din cele
3 poziţii valutare
2,000,000
1,500,000
1,000,000
Modificarea valorii portofoliului
500,000
103
109
115
121
127
133
139
145
151
157
163
169
175
181
187
193
199
205
211
217
223
229
235
241
247
13
19
25
31
37
43
49
55
61
67
73
79
85
91
97
1
7
-500,000
-1,000,000
-1,500,000
Numar de unitati
Figura 33. Distribuţia profiturilor/pierderilor pentru întregul portofoliu de valute în raport cu

distribuţia normală
-1000000 -500000 0 500000 1000000 1500000 -1500000 -1000000 -500000 0 500000 1000000 1500000
După sortarea datelor, a fost calculat nivelul percentilei pentru un factor de risc α = 5% , iar
rezultatele obţinute sunt prezentate în Tabelul 31.
168
Tabelul 31. Valorile Indicatorului VaR obţinute prin Simulare Istorică
CURSURILE DE SCHIMB Value-at-Risk

USD/ROL -136 590 238
EUR/ROL -359 897 321
GBP/ROL -402 189 266
Portofoliu de valute - 875 959 375
vi. Calcularea Indicatorului Value at Risk prin Metoda Simulării Monte-Carlo
Pentru Simularea Monte-Carlo, s-a presupus că modificarea logaritmică a preţurilor urmează

o distribuţie normală. În Figura 34 sunt reprezentate formele repartiţiilor pentru cele trei
instrumente financiare.
Figura 34. Formele repartiţiei pentru valorile r t
USD/ROL EUR/ROL GBP/ROL
210 135
120
196 126
112
182 117
104
168 108
96
154 99
88
140 90
80
126 72 81
112 72
No of obs
No of obs
No of obs
64
98 56 63
84 48 54
70 40 45
56 32 36
42 24 27
28 16 18
14 8 9
0 0 0
<= -.02 (-.01,-0] (.01,.02] (.03,.04] (.05,.06] <= -.02 (-.01,-0] (.01,.02] (.03,.04] (.05,.06] > .07 <= -.02 (-.01,-0] (.01,.02] (.03,.04] (.05,.06]
(-.02,-.01] (-0,.01] (.02,.03] (.04,.05] > .06 (-.02,-.01] (-0,.01] (.02,.03] (.04,.05] (.06,.07] (-.02,-.01] (-0,.01] (.02,.03] (.04,.05] > .06
La fiecare simulare au fost generate 1000 de numere aleatoare şi s-au rulat 20 de simulări.
Pentru portofoliul de active, pe baza matricei coeficienţilor de corelaţie, s-au calculat vectorii
şi valorile proprii
Tabelul 32. Vectorii şi valorile proprii pentru matricea coeficienţilor de corelaţie
VALORI
VECTORI PROPRII
PROPRII
λ USD/ROL EUR/ROL GBP/ROL
USD/ROL 1.0 -0.66751 1.32561 1.02851
EUR/ROL 1.76168 -1.41804 0.69975 0.22673
GBP/ROL 0.23831 1.0 1.0 1.0
Tabelul 33. Valorile Indicatorului Value at Risk ( α = 5% ) pentru fiecare poziţie valutară şi
pentru întregul portofoliu
169
POZIŢIE MIN VaR MAX VaR VaR Mediu (20 DEVIAŢIA

VALUTARĂ (în modul) (în modul) simulări) STANDARD VaR
USD/ROL - 130 418 200 - 169 384 513 - 145 668 111 8 449 850
EUR/ROL - 286 016 783 - 338 267 369 - 312 923 065 16 211 545
GBP/ROL - 469 166 057 - 528 663 040 - 501 892 680 16 868 268
PORTOFOLIUL
- 1 090 129 488 - 1 359 730 137 - 1 224 134 338 67 731 278
DE VALUTE
Tabelul 34. Convergenţa statistică pentru 20 simulări cu 1000 de evenimente
DEVIAŢIA DISTANŢA FAŢĂ DE MEDIE

POZIŢIE VALUTARĂ STANDARD / Medie VaR / MIN VaR /
VaR Mediu MAX VaR Medie VaR
USD/ROL 5,81% 85,99% 89,53%
EUR/ROL 5,18% 92,51% 91,40%
GBP/ROL 3,36% 94,93% 93,48%
PORTOFOLIUL DE
5,53% 90,02% 89,05%
VALUTE
vii. Concluzii şi comentarii
În urma silmulărilor, pentru portofoliul alcătuit din cele 3 poziţii valutare s-au obţinut
următoarele valori ale Indicatorului VaR, calculat pentru o zi lucrătoare un nivel de
toleranta α = 5% .
Pentru întreaga poziţie short de – 122 351 000 000 ROL, pierderea înregistrată nu trebuie să
depăşească valorile acestui indicator în mai mult de 5% din cazuri. Se observă că între valorile
Indicatorului VaR există diferenţe semnificative în funcţie de metoda de calcul utilizată. Fiecare
metodă va fi analizată în parte şi se vor evidenţia punctele slabe ale acestora şi erorile care pot
apare, în funcţie de metoda aleasă.
Tabelul 35. Valorile Indicatorului Value at Risk ( α = 5% ) pentru întregul portofoliu,

aplicând cele 3 metode de calcul
METODA DE CALCUL INDICATORUL Value at Risk (ROL)

Analiza de Varianţă/Covarianţă - 869 551 813
Simulare Istorică - 825 959 375
Simulare Monte-Carlo - 1 224 134 338
O problemă care apare în cazul utilizării Metodei Analizei de Varianţă/Covarianţă este

Forma distribuţiei ranadamentelor.
170
Din analiza graficelor distribuţiilor privind evoluţiile preţurilor celor 3 valute în raport cu leul
(Figura 34) sau a raportului r / σ (Figura 30), se observă că acestea nu au Forma Distribuţiei
Normale. În special, în cazul USD/ROL, distribuţia prezintă caracteristici leptokurtice, în sensul
că este foarte ascuţită în raport cu Distribuţia Normală. Aceleaşi caracteristici pot fi întâlnite şi în
evoluţiile preţurilor EUR/ROL şi GBP/ROL, însă în aceste situaţii formele distribuţiilor sunt mai
apropiate de cea a Distribuţiei Normale. Explicaţia se regăseşte în modul de calcul pentru aceste
preţuri. Ele nu sunt rezultatul tranzacţionării efective pe piaţă a valutelor respective ci rezultă din
preţul monedei de referinţă, dolarul în situaţia de faţă, în raport cu valuta respectivă, şi preţul
dolarului în raport cu leul. De exemplu, la data de 19 decembrie 2002 în urma tranzacţiilor
înregistrate pe piaţa interbancară din ţara noastră Banca Naţională a publicat un curs oficial de 33
700 lei pentru un dolar. În aceeaşi zi, pe piaţa financiară internaţională cursul USD/EUR a fost
înregistrat de BNR la un nivel de 1,0268 dolari pentru un EUR. De aici a rezultat un curs
EUR/ROL: 33 700*1,0268 = 34 605 lei pentru 1 EUR.
Din analizele efectuate, formele distribuţiilor în cazul valutelor tranzacţionate pe piaţa
financiară internaţională, în special a valutelor liber-convertibile, este foarte apropiată de forma
Distribuţiei Normale. Coroborând acest aspect cu modul de calcul a preţurilor pentru valutele
EUR/ROL, GBP/ROL, se poate găsi o explicaţie cu privire la formele distribuţiilor pentru
preţurile acestor valute, care sunt mult mai apropiate de forma Distribuţiei Normale comparativ
cu forma distribuţiei pentru preţul USD/ROL. În consecinţă, forma distribuţiei modificărilor
logaritmice ale preţurilor USD/ROL nu este normală, ea prezintă caracteristici leptokurtice care
trebuie luate în considerare atunci când se calculează Indicatorul VaR prin Metoda
Varianţă/Covarianţă.
În cazul utilizării Simulării Istorice, pentru VaR am obţinut o valoare mai ridicată în modul,
comparativ cu metoda precedentă. Simularea Istorică presupune că forma distribuţiei
profiturilor/pierderilor pentru întregul portofoliu este rezultatul modificărilor procentuale ale
preţurilor instrumentelor care alcătuiesc portofoliul de-a lungul orizontului de timp considerat
(250 de zile în cazul de faţă).
Figura 31 prezintă evoluţiile modificărilor procentuale ale preţurilor celor 3 valute în raport
cu leul iar în Figura 32 este prezentată evoluţia profiturilor/pierderilor pentru întregul portofoliu.
În Figura 33 este comparat graficul distribuţiei profiturilor/pierderilor pentru întregul
portofoliu cu graficul Distribuţiei Normale pentru orizontul de 250 de zile considerat. Se observă
că în cazul distribuţiei profiturilor/pierderilor ale portofoliului în raport cu Distribuţia Normală,
în zona centrală se concentrează un număr mai mare de valori extreme. Acest fenomen este
cunoscut în analiza financiară sub denumirea “fait tails”. În această situaţie, este de aşteptat ca
Indicatorul VaR calculat prin acestă metodă să producă o valoare uşor mai ridicată (în modul) în
raport cu Metoda Analizei Varianţă/Covarianţă, care presupune că forma distribuţiei este
Normală, pentru că probabilitatea de apariţie a acestor valori este mai mare comparativ cu
Distribuţia Normală.
O altă problemă pe care o ridică utilizarea aceastei metode este lungimea serie de date
istorice. Rezultatele obţinute pentru VaR depind de numărul de date utilizate însă, la ora actuală,
171
există în rândurile specialiştilor opinii diferite privind lungimea orizontului de timp. Pentru
această simulare s-a utilizat un orizont relativ scurt de timp (250 de zile), acesta fiind considerat
un nivel optim în analizele de risc.
În consecinţă, în situaţia utilizării Simulării Istorice din start trebuie să ne aşteptăm ca VaR
obţinut să aibe o valoarea mai mare (în modul) comparativ cu rezultatele obţinute prin aplicarea
celorlalte metode. De asemenea, în funcţie de lungimea orizontului de timp utilizat este posibil să
nu fie înregistrate anumite modificări semnificative care apar în evoluţia preţurilor
instrumentelor care compun portofoliul, şi de aici rezultă că pot apare un număr mai mare de
pierderi care să depăşească nivelul de toleranţă α stabilit în cadrul analizei.
În cazul utilizării Simulării Monte-Carlo s-a obţinut cea mai mare valoare (în modul) a
Indicatorului VaR.
Este de menţionat că în lipsa unor softuri adecvate s-au rulat 20 de simulări şi, pentru fiecare
simulare s-au generat 1000 de numere aleatoare. În mod uzual, pentru a calcula VaR cu
Simularea Monte-Carlo se rulează 20 de simulări, iar pentru ficare simulare se generează 10 000
de numere aleatoare. Acesta se consideră că este nivelul optim de simulări pentru a rezolva
problema convergenţei.
În cadrul aplicaţiei, analizând Tabelul 34, care prezintă convergenţa statistică pentru valorile
VaR, se observă că, în toate cele 4 situaţii, deviaţia standard (eroarea standard) pentru VaR este
mai mare de 1% din nivelul mediu VaR. În consecinţă, se poate afirma că rezultatele obţinute nu
pot fi validate deoarece problema convergenţei nu este rezolvată, ceea ce era de aşteptat ţinând
cont de numărul relativ redus de numere aleatoare generate.
O altă problemă a Simulării Monte-Carlo este forma distribuţiei. Din analiza grafică a
formelor distribuţiilor modificărilor logaritmice (Figura 34) ale preţurilor celor 3 valute în raport
cu leul se observă că acestea nu sunt normal distribuite, distribuţiile sunt leptokurtice în raport cu
Distribuţia Normală. În consecinţă, utilizarea Distribuţiei Normale pentru Simularea Monte-
Carlo va genera şi alte erori pentru valoarea VaR, pe lângă cele datorate numărului redus de
simulări.
Luând în considerare aspectele prezentate anterior se pot desprinde următoarele concluzii:
În funcţie de metodele de calcul utilizate au rezultat valori diferite pentru Indicatorul VaR
calculat cu acelaşi factor de risc α = 5% . Aceste valori diferă mai semnificativ în cazul utilizării
Simulării Monte-Carlo, însă în acest caz rezultatul nu poate fi validat din cauza numărului redus
de numere generate aletor;
Distribuţia modificărilor logaritmice ale preţurilor ( rt ) pentru cele 3 valute în raport cu
leul nu urmează o Repartiţie Normală. De asemenea, forma distribuţiilor raporturilor ( rt / σ t ), nu

este Normală Normată. Explicaţia se regăseşte în caracteristicile pieţei interbancare din ţara
noastră unde, în perioada analizată valuta de referinţă, care era dolarul american, a avut un trend
ascendent în raport cu leul, procesul fiind sprijinit de politica Băncii Centrale;
Metoda Simulării Istorice este cel mai simplu de implementat, însă, este de aşteptat ca
această metodă să producă cele mai mari erori, deoarece este posibil ca anumite modificări
semnificative pe care le-au cunoscut preţurile în trecut să nu fie cuprinse în orizontul istoric
172
folosit în cazul utilizării acestei metode. De aici rezultă că este posibil ca probabilitatea să se
înregistreze pierderi mai mari decât cele prognozate prin Indicatorul VaR, să depăşească factorul
de risc α stabilit ca prag de toleranţă în cadrul analizei;
Aplicarea Metodei Analizei de Varianţă/Covarianţă trebuie să se facă după ce, în
prealabil, a fost analizată forma distribuţiilor modificărilor logaritmice ale preţurilor, şi după
stabilirea abaterilor pe care le înregistrează aceste distribuţii în raport cu Distribuţia Normală.
Problema poate fi eliminată luând în calcul indicatorii abaterilor prin asimetrie/oblicitate şi
aplatizare/boltire;
Metoda Simulării Monte-Carlo este cea mai complexă şi cel mai dificil de implementat.
Este de aşteptat ca această metodă să producă rezultate de mare acurateţe. O problemă care
trebuie rezolvată este cea a convergenţei, pentru care este necesar să se genereze un număr mare
de numere aleatoare şi să se ruleze mai multe simulări. O altă problemă este forma distribuţiei pe
care o vor urma preţurile instrumentelor în viitor şi care se determină în funcţie de evoluţia pe
care au avut-o aceste preţuri în trecut. Acurateţea rezultatelor depinde de abilitatea de a identifica
forma acestei distribuţii. Odată stabilită forma distribuţiei se pune probleme determinării
parametrilor cu care poate fi caracterizată aceasta, respectiv funcţie de repartiţie, medie,
dispersie, etc.
173

Capitol 4

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Capitol 4

Încărcat de

Drepturi de autor:

Formate disponibile

Capitolul 4.

Modelarea statistică în măsurarea riscului de piaţă

CAPITOLUL 4. MODELAREA STATISTICĂ ÎN MĂSURAREA

4.1. Definire şi forme de manifestare a riscului de piaţă

Riscul de piaţă înglobează două componente fundamentale:

4.1.2. Concepte fundamentale utilizate în analiza riscului de piaţă pentru un

i. Principiul diversificării al lui Markovitz

Metodele moderne de analiză a riscului de piaţă pentru un portofoliu de instrumente

Selection: Efficient Divesification of Investments”, postulează Teoria privind Alocarea Eficientă

unde: R f – randamentul instrumentelor cu risc zero (fără risc);

unde: i = 1, n -numărul factorilor de risc;

R jt − R ft = α j + β1 j ( F1t − R ft ) + β 2 j ( F2t − R ft ) + ... + β nj ( F1n − R ft ) + ε jt (4.3)

unde: R jt - randamentul instrumentului j la momentul t ;

Scrisă sub formă matriceală relaţia (4.3) devine:

unde: R t - vectorul instrumentelor financiare al căror randament este mai mare ca al

unde: V - matricea de covarianţă a randamenelor activelor R t ;

iii. Criterii utilizate la construcţia modelelor în raport cu factorii de risc

În activitatea practică, identificarea şi clasificarea factorilor de risc este dificil de realizat.

Tabelul 26. Factori de risc care influenţează principalele instrumente financiare

4.1.3. Abordarea riscului de piaţă în industria financiar-bancară

i. Măsurarea riscului de piaţă în industria financiar - bancară

În cadrul unei societăţi financiar-bancare, fiecare categorie de instrumente financiare,

titluri de stat poziţie valutară (spot, acţiuni

Măsurarea riscului de piaţă, presupune identificarea factorilor de risc specifici fiecărui

ii. Prezentarea indicatorului Value-at-Risk (Valoarea Riscului)

Factorii de risc generaţi de un instrument financiar, sunt consecinţa instabilităţii parametrilor

Value-at-Risk reprezintă o măsură a schimbărilor maxime potenţiale în valoarea unui

riscul de piaţă (“mark-to-market position”) 19 este egală cu valoarea de piaţă a poziţiei

estimeze care va fi modificarea potenţială a ratei de schimb EUR/USD. Indicatorul care

În industria financiar-bancară din ţările dezvoltate, VaR a devenit un instrument standard de

societăţi (bancare sau ne-bancare);

sau riscul operaţional;

evoluţie normală, nu măsoară riscul în situaţii de volatilitate extremă a pieţelor;

sunt destul de ridicate;

de mulţi parametrii a căror evoluţie este dificil de atincipat;

Dezvoltarea pieţelor financiare internaţionale, care s-a realizat în paralel cu liberalizarea

Figura 19. Factorii care influenţează preţul unui instrument financiar

Preţul Evenimente Analiza de senzitivitate

4.2. Elemente de statistică matematică şi teoria probabilităţilor utilizate la

Măsurarea riscului de piaţă reprezintă, în ultimă instanţă, abilitatea de a prognoza şi anticipa

4.2.2. Ipoteze fundamentale utilizate la analiza riscului de piaţă pe termen scurt

modificarea logaritmică a preţului instrumentului financiar;

 Analiza în dinamică a preţului unui instrument financiar se realizează cu ajutorul

i. Pe termen scurt randamentul unui instrument financiar poate fi aproximat prin

Analiza seriilor de timp a randamentelor instrumentelor financiare se realizează pentru

Pe de altă parte, randamentul aceluiaşi instrument financiar, pe care, pentru uşurinţa

ii. Preţurile instrumentelor financiare, sunt considerate variabile aleatoare

lua diferite valori cu un anumit grad de realizare.

Măsurarea probabilităţilor de apariţie a evenimentelor se realizează prin densitatea de

iii. Analiza în dinamică a preţurilor unui instrument financiar se realizează cu ajutorul

Figura 20. Procese nestaţionare/staţionare

Evoluţia unui proces nestaţionar

Evoluţia unui proces staţionar

Pentru a testa condiţia de staţionaritate, se utilizează Funcţia (Coeficientul) de Autocorelaţie

Cu ajutorul funcţiei de autocorelaţie, pentru diferite valori ale lui k se construiesc

 Modele stohastice neliniare univariate.

Verificarea ipotezei se realizează pornind de la formula randamentului unui instrument

Dacă se calculează media simplă a randamentului pentru un orizont de timp 0, T , obţinem

v. Modificarea logaritmică a preţului unui instrument financiar urmează, în

unde: εt ≈ IID N(0,1) este o variabilă Identic şi Independent Distribuită.

Conform relaţiei (4.13) preţul instrumentului financiar depinde de un parametru fix μ, de

Prin transformări succesive relaţia (4.14) devine:

şi dispersie σ 2 (identic distribuite) ⇒ media şi varianţa sunt homoscedastice (nu se modifică în

Analiza în dinamică a preţului unui instrument financiar se realizează cu ajutorul

Modele stohastice neliniare univariate.

Modificarea preţului unui instrument financiar urmează o distribuţie normală deoarece

Verificarea ipotezei de heteroscedasticitate pentru modificările logaritmice rt = p t − pt −1 a

Analiza formei distribuţiei pentru modificările logaritmice rt a preţului USD/ROL.

Metoda Mediei Mobile cu Ponderi Constante,

Metoda Analizei de Heteroscedasticitate.

Heteroscedatsicitatea se referă la dispersia variabilă a seriei. Se presupune că dispersia se

Autoregresia – se referă la metoda de analiză şi prognoză aplicată de model.

Metoda Simulării Monte-Carlo (ambele utilizează modele parametrice);

Metoda Simulării Istorice (utilizează modele neparametrice).

Coeficientul de corelatie dintre modificările logaritmice ale preturilor valutelor: j, p