Documente Academic
Documente Profesional
Documente Cultură
4.1.1. Introducere
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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)
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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 t = B ⋅ ft + Et (4.4)
V = B T FB + Ω (4.5)
119
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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.
Factori de risc
Instrumente
Volatilitate Lichiditate Profitul Stabilitatea Capitalizare Senzitivitatea
financiare
debitorului creşterii ratei dobânzii
Cursuri de
■
schimb
Titluri de stat ■ ■
Obligaţiuni ■ ■
Acţiuni ■ ■ ■ ■ ■
120
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
Figura 18. Tipuri de instrumente financiare şi parametrii de piaţă care generează factorii
de risc specifici
Active financiare
Parametrii de
piaţă care ratele dobânzilor cursurile de schimb preţul acţiunilor
generează factorii ratele dobânzilor ratele dobânzilor
de risc
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).
123
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
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
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
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
iii. Riscul de piaţă pe termen scurt versus riscul de piaţă pe termen lung, particularităţi ale
metodelor de analiză
127
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
Modelare statistică pe
Natura factorilor Informaţii
baza informaţiilor de
de influenţă economice
piaţă curente
Evenimente
Exogeni Modelare econometrică
politice
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.
4.2.1. Introducere
128
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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.
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
unidimensionale şi continue;
129
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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.
⎛ P ⎞
rt = ln( Pt ) − ln( Pt −1 ) ⇔ rt = ln⎜⎜ t ⎟⎟ (4.6)
⎝ Pt −1 ⎠
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
⎛ 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.
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
X :Ω → R
⎛x x ... ... ⎞
unde: X : ⎜⎜ 1 2 ⎟⎟ şi
⎝ p1 p 2 ... ... ⎠
∑p
i
i =1
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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.
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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.
133
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
⎛ P ⎞
rt = ln⎜⎜ t ⎟⎟ = ln( Pt ) − ln( Pt −1 ) = p t − p t −1 , unde p t = ln( Pt )
⎝ Pt −1 ⎠
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
⎜ ⎟
⎝ ⎠
Distribuţia normală de probabilităţi este cea mai utilizată distribuţie teoretică în analiza
fenomenelor economice. Caracteristicile şi proprietăţile acestei distribuţii au fost prezentate pe
134
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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)
pt = μ + pt −1 + σε t (4.14)
unde: ε t ≈ IID N (0,1) – Identic şi Independent Distribute, iar pt = ln( Pt )
p t − p t −1 = μ + σε t ⇔
135
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
⎛ 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
(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
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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)
r jt = σ jt ε jt (4.20)
p t = ln( Pt ) ;
Verificarea ipotezei conform căreia media modificărilor logaritmice rt a preţului
dolar/leu trebuie să fie egală cu zero;
137
Capitolul 4. Modelarea statistică în măsurarea riscului de 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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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 ) .
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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).
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 )
141
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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)
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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)
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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.
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
dezvoltate, distribuţia modificărilor preţurilor pentru seria USD/ROL este puternic leptocurtică;
De altfel, aceste rezultate, sunt caracteristice pentru majoritatea tranzacţiilor valutare din
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
T
1
σ2 =
T
∑ (r
t =1
t − r )2 (4.21)
T
1
σ=
T
∑( r
t =1
t − r )2 (4.22)
T
1
σ=
T −1
∑( r
t =1
t − r )2 (4.23)
T
σ 2 [( j , p )] = ∑ (r ( j ) − r ( j )) × (r ( p) − r ( p))
t =1
(4.24)
σ 2 [( j , p)]
ρ[( j , p)] = (4.25)
σ 2 ( j ) × σ 2 ( p)
t =1
1
σ2 =
T
∑ (r )
t =T
t
2
(4.26)
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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:
150
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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.
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
151
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
∞
lim x n = (1 − λ )∑ λn −1 ⋅ xt −i (4.32)
n →∞ i =1
∧ ∞
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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)
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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;
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
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
[ ]
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)
[ ]
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)
155
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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%) .
−1.65 × σ 0
156
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
VaR = V × C × V t (4.37)
Pe diagonala principală, matricea are valori unitare, iar restul elementelor au valori egal-
simetrice în raport cu această diagonală.
P j ,t
I j ,t (%) = ( − 1) × 100 (4.39)
Pj ,t −1
158
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
159
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
160
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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.
Probabilităţi cumulative
(Numere generate aleator)
Modificări ipotetice
ale portofoliului
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
k
xp = ∑
p =1
λ j ⋅x norm ⋅ υ pj ⋅ σ p (4.43)
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.
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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).
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.
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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.
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
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
GBP/ROL
-2 -1 0 1 2 3 -2 -1 0 1 2 3
portofoliu long USD, EUR, GBP/ROL VaR = - 869 551 813 lei.
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
-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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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.
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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
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
Capitolul 4. Modelarea statistică în măsurarea riscului de piaţă
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