Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Samuel Brodbeck Geändert vor über 9 Jahren
1
2.5.2 Multivariate Monte Carlo-Simulation
in der Realität besteht zwischen der zeitlichen Entwicklung der verschiedenen Risikofaktoren ein Zusammenhang Berücksichtigung derartiger Abhängigkeiten durch die jeweilige Korrelation zwischen den Risikofaktoren Vorgehensweise Festlegung der Prämissen Simulation der Marktparameter durch (0,1)-gleichverteilte Zufallszahlen Ableitung der korrelierten Zufallszahlen S Transformation der Zufallszahlen gemäß der zugrunde gelegten hypothetischen Verteilung der Marktparameter Bewertung des Portfolios für die verschiedenen Simulationen Berechnung des VaR unter Berücksichtigung des Konfidenzniveaus Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002
2
Ableitung der korrelierten Zufallszahlen S
gegeben: positiv semidefinite Varianz-Kovarianz-Matrix !! Cholesky-Faktorisierung: Ableitung einer oberen Dreiecksmatrix A für die (MM)-Kovarianz-Matrix , für die gilt: Für einen Vektor mit M normalverteilten, unabhängigen Zufallsvariablen z‘= (z1, z2,...,zM) erhält man einen Vektor s‘= (s1, s2,...,sM) mit korrelierten Zufallsvariablen bezüglich der Kovarianzmatrix durch s = A z < 2.9 > (22)-Kovarianz-Matrix ( bezeichnet die Kovarianz zwischen den Zufallszahlen z1und z2 ) Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002
3
Sukzessive Ableitung der Matrix A:
korrelierte Zufallszahlen Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002
4
Ermittlung der Matrix A für eine (MM)-Kovarianz-Matrix :
rekursive Bestimmung der Diagonalelemente Bestimmung der Elemente der 1. Zeile Bestimmung der Elemente rechts von der Diagonalen Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002
5
3 Marktparameter (Zufallsvariablen) sind gemeinsam normalverteilt mit
< 2.10 > 3 Marktparameter (Zufallsvariablen) sind gemeinsam normalverteilt mit Generierung von Zufallszahlen für jeden Marktparameter: 1-Vektoren mit unabhängigen, gleichverteilten Zufallszahlen, z.B. Z’ = (0,46; 0,60; 0,45) Bestimmung des zugehörigen Vektors S der korrelierten Zufallszahlen Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002
6
Bewertung des Portfolios
Zusammenfassung der Vektoren in Simulations-Matrix, die Korrelationen zwischen Daten Anpassung der Zufallszahlen gemäß der Verteilungsannahme (evtl. Berücksichtigung des Drifts) und der Bewertungsfunktion Bewertung des Portfolios Vektor der möglichen Portfoliowerte auf der Basis der Zufallszahlen der ausgewählten D Durchführungen Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002
7
Berechnung des Value at Risk (vgl. Historische Simulation)
Tägliche Gewinne und Verluste als Differenz zwischen dem mit den veränderten Marktparametern bewerteten Portfoliowert und dem auf der Basis der aktuellen Marktdaten ermittelten Portfoliowert Anordnung der Werte entsprechend ihrem Wert empirische Häufigkeitsverteilung Berechnung des VaR durch Quantilsbildung (aufgrund der hohen Stichprobe ist simulierte Verteilung wesentlich robuster als Verteilung nach der historischen Simulation) Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002
8
sehr hoher Rechenaufwand durch häufige Neubewertung des Portfolios
Vor-/Nachteile hohe Zahl der Simulationen macht Schätzung des VaR wesentlich robuster Verteilungsannahme wird vorausgesetzt, allerdings nicht auf Normalverteilung beschränkt Verteilungsannahme aber nur für Risikofaktoren, nicht für die simulierten Wertveränderungen des Portfolios Nichtlinearitäten der einzelnen Positionen werden voll berücksichtigt sehr hoher Rechenaufwand durch häufige Neubewertung des Portfolios Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002
9
2.6 Vergleich der VaR-Methoden
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002
10
Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002
11
Vergleichende Bewertung des VaR
Varianz-Kovarianz-Ansatz basiert auf Normalverteilungsannahme tatsächliche Verteilung weist i.d.R. eine höhere Kurtosis, insbesondere fat tails auf Risiko wird tendenziell unterschätzt Monte Carlo-Simulation erfaßt Optionsrisiken genauer deswegen genauere Risikozahl, aber auch Normalverteilungsannahme Risiko tendenziell auch zu niedrig Historische Simulation verzichtet auf Normalverteilung theoretisch das genaueste Risikomaß höheres Risiko Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.