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 1 Ableitung der korrelierten Zufallszahlen S gegeben: positiv semidefinite Varianz-Kovarianz-Matrix !! Cholesky-Faktorisierung: Ableitung einer oberen Dreiecksmatrix A für die (MM)-KovarianzMatrix , für die gilt: Σ A A' 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=Az < 2.9 > (22)-Kovarianz-Matrix 1,2 a1,1 a1,2 a1,1 0 a12,1 a12,2 1 1 0 a 2,2 a 2,1 a 2,2 a a 2,1 1,2 2,2 a1,2a 2,2 a 22,2 ( bezeichnet die Kovarianz zwischen den Zufallszahlen z1und z2 ) Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 2 1,2 a1,1 a1,2 a1,1 0 a12,1 a12,2 1 1 0 a 2,2 a 2,1 a 2,2 a a 2,1 1,2 2,2 a1,2a 2,2 a 22,2 Sukzessive Ableitung der Matrix A: a 22,2 1 a 2,2 1 a1,2a 2,2 1,2 2,1 a1,2 1,2 2,1 a12,1 a12,2 1 a1,1 (1 12,2 1,2 1 1,2 1 1 2 2,1 1 0 ( 1 2,1 1 , 2 0 2 (1 1,2 korrelierte Zufallszahlen 1 0 2,1 z1 s1 2 (1 1,2 z 2 s2 Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 3 Ermittlung der Matrix A für eine (MM)-Kovarianz-Matrix : 0 0 1,1 1,2 1, M a1,1 a1,2 a1, M a1,1 0 a a a a 0 2,2 2, M 2,2 2, M 2,1 2,2 2,1 0 0 a a a M, M M, M M,1 M, M M,1 M,1 rekursive Bestimmung der Diagonalelemente a i ,i i 1 2 i ,i a k ,i k 1 Bestimmung der Elemente der 1. Zeile a1, j 1, j a1,1 Bestimmung der Elemente rechts von der Diagonalen i 1 1 i, j a k,i a k, j a ij a ii k 1 für j i 1, i 2, i 3,...,M Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 4 < 2.10 > 3 Marktparameter (Zufallsvariablen) sind gemeinsam normalverteilt mit 0,3 0,4 0,5 Σ 0,4 0,6 0,7 0,5 0,7 0,9 Generierung von 1.000 Zufallszahlen für jeden Marktparameter: 1.000 31-Vektoren mit unabhängigen, gleichverteilten Zufallszahlen, z.B. Z’ = (0,46; 0,60; 0,45) Bestimmung des zugehörigen Vektors S der korrelierten Zufallszahlen Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 5 Zusammenfassung der Vektoren in Simulations-Matrix, die Korrelationen zwischen Daten s1,1 s1, M s s D , 1 D , M Anpassung der Zufallszahlen gemäß der Verteilungsannahme (evtl. Berücksichtigung des Drifts) und der Bewertungsfunktion Bewertung des Portfolios V f () (V1,..., VD )T Vektor der möglichen Portfoliowerte auf der Basis der Zufallszahlen der ausgewählten D Durchführungen Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 6 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 V1 Vt 0 V1 ΔV f () Vt 0 V V V D t0 D 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 7 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 8 2.6 Vergleich der VaR-Methoden Varianz-KovarianzAnsatz Linearisierung der Preis-RisikofaktorenBeziehung anhand von Sensitivitäten Charakterisierung der Verteilung des Portfoliowertes aufgrund der Verteilung der Risikofaktoren Annahme der (Standard)Normalverteilung der Risikofaktoren Historische Simulation Monte CarloSimulation Beziehung zwischen Preis und Risikofaktoren anhand eines Bewertungsalgorithmus Simulation der Risikofaktoren anhand historischer Daten und entsprechende Simulation der Preisveränderungen Keinerlei Verteilungsannahme Beziehung zwischen Preis und Risikofaktoren anhand eines Bewertungsalgorithmus Simulation der Risikofaktoren und entsprechende Simulation der Preisveränderun-gen Annahme der (Standard)Normalverteilung der Risikofaktoren Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 9 Varianz-KovarianzAnsatz Historische Simulation Monte CarloSimulation Niedriger Rechenaufwand Hoher Rechenaufwand Nichtlinearitäten werden nicht berücksichtigt Verwendung der Korrelation und damit des linearen Zusammenhangs zwischen Risikofaktoren Nur in der Historie beobachtete Szenarien werden berücksichtigt Nichtlinearitäten wer- Nichtlinearitäten werden berücksichtigt den berücksichtigt Verwendung tatsächlich beobachteter (auch nicht linearer) Zusammenhänge zwischen Risikofaktoren Nur in der Historie beobachtete Szenarien werden berücksichtigt Hoher Rechenaufwand Verwendung der Korrelation und damit des linearen Zusammenhangs zwischen Risikofaktoren Per Zufallsziehungen werden auch Konstellationen einbezogen, die nicht in der Historie enthalten sind Mathematisch-Statistische Verfahren des Risikomanagements - SS 2002 10 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 11