What is VaR Backtesting Calculator?
▾
A VaR utólagos tesztelése a Value at Risk modell érvényesítésének statisztikai folyamata az előre jelzett VaR becslések és a később realizált portfólió nyereségek és veszteségek összehasonlításával. Túllépés (vagy „kivétel”) minden olyan napon bekövetkezik, amikor a tényleges portfólióveszteség meghaladja az adott napra előrejelzett VaR-értéket. Egy helyesen meghatározott 99%-os VaR-modell esetében a kereskedési napok körülbelül 1%-án várható túllépés – 250 kereskedési napos naptár esetén évente körülbelül 2–3 napon. Az utólagos tesztelés azt kérdezi: a megfigyelt túllépések száma statisztikailag konzisztens-e a modell előrejelzésével? A Bázeli Bizottság először a piaci kockázati módosításban (1996) formalizálta a VaR utólagos tesztelési követelményeit, majd későbbi megállapodásokkal finomította azokat. A Bázel III értelmében a piaci kockázati tőkére belső VaR-modelleket alkalmazó bankoknak napi 99%-os 1 napos VaR-becsléseiket kell elvégezniük a tényleges eredményhez képest. A szabályozási jelzőlámpás keretrendszer a visszateszt eredményét a legutóbbi 250 kereskedési napon történt túllépések száma alapján osztályozza: 0–4 túllépés (zöld zóna) – modelleladások; 5-9 túllépés (sárga zóna) – tőkeszorzó nőtt; 10+ túllépés (piros zóna) – a modell meghibásodik, felülvizsgálatot igényel, és esetlegesen szabványos megközelítésre kell áttérni. A Kupiec (1995) Proportion of Failures (POF) teszt az alapvető statisztikai teszt: azt vizsgálja, hogy a megfigyelt túllépések száma összhangban van-e a megadott VaR megbízhatósági szinttel egy valószínűségi arány teszt segítségével. A nullhipotézis az, hogy a valódi túllépési valószínűség egyenlő (1−konfidenciaszint). Christoffersen (1998) feltételes lefedettségi tesztje javít a Kupiec-en azáltal, hogy azt is teszteli, hogy a túllépések függetlenek-e az idő múlásával – egy érvényes VaR-modellben nem szabad, hogy a túllépések csoportosuljanak (ami azt jelzi, hogy a modell lassan alkalmazkodik a változó volatilitáshoz). Az utólagos tesztelés önmagában nem elegendő a VaR-modell teljes körű érvényesítéséhez. A bázeli FRTB értelmében eredmény-hozzárendelést kell megadni (az egyes napok eredményének magyarázata a modell kockázati tényezőivel). A hipotetikus eredménynek (a jelenlegi portfóliópozíciókat a tegnapi piaci változásokkal átárazva) összhangban kell lennie a kockázati modell elméleti eredményével. Azok a modellek, amelyek átmennek az utólagos tesztelésen, de nem teljesítik az eredmény-hozzárendelést, továbbra is jelentős modellkockázattal járhatnak. A modell validálása túlmutat az utólagos tesztelésen, és magában foglalja az érzékenységelemzést, a stresszteszteket, az alternatív modellekkel való összehasonlítást és a modellezési feltételezések áttekintését. A túllépési nagyságrend-elemzés (a kivételes napok veszteségei sokkal nagyobbak, mint a VaR, ami zsírfarkokra utal?) kiegészíti a számláláson alapuló megközelítést.
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
Képlet
▾
Várható túllépések = (1 − Magabiztosság) × N
Kupiec LR = −2 × [ln((1−p)^(N−x) × p^x) − ln((1−x/N)^(N−x) × (x/N)^x)]
Kritikus érték: χ²(1) 5%-nál = 3,84 | χ²(2) 5%-nál = 5,99 (Christoffersen)Variable Legend
▾
| Szimbólum | Név | Egység | Leírás |
|---|---|---|---|
| N | Összes megfigyelési nap | days | Kereskedési napok száma az utólagos tesztelési ablakban; Bázelben minimum 250 kereskedési napra van szükség (≈1 naptári év). |
| x | Túllépések száma | count | Azok a napok, amelyeken a tényleges eredmény-veszteség meghaladta a VaR becslést; várható = (1−konfidencia) × N. |
| p | Várható túllépési arány | % | A megadott VaR modell túllépési arány: 1% 99% VaR, 5% 95% VaR esetén. |
| LR_POF | Kupiec LR tesztstatisztika | chi-squared | Valószínűségi arány annak tesztelésére, hogy a megfigyelt túllépési arány megfelel-e a várt aránynak; χ²(1) kritikus értékhez képest. |
| CC_test | Christoffersen statisztika | chi-squared | Ellenőrzi a túllépések helyes arányát és függetlenségét; χ²(2) eloszlás; észleli a kivételek csoportosulását. |
How to VaR Backtesting Calculator
▾
- 1Gyűjtse össze a napi VaR-becsléseket (meghatározott megbízhatósági szinten) és a tényleges napi P&L-t az utólagos tesztelési időszakra (minimum 250 kereskedési nap).
- 2Számtúllépések száma: azok a napok, amikor a veszteség > VaR becslés (azaz a tényleges eredmény negatívabb, mint -VaR).
- 3Számítsa ki a várható túllépéseket: E[x] = (1−konfidencia) × N. 99%-os VaR esetén 250 napon keresztül: E[x] = 2,5.
- 4Alkalmazza a Kupiec POF tesztet: számítsa ki az LR statisztikát a képlet segítségével; összehasonlítani a χ²(1) = 3,84 értékkel 5%-os szignifikancia mellett. Ha LR > 3,84, a modell nem felel meg a teszten.
- 5Alkalmazzon Christoffersen feltételes lefedettségi tesztet: építse fel az egymást követő napok túllépéseinek 2×2-es átmeneti mátrixát; a túllépések függetlenségének vizsgálata.
- 6Bázeli közlekedési lámpás keret alkalmazása: 0–4 kivétel = zöld (nincs művelet); 5–9 = sárga (nagybetűs kiegészítés); 10+ = piros (modellhiba).
- 7Elemezze a kivétel nagyságát: a kivételes napokon a veszteségek csak valamivel haladják meg a VaR értéket, vagy drámaian nagyobbak? A nagymértékű túllépések kövérfarkú alulbecslésre utalnak.
Worked Examples
▾
A modell megfelel – 3 túllépés megfelel a 99%-os VaR elvárásnak
Várható túllépések = 1% × 250 = 2,5. Megfigyelt = 3. LR_POF = −2 × [ln((0.99)^247 × (0.01)^3) − ln((0.988)^247 × (0.012)^3)] ≈ 0.076, ami messze a 3 χ²(1) kritikus értéke alatt van. A modell nem utasítható el. 3 túllépés 250 napon belül nagyon összhangban van a 99%-os VaR modellel. Bázeli közlekedési lámpa: Zöld zóna (0–4 kivétel) – nincs tőkeszorzó büntetés. Ez a várható eredmény egy jól meghatározott, rendszeresen frissített VaR-modell esetében.
A modell rosszul sikerült – 12 túllépés azt jelenti, hogy a tényleges kockázat a VaR modell becslésének 5-szöröse
12 túllépés a várt 2,5-tel szemben – 4,8-szoros túllépés. LR = −2 × [ln(0,99^238 × 0,01^12) − ln(0,952^238 × 0,048^12)] ≈ 24,1, ami jóval meghaladja a χ²(1)=3,84-et. A modellt statisztikailag minden ésszerű szignifikanciaszinten elutasítják. Bázeli Vörös Zóna (10+ kivétel): a banknak el kell magyaráznia a modellhibákat a szabályozóknak, a tőkeszorzót emelik, és előfordulhat, hogy a banknak át kell térnie a standardizált tőkemegközelítésre. Gyakori okok: alulbecsült volatilitás, figyelmen kívül hagyott kövér farok, nem megfelelő korreláció-rögzítés vagy a kalibrációs tartományon kívül alkalmazott modell.
A függetlenség kudarca azt jelenti, hogy a modell nem alkalmazkodik gyorsan a volatilitási rendszer változásaihoz
250 nap alatt 5 túllépés 99%-os VaR mellett a bázeli sárga zónában található. A Kupiec POF-teszt kismértékben sikeres lehet (határvonal). Mindazonáltal az egymást követő napokon előforduló 5 kivételből 4 erősen sérti a függetlenségi feltételezést. Christoffersen CC tesztje kiszámítja az átmeneti mátrixot: (a kivételt követő nap kivétel) vs. (kivétel utáni nap kivétel). Ha p(kivétel | előző kivétel) >> p(kivétel | előző nem kivétel), a függetlenség sikertelen. A klaszterezés azt jelzi, hogy a VaR-modell lassan reagál a volatilitási kiugrásokra – valószínűleg hosszú történeti ablakot vagy gördülő volatilitást használ, nem pedig adaptív becslést.
Egy katasztrofális nap (2,1 millió dollár = 4,2 × VaR) a kövér farok alulbecslésére utal
Az ötből négy kivétel csak kis mértékben haladja meg a VaR értéket (480 000–550 000 USD) – ezek várhatóak és összhangban állnak egy jól kalibrált modellel. Egy nap azonban 2,1 millió dollár veszteséget tapasztaltak – ez a VaR becslés 4,2-szerese. Ez a kiugró érték rendkívül valószínűtlen normál eloszlás mellett (a veszteség valószínűsége > 4,2σ ≈ 0,001%). Ez azt sugallja, hogy a megtérülési eloszlásnak vannak olyan vastag részei, amelyeket a VaR-modell nem rögzít. Átlagos kivétel = 832 000 dollár 1,66× VaR – várhatóan körülbelül 1,14× 99%-os normál VaR esetén –, ami ismét kövér farokra utal. A kivétel nagyságrendi elemzése akkor is elindítja a modell felülvizsgálatát, ha a szám (5) a sárga zónában van.
Real-World Applications
▾
Banki szabályozói tőkejelentés a Basel III FRTB szerint, amely a Var Back Testing fontos alkalmazási területét jelenti professzionális és analitikai környezetben, ahol a pontos var back tesztelési számítások közvetlenül támogatják a megalapozott döntéshozatalt, a stratégiai tervezést és a teljesítményoptimalizálást.
Belső modellellenőrzés és modellkockázat-kezelés, amely a Var Back Testing fontos alkalmazási területe professzionális és analitikai környezetben, ahol a pontos var back tesztelési számítások közvetlenül támogatják a megalapozott döntéshozatalt, a stratégiai tervezést és a teljesítményoptimalizálást.
A fedezeti alapok kockázati modelljének teljesítményfigyelése, amely a Var Back Testing fontos alkalmazási területe professzionális és analitikai környezetben, ahol a pontos var back tesztelési számítások közvetlenül támogatják a megalapozott döntéshozatalt, a stratégiai tervezést és a teljesítmény optimalizálását.
A biztosítótársaság kockázati modelljének validálása a Szolvencia II szerint, amely a Var Back Testing fontos alkalmazási területe szakmai és analitikai környezetben, ahol a pontos var back tesztelési számítások közvetlenül támogatják a megalapozott döntéshozatalt, a stratégiai tervezést és a teljesítményoptimalizálást.
Kereskedési pult teljesítmény-hozzárendelése – az eredmény és a kockázat megkülönböztetése a kockázati tényezőktől, a Var Back Testing fontos alkalmazási területe professzionális és analitikai környezetben, ahol a pontos vari back tesztelési számítások közvetlenül támogatják a megalapozott döntéshozatalt, a stratégiai tervezést és a teljesítményoptimalizálást.
Special Cases
▾
A Var Back Testingben ez a forgatókönyv további óvatosságot igényel a var back tesztelés eredményeinek értelmezésekor. Előfordulhat, hogy a standard képlet nem veszi teljes mértékben figyelembe az összes jelenlévő tényezőt ebben az éles esetben, és indokolt lehet kiegészítő elemzés vagy szakértői konzultáció. A legjobb szakmai gyakorlat magában foglalja a feltételezések dokumentálását, az érzékenységi elemzések futtatását és az eredmények kereszthivatkozását alternatív módszerekkel, amikor a var back tesztelési számítások nem szabványos területre esnek.
A Var Back Testing rendkívül nagy vagy kicsi bemeneti értékei visszaszoríthatják a var értéket
A rendkívül nagy vagy kicsi bemeneti értékek a Var Back Testingben a tipikus működési tartományokon túlmenően kitolhatják a variációs teszt számításait. Bár matematikailag érvényesek, a szélsőséges bemenetek eredményei nem feltétlenül tükrözik a reális vari back tesztelési forgatókönyveket, ezért óvatosan kell értelmezni. A professzionális var back tesztelési beállításoknál az extrém értékek gyakran mérési hibákat, szokatlan körülményeket vagy további elemzést igénylő szélső eseteket jeleznek. Használjon érzékenységi elemzést, hogy megértse, hogyan változnak az eredmények a valószínű bemeneti tartományok között, ahelyett, hogy egyetlen extrém esetre támaszkodna.
A Var Back Testingben ez a forgatókönyv további óvatosságot igényel a var back tesztelés eredményeinek értelmezésekor. Előfordulhat, hogy a standard képlet nem veszi teljes mértékben figyelembe az összes jelenlévő tényezőt ebben az éles esetben, és indokolt lehet kiegészítő elemzés vagy szakértői konzultáció. A legjobb szakmai gyakorlat magában foglalja a feltételezések dokumentálását, az érzékenységi elemzések futtatását és az eredmények kereszthivatkozását alternatív módszerekkel, amikor a var back tesztelési számítások nem szabványos területre esnek.
Bázeli közlekedési lámpa: Kivételi küszöbértékek a 99%-os VaR-hez 250 napon keresztül
▾
| Kivételek (x) | Valószínűség (ha a modell helyes) | kumulatív valószínűség | Zóna | Tőkeszorzó k |
|---|---|---|---|---|
| 0 | 8,1% | 8,1% | Zöld | 3.00 |
| 1 | 20,5% | 28,6% | Zöld | 3.00 |
| 2 | 25,7% | 54,4% | Zöld | 3.00 |
| 3 | 21,5% | 75,9% | Zöld | 3.00 |
| 4 | 13,5% | 89,4% | Zöld | 3.00 |
| 5 | 6,8% | 96,2% | Sárga | 3.40 |
| 6–9 | 3,5% | 99,7% | Sárga | 3,50–3,85 |
| 10+ | 0,3% | ≥99,7% | Red | 4.00 |
Frequently Asked Questions
▾
Miért fontos a visszatesztelés a VaR modelleknél?
Az utólagos tesztelés az az empirikus validáció, amely szerint a VaR-modell elvégzi az általa igényelt kalibrációt. A 99%-os VaR-t igénylő banknak értelemszerűen az esetek körülbelül 1%-ában VaR-t meghaladó veszteséget kell tapasztalnia. Utólagos tesztelés nélkül egy modell szisztematikusan alábecsülheti a kockázatot (túl alacsony VaR-t produkál, ami csökkenti a tőkekövetelményt), elszámoltathatósági mechanizmus nélkül. Az utólagos tesztelés egy szabályozási visszacsatolási hurkot hoz létre: a meghibásodott modelleket tőkenöveléssel büntetik, ami pénzügyi ösztönzőket teremt a bankok számára a jól kalibrált modellek fenntartására. Az utólagos tesztelés abban is segít a kockázatkezelőknek, hogy felismerjék, mikor válnak elavulttá a modellek a megváltozott piaci dinamika miatt.
Mi a különbség a tiszta és a piszkos P&L között az utólagos teszteléshez?
A tiszta eredmény és eredmény (hipotetikus P&L) a tegnapi portfóliópozíciók nyereségét vagy veszteségét méri, a mai piaci árakkal átárazva – elkülönítve a tiszta piaci kockázati kitettséget új ügyletek, díjak vagy portfólióváltozások hatása nélkül. A Dirty P&L (tényleges eredménykimutatás) magában foglalja az összes forrásból származó eredményt: kereskedési bevételeket, új pozíciókat, díjbevételeket és működési tételeket. A bázeli FRTB utólagos tesztelést igényel a hipotetikus tiszta eredményhez képest, mivel a VaR-modell a meglévő portfólió kockázatát becsüli meg, nem a fejlődő portfólióét. Ha a VaR-t a piszkos eredményhez viszonyítjuk, a jó kereskedési napok elfedhetik a kockázati modell hibáit, és fordítva.
Hány utótesztelési év szükséges a megbízható modellérvényesítéshez?
A minimális szabályozási követelmény 250 kereskedési nap (≈1 év). Ez azonban statisztikailag meglehetősen korlátozott: 99%-os VaR mellett évente mindössze 2,5 várható kivétel fordul elő. A becsült kivételarány standard hibája 2,5 megfigyeléssel nagyon magas – lehetetlen különbséget tenni egy olyan modell között, amely 0,5%, 1%, 1,5% vagy 2% valódi kivételarányt produkál mindössze 250 megfigyeléssel. A robusztus validálás érdekében a 3–5 éves adatokat részesítjük előnyben. A Kupiec-tesztnek még akkor is csekély a képessége a kis szisztematikus hibák megkülönböztetésére. Ez az oka annak, hogy az utólagos tesztelés mellett több statisztikai teszt és kiegészítő validációs módszer (stressz teszt, P&L-hozzárendelés) is szükséges.
Mi az a bázeli közlekedési lámpa rendszer a VaR utólagos teszteléshez?
Az 1996-ban bevezetett és a Bázel III-ban frissített bázeli közlekedési lámpás rendszer a VaR-modell teljesítményét a legutóbbi 250 kereskedési nap utólagos tesztelési kivételeinek száma alapján osztályozza: Zöld zóna (0–4 kivétel) – modelleladások, tőkebüntetés nélkül; Sárga zóna (5–9 kivétel) – a k tőkeszorzó a számtól függően 3,0-ról 3,4–4,0-ra növekszik, a szabályozási ellenőrzés pedig nő; Vörös zóna (10+ kivétel) – a modell meghibásodik, k=4,0 vagy magasabb, és előfordulhat, hogy a banknak át kell váltania a szabványos megközelítésre. A küszöbértékek úgy vannak beállítva, hogy egy 250 napos mintánál egyensúlyba kerüljön az I. típusú hiba (jó modellek elutasítása) és a II. típusú hiba (a rossz modellek elfogadása) között.
Mi az a P&L-hozzárendelés, és hogyan kapcsolódik az utólagos teszteléshez?
Az eredmény-hozzárendelés (PLA) megköveteli a bankoktól, hogy magyarázzák el minden nap tényleges eredményét a VaR-modellben rögzített kockázati tényezők hozzájárulásaira bontva. A bázeli FRTB szerint a VaR-modell elméleti eredmény-mutatója (a modell kockázati tényezőit használva) és a tényleges hipotetikus P&L közötti különbségnek kicsinek kell lennie, és nem kell korrelálnia a tényleges eredmény-mutatóval. Ha a modell által meg nem magyarázott jelentős eredmény és eredmény létezik (a modell maradékai nagyok), ez arra utal, hogy a VaR-modellből hiányoznak fontos kockázati tényezők, és lehet, hogy alulbecsüli a kockázatot. A PLA-t a kereskedési asztal szintjén hajtják végre, míg a visszatesztelést az FRTB alatt szintén az asztali szinten hajtják végre.
Az utólagos tesztelés észlelheti a modell hibás specifikációit a gyakoriságon túl?
A szabványos Kupiec-visszatesztelés csak a helytelen túllépési gyakoriságot észleli. Nem tudja észlelni: (1) helytelen farok alakját – ha a modell alábecsüli a veszteség súlyosságát a kivételes napokon; (2) a kockázati tényezők helytelen érzékenysége – ha a modell helyesen jelzi előre a gyakoriságot, de rossz okokból; (3) hibás korrelációs specifikáció – ha a diverzifikációs előnyöket túlértékelik. A Christoffersen-teszt kiegészíti a függetlenségi tesztet. A veszteségfüggvény-alapú tesztek (hasonlítsa össze a várható és a megvalósult P&L-eloszlást) és a regresszió-alapú tesztek további diagnosztikai erőt biztosítanak. A teljes modellellenőrző program több tesztet, stressztesztet, érzékenységi elemzést és szakértői modellvizsgálatot használ a különböző típusú hibás specifikációk azonosítására.
Mit tegyen egy kockázatkezelő, ha egy VaR-modell túl sok kivételt mutat?
A túlzott kivételek strukturált modell-ellenőrzési folyamatot indítanak el: (1) Vizsgáljon meg minden kivételt: a veszteséget egy adott esemény, adathiba vagy valódi modellhiány okozta? (2) Ellenőrizze, hogy a volatilitási becslések aktuálisak-e – az elavult volatilitási feltételezések gyakori okai a VaR alulbecslésének a gyorsan változó piacokon. (3) Tekintse át a korrelációs feltételezéseket – ellenőrizze, hogy adott esetben alkalmaznak-e válságkorrelációkat. (4) Tesztelje az alternatív eloszlási feltevéseket – cserélje ki a normált t-eloszlással vagy történeti szimulációval. (5) Vizsgálja meg a koncentrációs kockázatokat, amelyeket a modell nem teljes mértékben rögzít. (6) Ha a modell nem javítható gyorsan, növelje a tőkekövetelményeket vagy csökkentse a pozíciólimiteket, amíg a modellt újrakalibrálják.
Common Mistakes to Avoid
▾
- !Visszatesztelés a tényleges piszkos eredménnyel szemben (beleértve az új ügyleteket és díjakat is) az előző napi pozíciók tartásából származó feltételezett tiszta eredmény helyett.
- !Túl rövid utólagos tesztelési időszak (< 250 nap) használata, amely nem biztosít elegendő statisztikai erőt a jó és a rossz modellek megkülönböztetéséhez.
- !A kivételfürtök vizsgálatának elmulasztása – az összes kivétel független eseményként való kezelése, amikor a fürtözés a modellfrissítési hibákat tárja fel.
- !A kivételek nagyságrendjének figyelmen kívül hagyása – a két kivétellel, mindkettő 5× VaR riasztóbb, mint a 4 kivétel, mindegyik valamivel VaR felett.
- !Nem végez utólagos tesztelést a kereskedési asztal szintjén (FRTB követelmény), és csak az egész vállalatra kiterjedő utólagos tesztelést végez, amely elfedheti az asztali szintű hibákat.
Pro Tip
Vezessen gördülő visszateszt diagramot, amely az elmúlt 250 nap összesített kivételeit mutatja a zöld/sárga/piros küszöbérték mellett. Ábrázolja ezt naponta, hogy a modell romlása trendként látható legyen, mielőtt a modell átlép a sárga zónába – lehetővé téve a proaktív újrakalibrálást.
Did you know?
A bázeli jelzőlámpás utólagos tesztelési keretrendszert az 1996-os piaci kockázati módosításban vezették be, miután a szabályozók felfedezték, hogy egyes bankok VaR-modelljei, miközben átmentek a belső ellenőrzésen, szisztematikusan alacsony VaR-becsléseket produkálnak, ami hatékonyan befolyásolta a tőkerendszert. A 250 napos, 99%-os küszöböt zöld/sárga/piros zónákkal kifejezetten a két versengő kockázat egyensúlyozására választották: a jó modellek helytelen megbüntetését (I. típusú hiba) és a rossz modellek észlelésének elmulasztását (II. típusú hiba). A keretrendszert még ma is statisztikailag alulteljesítettnek ismerik el – hosszú hónapokig tart a modell kudarca, mire elegendő bizonyíték gyűlik össze a vörös zóna kiváltásához.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
References
- ›Kupiec, P.H. (1995): Techniques for Verification the Accuracy of Risk Measurement Models, Journal of Derivatives
- ›Christoffersen, P. (1998): Evaluating Interval Forecasts, International Economic Review
- ›Bázeli Bizottság: Felügyeleti keretrendszer az utólagos tesztelés használatához (1996)
- ›McNeil, Frey és Embrechts: Kvantitatív kockázatkezelés – Visszatesztelés fejezet
Szerezzen heti matematikai tippeket
Csatlakozzon 12 000+ feliratkozóhoz, akik minden héten kapnak tippeket a számológéphez.