Conditional VaR (CVaR/ES)

Регулятивный капитал банковской торговой книги (Basel III FRTB), позволяющий практикующим специалистам принимать обоснованные количественные решения на основе проверенных вычислительных методов и стандартных отраслевых подходов, что требует точного количественного анализа для поддержки обоснованных решений, стратегического распределения ресурсов и оптимизации производительности в различных организационных контекстах и ​​профессиональных дисциплинах.

Мониторинг рисков хедж-фондов и отчетность для инвесторов, помогая аналитикам получать точные результаты, которые поддерживают стратегическое планирование, распределение ресурсов и контроль производительности в организациях, где точные числовые вычисления необходимы для получения надежных результатов, которые служат основой для процессов планирования, оценки и постоянного улучшения как в корпоративных, так и в индивидуальных условиях.

Достаточность резервов страховой компании в рамках Solvency II, что позволяет специалистам систематически оценивать результаты и сравнивать сценарии с использованием надежных математических основ и устоявшихся формул, что требует систематических подходов к расчетам, которые преобразуют необработанные входные данные в практические идеи для заинтересованных сторон, которые зависят от строгости количественных показателей в своей повседневной профессиональной деятельности.

Оптимизация портфеля с ограничениями хвостового риска, поддержка процессов оценки на основе данных, где числовая точность важна для обеспечения соответствия, отчетности и целей оптимизации, что требует надежных вычислительных методов, которые дают последовательные и проверяемые результаты, подходящие для отчетности, аудита и долгосрочного анализа тенденций в профессиональной среде.

Управление рисками активов и пассивов пенсионных фондов, которое требует точного количественного анализа для поддержки обоснованных решений, стратегического распределения ресурсов и оптимизации производительности в различных организационных контекстах и ​​профессиональных дисциплинах.

Почему CVaR считается лучше VaR?

CVaR превосходит VaR по нескольким взаимосвязанным причинам. Во-первых, CVaR последовательна: она удовлетворяет субаддитивности (диверсификация всегда помогает), а VaR — нет. Во-вторых, CVaR предоставляет информацию о серьезности потерь за пределами порогового значения, а не только о вероятности его превышения. VaR говорит: «Вы потеряете не больше X с вероятностью α», но не дает никакой информации о том, насколько велики потери, когда они превышают X. В-третьих, CVaR является выпуклым и может быть включен в структуры оптимизации портфеля с помощью линейного программирования. В-четвертых, CVaR более чувствителен к форме хвоста — распределения с толстым хвостом дают существенно более высокий CVaR, давая честную картину хвостового риска, которую VaR может скрыть.

Каковы требования Базеля III FRTB в отношении ожидаемого дефицита?

Фундаментальный обзор торговой книги (FRTB), система рыночных рисков Базеля III, заменила 99% VaR на 97,5% ожидаемого дефицита в качестве основного показателя капитала. Ключевые требования включают в себя: ES должен рассчитываться с использованием 10-дневного горизонта ликвидности (а не старого 10-дневного горизонта, уменьшенного с 1-дневного); разные классы активов имеют разные горизонты ликвидности (от 10 дней для акций с большой капитализацией до 120 дней для некоторых кредитных продуктов); ES должна быть калибрована к напряженному историческому периоду; и банки должны также рассчитать нестрессовый ES для сравнения. Эта основа вступила в силу для крупных международных банков в 2023 году, а полная реализация Базеля III будет завершена к 2025–2028 годам в различных юрисдикциях.

Какова связь между VaR и CVaR на разных уровнях достоверности?

Для нормально распределенной доходности соотношение ES/VaR является фиксированной функцией уровня доверия. При значении 95% ES примерно на 25% выше, чем VaR. При значении 99% ES примерно на 14% выше, чем VaR. ES составляет 99,9%, что примерно на 8% выше. Однако для распределений с «толстым хвостом» (лептокуртических), которые лучше описывают реальную финансовую отдачу, это соотношение существенно выше. T-распределение Стьюдента с 4 степенями свободы дает отношения ES/VaR на 50–100% выше, чем в обычном случае. Вот почему методы исторического моделирования или моделирования Монте-Карло обычно дают более высокий CVaR, чем параметрические нормальные модели.

Как меняется CVaR в периоды стресса на рынке?

CVaR резко увеличивается в периоды стресса, потому что: (1) волатильность портфеля возрастает, смещая все распределение убытков вправо; (2) корреляция между активами увеличивается до 1,0 во время кризисов, уменьшая выгоды от диверсификации; (3) распределение доходности становится более отрицательно искаженным и «толстым хвостом», увеличивая потери, превышающие то, что можно было бы предсказать только по волатильности. Во время кризиса 2008 года типичные ежедневные оценки VaR нарушались в 10–20 раз чаще, чем предполагаемая вероятность в 1%, что демонстрирует, что исторические оценки CVaR, откалиброванные по спокойным периодам, сильно занижают хвостовой риск в кризисных ситуациях. Вот почему FRTB требует калибровки по напряженному периоду.

Можно ли использовать CVaR для оптимизации портфеля?

Да, и это одно из главных практических преимуществ CVaR перед VaR. Рокафеллар и Урьясев (2000) показали, что минимизацию CVaR можно сформулировать как линейную программу, что делает ее вычислительно доступной даже для больших портфелей. Схема оптимизации портфеля средней CVaR минимизирует CVaR для заданной ожидаемой доходности (аналогично оптимизации Марковица со средней дисперсией), но включает хвостовой риск в целевую функцию. Это создает портфели, более устойчивые к экстремальным событиям по сравнению с оптимальными портфелями со средней дисперсией, при умеренных затратах на ожидаемую доходность. Многие институциональные риск-менеджеры теперь используют оптимизацию среднего значения CVaR в качестве основной основы построения портфеля.

Что такое бэктестирование CVaR и почему это сложно?

Тестирование VaR на исторических данных очень просто: подсчитайте, за сколько дней фактические потери превысили оценку VaR, и сравните их с ожидаемой частотой (например, 1 % для 99 % VaR). Тестирование CVaR на исторических данных является более сложным, поскольку CVaR является средним условием для хвостовых событий, а хвостовые события редки, что затрудняет статистические выводы при ограниченных данных. Тесты включают в себя: (1) тесты условного покрытия — соответствуют ли потери, превышающие VaR, прогнозируемому CVaR? (2) Спектральные тесты Ачерби-Секели — сравнение всего распределения хвоста. Поскольку хвостовые события редки, бэктесты CVaR имеют низкую статистическую мощность и требуют многолетних данных, чтобы обнаружить даже умеренную недооценку. Это активная область исследований в области количественного управления рисками.

Чем CVaR отличается от стресс-тестирования?

CVaR — это статистическая оценка средней потери хвоста с учетом текущей модели распределения. Стресс-тестирование изучает конкретные наихудшие сценарии — часто исторические кризисы (GFC 2008 года, крах COVID-19, «Черный понедельник» 1987 года) или гипотетические события (геополитический шок, изменение политики центрального банка, коллапс сектора). CVaR зависит от модели и отражает среднее поведение хвоста в рамках смоделированного распределения; стресс-тесты фиксируют конкретные сценарные потери независимо от их статистической вероятности. Передовая практика сочетает в себе обе функции: CVaR для постоянного ежедневного мониторинга рисков и распределения капитала, стресс-тестирование для обеспечения готовности к конкретным сценариям и информирование о рисках на уровне совета директоров.