Что такое VaR Backtesting Calculator?
▾
Тестирование VaR на исторических данных — это статистический процесс проверки модели стоимости под риском путем сравнения прогнозируемых оценок VaR с впоследствии реализованными прибылями и убытками портфеля. Превышение (или «исключение») происходит в любой день, когда фактический убыток портфеля превышает прогнозируемый VaR на этот день. Для правильно заданной модели VaR 99% мы ожидаем, что превышения будут происходить примерно в 1% торговых дней — примерно 2–3 дня в году для календаря из 250 торговых дней. При бэктестировании задается вопрос: соответствует ли наблюдаемое количество превышений статистически тому, что предсказывает модель? Базельский комитет впервые формализовал требования к бэк-тестированию VaR в своей поправке к рыночным рискам (1996 г.) и усовершенствовал их в последующих соглашениях. Согласно Базелю III, банки, использующие внутренние модели VaR для капитала, подверженного рыночному риску, должны проводить ежедневное тестирование своих 99%-ных однодневных оценок VaR по сравнению с фактическими прибылями и убытками. Нормативная система светофора классифицирует результаты бэктеста на основе количества превышений за последние 250 торговых дней: превышения 0–4 (зеленая зона) — модель прошла успешно; 5–9 превышений (желтая зона) — мультипликатор капитала увеличен; 10+ превышений (красная зона) — модель не работает, требует пересмотра и потенциального перехода к стандартизированному подходу. Тест Kupiec (1995) «Пропорция отказов» (POF) является основополагающим статистическим тестом: он проверяет, соответствует ли наблюдаемое количество превышений установленному уровню достоверности VaR, используя тест отношения правдоподобия. Нулевая гипотеза состоит в том, что истинная вероятность превышения равна (1 – уровень достоверности). Тест условного покрытия Кристофферсена (1998) совершенствует тест Купеца, поскольку также проверяет, являются ли превышения независимыми с течением времени — в действительной модели VaR не должно быть кластеризации превышений (что указывает на то, что модель медленно адаптируется к изменяющейся волатильности). Одного бэктестинга недостаточно для полной проверки модели VaR. Атрибуция прибылей и убытков (объяснение прибылей и убытков за каждый день с использованием факторов риска модели) требуется в соответствии с Базельским соглашением FRTB. Гипотетические прибыли и убытки (с использованием текущих позиций портфеля, переоцененных с учетом вчерашних рыночных изменений) должны соответствовать теоретическим прибылям и убыткам (из модели риска). Модели, которые прошли тестирование на истории, но не смогли атрибуировать прибыли и убытки, все равно могут иметь значительный модельный риск. Проверка модели выходит за рамки бэктестинга и включает анализ чувствительности, стресс-тестирование, сравнение с альтернативными моделями и анализ допущений моделирования. Анализ величины превышения (значительно ли потери в дни исключений превышают VaR, что предполагает наличие «толстых хвостов»?) дополняет подход, основанный на подсчете.
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
Формула
▾
Ожидаемые превышения = (1 — достоверность) × N
Купец LR = −2 × [ln((1−p)^(N−x) × p^x) − ln((1−x/N)^(N−x) × (x/N)^x)]
Критическое значение: χ²(1) при 5% = 3,84 | χ²(2) при 5% = 5,99 (Кристофферсен)Описание переменных
▾
| Символ | Имя | Единица | Описание |
|---|---|---|---|
| N | Всего дней наблюдения | days | Количество торговых дней в окне бэктестинга; Для Базеля требуется минимум 250 торговых дней (≈1 календарный год). |
| x | Количество превышений | count | Дни, в которые фактические убытки от прибылей и убытков превышали оценку VaR; ожидаемое = (1-достоверность) × N. |
| p | Ожидаемый уровень превышения | % | Заявленный уровень превышения модели VaR: 1% для VaR 99%, 5% для VaR 95%. |
| LR_POF | Статистика тестов Купеца LR | chi-squared | Отношение правдоподобия для проверки того, соответствует ли наблюдаемый уровень превышения ожидаемому уровню; по сравнению с критическим значением χ²(1). |
| CC_test | Статистика Кристофферсена | chi-squared | Проверяется как правильная пропорция, так и независимость превышений; распределение χ²(2); обнаруживает кластеризацию исключений. |
Как VaR Backtesting Calculator
▾
- 1Собирайте ежедневные оценки VaR (при заявленном уровне достоверности) и фактические ежедневные прибыли и убытки для периода бэктестинга (минимум 250 торговых дней).
- 2Превышения подсчета: дни, когда убыток > оценки VaR (т. е. фактическая прибыль и убыток более отрицательная, чем −VaR).
- 3Рассчитайте ожидаемые превышения: E[x] = (1-достоверность) × N. Для 99% VaR за 250 дней: E[x] = 2,5.
- 4Примените тест Купца POF: вычислите статистику LR по формуле; сравните с χ²(1) = 3,84 при значимости 5%. Если LR > 3,84, модель не проходит тест.
- 5Примените тест условного покрытия Кристоферсена: постройте матрицу перехода 2×2 последовательных дневных превышений; проверить независимость превышений.
- 6Применить структуру светофора Базельского соглашения: 0–4 исключения = зеленый (без действий); 5–9 = желтый (надстройка заглавной буквы); 10+ = красный (сбой модели).
- 7Проанализируйте величину исключений: потери в дни исключений лишь немного превышают VaR или значительно превышают их? Большие превышения предполагают серьезную недооценку.
Решённые примеры
▾
Модель прошла успешно — 3 превышения соответствуют ожиданию VaR 99 %.
Ожидаемое превышение = 1% × 250 = 2,5. Наблюдаемое = 3. LR_POF = -2 × [ln((0,99)^247 × (0,01)^3) − ln((0,988)^247 × (0,012)^3)] ≈ 0,076, что намного ниже критического значения χ²(1), равного 3,84. Модель не может быть отвергнута. 3 превышения за 250 дней вполне соответствуют модели VaR 99%. Базельский светофор: зеленая зона (исключения 0–4) — штраф за множитель капитала отсутствует. Это ожидаемый результат для четко определенной и регулярно обновляемой модели VaR.
Модель сильно терпит неудачу: 12 превышений означают, что фактический риск в 5 раз превышает оценку модели VaR.
12 превышений против ожидаемых 2,5 — перерасход в 4,8 раза. LR = −2 × [ln(0,99^238 × 0,01^12) − ln(0,952^238 × 0,048^12)] ≈ 24,1, что значительно превышает χ²(1)=3,84. Модель статистически отвергается при любом разумном уровне значимости. Красная зона Базеля (10+ исключений): банк должен объяснить регуляторам недостатки модели, мультипликатор капитала увеличивается, и банку может потребоваться перейти на стандартизированный подход к капиталу. Распространенные причины: недооценка волатильности, игнорирование «жирных хвостов», недостаточный учет корреляции или применение модели за пределами диапазона калибровки.
Отсутствие независимости означает, что модель не может быстро адаптироваться к изменениям режима волатильности.
5 превышений за 250 дней при 99% VaR находятся в желтой зоне Базеля. Тест Купца POF может незначительно пройти (пограничный). Однако 4 из 5 исключений, возникающих в течение последовательных дней, являются серьезным нарушением предположения о независимости. Тест Кристофферсена CC вычисляет матрицу перехода: (день после отсутствия исключения является исключением) против (день после исключения является исключением). Если p(исключение | предыдущее исключение) >> p(исключение | предыдущее неисключение), независимость невозможна. Кластеризация показывает, что модель VaR медленно реагирует на всплески волатильности — скорее всего, она использует длинное историческое окно или скользящую волатильность, а не адаптивную оценку.
Один катастрофический день (2,1 миллиона долларов = 4,2×VaR) предполагает недооценку «толстых хвостов»
Четыре из пяти исключений лишь немного превышают VaR (480–550 тысяч долларов США) — это ожидаемо и соответствует хорошо откалиброванной модели. Но однажды компания потеряла 2,1 миллиона долларов, что в 4,2 раза превышает оценку VaR. Этот выброс крайне маловероятен при нормальном распределении (вероятность потери > 4,2σ ≈ 0,001%). Это говорит о том, что распределение доходности имеет «жирные хвосты», которые модель VaR не учитывает. Среднее исключение = 832 тыс. долларов США составляет 1,66× VaR – ожидается, что оно составит примерно 1,14× для нормального VaR 99% – что снова указывает на «толстые хвосты». Анализ величины исключения запускает проверку модели, даже если счетчик (5) находится в желтой зоне.
Практическое применение
▾
Отчетность о регулятивном капитале банков в соответствии с Базелем III FRTB, представляющая собой важную область применения Var Back Testing в профессиональном и аналитическом контексте, где точные расчеты Var Back Testing напрямую поддерживают принятие обоснованных решений, стратегическое планирование и оптимизацию производительности.
Внутренняя проверка модели и управление рисками модели, что представляет собой важную область применения обратного тестирования var в профессиональном и аналитическом контексте, где точные расчеты обратного тестирования var непосредственно поддерживают принятие обоснованных решений, стратегическое планирование и оптимизацию производительности.
Мониторинг эффективности модели риска хедж-фонда, представляющий собой важную область применения Var Back Testing в профессиональном и аналитическом контексте, где точные расчеты Var Back Testing напрямую поддерживают принятие обоснованных решений, стратегическое планирование и оптимизацию производительности.
Проверка модели риска страховой компании в рамках Solvency II, представляющая собой важную область применения Var Back Testing в профессиональном и аналитическом контексте, где точные расчеты Var Back Testing напрямую поддерживают принятие обоснованных решений, стратегическое планирование и оптимизацию производительности.
Атрибуция эффективности торгового отдела — отличие прибылей и убытков от подверженности факторам риска, что представляет собой важную область применения Var Back Testing в профессиональном и аналитическом контексте, где точные расчеты Var Back Testing напрямую поддерживают принятие обоснованных решений, стратегическое планирование и оптимизацию производительности.
Особые случаи
▾
При обратном тестировании var этот сценарий требует дополнительной осторожности при интерпретации результатов обратного тестирования var. Стандартная формула может не полностью учитывать все факторы, присутствующие в этом крайнем случае, и может потребоваться дополнительный анализ или консультация эксперта. Передовая профессиональная практика включает в себя документирование предположений, проведение анализа чувствительности и перекрестные ссылки на результаты с альтернативными методами, когда расчеты обратного тестирования выходят за рамки стандарта.
Чрезвычайно большие или малые входные значения при обратном тестировании Var могут отодвинуть переменную назад.
Чрезвычайно большие или малые входные значения при обратном тестировании переменной переменной могут вывести расчеты обратного теста за пределы типичных рабочих диапазонов. Несмотря на математическую обоснованность, результаты экстремальных входных данных могут не отражать реалистичные сценарии варбэк-тестирования, и их следует интерпретировать с осторожностью. В условиях профессионального обратного тестирования экстремальные значения часто указывают на ошибки измерения, необычные условия или крайние случаи, требующие дополнительного анализа. Используйте анализ чувствительности, чтобы понять, как результаты изменяются в вероятных входных диапазонах, вместо того, чтобы полагаться на расчеты в отдельных крайних случаях.
При обратном тестировании var этот сценарий требует дополнительной осторожности при интерпретации результатов обратного тестирования var. Стандартная формула может не полностью учитывать все факторы, присутствующие в этом крайнем случае, и может потребоваться дополнительный анализ или консультация эксперта. Передовая профессиональная практика включает в себя документирование предположений, проведение анализа чувствительности и перекрестные ссылки на результаты с альтернативными методами, когда расчеты обратного тестирования выходят за рамки стандарта.
Базельский светофор: пороговые значения исключений для 99% VaR в течение 250 дней
▾
| Исключения (х) | Вероятность (если модель верна) | Кумулятивная вероятность | Зона | Мультипликатор капитала k |
|---|---|---|---|---|
| 0 | 8,1% | 8,1% | Зеленый | 3.00 |
| 1 | 20,5% | 28,6% | Зеленый | 3.00 |
| 2 | 25,7% | 54,4% | Зеленый | 3.00 |
| 3 | 21,5% | 75,9% | Зеленый | 3.00 |
| 4 | 13,5% | 89,4% | Зеленый | 3.00 |
| 5 | 6,8% | 96,2% | Желтый | 3.40 |
| 6–9 | 3,5% | 99,7% | Желтый | 3,50–3,85 |
| 10+ | 0,3% | ≥99,7% | Red | 4.00 |
Часто задаваемые вопросы
▾
Почему бэктестинг важен для моделей VaR?
Бэктестирование — это эмпирическое подтверждение того, что модель VaR обеспечивает заявленную калибровку. Банк, претендующий на 99% VaR, по определению должен нести убытки, превышающие VaR примерно в 1% случаев. Без бэктестинга модель может систематически занижать риск (создавая слишком низкую VaR, что снижает требования к капиталу) без механизма подотчетности. Бэктестирование создает петлю обратной связи со стороны регулирующих органов: неудачные модели наказываются дополнительным капиталом, что создает финансовые стимулы для банков поддерживать хорошо откалиброванные модели. Бэктестирование также помогает менеджерам по рискам определить, когда модели устаревают из-за изменения динамики рынка.
В чем разница между чистыми и грязными прибылями и убытками для бэктестинга?
Чистый P&L (гипотетический P&L) измеряет прибыль или убыток от вчерашних позиций портфеля, переоцененных с использованием сегодняшних рыночных цен, изолируя чистую подверженность рыночному риску без влияния новых сделок, комиссий или изменений портфеля. Грязные прибыли и убытки (фактические прибыли и убытки) включают в себя все прибыли и убытки из всех источников: доходы от торговых операций, новые позиции, комиссионные доходы и операционные статьи. Базельский FRTB требует проведения бэк-тестирования на основе гипотетических чистых прибылей и убытков, поскольку модель VaR оценивает риск существующего портфеля, а не развивающегося портфеля. Если сравнивать VaR с грязными прибылями и убытками, хорошие торговые дни могут скрыть неудачи модели риска, и наоборот.
Сколько лет бэктестинга необходимо для надежной проверки модели?
Минимальное нормативное требование составляет 250 торговых дней (≈1 год). Однако статистически это весьма ограничено: при VaR 99% в год происходит только 2,5 ожидаемых исключения. Стандартная ошибка оценки частоты исключений с 2,5 наблюдениями очень высока — невозможно отличить модель, которая дает истинные уровни исключений 0,5%, 1%, 1,5% или 2%, имея всего 250 наблюдений. Для надежной проверки предпочтительны данные за 3–5 лет. Даже в этом случае тест Купца имеет низкую эффективность при различении небольших систематических ошибок. Вот почему наряду с бэктестированием требуются многочисленные статистические тесты и дополнительные методы проверки (стресс-тестирование, атрибуция прибылей и убытков).
Что такое Базельская система светофоров для бэк-тестирования VaR?
Базельская система светофоров (введенная в 1996 году и обновленная в Базеле III) классифицирует производительность модели VaR на основе количества исключений при бэктестировании за последние 250 торговых дней: Зеленая зона (0–4 исключения) — модель проходит, без капитальных штрафов; Желтая зона (исключения 5–9) — мультипликатор капитала k увеличивается с 3,0 до 3,4–4,0 в зависимости от количества, усиливается контроль со стороны регулирующих органов; Красная зона (10+ исключений) — модель не работает, k=4,0 или выше, и банку может потребоваться перейти на стандартизированный подход. Пороговые значения установлены для баланса ошибок типа I (отклонение хороших моделей) и ошибок типа II (принятие плохих моделей) для 250-дневной выборки.
Что такое атрибуция прибылей и убытков и как она связана с бэктестированием?
Атрибуция прибылей и убытков (PLA) требует от банков объяснять фактические прибыли и убытки каждого дня путем разложения их на вклады факторов риска, отраженных в модели VaR. Согласно Базельскому стандарту FRTB, разница между теоретическими прибылями и убытками модели VaR (с использованием факторов риска модели) и фактическими гипотетическим прибылями и убытками должна быть небольшой и не коррелировать с фактическими прибылями и убытками. Если существуют значительные прибыли и убытки, необъяснимые моделью (остатки модели велики), это говорит о том, что в модели VaR отсутствуют важные факторы риска и, возможно, риск занижен. PLA выполняется на уровне торгового отдела, а тестирование на исторических данных также проводится на уровне торгового отдела в рамках FRTB.
Может ли бэктестинг обнаружить неверную спецификацию модели, помимо частоты?
Стандартное бэк-тестирование Купица выявляет только неправильную частоту превышений. Он не может обнаружить: (1) неправильную форму хвоста — если модель недооценивает серьезность потерь в дни исключений; (2) неправильная чувствительность факторов риска — если модель правильно предсказывает частоту, но по неверным причинам; (3) неправильная спецификация корреляции — если выгоды от диверсификации завышены. Тест Кристоферсена добавляет тест независимости. Тесты на основе функции потерь (сравнение ожидаемого и реализованного распределения прибылей и убытков) и тесты на основе регрессии обеспечивают дополнительную диагностическую эффективность. Полная программа проверки модели использует несколько тестов, стресс-тестирование, анализ чувствительности и экспертный анализ модели для выявления различных типов неточностей в спецификациях.
Что должен делать риск-менеджер, если модель VaR показывает слишком много исключений?
Избыточные исключения запускают процесс структурированной проверки модели: (1) Исследуйте каждое исключение: была ли потеря вызвана конкретным событием, ошибкой данных или реальным недостатком модели? (2) Проверьте актуальность оценок волатильности: устаревшие предположения о волатильности являются распространенной причиной недооценки VaR на быстро меняющихся рынках. (3) Рассмотрите предположения о корреляции – проверьте, используются ли кризисные корреляции, когда это необходимо. (4) Проверьте альтернативные предположения о распределении — замените нормальное на t-распределение или историческое моделирование. (5) Изучить риски концентрации, которые не полностью отражены моделью. (6) Если модель не может быть быстро исправлена, увеличьте капитальные затраты или уменьшите лимиты позиций до тех пор, пока модель не будет перекалибрована.
Распространённые ошибки
▾
- !Тестирование на исторических данных относительно фактических грязных прибылей и убытков (включая новые сделки и комиссии) вместо гипотетических чистых прибылей и убытков от удержания позиций предыдущего дня.
- !Использование слишком короткого окна бэктестинга (< 250 дней), которое обеспечивает недостаточную статистическую мощность, чтобы отличить хорошие модели от плохих.
- !Невозможность исследовать кластеры исключений — обработка всех исключений как независимых событий, когда кластеризация выявляет сбои обновления модели.
- !Игнорирование величины исключения — модель с двумя исключениями, каждое из которых имеет VaR 5×, вызывает большую тревогу, чем 4 исключения, каждое из которых немного превышает VaR.
- !Не проводить бэк-тестирование на уровне торгового отдела (требование FRTB), а проводить только бэк-тестирование в масштабах всей компании, которое может замаскировать сбои на уровне торгового отдела.
Совет профессионала
Ведите диаграмму скользящего тестирования, показывающую совокупные исключения за последние 250 дней вместе с зелеными/желтыми/красными пороговыми значениями. Наносите это ежедневно на график, чтобы ухудшение модели было видно как тенденция до того, как модель пересечет желтую зону, что позволяет провести упреждающую повторную калибровку.
Знаете ли вы?
Базельская система бэк-тестирования «светофор» была введена в Поправке о рыночных рисках 1996 года после того, как регулирующие органы обнаружили, что модели VaR некоторых банков, проходя внутреннюю проверку, давали систематически заниженные оценки VaR, что фактически обманывало систему капитала. Порог в 250 дней, 99 % с зеленой/желтой/красной зонами был выбран специально для того, чтобы сбалансировать два конкурирующих риска: неправильное наложение штрафов на хорошие модели (ошибка типа I) и неспособность обнаружить плохие модели (ошибка типа II). Даже сегодня эта концепция признана статистически недостаточно обоснованной: проходят многие месяцы постоянных неудач модели, прежде чем накапливается достаточно данных, чтобы вызвать красную зону.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
Источники
- ›Купец, П.Х. (1995): Методы проверки точности моделей измерения риска, Журнал производных финансовых инструментов.
- ›Кристофферсен, П. (1998): Оценка интервальных прогнозов, International Economic Review.
- ›Базельский комитет: Система надзора за использованием бэктестинга (1996 г.)
- ›Макнил, Фрей и Эмбрехтс: Количественное управление рисками — Глава о бэктестинге
Получайте еженедельные советы по математике
Присоединяйтесь к подписчикам 12 000+, которые каждую неделю получают советы по калькулятору.