Vad är Commodity Portfolio VaR?
▾
Value at Risk, eller VaR, är ett statistiskt mått på den maximalt förväntade förlusten i en portfölj under en given tidshorisont och vid en viss konfidensnivå. VaR för en råvaruportfölj kvantifierar den potentiella förlusten i dollar från ogynnsamma prisrörelser i en bok med råvarupositioner, inklusive energi, metaller, jordbruksråvaror och andra exponeringar samtidigt. En 1-dagars 99 % VaR på 5 miljoner USD betyder till exempel att sannolikheten att förlora mer än 5 miljoner USD under en enskild handelsdag under normala marknadsförhållanden bara är 1 %. VaR är en grundpelare i marknadsriskhantering hos råvaruhandelsföretag, investeringsbanker, hedgefonder och energibolag. Basel III-ramverket kräver att banker håller kapital mot VaR i handelsboken, och råvaruföretag som regleras under EMIR i Europa och Dodd-Frank i USA använder VaR för säkerhets- och collateraländamål. Råvaruportföljer innebär särskilda VaR-utmaningar jämfört med aktie- eller ränteportföljer: råvarupriser uppvisar tjocka svansar och skevhet, korrelationer mellan råvaror skiftar kraftigt mellan marknadsregimer, fysiska och finansiella positioner har olika riskprofiler, och terminskurverisk, det vill säga basis mellan kontraktsmånader, är lika viktig som ren prisrisk. Tre huvudsakliga VaR-metoder används: parametrisk VaR (varians-kovarians) antar normalfördelade avkastningar och använder korrelationsmatriser; historisk simulering återspelar faktiska historiska prisförändringar mot den nuvarande portföljen utan fördelningsantaganden; och Monte Carlo-VaR genererar tusentals simulerade scenarier med uppskattade prisprocesser, vilket fångar icke-linjära risker från optioner. Råvaruföretag kompletterar vanligtvis VaR med stresstester mot specifika extrema scenarier, som en upprepning av prisraset under covid-19 2020 eller omsvängningen i råvarusupercykeln 2008, eftersom VaR systematiskt underskattar svansrisk under marknadsstörningar.
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
Formel
▾
Se kalkylatorgränssnittet för tillämpliga formler och indata. Denna formel beräknar commodity var calc genom att relatera indata via deras matematiska samband. Varje komponent representerar en mätbar storhet som kan verifieras oberoende.Variabelbeskrivning
▾
| Symbol | Namn | Enhet | Beskrivning |
|---|---|---|---|
| VaR | Value at Risk | USD | Maximalt förväntad förlust vid en given konfidensnivå, till exempel 99 %, under en viss tidshorisont, till exempel 1 dag. |
| σ_p | Portföljvolatilitet | procent per period | Standardavvikelsen i portföljens dagliga eller periodiska avkastning, med hänsyn till korrelationer mellan positioner. |
| z | z-värde (konfidensnivå) | dimensionslös | Standardiserat normalfördelat z-värde för konfidensnivån; z = 2,326 för 99 % och z = 1,645 för 95 %. |
| W | Portföljvärde | USD | Det totala marknadsvärdet av råvarupositionerna i portföljen, vilket är en nyckelparameter i commodity var calc-beräkningen och direkt påverkar slutresultatet |
| ρ_ij | Korrelationsmatris | dimensionslös (-1 till +1) | Parvisa korrelationer mellan råvarors prisavkastningar; avgörande för att beräkna diversifieringseffekten. |
| CVaR | Villkorad VaR (förväntad förlust) | USD | Förväntad förlust givet att förlusten överskrider VaR-tröskeln; fångar svansrisk bortom VaR. |
Hur man Commodity Portfolio VaR
▾
- 1Identifiera alla råvarupositioner i portföljen med deras marknadsvärden och priskänsligheter, delta för linjära positioner och delta plus gamma för optioner.
- 2Samla historiska dagliga prisavkastningar för varje råvara över en representativ historisk period, vanligtvis 1 till 3 år.
- 3Bygg upp varians-kovariansmatrisen för råvaruavkastningar eller samla hela uppsättningen historiska avkastningsscenarier.
- 4För parametrisk VaR: beräkna portföljvariansen med vikter och korrelationsmatrisen; σ_p = sqrt(w' Σ w).
- 5Applicera z-värdet: VaR = z × σ_p × portföljvärde × sqrt(antal innehavsdagar).
- 6För historisk simulering: applicera varje historisk daglig avkastningsvektor på den nuvarande portföljen och sortera förlusterna.
- 7Läs av förlusten vid 99:e percentilen som 1-dagars 99 % VaR; beräkna CVaR som genomsnittsförlusten i den sämsta 1-procentssvansen av scenarier.
Lösta exempel
▾
Negativ korrelation ger en måttlig diversifieringseffekt
WTI-positionen dominerar portföljrisken med en daglig standardavvikelse på 10 MUSD × 2,5 % = 250 000 USD. Guldpositionen bidrar med 45 000 USD i standardavvikelse, men korrelationen på -0,10 minskar den samlade portföljrisken något jämfört med en enkel summa. En 1-dagars 99 % VaR på 580 691 USD innebär att sannolikheten att förlora mer än detta belopp under en enda handelsdag under normala marknadsförhållanden är 1 %.
Historisk simulering fångar icke-normala fördelningar och tjocka svansar bättre än parametrisk VaR
Genom att applicera 500 historiska dagliga avkastningsvektorer på den nuvarande portföljen genereras 500 hypotetiska P&L-utfall. När dessa sorteras från sämst till bäst representerar de fem värsta scenarierna, alltså 1 % av 500, svansfördelningen. Det femte sämsta utfallet på 2,1 MUSD är den historiska simuleringens 99 % VaR. Detta är ofta högre än parametrisk VaR när råvarupriser har tjocka svansar, eftersom historisk simulering fångar den faktiska fördelningen inklusive extrema händelser.
Historisk stressförlust på 16,55 MUSD överstiger vida en vanlig 1-dags VaR och visar VaR:s begränsningar
När covidkraschscenariot appliceras på den nuvarande portföljen uppstår en förlust på 16,55 MUSD, alltså 33,1 % av portföljvärdet. Denna scenarieförlust är mycket större än en typisk daglig VaR på kanske 1–2 MUSD och visar varför råvaruriskchefer kompletterar VaR med stresstester. VaR är kalibrerad för normala marknadsförhållanden; covidkraschen var en svanshändelse som VaR systematiskt underskattade.
En CVaR på 1,86 MUSD föredras framför VaR för regulatoriskt kapital under Basel III:s moderna marknadsriskramverk
Villkorad VaR, eller förväntad förlust, tar genomsnittet av förlusterna i den sämsta 1-procentssvansen och ger här 1,86 MUSD jämfört med VaR-tröskeln på 1,2 MUSD. Kvoten CVaR/VaR på 1,55 visar att det finns betydande svansrisk bortom VaR-tröskeln, vilket är typiskt för råvaror med tjocka svansar. Basel III:s omarbetning av handelsboksreglerna gick över från VaR till Expected Shortfall just eftersom CVaR bättre fångar formen på förlustsvansen.
Praktiska tillämpningar
▾
Riskhantering på handelsbord hos råvaruhandelsföretag och banker. Denna tillämpning används ofta av yrkespersoner som behöver noggrann kvantitativ analys för beslutsfattande, budgetering och strategisk planering inom sina områden
Beräkning av regulatoriskt kapital under Basel III för råvaruhandelsböcker. Branschutövare använder denna beräkning för att jämföra alternativ och säkerställa efterlevnad av etablerade standarder och regulatoriska krav, vilket hjälper analytiker att ta fram korrekta resultat för strategisk planering, resursfördelning och benchmarking
Marginalkrav hos CME/ICE med SPAN-liknande VaR-metodik — Akademiska forskare och studenter använder denna beräkning för att validera teoretiska modeller, genomföra kursuppgifter och fördjupa sin förståelse för de underliggande matematiska principerna
Riskrapportering från råvaruhedgefonder till investerare och prime brokers. Finansanalytiker och planerare använder denna beräkning i sitt arbetsflöde för att ta fram korrekta prognoser, utvärdera riskscenarier och presentera datadrivna rekommendationer till intressenter
Kvantifiering av råvarurisk i företagets treasury för styrelserapportering. Denna tillämpning används ofta av yrkespersoner som behöver noggrann kvantitativ analys för beslutsfattande, budgetering och strategisk planering inom sina områden
Specialfall
▾
I praktiken kräver detta specialfall särskild försiktighet eftersom standardantaganden kanske inte gäller. När detta scenario uppstår i commodity portfolio var calculator-beräkningar bör praktiker kontrollera randvillkor, undvika divisionsfel och bedöma om modellens antaganden fortfarande håller under dessa extrema förhållanden.
I praktiken kräver detta specialfall särskild försiktighet eftersom standardantaganden kanske inte gäller. När detta scenario uppstår i commodity portfolio var calculator-beräkningar bör praktiker kontrollera randvillkor, undvika divisionsfel och bedöma om modellens antaganden fortfarande håller under dessa extrema förhållanden.
I praktiken kräver detta specialfall särskild försiktighet eftersom standardantaganden kanske inte gäller. När detta scenario uppstår i commodity portfolio var calculator-beräkningar bör praktiker kontrollera randvillkor, undvika divisionsfel och bedöma om modellens antaganden fortfarande håller under dessa extrema förhållanden.
Typiska dagliga prisvolatiliteter för råvaror (årstakt, genomsnitt 2022-2024)
▾
| Råvara | Årsvolatilitet | Ungefärlig daglig vol | 1D 99 % VaR per 1 MUSD | Viktig riskdrivare |
|---|---|---|---|---|
| WTI-råolja | 35-45% | 2,2-2,8% | $51,000-$65,000 | OPEC+-beslut, EIA-data |
| Naturgas (HH) | 60-100% | 3,8-6,3% | $88,000-$147,000 | Väder, LNG-export |
| RBOB-bensin | 35-50% | 2,2-3,1% | $51,000-$72,000 | Crack spread, raffinaderidrift |
| Guld | 12-18% | 0,75-1,1% | $17,500-$26,000 | Fed-politik, USD, risksentiment |
| Silver | 25-40% | 1,6-2,5% | $37,000-$58,000 | Guldkorrelation + industri |
| LME-koppar | 20-30% | 1,3-1,9% | $30,000-$44,000 | Kinesisk efterfrågan, utbud |
Vanliga frågor
▾
Vilka begränsningar har VaR för råvaruportföljer?
VaR har flera viktiga begränsningar i råvarusammanhang: den antar ofta normala eller nära normala avkastningsfördelningar trots att råvaror har tydliga tjocka svansar och skevhet; korrelationer som används i parametrisk VaR uppskattas från historiska data och kan förändras dramatiskt vid marknadsstörningar; VaR fångar inte likviditetsrisk, alltså kostnaden för att stänga stora positioner på illikvida marknader; den missar konvexitet och gamma-risk i optionsböcker om bara delta används; och den är bakåtblickande och fångar kanske inte nya risktyper som inte finns i historiken, till exempel koldioxidprisrisk.
Vad är skillnaden mellan VaR och Expected Shortfall?
VaR på 99 % konfidensnivå talar om vilken maximal förlust du förväntas se under 99 % av handelsdagarna, men säger ingenting om hur illa det blir under den sämsta 1 procenten av dagarna. Expected Shortfall, eller CVaR, svarar i stället på frågan: givet att du befinner dig i den sämsta 1-procentssvansen, vad är den genomsnittliga förlusten? För råvaror med tjocka svansar är ES ofta 1,5–2,5 gånger VaR, vilket visar hur stora förluster VaR förbiser.
Hur används VaR för marginalkrav i råvaruhandel?
Clearinghus som CME Clearing och LME Clear använder varianter av historisk VaR, till exempel SPAN, för att beräkna initiala marginalkrav på terminspositioner. SPAN simulerar portföljens vinster och förluster under en matris av pris- och volatilitetscenarier och sätter säkerhetskravet på en nivå som täcker förväntade förluster under ogynnsamma men plausibla förhållanden. Högre VaR innebär högre marginalkrav och mer kapital bundet i verksamheten.
Vad är korrelationsrisk i råvaruportföljer?
Korrelationer mellan råvaror är mycket instabila och regimberoende. Under normala marknadsförhållanden kan olja och koppar ha en korrelation runt 0,4, men vid en efterfrågeschock kan den stiga till 0,9 när alla cykliska råvaror faller samtidigt. Under utbudschocker kan däremot enskilda råvaror frikopplas. VaR-modeller som bygger på en fast korrelationsmatris från lugna perioder underskattar därför ofta risk i kriser.
Hur påverkar råvaruoptioner VaR-beräkningen?
Optioner skapar icke-linjära payoffprofiler som enkla delta-baserade VaR-metoder underskattar. En lång köpoption på WTI har positiv delta men också positiv gamma, vilket gör att deltats känslighet ökar när oljepriset stiger. Standard-delta-VaR fångar bara första ordningens priskänslighet, medan delta-gamma-VaR lägger till andra ordningens konvexitetsjustering. För större optionsböcker krävs ofta full omvärdering under varje historiskt scenario eller Monte Carlo-scenario.
Vad är backtesting och varför krävs det för VaR-modeller?
Backtesting jämför VaR-modellens prognoser med faktisk efterföljande daglig P&L för att bedöma modellens träffsäkerhet. Om en 99 % 1-dags VaR är korrekt kalibrerad bör faktisk förlust överskrida VaR ungefär 1 % av tiden, vilket motsvarar cirka 2–3 gånger per år vid dagliga data. Regulatorer använder dessa undantag för att bedöma om bankernas interna VaR-modeller är tillräckligt robusta.
Hur passar terminskurverisk in i VaR för råvaror?
En råvaruportfölj är sällan en ren spotexponering; den innehåller ofta positioner i flera kontraktsmånader, till exempel lång juniolja och kort septemberolja. Det skapar exponering både mot rena prisrörelser och mot spreaden mellan månader. Terminskurverisk, även kallad curve risk eller basisrisk, kräver att korrelationsstrukturen längs hela terminskurvan modelleras i VaR-beräkningen.
Vanliga misstag att undvika
▾
- !Använda VaR som enda riskmått i stället för att komplettera med stresstester, scenarioanalys och Expected Shortfall
- !Skatta korrelationer från korta historiska fönster som inte innehåller stressperioder, i stället för att kombinera normala och stressade korrelationer
- !Addera VaR för olika råvarudelar rakt av och därmed överskatta portföljens totala VaR genom att bortse från diversifiering
- !Misslyckas med att fånga terminskurverisk genom att behandla varje råvaruposition som en ren spotexponering
- !Tolkar VaR-brott som modellfel trots att regelbundna överträdelser vid 99 % konfidens är väntade, ungefär 2–3 gånger per år
Proffstips
Komplettera den dagliga VaR-rapporten med en känslighetsbaserad P&L-attribution som visar hur mycket av portföljens VaR som kommer från varje råvara och varje riskfaktor, som prisnivå, kurvform och volatilitet. Det synliggör koncentrationsrisker som den aggregerade VaR-siffran annars kan dölja.
Visste du?
När J.P. Morgan introducerade RiskMetrics 1994, den första standardiserade VaR-ramen, demokratiserade det marknadsriskmätning och gjorde VaR till det gemensamma språket för finansiell riskhantering världen över. Det ursprungliga tekniska dokumentet publicerades fritt på internet och blev ett tidigt exempel på öppen riskmetodik som förändrade hela finansbranschen.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
Referenser
- ›BIS - Fundamental Review of the Trading Book (FRTB)
- ›CME Group - SPAN-metodik för marginalrisk
- ›BIS - Basel III:s ramverk för marknadsrisk
- ›Investopedia - Value at Risk (VaR)
Få mattetips varje vecka
Gå med 12 000+ prenumeranter som får räknartips varje vecka.