CQF笔记M2L3VaR和ES
CQF笔记M2L3VaR和ES
- Module 2 Quantitative Risk & Return
- Lecture 3 Value at Risk and Expected Shortfall
- 2.3.1 金融风险
- 2.3.2 Value at Risk 在险价值
- 2.3.3 Expected Shortfall (ES)
- 2.3.4 估计VaR的方法
- 2.3.5 VaR实例
- 2.3.6 回测VaR
- 2.3.7 资产组合的VaR和ES
Module 2 Quantitative Risk & Return
Lecture 3 Value at Risk and Expected Shortfall
2.3.1 金融风险
风险度量的三个目标
- 揭示“已知”风险:
- 让已知风险容易被看到
- 理解和揭示“未知”风险
一致性(coherent)风险度量指标的特性:
- 单调性 Monotonicity: Y ≥ X → R ( Y ) ≥ R ( X ) Y \ge X \to R(Y) \ge R(X) Y≥X→R(Y)≥R(X)
- 次可加性 Subadditivity: R ( X + Y ) ≤ R ( X ) + R ( Y ) R(X + Y) \le R(X) + R(Y) R(X+Y)≤R(X)+R(Y)
- 正齐次性 Positive Homogeneity: h ≥ 0 → R ( h X ) = h R ( X ) h \ge 0 \to R(hX) = h R(X) h≥0→R(hX)=hR(X)
- 平移不变性 Translational Invariance: R ( X + n ) = R ( X ) + n R(X + n) = R(X) + n R(X+n)=R(X)+n, n n n是与风险无关的常量
市场风险
市场风险:市场价格变动导致损失的风险
VaR和ES都可以用于度量市场风险
2.3.2 Value at Risk 在险价值
VaR表示给定时间区间(用于监管资本目的的VaR,时间区间通常是10天)和给定置信度水平下,持有资产或资产组合的最大损失
VaR(1天, 99%) = $10m
表示每年(252个交易日)有2~3天的日损失大于$10m,也就是其他时间的损失小于$10m或者盈利
P r ( ϕ ≤ V a R ( X ) − μ σ ) = 1 − c Pr(\phi \le \frac{VaR(X)-\mu}{\sigma}) = 1 - c Pr(ϕ≤σVaR(X)−μ)=1−c
VaR不能回答资产组合在给定时间区间内会损失多少
VaR提供了一种概率表达:关于对资产组合的价值,在给定时间区间内,可能发生多大的变化
VaR和时间区间
市场风险的VaR的时间区间一般用1天
监管部门使用的时间区间是10天
假定日收益相互独立(这种假设实际上并不成立),使用平方根法则,可以在不同时间区间之间转换VaR
2.3.3 Expected Shortfall (ES)
ES描述尾部损失的期望值,跟VaR一样,也是时间区间和置信区间的函数
ES也叫条件VaR、条件尾部期望值、尾部损失的期望值
E S c ( X ) = E [ X ∣ X ≥ V a R c ( X ) ] ES_c(X) = \mathbb{E}[X | X \ge VaR_c(X)] ESc(X)=E[X∣X≥VaRc(X)]
2.3.4 估计VaR的方法
三种方法:
- 参数法
- 历史模拟法
- 蒙特卡洛模拟法
方差协方差分析方法(参数VaR)
Analytic variance covariance approach / delta normal / parametric VaR
这三个术语指的是同一个意思:假设组合价格(风险因子)符合对数正态分布(用均值和方差描述)
V a R ( X ) = μ + Φ − 1 ( 1 − c ) ∗ σ VaR(X) = \mu + \Phi^{-1}(1-c) * \sigma VaR(X)=μ+Φ−1(1−c)∗σ
Φ − 1 ( 1 − c ) \Phi^{-1}(1-c) Φ−1(1−c)表示置信度 c c c对应的分位点
历史模拟法
历史模拟法不需要事先假设分布,但是需要2~3年的数据。
- 搜集过去500天(两年)的风险因子变化
- 对风险因子的日变化进行(从小到大)排序,根据VaR的置信度,得到左尾分位点和分位点处的变化量,就是VaR值
历史模拟法的优点:
- 无参,不依赖于任何假设
- 估计波动性和相关性也是无参的
- 不需要考虑肥尾问题,因为历史回报已经同步反映了所有风险因子在市场中的变化
缺点:
- 依赖特定的数据集
- 隐含假设:历史数据中包含的过往信息,会反映未来(这里要表达的是过去不代表未来,例如过去十年没有发生经济危机,不代表现在也不会发生)
蒙特卡洛模拟法
模拟随机过程生成多条路径(10000条),每条路径中资产组合都有一个价格,这些价格呈现某个分布。
2.3.5 VaR实例
单个资产的VaR
- 头寸:$100,000
- 日收益的标准差 σ \sigma σ:2.21%
- 99%置信度:2.33倍标准差
V a r ( 1 天 , 99 % ) = 2.21 % × 2.33 × 100 , 000 = 5 , 149 Var(1天, 99\%) = 2.21\% \times 2.33 \times 100,000 = 5,149 Var(1天,99%)=2.21%×2.33×100,000=5,149
V a r ( 10 天 , 99 % ) = 2.21 % × 10 × 2.33 × 100 , 000 = 16 , 284 Var(10天, 99\%) = 2.21\% \times \sqrt{10} \times 2.33 \times 100,000 = 16,284 Var(10天,99%)=2.21%×10 ×2.33×100,000=16,284
这里假设日汇报的相关系数为0
缺陷:
- 过去不总是能很好的指导未来
- 有可能不能覆盖异常的市场条件(长期资本和雷曼的违约)
- 有些市场风险不能被VaR简单表达
- 非线性payoff,例如期权
- Managed rates
- Relative value risks e.g. basis, correlation
单个资产的ES
参数法假定资产价格符合对数正态分布,资产收益符合正态分布
E S = μ + σ e − Y 2 / 2 2 π ( 1 − X ) ES = \mu + \sigma \frac{e^{-Y^2/2}}{\sqrt{2 \pi} (1 - X) } ES=μ+σ2π (1−X)e−Y2/2
2.3.6 回测VaR
目的:
- 监管要求(Basel的交通灯:对应不同的监管资本惩罚系数)
- 比较VaR和实际收益
- 更严格的方法是比较VaR和假想的损益
- 假定次日保持当前头寸
2.3.7 资产组合的VaR和ES
收益的期望值
μ ⃗ = ( μ 1 ⋮ μ i ⋮ μ n ) \vec{\mu} = \left( \begin{matrix} \mu _1 \\ \vdots \\ \mu _i \\ \vdots \\ \mu _n \\ \end{matrix} \right) μ =⎝⎜⎜⎜⎜⎜⎜⎛μ1⋮μi⋮μn⎠⎟⎟⎟⎟⎟⎟⎞
资产权重 x ⃗ = ( x 1 ⋮ x i ⋮ x n ) \vec{x} = \left( \begin{matrix} x _1 \\ \vdots \\ x _i \\ \vdots \\ x _n \\ \end{matrix} \right) x =⎝⎜⎜⎜⎜⎜⎜⎛x1⋮xi⋮xn⎠⎟⎟⎟⎟⎟⎟⎞
组合收益的期望值
μ ( x ⃗ ) = E [ R ⃗ ( x ⃗ ) ] = E [ x ⃗ T R ⃗ ] = x ⃗ T E [ R ⃗ ] = x ⃗ T μ ⃗ \mu(\vec{x}) = \mathbb{E}[\vec{R}(\vec{x})] = \mathbb{E}[\vec{x}^T \vec{R}] = \vec{x}^T \mathbb{E}[\vec{R}] = \vec{x}^T \vec{\mu} μ(x )=E[R (x )]=E[x TR ]=x TE[R ]=x Tμ
组合收益的方差
σ 2 ( x ⃗ ) = E [ ( R ⃗ ( x ⃗ ) − μ ⃗ ) ( R ⃗ ( x ⃗ ) − μ ⃗ ( x ⃗ ) T ] = E [ ( x ⃗ T R ⃗ − x ⃗ T μ ⃗ ) ( x ⃗ T R ⃗ − x ⃗ T μ ⃗ ) T ] = E [ x ⃗ T ( R ⃗ − μ ⃗ ) ( R ⃗ − μ ⃗ ) T x ⃗ ] = x ⃗ T E [ ( R ⃗ − μ ⃗ ) ( R ⃗ − μ ⃗ ) T ] x ⃗ = x ⃗ T Σ x ⃗ \begin{aligned} \sigma^2(\vec{x}) &= \mathbb{E}[ (\vec{R}(\vec{x}) - \vec{\mu}) (\vec{R}(\vec{x}) - \vec{\mu}(\vec{x})^T] \\ &= \mathbb{E}[ (\vec{x}^T \vec{R} - \vec{x}^T \vec{\mu}) (\vec{x}^T \vec{R} - \vec{x}^T \vec{\mu})^T] \\ &= \mathbb{E}[ \vec{x}^T (\vec{R} - \vec{\mu}) (\vec{R} - \vec{\mu})^T \vec{x}] \\ &= \vec{x}^T \mathbb{E}[ (\vec{R} - \vec{\mu}) (\vec{R} - \vec{\mu})^T ] \vec{x} \\ &= \vec{x}^T \Sigma \vec{x} \\ \end{aligned} σ2(x )=E[(R (x )−μ )(R (x )−μ (x )T]=E[(x TR −x Tμ )(x TR −x Tμ )T]=E[x T(R −μ )(R −μ )Tx ]=x TE[(R −μ )(R −μ )T]x =x TΣx
期望代表收益,方差代表风险,收益-风险问题变为求解优化问题(找到权重 x ⃗ \vec{x} x ):
- 期望一定时,最小化方差
- 方差一定时,最大化期望
组合风险度量
损失 L ( x ⃗ ) = − R ( x ⃗ ) L(\vec{x}) = -R(\vec{x}) L(x )=−R(x )
损失的期望 E [ ( L ( x ⃗ ) ] = − μ ( x ⃗ ) \mathbb{E}[(L(\vec{x})] = - \mu(\vec{x}) E[(L(x )]=−μ(x )
损失的波动性 σ ( L ( x ⃗ ) ) = σ ( x ⃗ ) \sigma(L(\vec{x})) = \sigma(\vec{x}) σ(L(x ))=σ(x )
基于标准差的风险度量
R ( x ⃗ ) = S D c ( x ⃗ ) = E [ ( L ( x ⃗ ) ] + c . σ ( L ( x ⃗ ) ) = − μ ( x ⃗ ) + c . σ ( x ⃗ ) \mathcal{R}(\vec{x}) = SD_c(\vec{x}) = \mathbb{E}[(L(\vec{x})] + c.\sigma(L(\vec{x})) = -\mu(\vec{x}) + c. \sigma(\vec{x}) R(x )=SDc(x )=E[(L(x )]+c.σ(L(x ))=−μ(x )+c.σ(x )
VaR
R ( x ⃗ ) = V a R α ( x ⃗ ) = i n f { l : P r { L ( x ⃗ ) ≤ ( l ) } ≥ α } \mathcal{R}(\vec{x}) = VaR_{\alpha} (\vec{x}) = inf \{ \mathcal{l} : Pr\{L(\vec{x}) \le \mathcal(l) \} \ge \alpha \} R(x )=VaRα(x )=inf{l:Pr{L(x )≤(l)}≥α}
ES
R ( x ⃗ ) = E S α ( x ⃗ ) = 1 1 − α ∫ α 1 V a R u ( x ⃗ ) d u \mathcal{R}(\vec{x}) = ES_{\alpha} (\vec{x}) = \frac{1}{1-\alpha} \int_{\alpha}^{1} VaR_u (\vec{x}) du R(x )=ESα(x )=1−α1∫α1VaRu(x )du
ES的条件VaR表达形式
E S α ( x ⃗ ) = E [ L ( x ⃗ ) ∣ L ( x ⃗ ) ≥ V a R α ( x ⃗ ) ] ES_{\alpha}(\vec{x}) = \mathbb{E}[L(\vec{x}) | L(\vec{x}) \ge VaR_{\alpha} (\vec{x})] ESα(x )=E[L(x )∣L(x )≥VaRα(x )]
假设收益符合正态分布: R ∼ N ( μ , Σ ) R \sim \mathcal{N}(\mu, \Sigma) R∼N(μ,Σ),
代入 μ ( x ⃗ ) = x ⃗ T μ ⃗ \mu(\vec{x}) = \vec{x}^T \vec{\mu} μ(x )=x Tμ 和 σ 2 ( x ⃗ ) = x ⃗ T Σ x ⃗ \sigma^2(\vec{x})= \vec{x}^T \Sigma \vec{x} σ2(x )=x TΣx
S D c ( x ⃗ ) = − x ⃗ T μ ⃗ + c . x ⃗ T Σ x ⃗ SD_c(\vec{x}) = -\vec{x}^T \vec{\mu} + c.\sqrt{\vec{x}^T \Sigma \vec{x}} SDc(x )=−x Tμ +c.x TΣx
对于VaR, P r { L ( x ⃗ ) ≤ V a R α ( x ⃗ ) } = α Pr\{ L(\vec{x}) \le VaR_{\alpha}(\vec{x}) \} = \alpha Pr{L(x )≤VaRα(x )}=α
由于 L ( x ⃗ ) = − R ( x ⃗ ) L(\vec{x}) = -R(\vec{x}) L(x )=−R(x ),得到
P r { R ( x ⃗ ) − x ⃗ T μ ⃗ ) x ⃗ T Σ x ⃗ ≤ − V a R α ( x ⃗ ) − x ⃗ T μ ⃗ ) x ⃗ T Σ x ⃗ } Pr\{\frac{R(\vec{x}) - \vec{x}^T \vec{\mu})}{\sqrt{\vec{x}^T \Sigma \vec{x}}} \le \frac{-VaR_{\alpha}(\vec{x}) - \vec{x}^T \vec{\mu})}{\sqrt{\vec{x}^T \Sigma \vec{x}}} \} Pr{x TΣx R(x )−x Tμ )≤x TΣx −VaRα(x )−x Tμ )}
− V a R α ( x ⃗ ) − x ⃗ T μ ⃗ ) x ⃗ T Σ x ⃗ = Φ − 1 ( 1 − α ) \frac{-VaR_{\alpha}(\vec{x}) - \vec{x}^T \vec{\mu})}{\sqrt{\vec{x}^T \Sigma \vec{x}}} = \Phi^{-1}(1-\alpha) x TΣx −VaRα(x )−x Tμ )=Φ−1(1−α)
最后得到
V a R α ( x ⃗ ) = − x ⃗ T μ ⃗ + Φ − 1 ( α ) x ⃗ T Σ x ⃗ VaR_{\alpha}(\vec{x}) = -\vec{x}^T \vec{\mu} + \Phi_{-1}(\alpha) \sqrt{\vec{x}^T \Sigma \vec{x}} VaRα(x )=−x Tμ +Φ−1(α)x TΣx
对VaR求积分得到
E S α ( x ⃗ ) = − x ⃗ T μ ⃗ + x ⃗ T Σ x ⃗ 1 − α ϕ ( Φ − 1 ( α ) ES_{\alpha}(\vec{x}) = -\vec{x}^T \vec{\mu} + \frac{\sqrt{\vec{x}^T \Sigma \vec{x}}}{1-\alpha} \phi(\Phi^{-1}(\alpha) ESα(x )=−x Tμ +1−αx TΣx ϕ(Φ−1(α)
CQF笔记M2L3VaR和ES相关推荐
- CQF笔记M1L3泰勒级数和转移概率密度函数
CQF笔记M1L3泰勒级数和转移密度函数 Module 1 Building Blocks of Quant Finance Lecture 2 Taylor Series and Transitio ...
- CQF笔记M2L2优化理论及其在资产组合选择中的应用
CQF笔记M2L2优化理论及其在资产组合选择中的应用 Module 2 Quantitative Risk & Return Lecture 2 Fundamentals of Optimiz ...
- CQF笔记Primer数学基础
CQF笔记Primer数学基础 1 Calculus 微积分 1.1 Basic Terminology 基本术语 1.2 Functions 函数 1.2.1 Explicit/Implicit R ...
- CQF笔记M2L1现代资产组合管理理论
CQF笔记M2L1资产组合理论 Module 2 Quantitative Risk & Return Lecture 1 Portfolio Management 2.1.1 MPT 历史 ...
- CQF笔记M1L1资产的随机行为
CQF笔记M1L1资产的随机行为 简介 Module 1 Building Blocks of Quant Finance Lecture 1 The Random Behaviour of Asse ...
- Elasticsearch学习笔记2:ES核心概念 -- 索引、倒排索引、类型、文档
一.ES和关系型数据库的对比 Elasticsearch Relational DB 索引(index) 数据库(database) 类型(types) 表(tables) 文档(documents) ...
- es应用笔记2-sql查询
es应用笔记2-sql查询 es作为一个搜索索引,在分析场景中,作为明细查询的场景会比kylin.impala.hive等更加合适. es在6.3版本开始支持sql查询,且其sql基础语法与大数据端的 ...
- Opne GL ES 学习心得!
好久都更新!接下来将更新自己学习Open GL ES 的学习心得,或者说是笔记. OpenGL ES 1.0使用一个固定的管道,通过它内建的functions来设置诸如灯光.,vertexes(图形的 ...
- elasticsearch狂神说笔记_神级学习笔记!别再说不会Elasticsearch了,这位架构师都整理好了...
搜索是软件工程师的一项必备技能.而 Elasticsearch 就是一款功能强大的开源分布式搜索与分析引擎,在同领域几乎没有竞争对手--近三年 DB-Engines 数据库评测中,ES 在搜索引擎领域 ...
最新文章
- 三代测序之微生物基因组 de novo 测序
- STM32 基础系列教程 6 - PWM
- Spark SQL CLI 运行
- boost::hana::experimental::print用法的测试程序
- ip复原Java,力扣:复原IP地址
- css3 flex属性flex-grow、flex-shrink、flex-basis学习笔记
- python快递分拣小程序_利用Python开发的ATM小程序
- 浏览器后退不刷新页面
- linux cut 命令详解
- 飞桨模型保存_飞桨对话模型工具箱(二):对话自动评估模块ADE
- !!! SQL 数据库开发基础 传智!
- UILongPressGestureRecognizer
- 双十一值得入手的数码好物有哪些?分享几款不错的数码好物
- 毕业设计 : 中文文本分类 ( 机器学习 和 深度学习 ) - 新闻分类 情感分类 垃圾邮件分类
- ./node_modules/.bin/webpack指令出错,该如何解决???
- es nested object区别
- uni-app 获取手机设备各项信息
- 还在用百度查找资源?不要落后啦,5款出奇好用的资源网送给你!
- 100以内的质数的三种实现
- JavaScript 遍历数组 翻转数组与冒泡排序法
热门文章
- python爬虫工程师 成长之路六(二) 非结构化数据之lxml库
- 今天碰见一个懂艺术的美女
- Thumbnails使用
- 猜数字游戏——c语言
- 【媒体工具】音视频信息常用解析工具
- Adobe安装程序检测到计算机重新启动操作可能处于挂起状态 解决方法
- com.alibaba.dubbo.rpc.RpcException: No provider available from registry。。。报错问题
- maven工程一直显示红叉叉
- 两端分散对齐怎么设置_分散对齐(Word文档两端对齐、分散对齐设置方法)
- 一文详解之江实验室-之江天枢人工智能开源平台