Wartość Zagrożona

Warto zagroona jako podstawowe
narzdzie w zarzdzaniu ryzykiem.

Mateusz uczak
rok V, nr ind. 117 328
Finanse i Bankowo,
spec.: analityk finansowy
i zarzdzanie ryzykiem

2

Spis treci

Wstp ................................................................................................................................ 6
I Ryzyko a warto zagroona .................................................................................... 8
1.1 Ryzyko finansowe i jego rodzaje ....................................................................... 8
1.2 Zarzdzanie ryzykiem ...................................................................................... 10
1.3 Ilociowe miary ryzyka .................................................................................... 11
1.4 Warto zagroona ........................................................................................... 14
1.4.1 Symulacja historyczna .............................................................................. 14
1.4.2 Symulacja Monte Carlo ............................................................................ 17
1.4.3 Tworzenie modelu VaR przy uyciu wariancji i kowariancji .................. 21
1.4.4 Porwnanie i ocena przedstawionych metod ............................................ 24
II Modelowanie zmiennoci ....................................................................................... 28
2.1 Finansowe szeregi czasowe.............................................................................. 29
2.1.1 Modele autoregresji AR ............................................................................ 31
2.1.2 Modele redniej ruchomej MA ................................................................. 34
2.1.3 Modele ARMA i ich modyfikacje ............................................................ 36
2.2 Heteroskedastyczno warunkowa ................................................................... 40
2.2.1 Model ARCH ............................................................................................ 42
2.2.2 Model GARCH ......................................................................................... 43
III Wybrane metody szacowania VaR ......................................................................... 50
3.1 Teoria wartoci ekstremalnych ........................................................................ 50
3.1.1 Podstawy matematyczne ........................................................................... 51
3.1.2 Tradycyjne podejcie parametryczne ........................................................ 54
3.1.3 Podejcie nowoczesne ............................................................................... 59
3.2 RiskMetrics ...................................................................................................... 63
3.2.1 Ideologia modelu zmiennoci ................................................................... 63
3.2.2 Estymacja parametru metod najwikszej wiarygodnoci .................... 65
3

IV Badanie poprawnoci modelu - backtesting ........................................................... 70
4.1 Idea backtestingu .............................................................................................. 70
4.2 Wybrane metody weryfikacji modelu .............................................................. 73
4.2.1 Testy Kupca i Christoffersena .................................................................. 74
4.2.2 Analiza funkcji strat .................................................................................. 75
4.3 Analiza poprawnoci modeli VaR dla danych z GPW .................................... 77
4.3.1 Metodologia oblicze oraz ich wizualizacja ............................................. 77
4.3.2 Wyniki weryfikacji oszacowanych modeli VaR ..................................... 82
Zakoczenie .................................................................................................................... 90
Literatura ......................................................................................................................... 92
Spis tabel ......................................................................................................................... 94
Spis rysunkw ................................................................................................................. 95

4

Table of contents

Introduction ....................................................................................................................... 6
I Risk and Value at Risk .............................................................................................. 8
1.1 Financial risk and its types ................................................................................. 8
1.2 Risk Management ............................................................................................. 10
1.3 Quantitative risk measures ............................................................................... 11
1.4 Value at Risk .................................................................................................... 14
1.4.1 Historical Simulation ................................................................................ 14
1.4.2 Monte Carlo Simulation ............................................................................ 17
1.4.3 Creating VaR model using variance-covariance method ......................... 22
1.4.4 Comparison and evaluation of given methods .......................................... 24
II Modeling volatility ................................................................................................. 28
2.1 Financial time series ......................................................................................... 30
2.1.1 Autoregressive AR models ...................................................................... 31
2.1.2 Moving average MA models .................................................................... 34
2.1.3 ARMA models and their modifications ................................................... 36
2.2 Conditional Heteroscedasticity ........................................................................ 41
2.2.1 ARCH model ............................................................................................ 42
2.2.2 GARCH model ......................................................................................... 43
III Selecterd methods for esitmating VaR ................................................................... 51
3.1 Extreme value theory ....................................................................................... 51
3.1.1 Math grounds ............................................................................................ 51
3.1.2 The traditional parametric approach ......................................................... 54
3.1.3 Modern approach ...................................................................................... 60
3.2 RiskMetrics ...................................................................................................... 63
3.2.1 Ideology of volatility models .................................................................... 63
3.2.2 Lambda estimation using MLE ................................................................. 65
5

IV Model verification - backtesting ............................................................................. 71
4.1 The idea of Backtesting .................................................................................... 71
4.2 Selecterd verification methods ......................................................................... 73
4.2.1 Kupiec and Christoffersen Tests ............................................................... 74
4.2.2 Analysis of the loss function ..................................................................... 75
4.3 Analysis of the accuracy of VaR models for WSE data .................................. 77
4.3.1 Methodology for calculation and visualization ........................................ 77
4.3.2 Verification results .................................................................................... 82
Conclusion ...................................................................................................................... 91
Bibliography ................................................................................................................... 92
List of tables .................................................................................................................... 94
List of figures .................................................................................................................. 95

6

Wstp

0

W ostatnich latach, wobec szeroko rozumianego kryzysu finansowego, coraz
wicej inwestorw zaczo si zastanawia jak bardzo ryzykowna jest ich dziaalno.
Waciciele i prezesi wielkich przedsibiorstw, syszc o kolejnych bankructwach
swoich konkurentw, zadaj sobie pytanie, czy i jak bardzo jest moliwe, aby podobny
los spotka ich firm?
Niestety na to pytanie nie ma jednoznacznej odpowiedzi. Oczywicie analityk
finansowy moe przedstawi i omwi niemal kady rodzaj ryzyka na jakie naraone
jest przedsibiorstwo, moe stworzy wysublimowane modele matematyczne suce
ich pomiarom i prognozom. Jednak przedstawienie takiej analizy wacicielom, jest
z gry naraone na fiasko. Dla zarzdzajcych przedsibiorstwem liczy si proste,
zrozumiae, intuicyjne rozwizanie, nie przemawiaj do nich skomplikowane wzory
oparte na zaawansowanych metodach ilociowych, z tego powodu zaczto uywa
stosunkowo atwej w interpretacji, a jednoczenie bardzo przydatnej miary ryzyka jak
jest VaR value at risk. Mona zdefiniowa na kilka sposobw, w Polsce Minister
Finansw w swoim rozporzdzeniu
1
przedstawia nastpujc definicj: przez warto
zagroon rozumie si przewidywan strat na utrzymywanych pozycjach
w instrumentach bazowych z tytuu zmian parametrw cenowych, obliczon za pomoc
modelu o parametrach szacowanych na podstawie obserwacji zmian tych parametrw
w przeszoci, ktrej przekroczenie w ustalonym okresie prognozy moe wystpi
z prawdopodobiestwem rwnym zaoonemu poziomowi istotnoci.
Celem niniejszej pracy jest dokadne omwienie rnych sposobw estymacji
wartoci zagroonej, a nastpnie zweryfikowanie otrzymanych modeli na podstawie
wybranych spek notowanych na Giedzie Papierw Wartociowych w Warszawie.

1
Rozporzdzenie Ministra Finansw z dnia 18 listopada 2005 r. w sprawie wymogw, jakim powinny
odpowiada wnioski bankw prowadzcych dziaalno maklersk o wydanie zezwolenia na niektre
czynnoci w ramach prowadzonej dziaalnoci maklerskiej.

7

Do oceny wybranych metod szacowania posuy testowanie wstecz tzw. backtesting
oraz testy statystyczne badajce poprawno modelu VaR.
Na wstpie naley dokadniej przybliy pojcie wartoci zagroonej. Miara ta
pozwala okreli, z zadanym z gry prawdopodobiestwem, jaka moe by
maksymalna strata. Ze statystycznego punktu widzenia jest to wybrany kwantyl
rozkadu przyszych zyskw i strat. Wydawa by si mogo, e to doskonae narzdzie
dla zarzdzajcych ryzykiem, wystarczy znale tylko empiryczny rozkad
interesujcych stp zwrotu i mona sdzi, e np. ewentualna strata tylko w 5%
przypadkw bdzie wiksza od obliczonej w ten sposb wartoci zagroonej. Niestety
to bardzo proste narzdzie do pomiaru ryzyka oparte jest na szeregu zaoe, ktre
praktycznie nigdy nie mog zosta spenione lub s nieobserwowalne. Gbiej
analizujc istot VaR mona si przekona, e kluczowym krokiem przy jej
wyznaczaniu jest estymacja zmiennoci (ang. volatility). Zadanie to jest ju bardziej
skomplikowane, poniewa naley znale zmienno z danego dnia, majc czsto do
dyspozycji jedn obserwacje. Istnieje jednak szereg metod, ktre w pewien sposb
rozwizuj ten problem, ale nie ma jednego, doskonaego, lepszego od innych
rozwizania.
W pierwszym rozdziale pracy zostan omwione, te najbardziej popularne,
mniej skomplikowane, atwiejsze w implementacji podejcia. Przede wszystkim
symulacja historyczna, metoda wariancji -kowariancji oraz proste metody Monte Carlo.
Nastpnie, w drugiej czci, przedstawiona zostanie istota i wasnoci
zmiennoci warunkowej, w szczeglnoci najbardziej popularne modele z serii
GARCH, stosowane w analizie szeregw czasowych oraz w modelowaniu ryzyka.
W kolejnym rozdziale zostan szczegowo omwione, raczej niszowe, bardziej
zaawansowane podejcia do zagadnienia wartoci zagroonej, w szczeglnoci teoria
wartoci ekstremalnych. Atutem tego fragmentu pracy bdzie prezentowanie teorii
stosunkowo nowych, nietumaczonych na jzyk polski.
Podobnie w rozdziale czwartym poruszone bd kwestie, ktre nie zostay
jeszcze dokadnie omwione przez polskich autorw. W sposb czytelny podjta
zostanie praktyczna prba backtestingu wraz z jej teoretycznym wytumaczeniem.
Gwnym rdem informacji, w tej badawczej czci pracy, bd dane historyczne
dotyczce spek notowanych na GPW. Wybr spek bdzie czysto losowy
z zachowaniem pewnych zasad: odpowiednio odlegy moment debiutu oraz pewne
zrnicowanie branowe.
8

Rozdzia I
1 Ryzyko a warto zagroona

Pierwszym krokiem do dogbnego zrozumienia istoty wartoci zagroonej jest
zaznajomienie si z definicj i rodzajami ryzyka. Chiski symbol reprezentujcy
ryzyko
2
jest kombinacj dwch innych: symbolu niebezpieczestwa oraz szansy,
sugeruje to, e to co dla jednych jest naraaniem na poniesienie strat dla innych jest
moliwoci osignicia ponad oczekiwanego zysku. W literaturze mona znale
kilkadziesit definicji tego pojcia, jak rwnie cae katalogi podziaw, ze wzgldu na
przerne kategorie. Najczciej wyrnia si dwie koncepcje definiowania ryzyka,
tj. negatywn oraz neutraln. Profesor Jajuga
3
w nastpujcy sposb je charakteryzuje:
w pierwszym ujciu ryzyko oznacza moliwo nieosignicia oczekiwanego efektu
czyli ryzyko jest zagroeniem, natomiast ryzyko pojmowane w sposb neutralny jest
moliwoci uzyskania efektu rnicego si od oczekiwanego czyli ryzyko nie tylko
moe by zagroeniem, ale rwnie szans na osigniecie lepszych wynikw. Mona
zauway, na podstawie tej definicji, e pomiar i badanie ryzyka nie jest czynnoci
atw i jednoznaczn. Wida, e ryzyko moe mie charakter tylko jakociowy, wtedy
moe ono podlega tylko subiektywnej ocenie badacza. Drugie podejcie ilociowe
pozwala mierzy w pewien sposb ryzyko, ale rwnie tutaj pojawiaj si problemy
w jaki sposb mierzy, jakich metod uywa, jakie zaoenia upraszczajce mona
poczyni? Nie ma jednoznacznej odpowiedzi na to pytanie, pozostaje tylko prbowa
kilku wybranych metod a nastpnie, po fakcie, oceni ich trafno.
1.1 Ryzyko finansowe i jego rodzaje

Ryzyko finansowe jest stosunkowo mod dyscyplin naukow, ktra powstaa
w celu maksymalizacji zyskw oraz minimalizacji strat przedsibiorstw inwestujcych
na rynku kapitaowym. Obejmuje ono nie tylko indywidualnych inwestorw, ktrych

2
Damodaran A., Value at Risk: Beyond Betas, Strern School of Business, 2003
3
Jajuga K., Zarzdzanie Ryzykiem, PWN Warszawa 2007
9

cechuje awersja do ryzyka, ale rwnie organy nadzorcze, ktrych celem jest
zapewnienie stabilnoci w gospodarce. Szczeglnie w ostatnich dwch dekadach, rola
tej drugiej strony jest bardzo wana, ze wzgldu na zwikszon zmienno rynkw
finansowych. Dodatkowo powstaj co raz to bardziej rozbudowane produkty finansowe,
w ktrych ocena ryzyka jest bardzo skomplikowana. Trudno w wycenie wci jest
powszechna, mimo e pocztki instrumentw finansowych, w tym rwnie
pochodnych, sigaj setki lat wstecz, to dopiero od niedawna, nauczylimy si realnie
kwantyfikowa to ryzyko.
Do najwaniejszych rodzajw ryzyka finansowego mona zaliczy m.in
4
.:
Ryzyko rynkowe market risk
Ryzyko kredytowe credit risk
Ryzyko pynnoci liqudity risk
Ryzyko operacyjne operational risk

Najistotniejszym rodzajem ryzyka w tej pracy jest ryzyko rynkowe. Mona je
definiowa jako ryzyko zmiany wartoci portfela inwestycyjnego lub tradingowego,
spowodowanej przez spadek lub wzrost wartoci czynnikw ryzyka, ktre maj wpyw
na w portfel. Najczciej takimi standardowymi czynnikami s : ceny akcji, wysoko
stp procentowych, poziom kursw walutowych oraz ceny nieruchomoci. Oprcz nich
do ryzyka rynkowego zaliczaj si rwnie: ryzyko zmiennoci oraz inne, mona
powiedzie, e podstawowe, tzw. basis risk. To pierwsze dotyczy gwnie posiadaczy
i handlarzy opcjami, natomiast drugi rodzaj ma znacznie szersze znaczenie, wystpuje
ono zawsze, gdy zabezpiecza si transakcj innym instrumentem. Przykadowo korzyci
z kontraktu futures mog nie pokry strat zwizanych ze spadkiem stopy procentowej.
W ostatnich latach, szczeglnie podczas ostatniego kryzysu finansowego,
wyodrbniono jeszcze jeden rodzaj ryzyka, tj. model risk, czyli ryzyko niedopasowania
modelu. Wystpuje ono czsto, gdy mamy do czynienia z bardzo rozbudowanymi
instrumentami finansowymi, ktre s cile powizane ze zoonymi modelami
matematycznymi stosowanymi w wycenie i hedgingu. Skomplikowany charakter
takiego modelu nie jest, sam w sobie, przyczyn pojawienia si ryzyka lecz dopiero
jego bdne zastosowanie. Ludzie implementujcy te modele nierzadko zaniedbuj
zaoenia, jakie musz by spenione, aby realnie zostaa odzwierciedlona sytuacja na

4
Choudhry M., An introduction to Value-at-Risk, John Wiley & Sons Ltd, Chichester, 2006

10

rynku, z takiego niedopasowania czy uproszczenia zaoe wynikaj bdne
oszacowania. Przykadowo, zaoenie o cyklicznym wzrocie cen nieruchomoci,
skutkowao z ocen zdolnoci kredytowych, a to z kolei przeoyo si na zy model
wyceny tzw. CDO
5
(Collateralised Debt Obligations). Jak wiadomo, okazao si to
jedn z gwnych przyczyn ostatniego, wielkiego kryzysu finansowego w USA.
1.2 Zarzdzanie ryzykiem

Ryzyko stao jednym z przedmiotw zarzdzania, w zasadzie, od pocztku lat
90-tych. Wwczas przede wszystkim banki inwestycyjne i komercyjne zaczy
przywizywa szczegln wag do kontroli ryzyka wystpujcego w ich dziaalnoci.
Z roku na rok wzrastao znaczenie komrek odpowiedzialnych za zarzdzanie
ryzykiem. Ich zadaniem nie byo eliminowanie wystpienia moliwych,
nieoczekiwanych strat, ale kontrolowanie czstoci ich wystpowania, jak rwnie ich
rozmiar i obszar, ktrego dotycz. Celem tego dziaania miao by przygotowanie
wacicieli czy akcjonariuszy na wystpienie takich strat.
Kluczow rol w zarzdzaniu ryzykiem jest dokadne poznanie brany, rynku,
aby stosowa metody konkretne dla danego podmiotu. Naley zrozumie wszystkie
moliwe rodzaje ryzyka na jakie naraona jest instytucja lub od czego zaley
ewentualna zmiana wartoci posiadanego instrumentu finansowego. Wtedy, gdy takie
zarzdzanie jest efektywne firma, bank czy inwestor indywidualny nie bdzie
podejmowa drastycznych decyzji w wypadku wystpienia okazjonalnych strat, jak
rwnie nie bdzie podchodzi zbyt asekuracyjnie do lokowania swojego kapitau.
W idealnym systemie zarzdzania ryzykiem
6
, kadego dnia dziaalnoci,
poszczeglne rodzaje ryzyka powinno by monitorowane i mierzone niezalenie od
siebie, kady instrument finansowy ponownie wyceniony. Oprcz tego, codziennie
powinno si prognozowa oczekiwan przysz strat i w przypadku prognozy
potwierdzajcej jej wystpienie, konieczne byoby zabezpieczenie si odpowiednim
instrumentem pochodnym. Wdroenie takich procedur jest bardzo kosztowne i trudne
do zrealizowania, jednak organa nadzorcze wobec bankw, wprowadzaj w ostatnim
czasie coraz bardziej restrykcyjne wytyczne w tym kierunku.

5
www.investopedia.com
6
Alexander C., Market Risk Analysis vol. IV. Value-at-Risk Models. John Wiley & Sons Ltd,
Chichester, 2006
11

1.3 Ilociowe miary ryzyka

Przed omwieniem pewnej miary ryzyka jak jest warto zagroona, naleaoby
przedstawi kilka koncepcji pomiaru ryzyka.
Pierwsz z nich i niewtpliwie najbardziej popularn jest odchylenie standardowe.
Ten tradycyjny sposb pomiaru ma bardzo logiczne uzasadnienie. Jak wiadomo,
odchylenie z definicji mierzy odlego danych od redniej, czyli pokazuje jak bardzo
wystpujce zjawisko rni si od redniego, najczciej wystpujcego stanu. Nie jest
to nic innego jak rozumiane przez nas ryzyko moliwo wystpienia
nieoczekiwanego zdarzenia. Oczywiste jest, e im wiksza warto odchylenia tym
bardziej ryzykowne jest przedsiwzicie. Niestety mona wskaza kilka wad takiego
podejcia. Gwnym problemem jest to, e czyste odchylenie standardowe nie rozrnia
wystpienia zjawiska dla nas negatywnego od pozytywnego. Bazujc tylko na tej
mierze, mona wysun niesuszne wnioski o ryzykownoci inwestycji. Na przykad
jeli cena danego instrumentu czsto przewysza poziom redni a tylko w kilku
przypadkach cena bya nisza od redniej, to uznamy tak inwestycje za ryzykown,
mimo e ewentualne odchylenie od ceny bdzie z duym prawdopodobiestwem
pozytywne. Okazuje si, e atwo mona rozwiza ten problem dokonujc pewnej
prostej modyfikacji biorc pod uwag tylko obserwacje o niszej ni rednia wartoci.
W ten sposb tworzy si tzw. semiodchylenie standardowe.
Drugim narzdziem sucym do pomiaru ryzyka jest wspczynnik Sharpea
7
.
Mierzy on w pewien sposb stosunek naszych ewentualnych korzyci do ryzyka jakie
musimy ponie. Jego wzr jest nastpujcy:
m
f m
R R
SR
, gdzie :
R
m
stopa zwrotu z instrumentu m;
R
f
stopa wolna od ryzyka;
m
odchylenie standardowe z instrumentu m;
Im wiksza jest warto tego wspczynnika tym wiksza premia za ryzyko dla
inwestora. Przyjmuje, e rednio warto SR powinna oscylowa w granicach 0.5,
wtedy uwaa si, e premia jest odpowiednia w stosunku do ryzykownoci inwestycji.
Jednak powysza miara sprawdza si bardziej, gdy porwnujemy dwie wykluczajce si

7
12

moliwoci alokacji kapitau, wtedy wspczynnik Sharpea moe suy jako jedno
z kryteriw uywanych w procesie decyzyjnym.
Kolejnym przedstawionym narzdziem sucym do pomiaru ryzyka jest
wspczynnik Vana
8
(Van ratio) . Niestety, aby z niego korzysta, konieczne jest
przyjcie zaoenia, e stopy zwrotu maj rozkad normalny. To zaoenie jest bardzo
silne i trudne do spenienia, std mierzenie ryzyka w ten sposb z gry jest obarczone
statystycznie istotnym bdem. W skrcie, wspczynnik Vana jest
prawdopodobiestwem, osignicia straty w jakim horyzoncie czasowym, najczciej
w cigu roku. Liczy si go w nastpujcy sposb:

zakumulowana roczna stopa zwrotu z inwestycji (compound annual return
przecitne roczne odchylenie standartowe z inwestycji (average four-quater

Majc w ten sposb obliczone prawdopodobiestwo, mona za pomoc tablic
rozkadu normalnego odczyta szacowan, przysz strat. Takie podejcie pozwala
szacowa ryzyko absolutne.
Obok stosunkowo prostych i intuicyjnych metod pomiaru ryzyka, wystpuje
szereg bardziej zoonych narzdzi, ktrych stosowanie jest uzalenione od cile
konkretnego przypadku. Jedn z wyrnionych grup jest grupa koherentnych miar
ryzyka. Koherencja to nic innego jak spjno, zwizo, w matematycznym
przeoeniu tego pojcia, uwaa si e miara ryzyka jest koherentna jeli spenia
ponisz definicj
9
:
Niech bdzie relacj okrelon nastpujco, : X R, gdzie X oznacza przestrze
zmiennych losowych, a R zbir liczb rzeczywistych nieujemnych. Relacja ta jest
koherentna jeli zachodz nastpujce wasnoci:
Niezmienno przeksztacenia (transation invariant): (X+r = (X , gdzie
X to dowolna zmienna losowa, r odpowiadajca stopa zwrotu, dowolna
liczba rzeczywista. Powysza wasno implikuje, e dodanie nieryzykowanej
stopy r pomniejsza ryzyko o .
Subaddytywno: (X
1
+X
2
(X
1
+ (X
2
, dla kadych zmiennych losowych
X
1
, X
2
. Interpretacja jest logiczna, tzn. zczenie dwch ryzykownych inwestycji

8
9
Artzner, P., Delbaen, F., Eber, J.M. & Heath, D. (1999). Coherent measures of risk. Mathematical
Finance, 9, 203 -228.
13

nie moe by bardziej ryzykowne, ni rozpatrywanie inwestycji osobno. Mona
dowie, e jeli tylko relacja jest pozytywnie homogeniczna to warunek
subaddytywnoci jest rwnowany warunku wypukoci .
Dodatnia jednorodno (positve homogenity: (X = (X, gdzie X
dowolna zmienna losowa, nieujemny skalar ( R
+
{0})
Monotoniczno: X
1
X
2
implikuje (X
1
(X
2
), dla dowolnych X
1
, X
2
.

Powyszych wasnoci nie spenia wikszo uywanych miar ryzyka, chociaby
sam VaR jest koherentn miar, gdy rozkad stp zwrotu naley do rodziny rozkadw
eliptycznych tylko wtedy zachodzi moe subaddytywno. Jednak istnieje tzw.
Conditional VaR (CVaR, zwany inaczej ogonem VaR, redni strat przekroczenia,
oczekiwana strata (Tail VaR, Mean Excess Loss, Mean Shortfall)
10
. Odpowiada ona na
pytanie, ile stracimy jeli znajdziemy si w niekorzystnej sytuacji, tzn, a priori
zakadamy, e znajdziemy si w ogonie rozkadu. Mona zatem wyrazi t miar
nastpujco : CVaR
(1-
= - E[ X X -VaR
(1-
].
Na podstawie tak przyjtej definicji, mona sformuowa kilka ciekawych i wanych,
z punktu widzenia inwestora, wasnoci charakteryzujcych warunkow warto
zagroon:
Jest wypuka, przez co atwiej jest optymalizowa portfel. Wida to na
poniszym rysunku:

Rys. 1 Wypuko CVaR,
rdo:.Dallagnol Filho V.A, Portfolio management using Value at Risk,
master thesis, Erasmus Universiteit Rotterdam, 2006.

10
www.investopedia.com
14

Jest bardziej restrykcyjna ni VaR, tj. dla dowolnego portfela ,
CVaR( Var(.
Pozwala lepiej ocenia ryzyko ekstremalne, dotyczce sytuacji wystpujcych
bardzo rzadko.

1.4 Warto zagroona

Jak ju zostao wspomniane we wstpie, warto zagroona nie jest
skomplikowanym narzdziem do mierzenia ryzyka, jednak istnieje wiele sposobw jej
wyznaczenia. W tej czci pracy przedstawione zostan te najprostsze i
najpopularniejsze, poczwszy od symulacji historycznej.
1.4.1 Symulacja historyczna
Licznie VaR t metod zwalnia nas z obowizku sprawdzenia czy spenione s
rne zaoenia jak np.: normalno rozkadu, staa zmienno, brak korelacji stp
zwrotu itp. Pod tym wzgldem ten sposb stoi ponad innymi metodami, dodatkowo
przemawia za nim jego prostota. Wiadomo zatem, e warto zagroona to nic innego
jak pewien kwantyl rozkadu np. stp zwrotu, jeli wanie od nich zaley warto
portfela (rwnie dobrze moe to by zmiana stp procentowych bd kursw
walutowych. Taki rozkad empiryczny mona atwo uzyska na podstawie danych
historycznych, aby lepiej zilustrowa t metod posuono si przykadem.
Mona zaoy, e jedynym instrumentem w portfelu inwestycyjnym s akcje
BRE Banku. Inwestor chce obliczy VaR jednodniowy, a dokadnie w dniu 18.12.2009
naley obliczy ewentualn strat na dzie nastpny. Dostpne s dzienne stopy zwrotu
z ostatnich stu dni, tj. od 31.07.2009 do 18.12.2009, przedstawione s w tabeli 1.
Pierwszym krokiem jest sprowadzenie ich do uporzdkowanego rosnco
szeregu. W danym przypadku najmniejsza dzienna stopa zwrotu wynosi -8,3% . Majc
tylko 100 obserwacji, to wanie ta warto jest pierwszym percentylem. Innymi sowy
z prawdopodobiestwem 99% inwestor nie straci wicej ni -8,3%.
Budujc histogram, naley pamita, e dla stu obserwacji ksztat wykresu nie
bdzie przypomina rozkadu normalnego, co jednak nie stanowi dowodu przeciw
zaoeniu o normalnoci rozkadu. Histogram skadajcy si tylu koszykw ile jest
obserwacji praktycznie nigdy nie bdzie wyglda dokadnie jak krzywa Gaussa.
15

Rys. 2 Histogram czstoci stop zwrotu BRE Banku,
rdo: obliczenia wasne.

Na powyszym rysunku, szereg zosta podzielony na 100 przedziaw, kady
odpowiada jednemu percentylowi. Mona na jego podstawie stwierdzi, e tylko 2
obserwacje maj warto mniejsz ni -5%, jest to zarazem drugi percentyl, zatem z
prawdopodobiestwem 98% maksymalna strata bdzie wiksza od -5%.
Tab. 1 Wartoci stp zwrotu BRE Banku
100-81 dzie 80-61 dzie 60-41 dzie 40-21 dzie 20-1 dzie
0,5% 2,6% -1,8% 2,3% 2,7%
3,3% -1,8% 0,8% -2,7% -0,6%
-2,2% -4,0% -2,7% -2,9% -0,7%
-0,3% -4,2% -5,8% -1,9% -2,6%
0,1% 2,2% 7,9% 0,9% -1,7%
2,0% -0,2% -4,6% 0,1% 0,0%
-0,8% 3,9% 2,4% -0,2% 3,9%
1,0% 2,4% 4,7% -4,5% 1,5%
-2,1% 3,8% -2,3% -1,2% 1,4%
6,0% 0,8% 2,9% -2,5% 2,8%
1,7% -2,3% -1,4% -4,2% -0,4%
-3,3% -2,4% 2,8% 4,4% -2,7%
2,4% 0,2% 0,0% -0,8% -0,4%
1,7% 3,1% 3,7% -1,2% 1,6%
4,5% 2,7% -1,8% -0,1% 1,4%
10,2% -1,0% -2,2% 3,4% 0,5%
6,7% -2,8% 0,4% -1,6% -1,1%
7,0% 3,5% 2,9% -0,4% 0,0%
-8,3% -0,2% 1,0% -2,9% 0,0%
-2,7% 1,0% 1,4% -1,5% -1,5%
rdo: obliczenia wasne
-0.09 -0.07 -0.05 -0.03 -0.01 0.01 0.03 0.05 0.07 0.09
0
0.5
1
1.5
2
2.5
3
3.5
4
stopy zwrotu akcji BRE Banku z okresu 31.07.2009 - 18.12.2009
c
z
s
t
o

16

Zakadajc picioprocentowy przedzia ufnoci, mona sdzi, e strata nie
przekroczy -4,24%. Inwestor, ktrego portfel w dniu 18.12.2009 jest warty 100 000 z,
moe z 95% pewnoci sdzi, e w dniu nastpnym jego portfel bdzie mia
niemniejsz warto jak 95 760 z.
Poza oczywist prostot i intuicyjnym uzasadnieniem takiego podejcia,
nietrudno doszuka si wielu wad. Przede wszystkim skd wiadomo ile przeszych
obserwacji bra pod uwag? Prawo wielkich liczb przemawia za braniem moliwe
najwikszej prby, rzdu setek tysicy, co jednak jest nie tylko niemoliwe dla
wikszoci danych finansowych jak rwnie, mogoby to prowadzi do bdw. Mona
wzi np. 500 lub 1000 wtedy nasze obliczenia bd bardziej precyzyjne i wiarygodne,
ale z drugiej strony taka tysiczna obserwacja odzwierciedla sytuacj sprzed 3 lat, co na
rynkach finansowych jest informacj zaprzesz i nieuyteczn
11
. Pojawiaj si nawet
wtpliwoci o uytecznoci obserwacji chociaby sprzed 10 dni. Zaoenie, e rozkad
100 stp zwrotu bdzie taki sam jak rozkad kolejnych stu musi by naiwne.
Wiadomo, e na ceny wpywa szereg rnych czynnikw makroekonomicznych
oraz pozarynkowych, ktrych wystpowanie ma charakter czysto losowy. Moe si
zdarzy wystpienie obserwacji bardzo odbiegajcej od redniej, ktre znaczco
zaburzy posta rozkadu empirycznego, wtedy wnioskowanie na jego podstawie bdzie
obarczone duym bdem. Mimo tak wielu wad, ciko jest prognozowa przysz
strat bez odniesienia do danych historycznych. Istniej jednak lepsze, bardziej
skomplikowanie metody szacowania wartoci zagroonej, ktre opieraj si na
przeszych obserwacjach. Takim podstawowym ulepszeniem jest analiza danych z
przeszoci w poszukiwaniu obserwacji nietypowych, odstajcych znaczco, ktrych
wystpienie zwizane jest ze zdarzeniem, ktrego nie przewiduje si w przyszoci.
W przytoczonym przykadzie posuono si bardzo prostym portfelem zoonym
tylko z jednego instrumentu, w praktyce, czynnikw ktre wpywaj na warto portfela
jest duo wicej. Oprcz rnych instrumentw wchodzcych w jego skad, naley bra
pod uwag czynniki rynkowe wpywajcego na warto portfela. Mog nimi by m.in.:
stopy procentowe, kursy walut, inflacja. Dla takiego przypadku naley posiada
odpowiedni ilo danych dotyczcych kadego czynnika ryzyka z osobna, aby mc
obliczy warto portfela dla kadego dnia z okrelonego horyzontu czasowego. Czsto
trudno jest otrzyma potrzebne dane oraz, ze wzgldu na ich du ilo, trudne jest ich

11
Engle Robert F. Risk and volatility: Econometric models and financial practice, Nobel Prize Lecture
08.12.2003
17

Na rysunku obok przedstawiono ilustracj
eksperymentu polegajcego na upuszczaniu
ziarenek maku (przy zaoeniu, e si nie celuje
ziarenka spadaj zupenie przypadkowo na
kwadratow kartk papieru, na ktrej narysowano
okrg. Stosunek pola koa do pola kwadratu,
moe by interpretowany jako
prawdopodobiestwo geometryczne, e losowy
punkt mieszczcy si w brzegu kwadratu naley
rwnoczenie do koa. Takie
prawdopodobiestwo wynosi zatem / 4.

zinterpretowanie oraz czysto techniczna obrbka. Problem ten czciowo jest
rozwizany w kolejnej opisanej metodzie symulacji Monte Carlo
12
.
1.4.2 Symulacja Monte Carlo
W ostatnich latach na skutek znacznego postpu technologicznego, symulacje
Monte Carlo zyskuj na popularnoci. Istota tej metody zostanie przybliona nie na
finansowym przykadzie, lecz bardziej obrazowym matematycznym.
Symulacje Monte Carlo su najczciej do wyliczenia czy estymacji wartoci,
ktrych nie mona, bd jest to bardzo trudne, otrzyma analitycznie np. ze wzoru.
Standardowym przykadem wykorzystania tej metody jest wyliczenie liczby , przy
uyciu koa o promieniu 1 wpisanego do kwadratu o boku 2 oraz serii losowa.
W tabeli 2 wida obliczenia dla kolejno 1000, 10000, 100000, 200000, 300000,
1000000 losowa, gdzie kade z nich zostao przeprowadzone dwadziecia razy.

Losujc teraz dowolny punkt z wntrza kwadratu mona oznaczy go jako 1,
gdy rwnoczenie mieci si w kole lub jako 0, jeli do koa nie naley. Wida, e jeli
bdziemy losowa wystarczajco wiele punktw, to zapenimy ostatecznie cae pole
naszej figury, wtedy stosunek liczby punktw w kole w do liczby punktw w kwadracie
powinien by w przyblieniu rwny / 4. Std aby otrzyma przyblienie liczby ,

12
Mitzenmacher M., Upfal E., Metody probalistyczne i obliczenia: algorytmy zrandomizowane i analiza
probalistyczna, Wydawnictwa Naukowo Techniczne, Warszawa 2009
Rys. 3 Okrg wpisany
w kwadrat
rdo: opracowanie
wasne
18

wystarczy zsumowa otrzymane jedynki i podzieli je przez liczb wszystkich losowa,
a nastpnie wynik pomnoy przez cztery
13
.
Tab. 2 Przyblienia liczby w wyniku symulacji.
Nr
losowania
1000 ob. 10000 ob. 100000 ob. 200000 ob. 300000 ob. 1000 000 ob.
1
3,204 3,132 3,13956 3,13436 3,14716 3,138416
2
3,092 3,1344 3,14904 3,13764 3,140813 3,14332
3
3,132 3,1644 3,14184 3,14152 3,138773 3,141552
4
3,212 3,1616 3,1538 3,14224 3,148053 3,143092
5
3,112 3,1448 3,13684 3,14622 3,141427 3,14096
6
3,148 3,1628 3,14924 3,14496 3,14016 3,143284
7
3,228 3,1468 3,13136 3,1427 3,145093 3,140612
8
3,144 3,168 3,1342 3,13826 3,144453 3,141124
9
3,124 3,146 3,14104 3,14012 3,143267 3,1402
10
3,16 3,1572 3,1426 3,14202 3,146133 3,139552
11
3,208 3,1352 3,13432 3,13832 3,135213 3,142356
12
3,112 3,1144 3,14264 3,14304 3,140667 3,14384
13
3,132 3,1284 3,1446 3,143 3,144413 3,144336
14
3,164 3,1792 3,14436 3,13982 3,14776 3,140632
15
3,216 3,1488 3,1452 3,1365 3,13452 3,139732
16
3,096 3,1436 3,14252 3,13726 3,13784 3,14252
17
3,164 3,1576 3,1452 3,13574 3,141907 3,141396
18
3,172 3,1308 3,15412 3,1399 3,14436 3,138068
19
3,196 3,1388 3,13464 3,14244 3,146053 3,142604
20
3,256 3,1396 3,13872 3,1399 3,136573 3,142764
Dla przypomnienia, liczba z dokadnoci do czterech miejsc po przecinku
jest rwna: 3,1416. Z powyszych danych wynika, e zwikszanie liczby losowa
znaczco poprawia dokadno wynikw, jednak nawet przy milionie losowa i
dwudziestu prbach, otrzymano tylko raz przyblion warto 3,1416, jest to dosy
dokadne przyblienie. Jeli wemie si pod uwag tylko dwa miejsca po przecinku, to
100 000 losowa wystarcza by dobrze oszacowa liczb pi. Powyszy przykad
powinien niejako nawietli czym s symulacje i do czego mona ich uy.

13
Mitzenmacher M., Upfal E., Metody probalistyczne i obliczenia: algorytmy zrandomizowane i analiza
probalistyczna, Wydawnictwa Naukowo Techniczne, Warszawa 2009
19

Analogicznie mona uy metod Monte Carlo do liczenia wartoci zagroonej.
Niestety trzeba najpierw zaoy rozkad z jakiego bd losowane kolejne prby.
W powyszym eksperymencie, nie pokazujc tego wprost, rwnie korzystano
z wymienionego zaoenia. Mianowicie, przyjto e kady punkt wylosowany jest
z jednakowym prawdopodobiestwem, tzn. ley w dowolnym miejscu kwadratu. Takie
zoenie mwi o tym, e losowano punkty z dwuwymiarowego rozkadu jednostajnego.
Takie zaoenie wydaje si w tym przypadku oczywiste, natomiast jeli chodzi
chociaby o stopy zwrotu to wybr rozkadu nie jest ju taki jednoznaczny.
W literaturze najczciej przyjmuje si, na podstawie lat bada, e stopy zwrotu
pochodz z rozkadu normalnego
14
. Jest to due uproszczenie, ktre su gwnie celom
statystycznym, mianowicie rozkad normalny posiada wiele podanych waciwoci
i wiele rzeczy przemawia za sensownoci jego stosowania. Oczywicie posiadajc
odpowiednie narzdzia, mona znale inny rozkad teoretyczny, ktry stanowi lepsze
dopasowanie dla konkretnego rozkadu empirycznego. W pierwszej kolejnoci naley
si jednak przyjrze rozkadowi normalnemu, zestandaryzowanemu tj. o zerowej
redniej i jednostkowej wariancji.
Majc portfel skadajcy si tylko z jednego instrumentu, jeli zaoy si, e
kadego dnia stopa zwrotu pochodzi ze standaryzowanego rozkadu normalnego,
potrzebna jest tylko warto portfela z dzisiaj. Nie s wane pozostae dane
historyczne, pod tym wzgldem podejcie symulacji jest wygodniejsze. Do wyliczenia
jednodniowego VaR-u, dla poziomu istotnoci 1%, losuje si stop zwrotu z zadanego
rozkadu i na jej podstawie liczy now warto portfela, odejmuje j od dzisiejszej
wartoci i w ten sposb otrzymuje si zmian jednodniow. Jeli przeprowadzi si
100 000 losowa, to bdzie si dysponowa stoma tysicami moliwych scenariuszy,
kady prezentuje ewentualn zmian portfela w dniu jutrzejszym. Taka ilo danych
duo bardziej nadaje si do wyliczenia rnych percentyli. Dla poziomu istotnoci 1%
i liczbie obserwacji rwnej 100 ty. bierze si 1000 najgorszych moliwych zmian,
spord tych ktre wylosowano. Najmniej dotkliwa starta z wybranego tysica, jest
poszukiwanym percentylem i zarazem wartoci zagroon.
Na rysunku nr 2 przedstawiony jest rozkad wysymulowanych, moliwych
zmian wartoci portfela, kada obserwacja pochodzia ze standaryzowanego rozkadu
normalnego. Dodatkowo na histogram zosta naoony wykres gstoci takiego

14
Chichester, 2006
20

rozkadu dla lepszej ilustracji. Na wykresie zaznaczono pity percentyl, oraz pole pod
wykresem o powierzchni 0,05. Z tak przedstawionego wykresu mona odczyta, e
VaR
0,95
wynosi okoo -0,12, wic jeli dzisiaj portfel ma warto 100 000 z, to
z prawdopodobiestwem 95%, jutro jego warto nie bdzie mniejsza ni 88 000 z.

Rys. 4 Ilustracja wartoci zagroonej jako kwantyla rozkadu.

Powyej opisano rwnie bardzo prosty portfel o jednym instrumencie, jednak
oglniejszy przypadek nie jest duo bardziej skomplikowany. Gdy portfel skada si
z n instrumentw oraz s one wzajemnie niezalene od siebie, to mona im
przyporzdkowa niezalene zmienne losowe o rozkadach normalnych. Dla takiego
przypadku, nie losuje si stp zwrotu z jednowymiarowego rozkadu normalnego, ale
bierze si n-wymiarowy rozkad normalny.
Jeli instrumenty s ze sob skorelowane to trudniejsze jest wyliczenie wartoci
portfela, jednak nie jest to problemem przy wykorzystaniu odpowiedniego
oprogramowania i sprztu, zwiksza si jedynie czas uzyskania odpowiedniego wyniku.
Naley podkreli, e przy obecnie powszechnym i szeroko dostpnym sprzcie,
dokonywanie serii skomplikowanych oblicze i symulacji zajmuje setki razy mniej
czasu ni zajo by to 10 lat temu, std stale rosnca popularno metod Monte Carlo.
21

1.4.3 Tworzenie modelu VaR przy uyciu wariancji i kowariancji
Kolejne podejcie opierajce si na analizie danych historycznych, ktre dodatkowo
zakada najczciej normalno rozkadu stp zwrotu. Mona wyrni trzy
podstawowe etapy tworzenia modelu VaR
15
:
Dekompozycja instrumentw wchodzcych w skad portfela polega to na
rozoeniu inwestycji na najbardziej podstawowe elementy, ktrych warto
zaley tylko od jednego czynnika rynkowego.
Specyfikacja rozkadw stp zwrotw z instrumentw lub innych wskanikw
rynkowych najczciej zakada si normalno rozkadu, ale rwnie istnieje
wiele metod statystycznych pozwalajcych na dopasowanie innym rozkadem.
Wyliczenie zmiennoci na podstawie wariancji i kowariancji przy uyciu
standardowych metod ilociowych.
Nie jest to jedyne podecie do tworzenia tego typu modeli. Philippe Jorion w swojej
ksice
16
, przedstawia alternatywny, bardziej rozszerzony schemat obliczania wartoci
zagroonej.

Rys. 5. Zobrazowany proces liczenia wartoci zagroonej
rdo: Jorion Ph., Value at Risk: The New Benchmark for Managing Financial Risk, 3
rd
ed.,
The McGraw-Hill Companies, Inc., New York 2007

Na rysunku nr 5 wyrnionych jest pi krokw: okrelenie i wycena pozycji
wchodzcych w skad portfela, pomiar ich zmiennoci czyli ocena ryzyka, ustalenie

15
16
Jorion Ph. Value at Risk: The New Benchmark for Managing Financial Risk, 3
rd
ed.,

22

horyzontu czasowego, podanie przedziau ufnoci i ostatecznie, podanie wysokoci
ewentualnej straty.
Dla zilustrowania procesu tworzenia modelu rwnie posuono si przykadem.
Inwestor jest wacicielem portfela, ktry tak jak poprzednio, skada si tylko z akcji
BRE Banku. W dniu 18.12.2009 jego portfel ma warto 100 000 z, inwestor tym
razem chce wiedzie ile moe straci w cigu 10 kolejnych dni, jego pewno powinna
wynosi 95%.
W tym przykadzie krok pierwszy moe zosta pominity, poniewa w portfelu
znajduje si tylko jeden instrument, wic nie ma potrzeby rozdrabniania inwestycji
warto portfela zaley tylko od stp zwrotu z akcji BRE Banku.
Drugim krokiem jest wybr odpowiedniego rozkadu. Najczciej przyjmuje si, e
stopy zwrotu posiadaj rozkad normalny, mona sprawdzi czy dla akcji BRE Banku
takie zaoenie jest sensowne. W tym celu tworzy si histogram stp zwrotu na
z moliwie dugiego okresu, w tym przypadku z ostatnich siedemnastu lat. Na jego
podstawie, wida e rozkad empiryczny ma grubsze ogony od rozkadu normalnego
zestandaryzowanego, nie jest to jednak bardzo znaczca rnica i na potrzeby
przykadu mona przyj normalno.

Rys. 6 Wykres czstoci stp zwrotu akcji BRE Banku z lat 1992-2009.
rdo: obliczenia wasne na podstawie danych z www.bossa.pl

Ostatnim krokiem, jest obliczenie wariancji i odchylenia standardowego. Dla
danych przedstawionych w histogramie odchylenie dzienne wynosi 0,03. Czyli dla
portfela o wartoci 100 000 z , dzienna zmienno wynosi okoo 3000 z o tyle
rednio rni si rzeczywista warto portfela w danym dniu od oczekiwanej. Teraz
23

zgodnie z zaoeniem rozkadu normalnego, sprawdza si ile to jest
-1
(0,95, gdzie
-1

oznacza funkcj odwrotn do dystrybuanty rozkadu normalnego. Otrzymano wynik
1,645
17
, co oznacza to, e z prawdopodobiestwem 5% zmienna losowa o rozkadzie
N(0,1) przyjmie warto o 1,645 odchylenia standardowego mniejsz od oczekiwanej
18
.
W przypadku posiadanych akcji BRE rednia stopa zwrotu wynosi 0,001, zatem
mona przyj, e oczekiwana stopa jest rwna 0. Ostatecznie warto portfela, w cigu
jednego dnia, z prawdopodobiestwem 95% , moe si zmniejszy maksymalnie
o kwot : 30001,645 z, czyli inwestor tylko w 5% przypadkw straci wicej ni 4935
z. Przekadajc to na horyzont 10 dniowy, naley warto przemnoy przez ,
zatem dziesiciodniowy VaR
0,95
dla opisanego portfela wynosi 15605,84 z.
Dla przypadku portfela wielu spek, naley wzi pod uwag fakt, e suma ich
odchyle standardowych praktycznie nigdy nie bdzie rwna odchyleniu ich sumy, ze
wzgldu na zazwyczaj niezerowe i statystycznie istotne korelacje wystpujce midzy
nimi.
Bezporednio wynika to ze wzoru na odchylenie dwch zmiennych losowych X, Y
19
:
X+Y
=
.
W przypadku wikszej liczby instrumentw, wzr staje si bardziej rozbudowany,
naley tworzy macierze wariancji kowariancji i uwzgldnia wszystkie kombinacje
instrumentw:
N
=

, gdzie :
- udzia i-tego instrumentu w portfelu.
- wspczynnik korelacji midzy i-tym a j-tym instrumentem.
- odchylenie standardowe i-tego instrumentu.

Z powyszych rozwaa jasno wynika, e warto zagroona portfela
zawierajcego n rnych instrumentw jest zawsze mniejsza bd rwna sumie
wartoci zagroonych liczonych dla kadego instrumentu osobno. Jest to dobrze znany
proces dywersyfikacji ryzyka.

17
Ostasiewicz S., Rusnak Z., Siedlecka U., Statystyka. Elementy teorii i zadania, Wydawnictwo
Akademii Ekonomicznej im. Oskara Langego we Wrocawiu, Wrocaw 2006
18
Hull J.C. Options, Futures and Other Derivatives,7
th
ed., Pearson Education, Inc., Upper Saddle River,
New Jersey, 2009.
19
ibidem
24

1.4.4 Porwnanie i ocena przedstawionych metod

adna z przedstawionych metod nie jest doskonaa, kada z nich posiada zalety
ale zdecydowanie wicej wad. We wspczesnym zarzdzaniu ryzykiem wymaga si
aby stosowane metody daway moliwie bezbdne rezultaty, wane staj si kolejne
liczby po przecinku, przeprowadza si szereg pomiarw i testw statystycznych by
uzyska lepsze rezultaty. Myli si ten, kto uwaa e w przecitnym banku warto
zagroon liczy tak, jak w ktrymkolwiek z przedstawionych tutaj przykadw.
W rzeczywistoci jest to proces duo bardziej zoony, opierajcy si jednak na pewnej
ideologii zawartej w wyej wymienionych przypadkach .
Metoda symulacji historycznej, jak to ju zostao wspomniane, posiada jedn
zasadnicz zalet brak zaoe odnonie rozkadw prawdopodobiestwa. Korzysta
si w niej, z otrzymanego na podstawie danych historycznych, rozkadu empirycznego.
Niestety rynki finansowe s bardzo dynamiczne, zwaszcza wida to w ostatnich latach.
Jeli chodzi o oczekiwan stop zwrotu, to w tym przypadku problem jest mniej
zauwaalny. Stopy zwrotu w dugim horyzoncie czasowym z reguy oscyluj wok
redniej 0. Dla przykadu pokazano wykres szeregu czasowego utworzonego przez 3929
stp zwrotu z akcji Mostostal. Nietrudno zauway, e rednia stopa zwrotu to zero,
wida skoki pozytywne i rwnowace je skoki negatywne, nie wida natomiast
adnego trendu.
Z tego wykresu mona odczyta jeszcze jedn wan rzecz, ktra pokazuje
niedoskonao symulacji historycznych. Jest to zmienna w czasie wariancja, czyli
heteroscedastyczno
20
. Jej wystpowanie jest potwierdzone w zdecydowanej
wikszoci przypadkw, w ktrych badamy stopy zwrotu z rynkw finansowych. Na
rysunku nr 7 przejawia si ona w postaci wystpowania skupisk zmiennoci.
Opierajc si na danych historycznych zaoy mona, e odchylenie
standardowe w przyszym okresie bdzie oscylowa wok tego samego poziomu jak
dotychczas, ale jak to wida na przykadzie Mostostalu, uwzgldniajc dane z lat
1994-1996, kiedy to zmienno bya bardzo dua i na wyszym poziomie, ryzyko w
roku 2008 zostaoby przeszacowane. Z kolei, gdyby pomija dane z odlegej
przeszoci, mogoby si okaza, e prba jest zbyt maa, by wyciga wiarygodne
wnioski.

20
Tsay R., Analysis of Financial Time Series. Wiley and Sons, Chicago2002
25

Rys. 7 Wykres stp zwrotu dla akcji Mostostal.

Nastpn rzecz, na ktr naley zwrci uwag, s tzw. obserwacje nietypowe.
W powyszym szeregu czasowym, liczcym prawie cztery tysice obserwacji, znajduj
si trzy lub cztery stopy zwrotu znaczco odbiegajce od redniej. Prawdopodobiestwo
ich wystpienia zatem wynosi ~ 0,001. Pytanie, zatem powstaje czy naley to jako
uwzgldni w liczeniu wartoci zagroonej ? Formalnie, naleaoby jeszcze sprawdzi
od czego zale te skoki, by moe mogy by one spowodowane jak sytuacj na
rynku, ktra z pewnoci nie wystpi w najbliszej przyszoci. W tym miejscu
powstaje problem, jak opracowa odpowiedni i efektywn metod przeprowadzania
takich analiz. Moe si to okaza bardzo trudne i bardzo kosztowne w implementacji,
co zapewne bdzie podstawowym argumentem przeciw stosowaniu symulacji
historycznej jako gwnego narzdzia do obliczania wartoci zagroonej.
Drugie przedstawione podejcie tj. symulacje Monte Carlo nie jest obcione
trudn implementacj, wymaga jednak posiadania odpowiedniej jakoci sprztu i
oprogramowania. W tym przypadku podstawowym problemem jest co innego, ten sam
problem pojawia si przy tradycyjnym budowaniu modelu. Mianowicie chodzi o wybr
rozkadu teoretycznego, ktry najlepiej opisuje rozkad stp zwrotu konkretnej spki.
Jak byo to wspomniane, najczciej zakada si normalno takiego rozkadu, mimo e
26

cisa normalno, potwierdzona testami statystycznymi wystpuje niezwykle rzadko
21
.
Zaoenie to jest dobre z jednego wzgldu: jeli zupenie nie wiadomo z jakim
rozkadem ma si do czynienia w przypadku stp zwrotu i nie ma moliwoci tego
zweryfikowa, to najsensowniej jest zaoy jego normalno. Niestety wikszo
bada potwierdza, e rozkad ten praktycznie nigdy nie jest normalny
22
lecz co najwyej
zbliony do normalnego. Sprawdzono jak to wyglda dla rozwaanego wczeniej
Mostostalu.

Rys. 8 Wykres czstoci stp zwrotu dla akcji Mostostalu z lat 1994-2009

Dla tej losowo wybranej spki z Giedy Papierw Wartociowych, zaoenie
normalnoci rozkadu doprowadzi to statystycznie istotnych bdw. Na rysunku oprcz
histogramu, wida rwnie wykres gstoci rozkadu normalnego oraz przedstawione s
wyniki testu na normalno Jarque Bera, na podstawie ktrego zdecydowanie naley
odrzuci hipotez o normalnoci. Zamy jednak, e bdziemy si trzyma
normalnoci, mimo e rozkad rzeczywisty jest na pewno niesymetryczny. W takim
wypadku, biorc pod uwag odchylenie z prby, liczc VaR bdziemy dostawa
warto przeszacowan. Poniewa z wykresu atwo odczyta, e zmiana wobec wartoci
redniej jest czciej pozytywna ni negatywna (wysoki supek histogramu na prawo od
zera. Z drugiej strony, patrzc na grubo ogonw rozkadu, przyblianie rozkadem

21
Mills T.C., The Econometric Modelling of Financial Time Series 2
nd
edition, Cambridge University
Press 1999
22
Doman M., Doman R., Modelowanie zmiennoci i ryzyka. Metody ekonometrii finansowej, Wolters
Kluwer Polska, 2009
27

normalnym bdzie skutkowao niedoszacowaniem ryzyka. Rzadko si jednak zdarzy, e
atwo bdzie mona znale inny teoretyczny rozkad, ktry bdzie lepszym
dopasowaniem.
Kryteria wyboru potencjalnych rozkadw oraz statyczne waciwoci
empirycznych rozkadw stp zwrotu s cigle w obszarze bada, std nie mona
znale jednoznacznych odpowiedzi czy rozwiza. Szerzej ten temat zostanie
poruszony w dalszej czci pracy.
Ostatni sposb wyliczenia wartoci zagroonej, czyli budowa modelu oprcz
wymienionego wyej problemu z dopasowaniem rozkadu, posiada jeszcze jedn wad.
Jest ona zwizana z portfelem wielu spek, w takim przypadku pomijajc trudnoci
techniczne, pojawia si problem korelacji dwch spek, czsto jest on jednak
pomijany. W literaturze mona znale liczne badania, ktre potwierdzaj siln
korelacj midzy zdarzeniami czy przedmiotami, pomidzy ktrymi nie istniej adne
zwizki przyczynowo skutkowe. Zjawisko to nosi nazw regresji pozornej
23
.
Przykadowo G.U. Yule (1926 zbada roczne dane z lat 1866 -1911 o wspczynniku
miertelnoci w Anglii i Walii oraz odsetek maestw uwiconych sakramentami w
Kociele Anglikaskim. Zmienne te wykazyway siln liniow zaleno -
wspczynnik korelacji liniowej wynosi ok. 0,95. Czy oznacza to, e Koci
Anglikaski powinien by oskarony o zwikszanie miertelnoci? Plossner oraz
Schwert (1978) na podstawie danych rocznych (1897 1958) oszacowali na 0,91
wspczynnik korelacji liniowej pomidzy logarytmem nominalnego dochodu w USA
oraz logarytmem skumulowanej liczby plam na Socu.
Jak wida na podstawie przedstawionych metod, raczej su one do mniej
zaawansowanej analizy ryzyka, jednak stanowi one pewien fundament dla metod
bardziej skomplikowanych. Naley pamita, e wspczesne zarzdzanie ryzykiem,
jest procesem bardzo rozbudowanym, w ktrym uywane s rnego rodzaju narzdzia,
czsto jednak bez odpowiednich podstaw owe narzdzia mog zosta le wykorzystane,
doprowadzajc do podjcia bdnych decyzji. W nastpnym rozdziale przedstawiona
zostanie idea zmiennoci warunkowej, aby przybliy zaawansowan analiz
finansowych szeregw czasowych. Jest ona bardzo przydatna w modelowaniu wartoci
zagroonej.

23
Johnston J., DiNardo J. Econometric Methods 4
th
ed. McGraw-Hill, Irvine USA, 1997
28

Rozdzia II
2 Modelowanie zmiennoci

Cech wspln wikszoci procesw finansowych, ktre obserwowane s z du
czstotliwoci, jest naprzemienne wystpowanie okresw o zwikszonej fluktuacji cen
i okresw o bardziej ustabilizowanym, rednim poziomie zmian
24
. Rnice w wielkoci
wariancji maj tendencje do skupiania si w nastpujcych po sobie jednostkach czasu.
Obserwuje si, e po okresach o podwyszonej wartoci wariancji nastpuj rwnie
okresy cechujce si zwikszon zmiennoci. Analogicznie, po okresach relatywnie
spokojnych, mona si spodziewa take stabilnoci. Spowodowane jest to gwnie
przez bardzo krtki horyzont inwestycyjny, zatem to zjawisko dotyczy przede
wszystkim instrumentw, dla ktrych naturalne s czste obserwacje. Poza opisanym
wyej zjawiskiem, zwanym gromadzeniem zmiennoci, mona wyrni jeszcze inne
wasnoci: ewolucja w czasie ma charakter cigy, zmienno zawsze jest skoczona
oraz z reguy inaczej reaguje w stosunku do spadkw a inaczej w stosunku do wzrostw
cen. Cigo, czyli brak skokw zmiennoci statystycznie jest interpretowana jako
stacjonarno procesu
25
.
Dla cen akcji, poziomu indeksw, stp procentowych czy kursw walutowych
zaoenie staej warunkowej wariancji jest przydatne tylko do okrelenia poziomu
zmian w dugim horyzoncie czasu. Przyjcie tego zaoenia do prognozowania zmian w
krtkim okresie jest nieefektywne i obarczone duym bdem. O wiele bardziej
precyzyjne jest zaoenie o zmiennej w czasie wariancji warunkowej i okrelenie
zalenoci miedzy odchyleniem w chwili t oraz chwili t+1. Najprostsze jest znalezienie
modelu dla wartoci redniej procesu, a nastpnie wyliczenie dodatkowego rwnania
dla reszt (residuals), ktre bdzie opisywao warunkow wariancj tego procesu.
Powysza procedura jest najpopularniejsza w analizie finansowych szeregw
czasowych, ale znajduje ona rwnie zastosowanie w szacowaniu wartoci zagroonej.
To wanie zmienno wyraona przez warunkow wariancj jest podstawow
trudnoci w liczeniu VaR.

24
Osiska M., Ekonometria finansowa, PWE Warszawa, 2006
25
29

2.1 Finansowe szeregi czasowe

Podstawow kwesti odrniajc finansowe szeregi czasowe od innych
szeregw empirycznych jest brak wielkoci obserwowalnych bezporednio oraz
stosunkowo wysoka niepewno zawarta w danych. Powoduje to powstawanie
wtpliwoci co do zasady stosowania wybranych metod statystycznych. Typowym
problemem jest wnioskowanie na podstawie tylko jednego szeregu obserwacji, dla
ktrego ani rozkad nie jest jednoznacznie wyznaczony, ani nie mona sdzi, e
pochodzi z cigu niezalenych zmiennych losowych o jednakowym rozkadzie (i.i.d.)
26
.
Najczciej finansowe szeregi tworzy si w oparciu o stopy zwrotu a nie ceny.
Jest to podyktowane przede wszystkim przez atrakcyjniejsze dla badania wasnoci
statystyczne np. rednia oscylujca wok zera oraz przyjmowanie wartoci
z teoretycznie caej osi liczb rzeczywistych. Drug przesank przemawiajc za tym
podejciem jest atwa dla przecitnego inwestora, wolna od skali, interpretacja
wynikw
27
. Dodatkowo, mona wwczas traktowa szereg jako realizacj konkretnego
procesu stochastycznego.
Procesem stochastycznym {X
t
}, nazywa si rodzin zmiennych losowych X
t
,
ktrych rozkady zale od parametru t, gdzie t naley do T, najczciej t odnosi si do
czasu. Funkcj x
t
(k, otrzyman w efekcie k-tego dowiadczenia, nazywa si realizacj
procesu stochastycznego {X
t
}, gdy jej wartoci s zrealizowane w k-tym dowiadczeniu
wartoci zmiennych losowych X
t
. Uwaa si, e proces jest dobrze opisany, gdy dla
kadego skoczonego N znana jest N-wymiarowa dystrybuanta P
t1,t2,,tN
(x
1
,x
2
,,x
N
),
gdzie t
i
T, a x
i
s to dane liczby rzeczywiste, i = 1, 2, , N. Jest to pena znajomo
procesu, w praktyce, bardzo rzadko moliwa do uzyskania. Dlatego stosuje si dwa
wybiegi: rozpatruje si wyrnione klasy procesw o prostych wasnociach albo
opisuje si tylko niektre, wybrane wasnoci (wane oraz atwe do opisania),
najczciej oba sposoby postpowania stosuje si cznie
28
.
Okazuje si, e bardzo uyteczne jest przedstawienie obserwowanego
finansowego szeregu czasowego (x
1
,x
2
,,x
T
), jako realizacji konkretnego procesu
stochastycznego. Czsto przyjmuje si, e taka realizacja odpowiada T-wymiarowemu

26
Kluwer Polska, 2009
27
Campbell J. Y., Lo A. W., MacKinlay A. C., The Econometrics of Financial Markets, Pirceton
University Press, New Jersey 1997.
28
Hellwig Z., Elementy rachunku prawdopodobiestwa i statystyki matematycznej, PWN.
Warszawa 1997.
30

rozkadowi prawdopodobiestwa, zatem zwizek pomidzy realizacj a samym
procesem jest analogiczny do zwizku midzy prb statystyczn a ca populacj.
Niestety dokadne opisanie tego wielowymiarowego rozkadu jest praktycznie
niewykonalnym zadaniem, dlatego najczciej naley si ograniczy do oszacowania
pierwszych dwch momentw, tj. rednich: E(x
1
), E(x
2
),,E(x
T
) oraz wariancji: V(x
1
),
V(x
2
),V(x
T
), dodatkowo analizuje si T(T-1)/2 kowariancji Cov(x
i
,x
j
), i<j.
29

Obliczenie kolejnych T momentw, za pomoc tylko jednej realizacji, jest
technicznie niemoliwe wic trzeba dokona kilku zaoe upraszczajcych, przede
wszystkim sprawdza si stacjonarno szeregu by nastpnie stosowa model liniowy.
Szereg jest cile stacjonarny, gdy dla dowolnego cigu (t
1
,t
2
,..,t
k
) dodatnich liczb
cakowitych czny rozkad ( r
t1
,r
t2
,,r
tk
) jest identyczny jak rozkad (r
t1+t
,r
t2+t
,,r
tk+t
)
dla kadego t
30
. Powyszy warunek okrela cis stacjonarno, ktra polega na tym,
e czny rozkad jest nieczuy na przesunicie w czasie. Jest to bardzo mocny warunek,
trudny do empirycznego zweryfikowania, dlatego w praktyce korzysta si ze sabej
stacjonarnoci. Dokadnie saba (kowariancyjna stacjonarno oznacza spenienie
trzech warunkw
31
:
Zmienne r
t
maj skoczony drugi moment,

Pierwszy moment jest stay,

Kowariancja midzy r
t
a r
s
zaley tylko od | r-s |,
, dla
dowolnych indeksw t i l.
Mona pokaza, e kady szereg cile stacjonarny jest zarazem sabo stacjonarny,
niestety twierdzenie odwrotne nie jest ju prawdziwe. Jednak s wyjtki, takim jest np.
proces Gaussa, dlatego e jest on dokadnie, w peni opisany poprzez pierwszy i drugi
moment. Jest to proces sabo i jednoczenie cile stacjonarny.
Na wykresie realizacji szeregu czasowego, spenienie powyszych warunkw
przejawia si w ten sposb, e wszystkie obserwacje oscyluj ze staym odchyleniem
wok staego poziomu. Powszechnie zakada si, e szeregi stp zwrotu z
instrumentw finansowych charakteryzuj si sab stacjonarnoci. Takie zaoenie
jest bardzo atwe do sprawdzenia pod warunkiem, e dysponuje si wystarczajca liczb
danych historycznych.

29
Mills T.C., The Econometric Modelling of Financial Time Series 2
nd
edition, Cambridge University
Press 1999(
30
31
Kluwer Polska, 2009
31

2.1.1 Modele autoregresji AR
Fundamentalnym twierdzeniem w analizie finansowych szeregw czasowych
jest twierdzenie o dekompozycji Wolda, ktre mwi o tym, e kady sabo
stacjonarny, czysto niedeterministyczny proces stochastyczny (x
t
- moe zosta
przedstawiony jako liniowa kombinacja nieskorelowanych zmiennych losowych.

[a
t
] oznacza cig nieskorelowanych zmiennych losowych, a
i
- oznacza wagi
poszczeglnych r
t
, natomiast
a
jest odchyleniem a
t
. Dodatkowo autokowariancja l-tego
rzdu przedstawia si nastpujco:
32

Czsto, podczas estymacji modelu konieczne jest wykorzystanie funkcji autokorelacji
ACF, ktra ma nastpujcy wzr:

Dysponujc powyszymi zalenociami, mona dokadnie analizowa procesy
autoregresji. Charakteryzuj si one tym, e bieca warto szeregu jest wyraona za
pomoc sumy skoczonych kombinacji liniowych poprzednich wartoci oraz bdu
losowego
33
. Ich budowa oparta jest na zjawisku autokorelacji, czyli korelacji midzy
wartociami tej samej zmiennej, ale opnionymi w czasie.
34

Model procesu autoregresyjnego rzdu pierwszego czyli AR(1, mona
przedstawi w nastpujcy sposb: r
t
= a
0
+ a
1
r
t-1
+
t
, gdzie
t
jest cisym biaym
szumem z zerow redni i wariancj
2
. atwo zauway, e warunkowa warto

oczekiwana ma posta: E(r
t
|r
t-1
)=a
0
+a
1
r
t-1
, a warunkowa wariancja: var(r
t
|r
t-1
) =
2
.

32
33
Zelia A., Paweek B., Wanat S., Prognozowanie ekonomiczne. Teoria, przykady, zadania, PWN,
Warszawa 2003
34
Dittmann P., Prognozowanie w przedsibiorstwie. Metody i ich zastosowanie, Wolters Kluwer Polska,
Krakw 2008
32

Uoglniony model autoregresji rzdu p AR(p wyrazi mona rwnaniem:

.
35
Mona wykaza , e taki szereg jest stacjonarny
w sabszym sensie, gdy wszystkie pierwiastki wielomianu charakterystycznego:

s, co do moduu, mniejsze od jedynki. W podanym wzorze

L jest operatorem opnienia (ang. lag)
36
. Przekadajc to na model rzdu pierwszego,
wystarczy zbada czy |a
1
|<1, gdy nierwno zachodzi proces jest stacjonarny,
natomiast dla modelu AR(2 saba stacjonarno jest rwnowana jednoczesnemu
spenieniu trzech warunkw : a
1
+a
2
<1, a
2
-a
2
<1 oraz |a
2
|<1.
Po zbadaniu stacjonarnoci konieczna jest identyfikacja rzdu autoregresji,
w tym celu najczciej stosuje si nastpujce procedury :
Ocena istotnoci parametrw modelu autoregresyjnego przy wykorzystaniu testu
t-Studenta oraz sprawdzenie autokorelacji reszt modelu za pomoc testu
DurbinaWatsona. To podejcie jest jednak obarczone bdem wynikajcym
z tego, e testu DW nie powinno si stosowa, gdy zmienna objaniajca jest
opnion zmienn objanian
37
.
Test Ljunga-Boxa na wystpowanie autokorelacji dowolnego rzdu. Najczciej
bada si kolejno korelacje rzdw: 1,2,,p odpowiednio badajc dla nich
wraliwo testu.
Sporzdzenie wykresu funkcji autokorelacji czstkowej PACF i sprawdzenie dla
ktrego opnienia wykres si urywa. Alternatywnie mona wykorzysta t
funkcj do testu Quenouillea.
Dokadniejsze przedstawienie wyej wymienionych testw nie jest istotne
z praktycznego punktu widzenia, poniewa ich wykorzystanie ogranicza si do uycia
odpowiedniego oprogramowania statystycznego, ktre daje konkretn odpowied.
Wane jest natomiast, eby wiedzie z jakiego rodzaju s to testy: jedno czy
dwustronne oraz jak jest tworzony obszar odrzucenia i czym jest statystyka testowa.
Naley pamita, e zawsze mona popeni bd, ktrego komputer sam nie wychwyci
std wymagane jest pewne minimum wiedzy.

35
Kluwer Polska, 2009
36
Maddala G., S., Ekonometria, PWN, Warszawa 2008
37
Koko M., Osiska M., Stempiska J., Ekonometria wspczesna, TNOiK, Toru 2007
33

Poniej przedstawiono, dla przykadu, realizacj procesu autoregresji rzdu
pierwszego z parametrami a
1
=0,9 oraz a
1
= 0,5 jak rwnie odpowiadajce im
empiryczne funkcje autokorelacji ACF.

Rys. 9 Przykadowa ilustracja procesu AR(1
rdo: Kirchgsner G., Wolters J. Introduction to Modern
Time Series Analysis, Springer, Berlin 2007

Na podstawie powyszych wykresw nie mona wywnioskowa, e ukazany model
jest rzdu jeden, do tego suy wykres autokorelacji czstkowej PACF.

Rys. 10 Wykres autokorelacji czstkowej dla procesu AR(2

Analizujc zachowanie funkcji autokorelacji czstkowej mona zauway, e
wykres urywa si po drugim opnieniu, tzn. parametry przy opnieniach wyszego
rzdu s statystycznie nieistotne, zatem model jest postaci AR(2).
34

2.1.2 Modele redniej ruchomej MA
W przypadku gdy wystpuj zalenoci liniowe pomidzy zmiennymi bardzo
odlegymi w czasie, to w modelu AR(p naley uwzgldnia du liczb opnie, a co
za tym idzie, estymowa wiele parametrw. Granicznym przypadkiem jest model
AR(, ktry jest nierealistyczny. Okazuje si, e parametry takiego modelu s
wartociami konkretnych funkcji skoczenie wielu zmiennych. Przykadowo dla
modelu AR z nieskoczenie wieloma opnieniami: r
t
= a
0
+ a
1
r
t-1
+ a
2
r
t-2
+ +
t
,
mona przyj, e r
t
= a
0
- b
1
r
t-1
- b
2
r
t-2
- +
t
, po kilku przeksztaceniach i odjciu r
t-1

otrzymuje si rwnanie: r
t
= a
0
(1- b
1
)+
t
b
1
t-1
. Z dokadnoci do staej, r
t
jest pewn
redni zaburze, to wanie stanowi przykad modelu redniej ruchomej MA(1
(moving average), oglnie model MA(q) ma posta:

38

Kady model redniej ruchomej opisuje procesy kowariancyjnie stacjonarne,
wynika to ze stacjonarnoci cisego biaego szumu. Modele MA s skoczonymi
kombinacjami liniowymi epsilonw, ktre pochodz ze stacjonarnego procesu, zatem
niemoliwe jest uzyskanie z ich kombinacji procesu niestacjonarnego, ilustruje to
poniszy rysunek.

Rys. 11 Przykadowa trajektoria procesu MA(1)

Na wykresie wida, e proces jest stacjonarny, poniewa wartoci oscyluj
wok jednego, staego poziomu, tak samo ich odchylenia mieszcz si w konkretnych,
ustalonych granicach.

38
Kluwer Polska, 2009
35

Do identyfikacji rzdu modelu MA, nie suy, jak w poprzednim przypadku,
funkcja autokorelacji czstkowej, lecz funkcja ACF. Jej warto w modelu MA(q dla
opnie l q jest rna od zera, natomiast dla wyszych rzdw jest rwna zero.

Rys. 12 Funkcja autokorelacji dla przykadowego procesu MA(1

Rys. 13 Funkcja autokorelacji czstkowej dla przykadowego procesu MA(1

Funkcja PACF dla modelu redniej ruchomej opada wykadniczo lub
sinusoidalnie, inaczej ni dla procesu autoregresji. Wykres na rysunku 12 nie posuy
zatem do okrelenia rzdu modelu, ale jest przydatny w identyfikacji czy proces jest
typu AR czy MA. Oglne zasady okrelenia rodzaju modelu s nastpujce
39
:
Dla procesu AR(p funkcja ACF maleje wykadniczo lub ganie
sinusoidalnie, a funkcja PACF urywa si po odstpie p.
Dla procesu MA(q funkcja PACF maleje wykadniczo lub zachowuje
si jak sinusoida o malejcej amplitudzie waha, natomiast funkcja
autokorelacji urywa si (rwna jest zero po odstpie q.

39
36

2.1.3 Modele ARMA i ich modyfikacje
Modelujc dane finansowe za pomoc modeli klasy AR lub MA czsto pojawia
si problem natury technicznej, dotyczcy liczby parametrw do estymacji. W praktyce
pojawiaj si modele wysokich rzdw, wtedy kady kolejny parametr wymaga
wikszej mocy obliczeniowej oraz obarczony jest wikszym bdem. Wspczesne
komputery radz sobie z takimi problemami dosy dobrze, jednak jeszcze dwadziecia,
trzydzieci lat temu, byo to kopotliwe. W 1994 roku G.Box oraz G. Jenkins
przedstawili algorytm umoliwiajcy poczenie rozbudowanych modeli autoregresji
oraz redniej kroczcej
40
. Taka synteza doprowadzia do powstania nowej klasy modeli
ARMA, ktre czsto lepiej dopasowuj i posiadaj mniej parametrw ni osobno
modele AR i MA.
Na rysunku 14. zaprezentowano wykresy teoretycznej funkcji autokorelacji dla
modelu postaci: r
t
= r
t-1
+
t

t-1
, gdzie
t
jest cisym biaym szumem.

Rys. 14 Wykresy funkcji ACF dla modelu ARMA(1,1 z parametrami ,

Powyej przedstawiono zachowanie funkcji autokorelacji procesu ARMA(1,1.
Mona dostrzec pewn analogi w porwnaniu z modelami autoregresji i redniej
kroczcej, przede wszystkim wida, e funkcja w kadym przypadku maleje lub ganie
i jej wartoci s nieistotne dla dalszych opnie.

40
37

Uoglniony model ARMA(p,q ma posta
41
:

gdzie oznaczenia pozostaj takie same jak w poprzednich rozwaaniach,
w szczeglnoci p i q s nieujemnymi liczbami cakowitymi. Kowariancyjna
stacjonarno jest zachowana, gdy odpowiednia cz autoregresyjna jest sabo
stacjonarna, tzn. wielomian a(L) 1 - a
1
L - a
2
L
2
- - a
p
L
p
nie posiada adnego
pierwiastka o module mniejszym lub rwnym jeden.
W przypadku procesw ARMA funkcje ACF oraz PACF nie s uyteczne do
identyfikacji modelu. Obie zanikaj agodnie w ten sposb, e po q - p opnieniach
wykres autokorelacji jest sum zanikajcych funkcji wykadniczych i tumionych
sinusoid, natomiast PACF zachowuje si tak po p - q opnieniach
42
. Zaobserwowanie
tego typu zmian na wykresie czsto bywa subiektywnym odczuciem dla analizujcego,
dlatego w celu sprawdzenia waciwej postaci modelu, stosuje si tzw. kryteria
informacyjne.
W praktyce najczciej stosuje si dwa kryteria : Akaikea (AIC oraz
bayesowskie kryterium Schwartza (BIC. Pozwalaj one sprawdzi czy model
rzeczywicie dobrze opisuje dane, uywa si ich praktycznie do wszystkich modeli
uzyskanych metod najwikszej wiarygodnoci. Przyjmujc, e p oznacza czn liczb
parametrw, a n wielko prby, to wtedy warto kryteriw obliczy mona ze
wzoru
43
:

Oznaczajc przez RSS sum kwadratw reszt modelu, to estymowane odchylenie jest
rwne RSS / (n p). Naley pamita, e dla lepiej dopasowanego modelu oba kryteria
wskazuj nisz warto, ale czasami mog prowadzi do rnych wnioskw,
dodatkowo trzeba upewni si, e nie wystpuje autokorelacja skadnika losowego.

41
Kluwer Polska, 2009
42
43
Maddala G., S., Ekonometria, PWN, Warszawa 2008
38

Przedstawione do tej pory rozwaania dotycz tylko procesw stacjonarnych,
istniej jednak modyfikacje modelu ARMA pozwalajce na analizowanie szeregw, dla
ktrych stwierdza si brak sabej stacjonarnoci. Stosuje si wtedy operacj
rnicowania, ktra polega na d-krotnym obliczeniu rnic ssiednich wyrazw
szeregu. Pierwsza rnica to w
t
= y
t
y
t-1
, druga z
t
= w
t
w
t-1
, postpuje si tak do
momentu kiedy nowy szereg stanie si stacjonarny. Taki przykad modelu nazywa si
zintegrowanym, a oznaczy go mona jako ARIMA(p, d, q) Autoregressive
Integrated Moving Average , gdzie parametr d oznacza liczb przeprowadzonych
rnicowa
44
.

Rys. 15 Przykadowa realizacjia procesu stacjonarnego i niestacjonarnego

Na wykresie przedstawiono realizacj procesu AR(1 w przypadku, gdy
parametr a
1
jest rwny 1,03 czyli proces jest niestacjonarny, oraz gdy a
1
= 0,97 proces
sabo stacjonarny. Operacja rnicowania powinna sprawi, e linia przerywana
znaczco zbliy si do linii cigej, tzn. wyeliminowany zostanie trend o ksztacie
parabolicznym.

44
Dittmann P., Prognozowanie w przedsibiorstwie. Metody i ich zastosowanie, Wolters Kluwer Polska,
Krakw 2008
39

Model ARMA, stosujc poprzedni konwencj oznacze, mona zapisa jako :

Taka prezentacja pokazuje zwizek midzy biec stop zwrotu a zwrotami
opnionymi. Przez
i
oznaczono wagi modelu, powinny one dy do zera wraz ze
wzrostem oraz szereg
powinien by zbieny, wtedy model ARMA jest

odwracalny
45
.
Istniej szeregi czasowe, dla ktrych funkcja ACF zanika powoli, w tempie
wielomianowym, tak waciwo maj procesy o dugiej pamici. Jeli taki proces
moe zosta sprowadzony do stacjonarnej postaci i dodatkowo taki model jest
odwracalny, to korzysta si z autoregresyjnego uamkowo zintegrowanego procesu
redniej ruchomej ARFIMA.

Rys. 16 Funkcja ACF dla dziennych stp zwrotu z indeksu CRSP z lat 1963 1997
rdo: Tsay R., Analysis of Financial Time Series,
Wiley and Sons, Chicago2002

Na wykresie zaprezentowano przykad procesu o dugiej pamici, funkcja
autokorelacji maleje dosy powoli, prawie liniowo. Pierwszy od gry jest indeks CRSP
z wartociowymi wagami, natomiast druga cz wykresu przedstawia ten sam indeks
z rwnymi wagami. Przyjmujc 5% poziom istotnoci, wartoci ACF s istotne nawet

45
Kluwer Polska, 2009
40

po trzystu opnieniach, mona zatem sdzi, e dobrym dopasowaniem bdzie model
ARFIMA
46
.
2.2 Heteroskedastyczno warunkowa

Jednym z najwaniejszych poj w nowoczesnych finansach i ekonometrii
finansowej jest zmienno instrumentw finansowych rozumiana jako wariancja
warunkowa. Jest ona kluczowym elementem wyceny opcji w modelu Blacka Scholesa
oraz odgrywa ogromn rol w szacowaniu wartoci zagroonej. Jej najbardziej
specyficzn cech jest to, e ewoluuje w czasie , ta wasno nosi nazw
heteroskedastycznoci (heteroscedastycznoci warunkowej.
47

W 1982 roku brytyjski ekonometryk Robert F. Engle po raz pierwszy
przedstawi metodologiczn koncepcj i specyfikacje modelu opisujcego wariancj
jako niebanaln funkcj zalen od czasu i przeszych stanw gospodarki. Dwadziecia
jeden lat pniej, razem z Clivem Grangerem, otrzyma za to dokonanie Nagrod
Nobla. Niewielu analitykw finansowych, ktrzy na co dzie korzystaj z odkrycia
Englea jest wiadomych istoty a zarazem prostoty tego modelu. Rwnie w najbardziej
popularnych podrcznikach ekonometrycznych nacisk pooony jest gwnie na
analityczny aspekt tego zjawiska. Bardziej intuicyjne podejcie przedstawi sam laureat,
podczas uroczystego wykadu wygoszonego na gali wrczenia nagrd w Sztokholmie.
Engle zainteresowa si zmiennoci warunkow ju w 1979 roku, kiedy to
pracowa nad modelem, ktry mgby potwierdzi poprawno hipotezy Miltona
Friedmana. Zakadaa ona, e gwnym powodem wystpowania cykli
koniunkturalnych w gospodarce jest dua niepewno w prognozowaniu inflacji a nie
sam jej poziom. Sugerowao to, e oczekiwania inflacyjne nie s stae w czasie, ale si
zmieniaj
48
.
Analizujc dokadniej szeregi danych ekonomicznych i dopasowujc konkretne
modele okazywao si, e prognozy na ich podstawie czsto byy bdne. Po zbadaniu
reszt modelu nie zauwaano autokorelacji, ale ju dla kwadratw reszt autokorelacja
bya widoczna goym okiem. To zjawisko, jak si pniej okazao, byo spowodowane

46
Tsay R., Analysis of Financial Time Series,Wiley and Sons, Chicago2002
47
Kluwer Polska, 2009
48
08.12.2003

41

wystpowaniem efektu autoregresyjnej warunkowej heteroskedastycznoci. Aby dobrze
opisa ten model, Engle postanowi korzysta z waonych bdw prognozy zamiast
z krtkookresowych odchyle standardowych. Wagi byy skonstruowane tak by ostatni
bd mia najwikszy wpyw na prognoz, natomiast odleglejsze w czasie bdy miay
coraz mniejsze znaczenie.
Podstawow zalet tego modelu, jest moliwo szacowania parametrw
na podstawie danych historycznych, mimo e bezporednio zmienno nigdy nie bya
obserwowalna. Ideologia opiera si na tym, e kadego dnia mona sprawdza jakim
bdem bya obarczona prognoza z dnia poprzedniego. Dla kolejnego dnia prognozuj
si wariancj korzystajc z bdw poprzednich prognoz, ktrym przypisuje si takie
wagi aby zminimalizowa nastpny bd prognozy. Do estymacji tych wag najczciej
wykorzystuje si metod najwikszej wiarygodnoci, dziki temu mona bada
poprawno modelu za pomoc wielu testw statystycznych. Dodatkow zalet modelu
jest to, e atwo z niego uzyska rozkad bezwarunkowy stp zwrotu, czyli taki
z jakiego pochodziyby stopy zwrotu, gdyby nie byo zjawiska warunkowej
heteroscedastycznoci.
W 1986, model przedstawiony wyej, model ARCH zosta ulepszony, przez
jednego ze studentw Englea Tima Bollersleva, nowy model zosta nazwany
GARCH - Generalized Autoregressive Conditional Heteroskedasticity. Doczy on do
rwnania zmiennoci warunkowej jej opnione wartoci, co okazao si dobrym
przyblieniem nierealistycznego ARCH(. Byo to pierwsze i najistotniejsze
udoskonalenie modelu Englea, ale jak si okazao nie ostatnie. Przez lata, stosujc
modele ARCH i GARCH dla rnych danych finansowych, odkrywano kolejne
problemy, ktre mona wyeliminowa stosujc niewielkie zmiany. Najbardziej istotne
to uwzgldnienie efektu dwigni oraz niesymetrycznoci stp zwrotu. W ten sposb
powstao kilkanacie modyfikacji modelu pierwotnego, najpopularniejsze to: AARCH,
APARCH, FIGARCH, STARCH, SWARCH, GJR-GARCH, TARCH, MARCH,
NARCH, SNPARCH, SPARCH, SQGARCH, CESGARCH, PGARCH, EGARCH,
IGARCH.
49
To jednak model GARCH wci jest najczciej stosowany we
wspczesnej analizie szeregw czasowych.

49
08.12.2003

42

2.2.1 Model ARCH
Rwnania modelu ARCH(q) mona przedstawi nastpujco
50
:

gdzie
t
jest cigiem niezalenych zmiennych losowych pochodzcych z jednego
rozkadu o zerowej redniej i jednostkowej wariancji, > 0 i kada jest nieujemna.
Warunkiem stacjonarnoci tak opisanego procesu jest spenienie nierwnoci:

Przykad realizacji procesu, w ktrym wystpuje efekt ARCH moe wyglda
nastpujco:

Rys. 17 Wykres szeregu czasowego z efektem ARCH

Na powyszym rysunku przedstawiono zmiany w kursie walutowym DM/GBP,
poza gromadzeniem zmiennoci, co moe wskazywa na wystpowanie efektu ARCH,
trudno jednoznacznie stwierdzi warunkow heteroskedastyczno. W takich
wypadkach naley zastosowa np. test Englea lub McLeoda i Li.

50
Kluwer Polska, 2009
43

Dla danych zilustrowanych na Rys. 17. testy potwierdziy wystpowanie efektu
ARCH co najmniej 10 rzdu, co oznacza estymacj co najmniej dziesiciu parametrw.
Takie obliczenia mog by kopotliwe, zwaszcza e wykorzystuje si w nich metod
najmniejszej wiarygodnoci. Zbyt duy rzd ARCH(q jest jedn z najistotniejszych
wad tego modelu, do innych saboci zalicza si
51
:
Korzystanie z kwadratw wczeniejszych szokw, co powoduje e dodatnie i
ujemne szoki o rwnej wartoci bezwzgldnej wywieraj taki sam wpyw na
zmienno. Badania empiryczne potwierdzaj czste wystpowanie efektu
asymetrycznoci.
Brak uchwycenia przyczyny zmiennoci finansowych szeregw czasowych,
ukazanie tylko jej ewolucji w czasie.
Ograniczony wybr parametrw dla modeli rzdu jeden oraz skomplikowane
ograniczenia dla parametrw w modelach wyszych rzdw.
Te ograniczenia i saboci doprowadziy do rozbudowania modelu ARCH
i stworzenia szerszej klasy typu GARCH, ktra cigle zwiksza swoj liczebno.

2.2.2 Model GARCH
Podstawow zalet modeli GARCH jest prosty sposb ich budowania oraz
naturalna interpretacja. Podobnie jak ARCH model ten jest dwurwnaniowy tzn., skada
si z czsci opisujcej redni oraz rwnania wariancji. Pierwsze rwnanie najczciej
uzyskuje si z modelu ARMA, dla przykadu niech a
t
= r
t
-
t
, wtedy model
GARCH(m,s) ma posta
52
:

Analogicznie jak w procesie Englea zmienne musz spenia ponisze warunki:

, ~ i.i.d. oraz
Ostatnia nierwno gwarantuje skoczono bezwarunkowej wariancji, natomiast
epsilony tworz cig niezalenych zmiennych losowych o jednakowym rozkadzie ze
redni zerow i jednostkow wariancj.

51
Kluwer Polska, 2009
52
44

Poniej przedstawiona jest bardzo uproszczona procedura modelowania
garchowskiego, dla danych finansowych, a konkretnie dla logarytmicznych stp zwrotu
z akcji BRE Banku. Obserwacje pochodz z okresu 07.10.1992 18.12.2009, do
oblicze wykorzystano programy Gretl, Ox oraz MatLab.
Pierwszym krokiem jest analiza wykresu szeregu czasowego w celu
wychwycenia ewentualnych obserwacji odstajcych.

Rys. 18 Wykres szeregu czasowego dla BRE Banku
Zaobserwowano kilka obserwacji nietypowych, ale po gbszej analizie mona
doj do wniosku, e skok rzdu 15% jest spotykany dla stp zwrotu z akcji. Po
przejrzeniu danych historycznych
53
nie znaleziono niczego nietypowego w dniach
wystpienia skokw. Poza tym skoki s symetryczne, take nie zaburzaj efektu
skonoci, natomiast grube ogony i tak bd wystpowa nawet po usuniciu tych paru
obserwacji . Wida to na wykresie, tzn. przez pierwszy rok od wejcia na gied oraz
w czasie hossy a nastpnie kryzysu, stosunkowo nierzadko pojawiay si stopy zwrotu
midzy 10 a 15%.
Zbadano stacjonarno uoglnionym testem Dickeya-Fullera
54
, dla otrzymanej
statystyki testowej -58,3994, warto krytyczna przy jednym stopniu swobody to -3,41.
Odrzucajc hipotez o niestacjonarnoci wykluczono stosowanie modelu ARIMA.

53
www.gpwinfostrefa.pl
54
Obliczenia wykonane w programie MatLab R2008b z pakietami ekonometrycznymi i statystycznymi.
45

Nastpnym krokiem jest zbadanie statystyk opisowych, w szczeglnoci uwag
naley zwrci na skono oraz kurtoz empiryczn.
Tab. 3 Statystyki opisowe dla stp zwrotu akcji BRE Banku
rednia 0,00099912
Mediana 0,00000
Minimalna -0,15933
Maksymalna 0,15933
Odchylenie standardowe 0,031269
Wsp. zmiennoci 31,297
Skonod -0,081358
Kurtoza 2,8432

Niski wspczynnik skonoci moe sugerowa brak tej wasnoci, dlatego
przeprowadzono test na skono Komogorowa Smirnova dla dwch prb
55
. Dla
poziomu istotnoci 0,05 statystyka testowa wyniosa 1,1687, natomiast warto
krytyczna 1,36 oznacza to przyjcie hipotezy H
0
o braku skonoci.
Kolejny test, ktry warto przeprowadzi to test na normalno,
najpopularniejszym z tej grupy jest test Jarque Bera. Na poziomie istotnoci 0,05
warto krytycznego to 5,99146, natomiast statystyka opisowa jest rwna 729,244,
zatem nie mona sdzi, e rozkad czstoci jest rozkadem normalnym. Ze wzgldu na
du kurtoz rozsdne wydaje si zaoenie, e rozkad warunkowy jest rozkadem
o grubych ogonach, w tym przypadku przyjto, e jest to rozkad t Studenta.
Analizujc wykresy funkcji ACF i PACF trudno jest jednoznacznie stwierdzi
jaki model wybra, zaoono e najlepszy z modeli bdzie zagniedony
w ARMA(3,3). Na podstawie modeli AR(1), MA(1) i kilku kombinacji ARMA(p,q)
uzyskano zbiory reszt, w ktrych wystpowa efekt ARCH. Aby wybra najlepszy z
tych modeli, naley porwna wszystkie ich kombinacje. Dla uproszczenia oblicze
sprawdzono modele z klasy ARMA(p,q) GARCH(1,1), gdzie p + q <1.
Podstawowym kryterium porwnawczym moe by kryterium informacyjne
Akaikea (AIC, dodatkowo w tabeli umieszczono rwnie wartoci logarytmu funkcji
wiarygodnoci. Dla przypomnienia model z wiksz liczb parametrw zawsze ma
wiksz warto funkcji wiarygodnoci, natomiast kryterium AIC weryfikuje czy

55

46

dodatkowe parametry s ulepszeniem czy nie wnosz nic nowego a jedynie komplikuj
obliczenia.
Tab. 4 Obliczenia dla modeli ARMA(p,q) GARCH(1,1)
ARMA LOG AKAIKE
(1,0) 9170.033 -4.460469
(2,0) 9173.584 -4.461710
(3,0) 9175.536 -4.462174
(0,1) 9169.454 -4.460187
(0,2) 9169.488 -4.459717
(0,3) 9171.510 -4.460214
(1,1) 9170.042 -4.459986
(2,2) 9176.650 -4.462229
(3,3) 9182.695 -4.464198
(1,2) 9170.734 -4.459837
(2,1) 9173.679 -4.461270
(1,3) 9172.341 -4.460132
(3,1) 9176.286 -4.462052
(2,3) 9178.381 -4.462585
(3,2) 9181.639 -4.464171
rdo: obliczenia wasne przy uyciu pakietu Ox

Do powyszej analizy przyjto, e rozkadem warunkowym jest rozkad
t - Studenta o piciu stopniach swobody (porwnywano wykresy gstoci dla rnej
liczby dof. Przy takim zaoeniu mona uwaa, e najlepszym modelem jest
ARMA(3,3)- GARCH(1,1, jednak moliwe jest lepsze dopasowanie, stosujc inne
rzdy dla wariancji warunkowej GARCH(p,q).

Tab. 5 Obliczenia dla modeli ARMA(3,3) GARCH(p,q)
MODEL Log Akaike
GARCH(1,1) 9182.695 -4.464198
GARCH(2,1) 9191.265 -4.467883
GARCH(1,2) 9205.248 -4.474689
GARCH(2,2) 9199.927 -4.471612
GARCH(3,2) 9203.950 -4.473084
GARCH(2,3) 9201.202 -4.471746
GARCH(3,3) 9204.288 -4.472761
rdo: obliczenia wasne przy uyciu pakietu Ox
47

Najnisze kryterium AIC jest dla modelu ARMA(3,3 GARCH(1,2), zatem
naley przyj ten model za najlepszy. W celu sprawdzenia poprawnoci wyboru mona
dokona analizy reszt oraz ich kwadratw.
Korelogramy zestandaryzowanych reszt, w przypadku dobrze dopasowanego
modelu, powinny wskazywa na brak autokorelacji.

Rys. 19 Wykresy funkcji autokorelacji i autokorelacji czstkowej dla
zestandaryzowanych reszt z modelu ARMA(3,3) GARCH(1,2)
Na wykresach mona zauway niewielk autokorelacj rzdu pierwszego, ale
ta informacja nie jest pomocna w sprawdzeniu poprawnoci modelu. Wiadomo, e efekt
ARCH przejawia si w autoregresji kwadratw reszt, zatem konieczne jest
przeanalizowanie funkcji autokorelacji dla tych wanie kwadratw
56
.

Rys. 20 Funkcja ACF dla kwadratw reszt modelu ARMA(3,3)-GARCH(1,2)
Dla kwadratw reszt nie jest ju zauwaalna adna autokorelacja, wszystkie supki na
wykresie znajduj si w korytarzu bdu statystycznego. Funkcja PACF zachowuje si
w tym wypadku analogicznie, nie jest konieczne jej osobne badanie.

56
48

Ostatecznie otrzymany model ma nastpujce parametry, wszystkie z nich
mieszcz si w picioprocentowym progu istotnoci.
Tab. 6 Parametry modelu dobrze opisujcego stopy zwrotu z akcji BRE Banku
Coefficient Std.Error t-value t-prob
Cst(M) 0.000698 0.00032350 2.158 0.0310
AR(1) 1.187627 0.093896 12.65 0.0000
AR(2) -0.844319 0.073214 -11.53 0.0000
AR(3) 0.255728 0.073228 3.492 0.0005
MA(1) -1.146829 0.10339 -11.09 0.0000
MA(2) 0.793396 0.083761 9.472 0.0000
MA(3) -0.227425 0.081081 -2.805 0.0051
Cst(V) 0.063640 0.028436 2.238 0.0253
ARCH(Alpha1) 0.307198 0.036021 8.528 0.0000
ARCH(Alpha2) -0.230441 0.037816 -6.094 0.0000
GARCH(Beta1) 0.924122 0.017536 52.70 0.0000
Student(DF) 5.067508 0.40010 12.67 0.0000

Na potwierdzenie wyboru prawidowego modelu, mona jeszcze sprawdzi czy
reszty tworz cig niezalenych zmiennych losowych o jednakowym rozkadzie z
zerow redni i jednostkow wariancj. Moe to by technicznie trudne do wykonania,
w tym wypadku policzono tylko, e rednia w przyblieniu rzeczywicie jest rwna
zero, a wariancja wyniosa 0,9887. Dodatkowo nie wida zalenoci na korelogramach,
wic oszacowany model jest dobrym przyblieniem rzeczywistoci.
W przedstawionym przykadzie posuono si podstawowym modelem klasy
GARCH, naley jednak pamita, e przez lata model ten by udoskonalany. Wikszo
modyfikacji w rwnaniach Englea i Bollersleva powstaa by uchwyci niesymetryczny
wpyw dodatnich i ujemnych stp zwrotu na wielko wariancji. Jednym z pierwszych,
ktrzy zajmowali si tym problemem, by D. B. Nelson. W 1991 roku opublikowa on
w swojej pracy model EGARCH exponential-GARCH, jego posta jest nastpujca
57
:

Parametr odpowiedzialny jest za uchwycenie wpywu znaku reszty
, natomiast

jest tylko innym oznaczeniem wariancji warunkowej.

57
www.econ1.uni.torun.pl/dem01/fiszeder.pdf
49

Innym z modeli, ktry uwzgldnia asymetri informacji negatywnych
i pozytywnych jest model GJR-GARCH. Nazwa pochodzi od nazwisk jego twrcw:
Glosten, Jagannathan, Runkle. W 1993 roku przedstawili oni model o nastpujcej
postaci:
58

Wszystkie parametry musz by dodatnie, natomiast
jest funkcj indykatorow,

ktra przyjmuje warto zero dla reszt ujemnych i jeden dla nieujemnych.
Oba przedstawione modele s przydatne dla badania instrumentw finansowych,
gdy wykorzystuj tzw. efekt dwigni finansowej. Istot tego opisa Black w 1976 roku,
a nastpnie wielu badaczy potwierdzio, e efekt ten czsto wystpuje w analizie stp
zwrotu. Zauwaono, e stopy zwrotu z akcji s ujemnie skorelowane z ich zmiennoci
tzn. wariancja ronie w odpowiedzi na spadki i maleje w czasie wzrostw. Niektrzy
autorzy twierdz, e ta korelacja nie jest wynikiem dziaania samej dwigni, dodatkowo
rozwaaj istnienie zmiennej w czasie premii za ryzyko. Oznacza ona wzrost
oczekiwanej stopy zwrotu, ktry jest spowodowany wzrostem wariancji stp zwrotu.
Model, ktry umoliwia sprawdzenie istnienia i estymacj premii za ryzyko to
GARCH M czyli GARCH in mean. Najprostsza jego wersja jest przedstawiona
poniej
59
:

W tym wypadku
jest procesem GARCH,
jest wektorem zmiennych

objaniajcych, natomiast jest wektorem parametrw. Za sam premi
odpowiedzialny jest parametr , ktry jest dodatni i statystycznie istotny. Im wiksza
jego warto tym wiksza premia za ryzyko.
Korzystanie z caej serii modeli GARCH jest obecnie bardzo popularne nie tylko
wrd inwestorw, ale rwnie w bankach czy innych instytucjach finansowych. Nawet
modele zmiennoci warunkowej pojawiaj si w uregulowaniach prawnych dla
bankw- IGARCH(1,1) w dokumencie Basel. Istniej jednak jeszcze inne metody
suce wyznaczeniu zmiennoci oraz samej wartoci zagroonej. Kilka z nich zostanie
przedstawionych w rozdziale trzecim.

58
www.econ1.uni.torun.pl/dem01/fiszeder.pdf
59
50

Rozdzia III
3 Wybrane metody szacowania VaR

W tym rozdziale przedstawione zostan bardziej zawansowane narzdzia
suce do obliczania wartoci zagroonej oraz przybliona zostanie ideologia
RiskMetrics. Te zaawansowane metody to wykorzystanie teorii wartoci ekstremalnych
(EVT Extreme Value Theory) podejcie tradycyjne (Block Maxima i podejcie
nowoczesne (POT). Stanowi one niejako konkurencj dla omwionych
w rozdziale drugim modeli GARCH, natomiast narzdzia zaproponowane przez
RiskMetrics to prosta wersja modeli Englea i Bollersleva. Podrozdzia pierwszy bdzie
dotyczy innego ni do tej pory ryzyka, tzn. omwione zostanie ryzyko ekstremalne,
ktre rni si od ryzyka zwykego. W najprostszym tumaczeniu ryzyko ekstremalne to
ryzyko, ktre odpowiada zdarzeniom o maym prawdopodobiestwie wystpienia, ale o
znaczcych skutkach prowadzcych do duych strat. Takie zdarzenia w literaturze
oznacza si jako LFHS (Low Frequency, High Severity)
a ryzyko w ich przypadku rozpatrywane jest jedynie w negatywnej koncepcji.
60

3.1 Teoria wartoci ekstremalnych

Ekstremalne zdarzenia zazwyczaj wystpuj bardzo rzadko. W klasycznej analizie
danych obserwacje znaczco odbiegajce od redniej s postrzegane jako tzw. outliers
i zostaj najczciej odrzucane, aby znale model najlepiej opisujcy dane zjawisko
61
.
Kiedy gwnym celem jest znalezienie dobrej estymacji codziennych zdarze,
takie podejcie jest bardzo dobre, bo szuka si odpowiedzi na pytanie co
najprawdopodobniej si wydarzy. Rozpatrujc warto zagroon oprcz tego pytania
nasuwa si jeszcze jedno, moe waniejsze, tzn. co mogoby si wydarzy
niespodziewanego? Dla laika zdarzenia takie jak trzsienie ziemi, wybuch wojny,
zaamanie giedy czy huragan s nie do przewidzenia, jednak w poowie XIX wieku
zauwaono, e tego typu zjawiska pojawiaj si zgodnie z pewnym rozkadem

60
Jajuga K., Zarzdzanie Ryzykiem, PWN Warszawa 2007
61
www.approximity.com
51

prawdopodobiestwa. Po kilkudziesiciu latach zorientowano si, e taka
matematyczna analiza rzadkich zjawisk przyrody moe zosta atwo przeoona
i wykorzystana w finansach i przemyle
62
.

Rys. 21 Wykresy Q-Q dla stp zwrotu z indeksu DJ
oraz dla skrajnych wartoci tych stp
rdo: www.approximity.com

Powyej przestawiono istot wykorzystywania teorii wartoci ekstremalnych. Czsto
wikszoci zjawisk w przyrodzie mona przyblia dobrze znanym rozkadem
normalnym. Na rysunku po lewej wida takie przyblienia dla stp zwrotu z indeksu
Dow Jones, charakterystyczne jest, e kracowe kwantyle znaczco rni si od
kwantyli rozkadu normalnego (punkty nie pokrywaj si z prost na jej kocach.
W takim wypadku uyteczne jest skorzystanie z EVT, na wykresie po prawej stronie
sprawdzono, e te odbiegajce obserwacje (ogony rozkadu s zgodne z pewnym
rozkadem wartoci ekstremalnych (niemal wszystkie punkty ukadaj si wzdu
prostej odpowiadajcej konkretnemu rozkadowi GEV.
3.1.1 Podstawy matematyczne
Do dokadniejszej analizy naley wprowadzi kilka oznacze i zaoe, ktre
pomog w lepszym zrozumieniu teorii wartoci ekstremalnych. Rozwaajc zbir n stp
zwrotu: {r
1
, r
2
, ,r
n
} zawsze mona wybra jedn najmniejsz i oznaczy j r
(1)
oraz
najwiksz np. r
(n)
. Dokadniej
, natomiast
,
w przypadku analizy wartoci zagroonej, znaczenie ma tylko najmniejsza stopa
t.j. r
(1)
.
63
O powyszych stopach naley zaoy, e s wzajemnie niezalene oraz
pochodz z jednakowego rozkadu o zadanej dystrybuancie F(x). Dodatkowo przyjmuje
si, e pochodz one z konkretnego przedziau [l, g], a w wypadku logarytmicznych
stp zwrotu, przedzia jest otwarty i nieograniczony. Przy tak sformuowanych

62
www.approximity.com
63
52

zaoeniach atwo mona uzyska rozkad minimum, pamitajc e funkcja
dystrybuanty CDF (Cumulative Distribution Function jednoznacznie okrela rozkad.
Niech F
n,1
(x) oznacza dystrybuant dla minimum r
(1)
, wtedy
64
:
) (

Drugie przejcie wynika z prostej implikacji, tzn. jeli minimum ze zbioru jest wiksze
od x, to take kady inny element, kolejne przeksztacenia to wykorzystanie faktu, e
stopy zwrotu s niezalene i posiadaj jednakow dystrybuant. Przedstawiony dowd
jest jednym z podstawowych jeli chodzi o rozkad minimum.
W praktyce posta dystrybuanty F(x) nie jest nigdy znana, a co za tym idzie
rwnie nie jest znany rozkad minimum. Dodatkowo napotyka si jeszcze jeden
problem: funkcja F
n,1
(x) nie jest typow dystrybuant jest zdegenerowana. Wynika to
z tego, e gdy n zbiega do nieskoczonoci to jej granica jest rwna 1, gdy x > l , ale
w przypadku x < l ta granica to 0. Ta wasno mocno komplikuje praktyczne podejcie
do tego zagadnienia, dlatego teoria wartoci ekstremalnych mwi, eby znale dwa
cigi za pomoc ktrych mona odpowiednio unormowa rozkad minimum. Niech cig
{
n
} bdzie parametrem skali, natomiast cig {
n
} parametrem pooenia, wtedy
unormowane minimum:
zbiega do niezdegenerowanego rozkadu, gdy

n dy do nieskoczonoci. Dystrybuanta tego rozkadu przedstawia si nastpujco
65
:

Jeli k<0, to x<-1/k, gdy k >0 to x >-1/k, parametr k czsto nazywany jest parametrem
ksztatu, natomiast funkcja gstoci z podanej dystrybuanty przedstawia rozkad GEV
(Generalised Extreme Value) dla minimum. Zgodnie z twierdzeniem Fishera
Tippeta
66
, jeli tylko istniej wspomniane wyej cigi
n
,
n
oraz
n
jest nieujemny to

64
65
ibidem
66
www.en.wikipedia.org
53

przedstawiona dystrybuanta nigdy nie jest zdegenerowana oraz zawsze przyjmuje jedn
z trzech postaci
67
:
Gumbela , gdy k=0:
,
Frcheta, gdy k<0 :
{

Weibulla, gdy k>0:
{

Jak wczeniej zostao to zauwaone, parametr k odpowiada za ksztat funkcji
gstoci, poniej przedstawiono przykadowe wykresy tych funkcji.

Rys. 22 Gstoci poszczeglnych rozkadw wartoci ekstremalnych.
rdo: Tsay R., Analysis of Financial Time Series, Wiley and Sons, Chicago2002
Dla rozkadu Weibulla przyjto wspczynnik k = 0,5, natomiast dla rozkadu Frecheta
ten wspczynnik to k = -0,9. Wida, e ze zmian znaku k z dodatniego na ujemny
skono pozytywna (prawostronna przechodzi w skono negatywn (lewostronn.

67
54

Oprcz rozkadw klasy GEV bardzo wany i czsto uywany w EVT jest
rozkad Pareto
68
:

jest parametrem skali, natomiast parametrem ksztatu. Wykres dystrybuanty jest
nastpujcy ( dla =1:

Rys. 23 Dystrybuanta rozkadu Pareto
rdo: www.wikipedia.org

3.1.2 Tradycyjne podejcie parametryczne
W poprzedniej czci zostaa przedstawiona teoria rozkadw wartoci
ekstremalnych, jak atwo si domyli najtrudniejszym zadaniem jest oszacowanie
wystpujcych tam parametrw: k,
n
,
n
.
Najczciej do tego uywa si algorytmu polegajcego na maksymalizacji
funkcji wiarygodnoci. Moe si wydawa, e to niemoliwe bo w danej prbie jest
tylko jedno minimum i jedno maksimum, wic jakich oblicze tu dokonywa. W tym

68
McNeil, A.J., Extreme Value Theory for Risk Managers, Zurich 1999
55

celu najatwiej podzieli prb na podprby, np. dysponujc dziennymi stopami zwrotu
z 20 lat, mona korzysta z 80 podprbek kwartalnych, itd. Oczywicie oszacowanie
bdzie cile zaleao od tego na ile grup podzielimy prb oraz jak liczny bdzie kady
taki podzbir. Oznaczajc przez
minimum z i-tej podprby o liczebnoci n, funkcja

gstoci rozkadu przedstawia si nastpujco
69
:
(

Pomimo skomplikowanej postaci funkcji wiarygodnoci, to wanie ta metoda
ma najwicej zalet. Drugim sposobem na oszacowanie tych parametrw moe by
wykorzystanie regresji i metody najmniejszych kwadratw, ale wyniki s najczciej
obarczone wikszym bdem ni przy uyciu metody najwikszej wiarygodnoci.
Niestety pojawia si problem, gdy wszystkie minima s ujemne. Algorytm
maksymalizujcy funkcj wiarygodnoci, ktry jest zaimplementowany w programach
do analiz statystycznych i matematycznych czsto nie uzyskuje zbienej wartoci.
W takim wypadku naley potraktowa stopy ujemne jako dodatnie i zbada znaki
otrzymanych parametrw.
Dla przykadu przedstawiony jest poniej sposb wykorzystania tej metody.
Niech pewien inwestor posiada portfel akcji skadajcy si z akcji VISTULA o wartoci
100 ty. z. Inwestor postanowi sobie, e w cigu najbliszych 10 dni chce, aby jego
akcje byy warte zawsze 100 000 z, czyli w wypadku straty bdzie musia dokupi
akcji a w przypadku wzrostw sprzeda nadwyk. Chciaby on zna dwa fakty:
jak bardzo jest prawdopodobne, e ktrego dnia bdzie musia dooy wicej
ni 10 ty. z do swojego portfela
jaki jest dziesiciodniowy VaR takiej inwestycji ( pomija si w tym wypadku
codzienne aktualizowanie wartoci portfela.
Pierwszym krokiem jest odpowiednie podzielenie obserwacji dysponujc 3948-ma
obserwacjami (logarytmiczne stopy zwrotu z akcji Vistuli z przedziau 03.09.1993

69
56

09.02.2010 mona je podzieli na 394 dziesiciodniowe podokresy. Dla kadego z nich
wyznacza si minimum. Na podstawie nowej prbki, metod najwikszej
wiarygodnoci szacuje si parametry rozkadu, zakadajc wczeniej, e rozkad
minimum naley do klasy GEV. Z powodu wymaga technicznych naley zmieni znak
wszystkich ujemnych stp zwrotu pamitajc, e strata powinna mie znak minus.
W tym przykadzie parametry (wartoci bezwzgldne s nastpujce:
Tab. 7 Parametry rozkadu GEV uzyskane
metod najwikszej wiarygodnoci
Nazwa parametru Oszacowana wartod
k ksztat 0.2329
n
skala 1.8562
n
- pooenie 3.1995

Pamitajc, e dla rozkadu minimum wartoci s ujemne naley zbada znaki
szacowanych parametrw. Oczywiste jest, e parametr skali zawsze jest dodatni,
poniewa odpowiada on jedynie za to, aby pole pod wykresem funkcji gstoci byo
rwne jeden. Parametr pooenia naley zmieni na przeciwny poniewa, minima
wystpuj po lewej stronie osi OY . To samo dotyczy parametru ksztatu, gdy przy
zmianie znaku wykres naley odbi wzgldem osi OY. Ostatecznie parametry rozkadu
s nastpujce: ksztat: -0,2329; skala: 1,8562; pooenie: -3,1995
Kolejnym etapem jest sprawdzenie czy uzyskany rozkad rzeczywicie przyblia
rozkad minimum (maksimum strat. Najprostsz metod jest spojrzenie na wykres
dystrybuant (umieszczony na kojonej stronie): jedna z prby a druga z uzyskanego
rozkadu teoretycznego.
Obserwujc wykres mona wnioskowa, e nie popeniono bdu przy estymacji
parametrw rozkadu. Pewna niezgodno wystpuje natomiast w przypadku strat rzdu
5 10 ty, moe to by spowodowane ma licznoci za rwno prby. Naley
pamita, e nawet dla dwch prb wygenerowanych z tego samego rozkadu, wykresy
ich dystrybuant empirycznych nigdy nie pokryj si tak dokadnie jakby to si mogo
wydawa.
Z poniszego rysunku mona dodatkowo odczyta, e warto dystrybuanty
teoretycznej F(10= 0,93. Mona sdzi, e prawdopodobiestwo wystpienia straty
wikszej ni 10 ty. z ( w ktrym z dziesiciu nadchodzcych dni wynosi 7%.
57

Rys. 24 Wykres dystrybuanty empirycznej i teoretycznej dla rozkadu minimum
ze stp zwrotu akcji VISTULA z lat 1993-2010

Przy estymacji wartoci zagroonej naley znale analityczn zaleno midzy
gstoci rozkadu GEV a odpowiednim kwantylem. W tym przypadku, mona si
posuy nastpujcym wzorem:
70

Dziesiciodniowy VaR
0,95
przedstawionej inwestycji to:
{
}
zatem z prawdopodobiestwem 95% inwestor nie straci wicej jak 14 358 z. atwo
zobaczy, e warto zagroona bdzie zalee od wyboru liczby i rozmiaru podprby.
Poniej w tabeli przedstawiono wyniki dla rnych okresw, z ktrych brano minima.

70
58

Tab. 8 VaR dla akcji VISTULA obliczony metod block maxima
w zalenoci od wyboru dugoci okresu
Dugod okresu Liczba okresw
Wartod zagroona
(dziesiciodniowa przy p=0.95)
Tydzieo - 5 dni sesyjnych 689 14 853 z
10 dni sesyjnych 394 14 358 z
Miesic 21 dni sesyjnych
154 13 218 z
Kwarta 63 dni sesyjne 54 10 811 z
P roku 126 dni sesyjnych 27 7 166 z
Na podstawie danych zawartych w tabeli mona zauway, jak bardzo wielko
VaR jest uzaleniona od wyboru dugoci okresw na jakie zostaa podzielona prba.
Z jednej strony dla sensownoci brania minimum chce si, aby dugo okresu bya jak
najdusza. Takie podejcie znaczco zmniejsza ilo takich okresw, co z kolei
prowadzi do otrzymywania wynikw obarczonych duym bdem, spowodowanym
ma licznoci obserwacji. W przypadku okresu procznego dla akcji VISTULA,
ktre s notowane na giedzie od wrzenia 1993 roku, liczba okresw to zaledwie 27.
Trudno sdzi, e maksymalizacja funkcji wiarygodnoci przeprowadzona na tak maej
prbie doprowadzi do wartociowych wynikw. Rnice w dokadnoci wida poniej:

Rys. 25 Wykres Q-Q dla rozkadw GEV teoretycznego i empirycznego dla akcji
VISTULA, po lewej stronie okres proczny, po prawej tygodniowy

Wykresy kwantyl-kwantyl przedstawiaj jak dobrze rozkad teoretyczny opisuje
rozkad empiryczny. W powyszym przypadku, rozkad minimum tygodniowego
odbiega od rozkadu GEV, szczeglnie dla strat rzdu 5-10%. wiadczy to o tym, e
minimum byo brane zbyt gsto przez co nie uchwycono dobrego rozkadu wartoci
ekstremalnych.
59

3.1.3 Podejcie nowoczesne
W poprzednim omwionym sposobie wykorzystania teorii wartoci
ekstremalnych zastosowano tradycyjne podejcie zwane block maxima. Opiera si ono
na wyborze z duej liczby obserwacji maksimw (minimw) z kolejnych przedziaw,
np. dla dziennych stp zwrotu mona wybiera maksima (minima kwartalne czy
tygodniowe i budowa model na ich podstawie. Jak si jednak czsto okazuje, wybr
odpowiedniego przedziau jest kopotliwy. Z tego powodu, w ostatnich latach, bardziej
popularne stao si podejcie POT (peaks-over-threshold) co znaczy szczyty ponad
progiem, czyli badanie tylko nadwyek ponad ustalony poziom. Ten model nie
wymaga tak obszernego zbioru danych i jest stosunkowo atwy w implementacji, co
sprawia, e jest chtniej stosowany w aplikacjach.
Niech u oznacza prg maksymalnej straty, tzn. takiej, ktr jest gotw ponie
inwestor bez wikszych konsekwencji, wtedy dystrybuant rozkadu strat ponad ten
poziom u mona przedstawi nastpujco
71
:

Zazwyczaj zakada si, e rozkad F jest okrelony dla nieograniczonych wielkoci strat,
co nie jest do koca prawd, poniewa czsto za rozkad F przyjmuje si rozkad
normalny lub t-Studenta. W takim przypadku dla stosunkowo niewielkich odchyle
funkcja gstoci przyjmuje wartoci w przyblieniu rwne zero.
Mona udowodni, e dla bardzo szerokiej klasy dobrze zachowujcych si
rozkadw o dystrybuancie F, w miar wzrostu progu u rozkad przekrocze zbiega do
rozkadu Pareto (GDP- General Pareto Distribution) o konkretnym parametrze, tzn.
mona znale funkcj (u tak, e
72
:

Do tej rodziny rozkadw naley zdecydowana wikszo rozkadw dobrze znanych
(normalny, log-normalny, chi-kwadrat, gamma, wykadniczy, beta, jednostajny i wiele
innych, wic nie ma formalnych ogranicze w stosowaniu tego twierdzenia.
Konsekwencj tego faktu jest to, e niemal dla dowolnego zjawiska
mierzalnego, mona zakada, e rozkad ogona czstoci jest rozkadem Pareto:

71
McNeil, A.J., Extreme Value Theory for Risk Managers, Zurich 1999
72
ibidem
60

i pozostaje tylko wyestymowa jego parametry. Do tego celu najlepiej

stosowa maksymalizacj funkcji wiarygodnoci. Stosujc kilka prostych przeksztace
mona otrzyma nastpujcy wzr na dystrybuant ogona rozkadu:

Z tej postaci atwo wywnioskowa czym jest F(u) i za co odpowiada. Jest to
procent obserwacji, ktrych nie bierze si pod uwag czyli tych mniejszych od
ustalonego progu u. Jeli n to liczba wszystkich obserwacji, N
u
liczba obserwacji
skrajnych (wikszych od u) to intuicyjnym estymatorem F(u) jest (n-N
u
)/n . Estymator
ogona rozkadu okrelony jest dla x>u a jego posta analityczna przedstawia si
nastpujco
73
:

Powysze oszacowanie moe by traktowane jako pewien rodzaj symulacji historycznej
poszerzony o EVT, dodatkowo estymator ten moe by tworzony w kadym przypadku,
gdzie podejrzewa si, e dane posiadaj dobrze zachowujcy si rozkad. Z kolei
warto zagroona moe zosta przedstawiona przez odwrcenie wzoru powyej:

Przy ustalonym prawdopodobiestwie q , jest to estymacja kwantyla, ktry jest
nieznannym paramtrem nieznanego rozkadu. Moliwe jest ustalenie przedziau ufnoci
dla takiego estymatora. Niestety taki przedzia jest asymetryczny co odzwierciedla
problem jakim jest szacowanie wysokich kwantyli dla danych o grubych ogonach.
Dla porwnania tej metody z poprzedni (block maxima mona obliczy
dziesiciodniowy VaR
0,95
dla inwestycji z poprzedniego przykadu, tj. portfela akcji
VISTULA o wartoci 100 000 z. Pierwszym krokiem jest ustalenie progu strat (u), tzn.
jaka wielko straty traktowana jest przez inwestora jako ekstremalna. Taki wybr
zawsze bdzie subiektywny, mona np. zaoy prg, ktry przekroczony jest
w przypadku 5% obserwacji, wtedy progiem jest odpowiedni kwantyl. Najlepiej jest
prowadzi obliczenia dla kilku progw jednoczenie, tak to uczyninono w niniejszym
przykadzie.

73
McNeil A.J., Extreme Value Theory for Risk Managers, Zurich 1999
61

W poniszej tabeli przedsawiono obliczenia dla trzech kolejnych progw strat:
4%, 6%, 8%, dla przypomnienia dane dotycz logarytmicznych stp zwrotu z akcji
VISTULA, z okresu 1993.09.03-2010.02.09
Tab. 9 Parametry uoglnionego rozkadu Pareto uzyskane
metod maksymalizacji funkcji wiarygodnoci,
dla poszczeglnych progw.
Prg straty (u)
Liczba obserwacji
przekraczajcych
prg straty
Parametr ksztatu
GPD -
Parametr skali
GPD -
4% 319 -0.1091 3.0733
6% 167 -0.0925 2.7257
8% 87 0.0004 1.9800
Wida, e w przypadku strat przekraczajcych 8% parametr ksztatu jest bliski zeru,
gdyby nie przesunicie o prg u=8% to rozkad takiego ogona byby czystym
rozkadem wykadniczym.
Poniej przestawiono wykresy dystrybuant dla tych trzech przypadkw,
dystrybuanta teoretyczna zostaa stworzona w oparciu o wysymulowan prb o mocy
1000 z rozkadu GPD o zadanych parametrach ksztatu, skali i przesunicia.

Rys. 26 Dopasowanie ogona rozkadu, dla logarytmicznych
stp zwrotu z akcji VISTULA (r < -4 %)

Widoczna jest silna zbieno obu rozkadw, mona sdzi, e model stanowi dobre
dopasowanie, a ewentualne odchylenia wynikaj z maej licznoci prby.
0 2 4 6 8 10 12 14
0
0.2
0.4
0.6
0.8
1
wielko straty nadwykowej, ponad poziom 4%
F
(
x
)

Dystrybuanta teoretyczna ogona rozkadu
Dystrybuanta empiryczna z prby
62

Na kolejnych dwch wykresach wida ju wiksz rozbieno, co jednak
rwnie mona tumaczy zmniejszon licznoci prby.



Posiadajc wszystkie potrzebne dane mona szacowa dziesiciodniowy
VaR
0,95
, dla kolejnych progw wynosi on:
17 194 z przy progu 4 000 z.
17 521 z przy progu 6 000 z.
20 169 z przy progu 8 000 z

0 2 4 6 8 10 12 14
0
0.2
0.4
0.6
0.8
1
wielko straty nadwykowej, ponad poziom 6%
F
(
x
)

0 2 4 6 8 10 12 14
0
0.2
0.4
0.6
0.8
1
wielko straty nadwykowej w procentach ,
0 oznacza strat progow = 8%
F
(
x
)

63

3.2 RiskMetrics

Obecnie to najprostsza i powszechnie stosowana przez praktykw metodologia
szacowania wartoci zagroonej. Dzisiaj RiskMetrics to nie tylko jeden z modeli
wariancji, ale przede wszystkim to firma, ktra jest niekwestionowanym liderem
w dziedzinie zarzdzania ryzykiem.
Swj pocztek datuje na rok 1994, kiedy bya jeszcze wewntrznym dziaem JP
Morgan i opublikowaa synny raport 4:15 opisujcy warto zagroon jako
narzdzie suce do jednodniowego kontrolowania ryzyka portfela. Ju dwa lata
pniej opisane metody stay si wiatowym standardem a w 1998 roku RiskMetrics
odczyo si od JP Morgan.
74

3.2.1 Ideologia modelu zmiennoci
Uwaa si, e jednym ze sposobw uchwycenia dynamicznej struktury
zmiennoci jest wykorzystanie wykadniczej redniej kroczcej. Dla danych
najnowszych wagi powinny by najwiksze i male wykadniczo dla obserwacji
starszych. Takie podejcie ma przewag nad modelem, gdzie wszystkie wagi s
jednakowe. Po pierwsze zmienno instrumentw finansowych reaguje szybciej na
szoki, ktre wystpiy niedawno a wolniej na te z dalszej przeszoci. Z kolei po duym
szoku zmienno si uspokaja maleje wykadniczo, dlatego dobrym rozwizaniem jest
maa waga danych bardziej odlegych. Gdy szok by odpowiednio duy to zmienno
szacowana modelem o rwnych wagach bya zawyona nawet po kilku miesicach od
wystpienia obserwacji ekstremalnej. Poniej dwa estymatory zmiennoci, pierwszy
o rwnych wagach drugi o wadze .
75

Wida, e estymator po prawej stronie zaley od parametru (0,1), ktry w literaturze
nazywa si czynnikiem zaniku ( decay factor ). Oglnie samo oszacowanie czsto jest
oznaczone skrtem EWL Exponetially Weighted Estimator, co bywa czasem mylone
z Equally Weighted Estimator.

74
www.riskmetrics.com
75
RiskMetrics-Technical-Document, J.P. Morgan/Reuters, New York 1996
64

Zbieno odchylenia dla wagi wynika bezporednio ze zbienoci szeregu
geometrycznego o wyrazie 0<q<1
76
(rwno zachodzi gdy T:

Poniej przedstawiono porwnanie dwch estymatorw, wykorzystanych do
szacowania jednodniowego VaR-u dla transakcji walutowych DEM/GBP.

Rys. 29 Po lewej przedstawiono logarytmiczne stopy zwrotu z transakcji wymiany
DEM/GBP, po prawej jednodniowy VaR
0,95.
rdo: RiskMetrics-Technical-Document,
J.P. Morgan/Reuters, New York 1996

W czwartym kwartale 1992 roku zaobserwowano duy skok w kursie wymiany
DEM/GBP, potem sytuacja si uspokoia, ale VaR liczony przy uyciu prostej redniej
kroczcej by cigle zawyony do koca pierwszego kwartau 1993. Natomiast zaraz po
wystpieniu skoku VaR przy uyciu SMA (Simple Moving Average by
nieoszacowany.
Dodatkowym atutem stosowania metodologii zaproponowanej przez
RiskMetrics jest atwy sposb prognozowania, poniewa wariancj mona zapisa w
sposb rekurencyjny
77
:

Indeks 1,t+1|t naley rozumie jako prognoz dla instumentu pierwszego na okres t+1,
uzyskan przy uyciu wszystkich obserwacji od dnia pierwszego do dnia t. Symbol r
odnosi si oczywicie do stopy zwrotu z inwestycji.

76
Leja F. Rachunek rniczkowy i cakowy, PWN Warszawa 1969
77
65

Ostatecznie model RiskMetrics sprowadza si do zastosowania nastpujcego
modelu zmiennoci stochastycznej
78
:

Dla tego przypadku parametr nie jest estymowany, arbitralnie stosuje si warto 0,94
dla dziennych stp zwrotu oraz 0,97 dla miesicznych. Wida, e taki model jest
szczeglnym modelem klasy GARCH, mianowicie jest to IGARCH(1,1) z ustalonym
parametrem (1- przy kwadracie stopy zwrotu oraz przy zaoeniu, e rednia
warunkowa stopa zwrotu jest rwna zero oraz staa =0. Takie podejcie jest mao
wyrafinowane jednak, ale czsto rezultaty jej stosowania s zaskakujco dobre.
W dokumencie technicznym opisujcym szczegowo metodologi RiskMetrics
zostao wyjanione na jakiej podstawie oszacowano, e parametr lambda powinien mie
tak a nie inn warto. Posuono si w tym celu 480-cioma szeregami czasowymi
utworzonymi z danych finansowych z rnych krajw. Minimalizujc bd (suma
kwadratw reszt prognozy dla wszystkich obserwacji otrzymano =0,94 i =0,97,
odpowiednio dla dziennych i miesicznych danych
79
. W nastpnym podrozdziale
zostanie w pewien sposb zweryfikowana prawidowo tak dobranych parametrw.

3.2.2 Estymacja parametru metod najwikszej wiarygodnoci
Na kolejnej stronie przedstawiono tabel zawierajc wyniki przeprowadzonych
symulacji. Dane w niej zawarte przedstawiaj procedur otrzymania prognozy
odchylenia standardowego przy uyciu metody przedstawionej w RiskMetrics.
Do analizy uyto stp zwrotu nastpujcych spek notowanych na Giedzie Papierw
Wartociowych w Warszawie: BZWBK, KGHM, ING, VISTULA, DBICA, PEKAO,
ASSECOPOL, INDYKPOL, OPTIMUS, JUTRZENKA oraz indeks WIG20 . Stopy
zwrotu uyte do oblicze otrzymano na podstawie cen zamknicia od momentu wejcia
danej spki na gied do dnia 09.04. 2010 r. Dla porwnania przeprowadzono rwnie
obliczenia dla spki, ktra jest notowana znacznie duej ni wszystkie spki z GPW,
tj. IBM. Dane tej spki pochodz z okresu: 03.07.1962-31.12.1997, co stanowi 9190
obserwacji.

78
Kluwer Polska, 2009
79

66

Tab. 10 Estymatory zmiennoci i wartoci zagroone przy narzuconym
oraz przy najlepiej dopasowanym dla logarytmicznych stp zwrotu :
ING, BZWBK, KGHM, VISTULA
Nazwa spki: ING
Liczba obserwacji:
3999
Parametr 1:
0,94
Parametr 2 :
0,924
Data
Hist.
stopa
zwrotu
War (1) War (2) Var
0,95
Var
0,99
Var
0,95
Var
0,99

5.04.2010 1,000% 0,000224 0,000214
2299 3251 2223 3143
6.04.2010 1,645% 0,000216 0,000206
7.04.2010 0,000% 0,00022 0,000211
8.04.2010 0,391% 0,000206 0,000195
9.04.2010 1,420% 0,000195 0,000181
0,000195 0,000183
Nazwa spki: BZWBK
Liczba obserwacji:
4084
Parametr 1:
0,94
Parametr 2 :
0,9513
Data
Hist.
stopa
zwrotu
War (1) War (2) Var
0,95
Var
0,99
Var
0,95
Var
0,99

5.04.2010 5,205% 0,000423 0,000424
3620 5118 3592 5078,8
6.04.2010 -0,185% 0,00056 0,000536
7.04.2010 -0,370% 0,000527 0,00051
8.04.2010 -1,730% 0,000496 0,000486
9.04.2010 2,193% 0,000484 0,000477
0,000484 0,000477
Nazwa spki: KGHM
Liczba obserwacji:
3194
Parametr 1:
0,94
Parametr 2:
0,884
Data
Hist.
stopa
zwrotu
War (1) War (2) Var
0,95
Var
0,99
Var
0,95
Var
0,99

5.04.2010 2,030% 0,000256 0,000165
2923 4133 2954 4177
6.04.2010 1,000% 0,000265 0,000194
7.04.2010 -1,000% 0,000255 0,000183
8.04.2010 -2,123% 0,000246 0,000173
9.04.2010 3,483% 0,000258 0,000206
0,000316 0,000323
Nazwa spki:
VISTULA
Liczba obserwacji:
4041
Parametr 1:
0,94
Parametr 2:
0,896
Data
Hist.
stopa
zwrotu
War (1) War (2) Var
0,95
Var
0,99
Var
0,95
Var
0,99

5.04.2010 -1,370% 0,000906 0,000783
4429 6262 3847 5439,8
6.04.2010 1,370% 0,000863 0,000721
7.04.2010 -1,026% 0,000822 0,000665
8.04.2010 -2,435% 0,000779 0,000606
9.04.2010 -0,707% 0,000768 0,000605
0,000725 0,000547
67

ASSECO, INDYKPOL, OPTIMUS, DBICA
Nazwa spki:
ASSECO
Liczba obserwacji:
2972
Parametr 1:
0,94
Parametr 2 :
0,93
Data
Hist.
Stopa
zwrotu
War (1) War (2) Var
0,95
Var
0,99
Var
0,95
Var
0,99

5.04.2010 1,399% 0,000141 0,000132
2188 3093,8 2173,2 3072,9
6.04.2010 2,401% 0,000145 0,000136
7.04.2010 1,347% 0,000171 0,000167
8.04.2010 -1,857% 0,000171 0,000168
9.04.2010 1,017% 0,000182 0,00018
0,000177 0,000175
Nazwa spki:
INDYKPOL
Liczba obserwacji:
3834
Parametr 1:
0,94
Parametr 2:
0,9485
Data
Hist.
Stopa
zwrotu
War (1) War (2) Var
0,95
Var
0,99
Var
0,95
Var
0,99

5.04.2010 -0,167% 0,000381 0,000422
2988,65 4225,9 3154,16 4459,92
6.04.2010 0,997% 0,000358 0,000401
7.04.2010 -0,830% 0,000343 0,000385
8.04.2010 0,830% 0,000326 0,000369
9.04.2010 -2,511% 0,000311 0,000353
0,00033 0,000368
Nazwa spki:
OPTIMUS
Liczba obserwacji:
3875
Parametr 1:
0,94
Parametr 2 :
0,977
Data
Hist.
Stopa
zwrotu
War (1) War (2) Var
0,95
Var
0,99
Var
0,95
Var
0,99

5.04.2010 0,008 0,000883 0,000645
4356 6160 4014 5675
6.04.2010 0,000 0,000834 0,000632
7.04.2010 -0,024 0,000784 0,000617
8.04.2010 0,008 0,000772 0,000616
9.04.2010 -0,016 0,000729 0,000603
0,000701 0,000595
Nazwa spki: DBICA
Liczba obserwacji:
3842
Parametr 1:
0,94
Parametr 2 :
0,951
Data
Hist.
Stopa
zwrotu
War (1) War (2) Var
0,95
Var
0,99
Var
0,95
Var
0,99

5.04.2010 2,277% 0,000198 0,000198
2186,4 3091,6 2213,7 3130
6.04.2010 0,321% 0,000217 0,000214
7.04.2010 0,639% 0,000204 0,000204
8.04.2010 -0,639% 0,000195 0,000196
9.04.2010 0,639% 0,000185 0,000188
0,000177 0,000181
68

JUTRZENKA, PEKAO, WIG20, IBM
Nazwa spki:
JUTRZENKA
Liczba obserwacji:
3716
Parametr 1:
0,94
Parametr 2 :
0,928
Data
Hist.
Stopa
zwrotu
War (1) War (2) Var
0,95
Var
0,99
Var
0,95
Var
0,99

5.04.2010 -2,978% 0,000422 0,000434
3554 5025,6 3618 5115,2
6.04.2010 1,156% 0,00045 0,000467
7.04.2010 -1,389% 0,000431 0,000443
8.04.2010 -1,645% 0,000417 0,000425
9.04.2010 3,721% 0,000408 0,000414
0,000467 0,000484
Nazwa spki: PEKAO
Liczba obserwacji:
2955
Parametr 1:
0,94
Parametr 2 :
0,947
Data
Hist.
Stopa
zwrotu
War (1) War (2) Var
0,95
Var
0,99
Var
0,95
Var
0,99

5.04.2010 2,557% 0,00025 0,000261
2613 3694 2656 3756,1
6.04.2010 1,573% 0,000274 0,000282
7.04.2010 -0,058% 0,000272 0,00028
8.04.2010 -1,691% 0,000256 0,000265
9.04.2010 1,286% 0,000258 0,000266
0,000252 0,000261
Nazwa indeksu:
WIG 20
Liczba obserwacji:
3967
Parametr 1:
0,94
Parametr 2 :
0,92
Data
Hist.
Stopa
zwrotu
War (1) War (2) Var
0,95
Var
0,99
Var
0,95
Var
0,99

5.04.2010 2,254% 0,000132 0,000115
2003,4 2833 1954,7 2764
6.04.2010 0,892% 0,000154 0,000146
7.04.2010 -0,540% 0,00015 0,000141
8.04.2010 -1,540% 0,000142 0,000132
9.04.2010 1,230% 0,000148 0,00014
0,000148 0,000141
Nazwa spki: IBM
Liczba obserwacji:
9190
Parametr 1:
0,94
Parametr 2 :
0,9407
Data
Hist.
Stopa
zwrotu
War (1) War (2) Var
0,95
Var
0,99
Var
0,95
Var
0,99

5.04.2010 1,576% 0,000416 0,000416
3016,9 4265,8 3018,5 4268,2
6.04.2010 0,696% 0,000406 0,000406
7.04.2010 -1,129% 0,000385 0,000384
8.04.2010 -0,200% 0,000369 0,000369
9.04.2010 -1,280% 0,000347 0,000348
0,000336 0,000337
69

W przedstawionych tabelach pokazano ostatnie pi stp zwrotu oraz
estymatory wariancji dla tych dni. Dodatkowo w ostatnim wierszu dla kadej ze spek
wyznaczono prognoz zmiennoci suc do obliczenia wartoci zagroonej.
Obliczenia przeprowadzano zgodnie z metodologi RiskMetrics przyjmujc losow
prb z rozkadu normalnego o zerowej redniej i jednostkowej wariancji jako cig i.i.d.
W ten sposb otrzymano realizacj bdzenia losowego, ktre w zaoeniu ma opisywa
zachowanie stp zwrotu z instrumentw finansowych.
Drugim krokiem byo wyznaczenie estymatora wariancji korzystajc co prawda
z metod opisanych wczeniej, ale bez uywania z gry narzuconego parametru =0.94.
Zamiast tego, wyliczono ten parametr dla konkretnych stp zwrotu poprzez
maksymalizacj funkcji wiarygodnoci, w tabeli ten parametr oznaczono jako 2. Majc
do dyspozycji dwa estymatory zmiennoci i dwie jednodniowe prognozy wyznaczono
VaR o poziomie ufnoci 95% i 99%, zaoono przy tym, e rozkad jest normalny-
N(0,1. Warto zagroona w kadym z przypadkw odnosi si do portfela o wartoci
100 000 z oraz horyzontu czasowego w postaci jednego dnia.
rednia warto estymowanego parametru 2 wyniosa 0.9331, co mona
uwaa za niewielkie odchylenie od wielkoci zaproponowanej prze RiskMetrics.
Dokadnie w poowie przypadkw >0,94 co jednak nie przekada si na wysz lub
nisz warto zagroon (VaR przy estymowanym , jest wyszy te w szeciu
przypadkach. Jak wida zmienno oraz decay factor nie czy zaleno
monotoniczna, a przynajmniej nie na przedziale (0.8, 0.99). Najmniejsza rnica
midzy 1 a 2 jest zauwaalna w przypadku akcji IBM, nie skutkuje to jednak
mniejsz wartoci zagroon poziom 3000 mona uzna za redni. Nie jest
niespodziank, e najmniejszym VaR-em charakteryzuje si inwestycja w WIG20,
powodem jest maa zmienno zdywersyfikowanego instrumentu. Najwiksz
zmiennoci cechuje si natomiast Optimus, rwnie wystpuje stosunkowo dua
rozbieno miedzy 1 a 2.
Podsumowujc, wydaje si by suszne zaoenie o przyjciu z gry parametru
=0,94. Nie wida znaczcych odchyle od tej wartoci w przypadku tych losowo
wybranych spek z GPW (ze zrnicowanych sektorw. Poza tym mona si
przekona na przykadzie KGHM, gdzie odchylenie byo najwiksze (0,056, e ta
rnica nie przekada si zawsze na rnice w prognozach zmiennoci i wartoci
zagroonej- procentowa rnica VaR
0,95
to zaledwie: 1,06%. Dowodzi, to e mona
otrzyma bardzo zblione wyniki dla wzgldnie rnych od siebie parametrw lambda.
70

Rozdzia IV
4 Badanie poprawnoci modelu - backtesting

Przedstawione do tej pory modele wartoci zagroonej mona podzieli na bardzo
intuicyjne i przyjazne analitykom jak rwnie na te, ktre wydaj si by mao
przekonywujce i skomplikowane. Decyzja o tym jakich modeli uywa w danej
instytucji/przedsibiorstwie zaley od ich weryfikacji. W pewnych przypadkach
historyczna symulacja moe zosta uznana za sposb uzyskania najefektywniejszego
modelu, w pewnych przypadkach model GARCH. Czasami kilka modeli daje
zadawalajce wyniki, w takim wypadku naley przeprowadzi benchmark i zdecydowa
si na najlepszy model. Oprcz pewnej moliwoci wyboru naley pamita
o uregulowaniach prawnych (banki- dokument Basel), ktre ograniczaj pole manewru.
W tej czci pracy przedstawione zostan dwa z trzech podstawowych, opartych na idei
testowania wstecz mechanizmw sucych do oceny zbudowanego modelu VaR
80
:
Analiza szeregu przekrocze: Kupiec (1995), Christoffersen (1998)
Analiza zgodnoci kwantyli prognoz i rozkadu strat: Crncovic-Drachman (1996),
Berkowitz (2001)
Analiza wartoci tzw. funkcji strat: Lopez (1998), Sarma, Thomas, Shah (2001)

4.1 Idea backtestingu

Parafrazujc Alana Greenspana, korzystanie z ilociowych miar ryzyka takich jak
VaR jest sensowne tylko wtedy, gdy towarzyszy temu dyskusja jak dana miara bya
liczona i jakie jest jej odniesienie do aktualnych wynikw.
81
Backtesting mona
traktowa, jako formalne, statystyczne narzdzie suce do odpowiedzi na pytanie: czy
aktualne straty s zgodne z prognozami. Jest to zoony proces, ktry polega na
codziennym porwnywaniu wartoci rzeczywistych z oczekiwanymi.

80
www.kpiontek.ae.wroc.pl
81
rd
ed.,

71

Takie codzienne porwnywanie wydaje si by logiczne nawet dla laika: jeli co
jest prognozowane w tym wypadku strata, to najlepszym sposobem na ocenienie
trafnoci prognozy jest porwnanie jej ze stanem faktycznym. Najbardziej oczywistym
sprawdzeniem poprawnoci modelu VaR, jest policzenie dni, w ktrych prognoza
okazaa si niepoprawna. Niestety wnioski z takiego postpowania nie zawsze s
jednoznaczne, ale np. jeli w ostatnich stu dniach, poziom VaR
0,95
zosta przekroczony
pitnacie razy, to wiadomym wydaje si , e model jest niepoprawny. W tym wypadku
przekrocze powinno by okoo piciu, jednak gdyby w cigu tych stu dni nie zdarzyo
si adne przekroczenie, wwczas rwnie model byby zy, bo przeszacowuje ryzyko.
Takim konserwatywnym podejciem cechowa si dyrektor zarzdzania ryzykiem z
Credit Suisse Group
82
. W 2005 roku jednodniowa strata nigdy nie przekroczya
zaoonej, 99%-owej wartoci zagroonej wida to na poniszym wykresie.

Rys. 30 Dzienne zyski/straty Credit Suisse Group w 2005 r.
w odniesieniu do jednodniowej wartoci zagroonej
rdo: Credit Suisse Annual Report

Bardziej skomplikowane jest ustalenie odpowiednich testw, ktre w przypadku,
gdy liczba przekrocze nieznaczco rni si od oczekiwanej, pozwalaj jednoznacznie
wychwyci bdny model. Jeli dobrze si zastanowi, to w zasadzie nie jest moliwa
jednoznaczno w tym przypadku, naley pamita, e rozwaania opieraj si na
prawdopodobiestwie. To, e zaoony poziom istotnoci wynosi 5% nie znaczy, e
dokadnie powinno wystpi 5 przekrocze na 100 dni. Prawdopodobiestwo stwierdza
tylko, jak czsto bdzie wystpowa dane zdarzenie zakadajc, e wszystkich zdarze
jest nieskoczenie wiele.

82
Saita F., Value at Risk and Bank Capital Management, Elsevier-Academic Press, San Diego 2007
72

Kolejnym problemem jest to, e wyniki backtestingu zale do kliku
czynnikw
83
:
budowy portfela (rozoenia udziaw, dywersyfikacji, itd.;
ewoluowaniem w czasie czynnikw ryzyka, ktre maj bezporedni i
poredni wpyw na zmienno;
zaoenia dotyczce rozkadw stp zwrotu oraz zaoenia o samych
czynnikach ryzyka;
Dlatego moliwe jest, e ten sam model VaR moe przej odpowiednie testy
wiadczce o jego poprawnoci w przypadku portfela A, jednak moe okaza si
niepoprawnym dla portfela B, nawet gdy zmienno obu portfeli zaley od tego samego
czynnika. Poza tym naley pamita, e zawsze moe wydarzy si co
nieprzewidywalnego. W takim wypadku nawet dobry model moe zosta odrzucony
przez przypadek, jest to tzw. bd pierwszego rodzaju.
Podczas testowania hipotez mona oglnie popeni dwa bdy: przyj co
nieprawdziwego lub odrzuci co prawdziwego, ilustruje to ponisza tabela:

Tab. 13 Moliwe rezultaty testowania hipotez
Przyjcie hipotezy H
0
Odrzucenie hipotezy H
0
Hipoteza 0 jest prawdziwa (model
VaR jest dobry)
Brak bdu Bd I rodzaju
Hipoteza 0 jest faszywa
(model VaR jest niepoprawny)
Bd II rodzaju Brak bdu
rdo: opracowanie wasne
na podst.: www.en.wikipedia.org

Na czerwono zaznaczono bd II rodzaju, jest on szczeglnie niepodany
w zarzdzaniu ryzkiem i przy weryfikacji modelu VaR. Popenienie tego bdu
skutkowa moe przyjciem modelu nieoszacowujcego ryzyko. Dla instytucji
finansowych podlegajcych nadzorowi i regulacjom, korzystanie z takiego modelu
moe oznacza powane kary a nawet bankructwo. Obecnie duym zainteresowaniem,
ciesz si metody pozwalajce zminimalizowa prawdopodobiestwo wystpienia
bdu drugiego rodzaju (zmaksymalizowa moc testu
84
.

83
Chichester, 2006
84
73

4.2 Wybrane metody weryfikacji modelu

Najprostsz metod do oceny poprawnoci modelu wartoci zagroonej, jak to
zostao wczeniej wspomniane, jest tzw. failure rate czyli stosunek liczby przekrocze
(N do licznoci prby (T- ilo dni. W modelu N/T powinno zbiega do zaoonego
poziomu istotnoci p, tzn.:
.
Do testowania modelu konieczne jest ustalenie wartoci krytycznych, w tym wypadku
naley wiedzie czy uzyskane N jest za due lub za mae w stosunku do zaoonego
poziomu ufnoci i licznoci prby. Pocieszajce jest to, e aby uzyska t wiedz nie
jest konieczne korzystanie z jakichkolwiek zaoe o rozkadach stp zwrotu, procedura
jest taka sama dla rozkadw skonych, o grubych ogonach czy dla rozkadu
normalnego. Fundamentem dla obu wymienionych testw jest cig sukcesw
i poraek zwany prbami Bernoulliego. Przy zaoeniu, e hipoteza o poprawnoci
modelu jest prawdziwa, liczba przekrocze (oznaczona jako x ma rozkad
dwumianowy
85
: (
. Dla tego rozkadu warto oczekiwana to:

, natomiast wariancja: . Gdy prba jest odpowiednio
dua mona korzysta z centralnego twierdzenia granicznego (CTG, mwicego e
rozkad dwumianowy mona przyblia rozkadem normalnym. Stosujc powyszy
model atwo obliczy jak duy bd si popenia w wypadku poprawnego i bdnego
oszacowania wartoci zagroonej.
Zakadajc, e prba liczy dzienne obserwacje z ostatniego roku (T=252 oraz
przyjmujc prawdopodobiestwo p=0,01, powinno si otrzyma rednio 2,52
przekroczenia. Jeli analityk uzna, e model jest prawidowy, gdy liczba przekrocze
to w okoo 11% przypadkw uzna on, e de facto prawidowy model za bdny.
Tab. 14 Bdy I i II rodzaju

Krytyczna liczba
przekroczeo
Prawdopodobieostwo odrzucenia
dobrego modelu
Prawdopodobieostwo
przyjcia zego modelu
x=3 25% 5%
x=4 11% 12%
x=5 5% 23%
Przedstawione obliczenia przeprowadzono dla p=0,01 model prawidowy oraz p=0,03
model nieprawidowy, T=252.

85
rd
ed.,
74

Poniej przedstawiono histogramy liczby przekrocze dla prawidowego i dla
bdnego modelu, obrazuj one dane przedstawione w tabeli.

Rys. 31 Histogramy dla modeli VaR
0,99
i VaR
0,97

4.2.1 Testy Kupca i Christoffersena
Kluczowym celem byo stworzenie testu, ktry przy zaoeniu niskiego bdu
pierwszego rodzaju minimalizowaby bd drugiego rodzaju. Pierwszym, ktry
przystpi do tego zadania by Kupiec (1995. Stworzy on test oparty na statystyce
86
:

Wida, e postulowany wzr jest odpowiednio zmodyfikowan rnic funkcji
wiarygodnoci dla estymowanej i zaoonej w hipotezie wartoci p. Przedstawiona
statystyka ma rozkad chi-kwadrat z jednym stopniem swobody, zatem na poziomie
istotnoci 0,05 naley odrzuci hipotez zerow, gdy LR > 3,841. Na tej podstawie
mona wyznaczy dopuszczaln liczb przekrocze N, np. dla 252 dni przedziay
przyjcia H
0
s nastpujce:
87
[0, 7) dla VaR
0,99
oraz (6, 20) dla VaR
0,95
.
Okazao si, e liczba przekrocze moe by niewystarczajca do weryfikacji
modelu. Mona sobie wyobrazi sytuacj, e Bank X w poprzednim roku zanotowa 25
przekrocze dla VaR
0,95
, czyli model przez niego uywany by zy. Ale zauwaono, e
22 spord tych 25 przekrocze nastpio w maju miesicu, w ktrym prawie kady
bank odnotowa spore straty. Czy w takim wypadku mona ukara za uywanie

86
rd
ed.,
87
ibidem
0 2 4 6 8 10 12 14 16 18
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
przekroczenia

dobry model
zy model
75

zego modelu? Na to pytanie odpowiedzia Chriostoffersen (1998, ktry oprcz
badania liczby przekrocze zainteresowa si rwnie niezalenoci ich wystpienia.
Statystyka zaproponowana przez niego przedstawiona jest poniej
88
. Indeksy 01,
11, 00 oznaczaj kolejno, e po braku przekroczenia wystpio przekroczenie, po
przekroczeniu nastpio kolejne, w dwch kolejnych dniach nie odnotowano
przekrocze. T
i,j
jest liczb wystpie danych stanw, natomiast q odpowiada p.

W praktyce czciej si stosuje mieszany test niezalenoci i liczby przekrocze, tj.:

LR
mix
oznacza tutaj sum statystyk testowych Kupca i Christoffersena: LR
K
+LR
Ch
. Ta
suma ma rozkad chi-kwadrat, ale z dwoma stopniami swobody. Hipotez zerow o
prawidowoci modelu odrzuca si gdy LR
mix
>5,991 lub badajc sam niezaleno
odrzucenie nastpuje dla LR
Ch
>3,841.
89

4.2.2 Analiza funkcji strat
Poprzednie dwa podejcia do weryfikacji modelu nie badaj wielkoci strat, co
moe by mylce. Czasami zostaje odrzucony model, ktrego przekroczenia s
minimalne i nie maj wielkiego wpywu na inwestycje. Rozwizaniem w tym wypadku
jest stosowanie funkcji strat, ktre pozwalaj wybra najlepszy model spord
badanych. Drug moliwoci zastosowania tej funkcji jest stworzenie odpowiedniego
testu i utworzenie obszaru krytycznego za pomoc metod Monte Carlo. W ten sposb
nie trzeba porwnywa odrbnych modeli, ale je od razu odrzuca lub przyjmowa.
Niestety czsto skonstruowanie takiego testu nie jest moliwe (np. dla symulacji
historycznych, poniewa nie s spenione bardzo silne zaoenia do testowania.
90

88
89
rd
ed.,
90
76

Oczywicie nie ma tylko jednej dobrej funkcji strat, teoretycznie jest ich
nieskoczenie wiele, wane aby speniay ponisz zaleno
91
.

Ostateczn wartoci, ktr si testuje jest skumulowana funkcja strat:

Najprostsz funkcj strat zaproponowa Lopez (1998 :

Powysza funkcja nie karze w wypadku zbyt asekuracyjnego podejcia do wartoci
zagroonej. Przeszacowanie ryzyka rwnie wiadczy o bdnym modelu wartoci
zagroonej, odpowied na ten problem znaleli Sarma, Thomas, Shah (2003.
Zaproponowana przez nich funkcja (Firms Loss Function), oprcz kontrolowania
bezpieczestwa, bada take moliwo zysku:
92

Przedstawione podejcie moe wydawa si skomplikowane, jednak u jego
podstaw le jasne i oglnie uywane schematy. Funkcja Lopeza to bardzo prosta miara
odchylenia wartoci zagroonej od straty przekraczajcej VaR. Nastpnie liczona jest
suma kwadratw bdnych oszacowa i na tej podstawie mona wnioskowa o wyborze
lepszego modelu, dla ktrego zagregowana nadwyka strat ponad VaR jest mniejsza.
W funkcji strat firmy oprcz badania tej samej nadwyki dodatkowo karze
si model, ilekro warto zagroona znacznie przekracza wystpujc strat. Jeli
przykadowo suma nadwyek jest rwna dla dwch modeli, to oba s tak samo
bezpieczne i prawidowe. Wtedy lepszym modelem jest ten, dla ktrego czna wielko
przeszacowania VaR jest mniejsza, to przeszacowanie wanie uwzgldnia FL Function.

91
Lopez J. A , Regulatory Evaluation of Value-at-Risk Models, Journal of Risk, 1, 37-64, 1999.
92
Sarma M., Thomas S., Shah A., Selection of Value-at-Risk Models, Journal of Forecasting, 22, 337-358,
2003.
77

4.3 Analiza poprawnoci modeli VaR dla danych z GPW

Do porwnania, przedstawionych w tej pracy, metod szacowania wartoci
zagroonej wykorzystano ceny zamknicia dla akcji losowych spek z Giedy
Papierw Wartociowych w Warszawie. Dane finansowe uzyskano z serwisu bossa.pl,
liczba obserwacji jest zalena od momentu wejcia danej spki na gied, natomiast
okres ostatniego notowanie jest wsplny dla wszystkich 09.04.2010r. Dla potrzeb
testowania, prezentowane w tym rozdziale wielkoci VaR s wyraone jako dodatnie,
dzienne, logarytmiczne stopy zwrotu bdce oczekiwan strat w dniu 09.04.2009r.
Oczywicie wszystkie wartoci zagroone s liczone na kady z 252 sesyjnych dni od
09.04.2009r. do 09.04.2010r., jednak te obliczenia nie s zaczone ze wzgldu na
bardzo du objto.
4.3.1 Metodologia oblicze oraz ich wizualizacja
Dla kadej z dziesiciu losowych spek oraz dla indeksu WIG20, obliczono
4032 jednodniowych wartoci zagroonych, korzystajc z 8 metod. Wykorzystano do
tego komputer o duej mocy obliczeniowej oraz wasnorcznie napisane programy w
rodowisku MatLab-R2008b oraz w VBA-Excel. Poniej przedstawiono specyfikacje
zaproponowanych modeli:
metoda wariancji-kowariancji - wykorzystanie odchyle standardowych z prby
oraz zaoenia normalnoci stp zwrotu;
metoda symulacji historycznej - wykorzystanie odpowiednich kwantyli
z empirycznego rozkadu;
metoda wariancji-kowariancji z poprawk Cornisha-Fishera uwzgldnienie
skonoci i kurtozy empirycznego rozkadu stp zwrotu;
symulacje Monte Carlo 100 000 losowa z dopasowanych rozkadw:
normalnego i t-Studenta o 10 stopniach swobody;
metoda EVT teoria wartoci ekstremalnych wykorzystujca prg straty na
poziomie czwartego i pierszego percentyla oraz rozkad GP (Generalised
Pareto);
metoda IGARCH zaproponowana przez RiskMetrics z parametrem =0,94;
model zmiennoci warunkowej AR(1-GARCH(1,1 z warunkowym rozkadem
normalnym- wybrano akurat ten model ze wzgldu na jego popularno
w modelowaniu stp zwrotu oraz du efektywno;
78

Poniej zaprezentowano wycinek oblicze wartoci zagroonej na dzie
10.04.2009r. Pierwsz badan spk jest ASSECOPOL, na podstawie wykresu stp
zwrotu mona sdzi, e warto zagroona bdzie na wysokim poziomie ze wzgldu
na wystpowanie duych skokw cen.

Rys. 32 Zmienno stp zwrotu z akcji Assecopol

Tab. 15 Jednodniowe wartoci zagroone dla akcji ASSECOPOL,
obliczone przy uyciu wybranych metod
Nazwa spki: Assecopol
Metoda wyznaczania VaR VaR-95% VaR-99%
Wariancji kowariancji 4,99 7,055
Symulacja historyczna 4,807 8,42
Cornish-Fisher 4,17 10,702
Symulacja MC norm. 4,95 7,01
Symulacja MC tStudent 5,51 8,39
EVT 4,953 5,74
RiskMetrics 3,439 4,86
AR(1)-GARCH(1,1) 4,376 6,19
Zdecydowanie najnisza warto zagroona zostaa uzyskana przy wykorzystaniu
metodologii RiskMetrics. Jak zostao to opisane w poprzednim rozdziale, ta metoda nie
opiera si na historycznym odchyleniu standardowym, ale na bieco je dopasowuje.

Rys. 33 Zmienno warunkowa a stay poziom zmiennoci akcji ASSECOPOL
0 500 1000 1500 2000 2500 3000
-0.35
-0.3
-0.25
-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
0 500 1000 1500 2000 2500 3000
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
79

Na czerwono zaznaczono stay poziom odchylenia standardowego, natomiast na
niebiesko przedstawiona jest realizacja procesu IGARCH. Na tej podstawie wida,
dlaczego warto zagroona liczona na podstawie staego odchylenia rni si tak
bardzo od wartoci zagroonej obliczonej przy uyciu zmiennoci warunkowej.
Odchylenie niezmienne w czasie obarczone jest bdem spowodowanym skokami
w przeszoci. Na wykresie widoczna jest znaczna zmiana dla okoo tysicznej
obserwacji, ktra moga zaburzy odchylenie z prby. Natomiast koniec szeregu ju jest
znacznie bardziej ustabilizowany zmiana z przeszoci nie ma wpywu na obecn
zmienno.
Zastanawiajce mog by rozbienoci, symulacji Monte Carlo z rozkadem
tStudenta oraz VaR Cornisha-Fishera. Wynikaj one z uwzgldnienia skonoci oraz
grubych ogonw, ktre nie wystpuje w rozkadzie normalnym. Jednak na przykadzie
akcji Assecopolu wida, e grube ogony i skono wystpuj czsto i mog
wprowadza zaburzenia. Obliczony wspczynnik skonoci dla ASSECO to -0,476 co
jest znaczcym odchyleniem od 0, natomiast kurtoza wynosi: 6,955, zatem bez
wtpienia mona sdzi, e rozkad nie jest normalny. Potwierdza to histogram:

Rys. 34 Histogram stp zwrotu akcji ASSECO
z okresu 08.06.1998-09.04.2009r.

Wczeniejsze podejrzenia staj si jasne po przeanalizowaniu histogramu, VaR
liczony metodami uwzgldniajcymi grube ogony nie jest przeszacowany. Naleaoby
si jednak zastanowi czy nie usun przed modelowaniem skrajnej obserwacji (-35%),
ktra mocno komplikuje znalezienie dobrego dopasowania. Istot tej pracy nie jest
jednak modelowanie zmiennoci, a obliczanie wartoci zagroonej.
80

Tab. 16 Jednodniowe wartoci zagroone obliczone na podstawie
stp zwrotu losowo wybranych spek -
prognoza na 10.04.2009r.
BZWBK DBICA
Metoda wyznaczania VaR VaR-95% VaR-99% VaR-95% VaR-99%
Wariancji kowariancji 5,3697 7,59 3,94 5,576
Symulacja historyczna 5,219 10,16 3,603 7,269
Cornish-Fisher 5,01 9,91 3,78 8,09
Symulacja MC norm. 4,32 7,52 3,91 5,61
Symulacja MC tStudent 5,85 5,85 4,3 6,56
EVT 5,46 6,63 3,93 7,03
RiskMetrics 3,619 5,12 5,25 7,42
AR(1)-GARCH(1,1) 3,89 5,51 4,92 6,95
INDYKPOL ING
Cornish-Fisher 5,3 11,08 3,92 9,08
EVT 4,12 7,58 4,82 9,46
RiskMetrics 7,85 11,07 2,99 3,25
AR(1)-GARCH(1,1) 6,69 9,46 2,29 3,24
JUTRZENKA KGHM
Cornish-Fisher 4,45 10,47 4,71 10,04
EVT 4,49 7,48 5,02 8,64
RiskMetrics 8,13 11,5 7,72 10,93
AR(1)-GARCH(1,1) 7,92 11,21 7,21 10,34
OPTIMUS PEKAO
Cornish-Fisher 3,08 6,2 3,89 8,51
EVT 6,89 10,23 3,95 6,35
RiskMetrics 6,24 8,83 9,04 12,78
AR(1)-GARCH(1,1) 6,71 9,51 8,70 12,61
VISTULA WIG20
Cornish-Fisher 5,49 14,07 3,13 6,59
EVT 6,3 6,61 3,46 5,91
RiskMetrics 11,32 16,01 4,81 6,81
AR(1)-GARCH(1,1) 10,17 14,38 4,96 7,01
81

W tabeli 16. kolorem tym zaznaczono najwysze oszacowania VaR dla danej
spki, natomiast kolorem niebieskim najnisze wartoci. Mona zaobserwowa kilka
regularnoci, ktre pozwalaj lepiej zrozumie przedstawione w pracy metody
budowania modelu :
Dla piciu spek, najwyszy poziom wartoci zagroonej uzyskano przy
wykorzystaniu metody RiskMetrics. Mona sdzi, e ta metoda prezentuje
najbardziej asekuracyjne podejcie, co jest logiczne, poniewa ten sposb jest
propagowany przez instytucje nadzorcze.
Nie mona wskaza, ktra metoda jest najmniej restrykcyjna, najnisze wartoci
uzyskano dla modelu Cornisha-Fishera, EVT oraz GARCH. Jednak ten sam
rodzaj modelu dla jednej spki moe by najbardziej restrykcyjny a dla innej
najmniej. Nie istnieje model, ktry zachowuje te same wasnoci dla wszystkich
przypadkw.
Zauwaono, e wyniki symulacji Monte Carlo, przy zaoeniu rozkadu
normalnego, s w wikszoci przypadkw bardzo zblione do metody wariancji-
kowariancji, jak rwnie do metody symulacji historycznej.
W wikszoci przypadkw warto zagroona oszacowana przy uyciu teorii
wartoci ekstremalnych jest wysza ni w przypadku symulacji historycznej.
Obserwuje si, e im mniejsza zmienno danego instrumentu tym bardziej
podobne wyniki dla kadej z metod. Wida to na przykadzie indeksu WIG20.
Natomiast dla spek o wikszym odchyleniu wyniki mog by znaczco rne,
np. dla spki OPTIMUS, ktra w pewnym momencie staa na skraju
bankructwa, VaR
0,95
waha si w przedziale od 3% do 8%.
Wyniki s bardziej zrnicowane dla wartoci zagroonej na poziomie 99%,
czsto wystpuje najwiksza rnica dla metody EVT-PoT
Dua rnorodno wynikw uzyskiwanych przy uyciu metod GARCH oraz
IGARCH, dla jednej spki warto zagroona oszacowana na 2,29% a dla innej
11,32%. wiadczy to duej elastycznoci tego modelu.
Dla modeli wariancji-kowariancji, symulacji historycznej oraz symulacji
MC-norm wida sta zaleno midzy poziomem VaR
0,95
a VaR
0,99
. Zaleno
ta nie wystpuje w przypadku metody EVT.
Najwiksza rnica w oszacowaniach VaR
0,95
i VaR
0,99
pojawia si dla modelu
Cornisha-Fishera uwzgldniajcego skono oraz grube ogony rozkadu.
82

4.3.2 Wyniki weryfikacji oszacowanych modeli VaR
Ostatecznym etapem omawiania poszczeglnych metod jest ich weryfikacja.
Ponisze tabele zawieraj informacje, ktre modele zostay przyjte (T, a ktre
odrzucone (N) przez kolejne testy: Kupca (1995), Chrisoffersena (1998), test czcy
oba poprzednie. W kadym przypadku hipoteza zerowa oznacza poprawno modelu,
przy poziomie istotnoci 0,05. Dla testu Kupca poprawno wynika z liczby
przekrocze, dla testu Chrisoffersena z niezalenoci przekrocze, dla mieszanego z
liczby oraz niezalenoci.

Tab. 17 Liczba przekrocze oraz poprawno modeli VaR
w okresie 09.04.2009 - 09.04.2010r. dla spek:
ASSECOPOL i BZWBK

Liczba
przekrocze
Kupiec Christoffersen Mieszany
A
S
S
E
C
O
P
O
L

Metoda wyznaczania
VaR
95% 99% 95% 99% 95% 99% 95% 99%
Wariancji
kowariancji
4 1
N T T T N T
Symulacja
historyczna
5 0
N N T T N T
Cornish-Fisher 5 1 N T T T N T
Symulacja MC-N 4 1 N T T T N T
Symulacja MC -tS 3 0 N N T T N T
EVT-PoT 1 0 N N T T N T
RiskMetrics =0.94 9 4 T T T T T T
AR(1)-GARCH(1,1)-N 6 1 N T T T T T

B
Z
W
B
K

Wariancji
kowariancji
1 1 N T T T N T
Symulacja
historyczna
0 0 N N T T T T
Cornish-Fisher 1 1 N T T T N T
Symulacja MC-N 1 1 N T T T N T
Symulacja MC -tS 1 1 N T T T N T
EVT-PoT 6 3 N T T T T T
AR(1)-GARCH(1,1)-N 8 2 T T T T T T
83

DBICA, INDYKPOL, ING

Liczba
przekrocze
D
B
I
C
A

Metoda wyznaczania
VaR
95% 99% 95% 99% 95% 99% 95% 99%
Wariancji
kowariancji
1 0 N N T T N T
Symulacja
historyczna
0 0 N N T T T T
Cornish-Fisher 3 0 N N T T N T
Symulacja MC-N 0 0 N N T T T T
Symulacja MC -tS 0 0 N N T T T T
EVT-PoT 3 0 N N T T N T
RiskMetrics =0.94 6 1 N T T T T T
AR(1)-GARCH(1,1)-N 3 1 N T T T N T

I
N
D
Y
K
P
O
L

Wariancji
kowariancji
5 1 N T T T N T
Symulacja
historyczna
5 0 N N T T N T
Cornish-Fisher
7 2 T T T T T T
Symulacja MC-N
6 1 N T T T T T
Symulacja MC -tS
5 0 N N T T N T
EVT-PoT
5 18 N N T T N N
RiskMetrics =0.94
9 5 T T T T T T
AR(1)-GARCH(1,1)-N
7 3 T T T T T T

I
N
G

Wariancji
kowariancji
3 2 N T T T N T
Symulacja
historyczna
3 0 N N T T N T
Cornish-Fisher
6 2 N T T T T T
Symulacja MC-N
3 2 N T T T N T
Symulacja MC -tS
3 1 N T T T N T
EVT-PoT
11 2 T T T T T T
RiskMetrics =0.94
5 3 N T T T N T
AR(1)-GARCH(1,1)-N
7 2 T T T T T T
84

JUTRZENKA, KGHM, OPTIMUS

Liczba
przekrocze
J
U
T
R
Z
E
N
K
A

Metoda wyznaczania
VaR
95% 99% 95% 99% 95% 99% 95% 99%
Wariancji
kowariancji
3 0 N N T T N T
Symulacja
historyczna
3 0 N N T T N T
Symulacja MC-N 3 0 N N T T N T
EVT-PoT 7 2 T T T T N T
RiskMetrics =0.94 5 2 N T T T N T

K
G
H
M

Wariancji
kowariancji
4 0 N N N T N T
Symulacja
historyczna
5 0 N N T T N T
Cornish-Fisher
4 0 N N N T N T
Symulacja MC-N
4 0 N N N T N T
Symulacja MC -tS
4 0 N N N T N T
EVT-PoT
6 2 N T T T N T
RiskMetrics =0.94
7 4 T T T N T T
AR(1)-GARCH(1,1)-N
6 4 T T T N N T

O
P
T
I
M
U
S

Wariancji
kowariancji
3 1 N T T T N T
Symulacja
historyczna
3 2 N T T T N T
Cornish-Fisher
3 0 N N T T N T
Symulacja MC-N
3 1 N T T T N T
Symulacja MC -tS
3 1 N T T T N T
EVT-PoT
4 1 N T T T N T
RiskMetrics =0.94
9 5 T T N T T T
AR(1)-GARCH(1,1)-N
4 1 N T T T N T

85

PEKAO, VISTULA oraz indeksu WIG20

Liczba
przekrocze
P
E
K
A
O

Metoda wyznaczania
VaR
95% 99% 95% 99% 95% 99% 95% 99%
Wariancji
kowariancji
1 0 N N T T N T
Symulacja
historyczna
2 0 N N T T N T
Symulacja MC-N 1 0 N N T T N T
EVT-PoT 14 2 T T T T T T

V
I
S
T
U
L
A

Wariancji
kowariancji
3 0 N N T T N T
Symulacja
historyczna
2 0 N N T T N T
Cornish-Fisher
6 0 N N T T T T
Symulacja MC-N
3 0 N N T T N T
Symulacja MC -tS
2 0 N N T T N T
EVT-PoT
8 5 T T T T T T
RiskMetrics =0.94
5 2 N T T T N T
AR(1)-GARCH(1,1)-N
4 2 N T T T N T

W
I
G
2
0

Wariancji
kowariancji
4 1 N T N T N T
Symulacja
historyczna
4 0 N N N T N T
Cornish-Fisher
4 1 N T N T N T
Symulacja MC-N
4 1 N T N T N T
Symulacja MC -tS
4 0 N N N T N T
EVT-PoT
7 1 T T T T T T
RiskMetrics =0.94
7 5 T T T T T T
AR(1)-GARCH(1,1)-N
6 4 N T T N N T

86

Na podstawie przedstawionych rezultatw weryfikacji modeli wida, e
w wikszoci wypadkw VaR by przeszacowany, wiadczy o tym bardzo dua liczba
zer w kolumnie: liczba przekrocze. Mona to tumaczy, tym e rok 2009 na polskiej
giedzie by znacznie spokojniejszy od roku 2008. Zmienno z poprzednich okresw
wpywaa na poziom wartoci zagroonej, w zalenoci od stosowanej metody wpyw
ten by wikszy (metoda wariancji-kowariancji) lub mniejszy (modele GARCH).
Poniej przedstawiono wykres stp zwrotu z ostatnich 252 badanych dni sesyjnych, tj.
od 09.04.2009r. do 09.04.2010r. Dodatkowo umieszczono prognozy wartoci
zagroonej 95% dla akcji ASSECO, obliczane przy pomocy kadej z omiu
omawianych metod.

Rys. 35 Wizualizacja przekrocze wartoci zagroonej podstawie notowa spki
ASSECOPOL z okresu 09.04.2009-09.04.2010r.

Stay poziom dla VaR obliczonego za pomoc teorii wartoci ekstremalnych
wynika z faktu, e do oblicze w tym wypadku naleao uy maksymalnej liczby
obserwacji, aby uzyska najlepsze dopasowanie. Szczeglnie ma to znaczenie przy
dopasowaniu modelu VaR
0,99
, gdzie prg (threshold) jest pierwszym percentylem, co
ogranicza zbir danych. Widoczna jest rwnie zbieno uzyskiwanych wynikw przy
wykorzystaniu metod: wariancji-kowariancji, symulacji Monte Carlo z rozkadem
normalnym oraz podejcie Cornisha-Fishera. Model RiskMetrics natomiast jest bardzo
zbliony do modelu AR(1-GARCH, wynika to z faktu, e obie metody wykorzystuj
heteroscedastyczno warunkow.
0 50 100 150 200 250 300
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
0.06

stopy zwrotu
var-kowar
sym. hist
C-F
sym. MC-n
sym. MC-t
EVT
RiskMetrics
AR(1)-GARCH
87

Najlepsze wyniki dla VaR
0,95
uzyskano stosujc metodologi RiskMetrics oraz
korzystajc z modelu AR(1-GARCH(1,1, jak rwnie modele oparte na EVT. Jednak
inne metody uzyskiway gorsze wyniki nie ze wzgldu na du liczb przekrocze, ale
na zbyt ma, czyli zostay ukarane za przeszacowanie ryzyka. Na dodatkow uwag
zasuguje metoda oparta o teori wartoci ekstremalnych, bazuje ona w duym stopniu
na obserwacjach historycznych a mimo, to osiga doskonae rezultaty. Jako jedna z
dwch, pozytywnie przesza wszystkie testy na obu poziomach ufnoci
a w czterech przypadkach. T drug metod jest RiskMetrics, a nastpn w kolejnoci
model AR(1)-GARCH(1,1).
Poniej przedstawiono tabel ze szczegowymi informacjami: obok kadej
metody szacowania wartoci zagroonej podano w ilu przypadkach model zosta
przyjty przez dany test. Model idealny zostaby przyjty w 11 przypadkach, natomiast
nie mona si sugerowa tylko testem Christoffersena, ktry bada niezaleno
przekrocze. W przypadku maej liczby przekrocze, test ten z duym
prawdopodobiestwem nie odrzuci hipotezy o niezalenoci, std tak maa dua liczba
potwierdze prawidowoci modelu.
Tab. 21 Skuteczno wybranych metod
szacowania wartoci zagroonej

Model
Poziom ufnoci: 95% Poziom ufnoci: 99%
Kupiec Christof. Mix Kupiec Christof. Mix
Wariancji-
kowariancji
0 9 0 2 11 11
Symulacja hist. 0 9 2 1 11 11
Model C-F 1 10 1 1 11 11
Symulacje MC N 0 8 2 2 11 11
Symulacje MC tS 0 8 1 1 11 10
EVT-PoT 6 11 5 11 11 11
RiskMetrics 6 10 8 11 11 11
AR(1)-GARCH(1,1) 5 11 4 11 10 11
rdo: obliczenia wasne.
Tabela 21. pokazuje jak mao efektywne s metody wariancji-kowariancji, symulacji
historycznych oraz Monte Carlo jeli chodzi o test liczby przekrocze - Kupca.
Szczeglnie w przypadku niszego poziomu ufnoci, skuteczno tych modeli wynosi
ok. 0%, co w porwnaniu do 50% -owej skutecznoci EVT, RM oraz GARCH jest
wynikiem bardzo niezadawalajcym.

88

Po szczegowej analizie otrzymanych wynikw, mona zaobserwowa pewne
prawidowoci. Naley jednak pamita, e poszczeglnych modeli moe zosta
zaburzona przez sytuacj na Giedzie Papierw Wartociowych w Warszawie
w okresie 09.04.2008-09.04.2010. Dua liczba przeszacowa nie musi wiadczy
o saboci modelu, ale o bardzo maej zmiennoci w ostatnim roku. Poniej
przedstawiono najistotniejsze, zaobserwowane zalenoci:
Nie istnieje doskonaa metoda szacowania wartoci zagroonej, poprawno
danego modelu zaley od spki i od poziomu ufnoci.
W wikszoci przypadkw modele przeszacowuj ryzyko, tylko w jednym
przypadku, dla metody EVT i spki INDYKPOL, ryzyko byo niedoszacowane.
Podejcie teorii wartoci ekstremalnych charakteryzuje si mniejsz awersj do
ryzyka.
Wyniki symulacji Monte Carlo osigaj zblione rezultaty niezalenie od
przyjtego rozkadu.
Mieszany test Kupca i Christoffersena jest zdecydowanie mniej restrykcyjny dla
modeli przeszacowujcych ryzyko.
Modele EVT, IGARCH(1,1), AR(1)-GARCH(1,1 cechuj si niezalenymi
przekroczeniami w wikszoci przypadkw. Dla modeli zmiennoci
warunkowej, zalenej od czasu obserwuje si wiksz elastyczno i lepsze
dopasowanie do rzeczywistoci.
Dla poziomu ufnoci 99% praktycznie wszystkie modele uznawane s za
poprawne w przypadku testu mieszanego, natomiast wynik jest gorszy dla
samego testu Kupca.
Testy niezalenoci lepiej si sprawdzaj w wypadku wikszej liczby
obserwacji. Dla 252 dni sesyjnych gorzej wychwytuj zaleno
w przekroczeniach.
Modyfikacja Cornisha-Fishera nie jest praktycznie adnym ulepszeniem metody
wariancji-kowariancji, uwzgldnienie kurtozy i wspczynnika skonoci nie
jest efektywne dla maej prby.
Test Kupca nie dziaa w przypadku braku przekrocze na poziomie VaR
0,99
,
model jest odrzucany mimo, e logika nakazywaaby przyjcie.
Symulacje Monte Carlo nie sprawdzaj si dla okresw rocznych (252 dni, jest
due prawdopodobiestwo, e wyniki byyby lepsze dla okresw duszych.
89

Reasumujc mona stwierdzi, e wybr odpowiedniej metody szacowania VaR
jest kluczowy dla prognozowanego poziomu ryzyka. Nie istnieje jednak algorytm
pozwalajcy znale optymalny model wartoci zagroonej, ktry sprawdziby si dla
rnych spek i rnych poziomw ufnoci. Na przykadzie danych z GPW mona
natomiast sdzi, e pewne grupy modeli, tj. te oparte na zaoeniu
heteroscedastycznoci warunkowej oraz na teorii wartoci ekstremalnych, lepiej opisuj
ryzyko od innych.
Z wykresw oraz rezultatw weryfikacji wynika, e najgorzej wypadaj: model
wariancji-kowariancji (rwnie z modyfikacj Cornisha-Fishera), symulacja
historyczna, symulacje Monte Carlo (niezalenie od rozkadu. Nie s one wraliwe na
mae wahania stp zwrotu, natomiast s bardzo czue na due odchylenia z przeszoci.
Istnieje pewien sposb, aby uzyska lepsz skuteczno tych metod, jednak opinie s w
tym wzgldzie podzielone. Mona, przed przystpieniem do modelowania, usun
obserwacje nietypowe, ktre zaburzaj zmienno, takie obserwacje wystpuj np.
w dniach wypaty dywidendy, splitw czy przej. Naley wtedy dokadnie
przeanalizowa co spowodowao dany skok i jakie jest prawdopodobiestwo
wystpienia podobnego zjawiska w przyszoci.

90

Zakoczenie

5 Zakoczenie

Warto zagroona jest uniwersalnym narzdziem integrujcym wiele rodzajw
ryzyka w jedn, prost w interpretacji, zrozumia miar. Dziki rekomendacjom
Komitetu Bazylejskiego narzdzie to stao si standardem we wspczesnym
zarzdzaniu ryzykiem. Czsto jednak pojawiaj si pewne trudnoci przy wyznaczaniu
Value at risk, przede wszystkim wynikaj one z szeregu zaoe jakie powinny by
spenione przy korzystaniu z konkretnego modelu.
Najczciej stosowanymi metodami s: metoda wariancji-kowariancji,
symulacja historyczna oraz symulacje Monte Carlo. Standardowo dla pierwszej oraz
trzeciej metody zakada si normalno stp zwrotu co, jak pokazuje praktyka,
praktycznie nigdy nie jest spenione. Dla zdecydowanej wikszoci przypadkw
logarytmiczne stopy zwrotu posiadaj rozkad leptokurtyczny. W celu ulepszenia
estymacji mona stosowa rozkady o grubych ogonach, np. t-Studenta, jednak nie
gwarantuje to wikszej poprawnoci modelu. Podstawow wad wymienionych
wczeniej metod jest zaoenie, e wariancja jest staa w czasie. Duo lepszymi
rezultatami cechuj si modele klasy GARCH, ktre opieraj si na zmiennej,
warunkowej wariancji. Dziki takiemu podejciu mona znale lepsze, bardziej
elastyczne dopasowanie, mniej wraliwe na nietypowe obserwacje z przeszoci.
Na szczegln uwag zasuguje, coraz czciej stosowane w praktyce,
wykorzystanie teorii wartoci ekstremalnych (EVT-peaks-over-threshold). Badania
pokazay, e metoda ta daje nadzwyczajnie dobre wyniki i moe konkurowa
z modelami GARCH. Niestety, podobnie jak w przypadku stosowania wzorw Engla
i Bollersleva, wymagana jest tu pewna wiedza z zakresu modelowania
matematycznego. Nierzadko uzyskane rezultaty zale wanie od umiejtnoci
i wiedzy osoby stosujcej powysze rozwizania. Backtesting pokaza, e to modele
bardziej skomplikowane lepiej opisuj rzeczywisto, jednak ich stosowanie nie
zapewnia bezbdnoci, a jedynie zmniejsza prawdopodobiestwo pomyki.
91

Podsumowujc, warto zagroona to nie panaceum w zarzdzaniu ryzykiem,
ale uniwersalne narzdzie, ktrego zadaniem jest niejako przewidzenie przyszoci. Nie
ma natomiast adnych gwarancji, e prognozy oka si prawidowe. Nawet
najdoskonalsze modele VaR, mog, w pewnych sytuacjach, dostarczy bdnych
wynikw. Ich poprawno w duym stopniu zaley od wiedzy i dowiadczenia
analitykw, ktrzy je stosuj. Naley pamita, e zarzdzanie ryzykiem to nie jest
tylko nauka, ale rwnie w pewnym stopniu sztuka. Dlatego, nawet najbardziej
wymylne narzdzie, nie mogoby zastpi dowiadczenia i profesjonalizmu osb
zarzdzajcych ryzykiem.

92

6 Literatura
1. Alexander C., Market Risk Analysis vol. IV. Value-at-Risk Models. John Wiley
& Sons Ltd, Chichester, 2006.
2. Artzner, P., Delbaen, F., Eber, J.M. & Heath, D. (1999). Coherent measures of
risk. Mathematical Finance, 9, 203 -228.
3. Campbell J. Y., Lo A. W., MacKinlay A. C., The Econometrics of Financial
Markets, Pirceton University Press, New Jersey 1997.
4. Choudhry M., An introduction to Value-at-Risk, John Wiley & Sons Ltd,
Chichester, 2006.
5. Dallagnol Filho V.A, Portfolio management using Value at Risk, master thesis,
Erasmus Universiteit Rotterdam, 2006.
6. Damodaran A., Value at Risk: Beyond Betas, Strern School of Business, 2003.
7. Dittmann P., Prognozowanie w przedsibiorstwie. Metody i ich zastosowanie,
Wolters Kluwer Polska, Krakw 2008.
8. Doman M., Doman R., Modelowanie zmiennoci i ryzyka. Metody ekonometrii
finansowej, Wolters Kluwer Polska, 2009.
9. Engle Robert F. Risk and volatility: Econometric models and financial practice,
Nobel Prize Lecture 08.12.2003.
10. Hellwig Z., Elementy rachunku prawdopodobiestwa i statystyki matematycznej,
PWN. Warszawa 1997.
11. Hull J.C., Options, Futures and Other Derivatives,7
th
ed., Pearson Education,
Inc., Upper Saddle River, New Jersey, 2009.
12. Jajuga K., Zarzdzanie Ryzykiem, PWN Warszawa 2007.
13. Jajuga K., Zarzdzanie Ryzykiem, PWN Warszawa 2007.
14. Johnston J., DiNardo J. Econometric Methods 4
th
ed. McGraw-Hill, Irvine
USA, 1997.
15. Jorion Ph. Value at Risk: The New Benchmark for Managing Financial Risk, 3
rd

ed.,The McGraw-Hill Companies, Inc., New York 2007.
16. Koko M., Osiska M., Stempiska J., Ekonometria wspczesna, TNOiK,
Toru 2007.
17. Leja F. Rachunek rniczkowy i cakowy, PWN Warszawa 1969.
18. Lopez J. A , Regulatory Evaluation of Value-at-Risk Models, Journal of Risk, 1,
37-64, 1999.
93

19. McNeil, A.J., Extreme Value Theory for Risk Managers, Zurich 1999.
20. Mills T.C., The Econometric Modelling of Financial Time Series 2
nd
edition,
Cambridge University Press 1999.
21. Mitzenmacher M., Upfal E., Metody probalistyczne i obliczenia: algorytmy
zrandomizowane i analiza probalistyczna, Wydawnictwa Naukowo Techniczne,
Warszawa 2009.
22. Osiska M., Ekonometria finansowa, PWE Warszawa, 2006.
23. Ostasiewicz S., Rusnak Z., Siedlecka U., Statystyka. Elementy teorii i zadania,
Wydawnictwo Akademii Ekonomicznej im. Oskara Langego we Wrocawiu,
Wrocaw 2006.
24. RiskMetrics-Technical-Document, J.P. Morgan/Reuters, New York 1996.
25. Saita F., Value at Risk and Bank Capital Management, Elsevier-Academic
Press, San Diego 2007.
26. Sarma M., Thomas S., Shah A., Selection of Value-at-Risk Models, Journal of
Forecasting, 22, 337-358, 2003.
27. Tsay R., Analysis of Financial Time Series. Wiley and Sons, Chicago2002
28. Zelia A., Paweek B., Wanat S., Prognozowanie ekonomiczne. Teoria,
przykady, zadania, PWN, Warszawa 2003.
Akty prawne
1. Rozporzdzenie Ministra Finansw z dnia 18 listopada 2005 r. w sprawie
wymogw, jakim powinny odpowiada wnioski bankw prowadzcych
dziaalno maklersk o wydanie zezwolenia na niektre czynnoci w ramach
prowadzonej dziaalnoci maklerskiej.
Strony internetowe
1. www.approximity.com
2. www.econ1.uni.torun.pl/dem01/fiszeder.pdf
3. www.en.wikipedia.org
4. www.gpwinfostrefa.pl
5. www.investopedia.com
6. www.kpiontek.ae.wroc.pl
7. www.riskmetrics.com
94

Spis tabel

TAB. 1 WARTOCI STP ZWROTU BRE BANKU ............................................................................ 15
TAB. 2 PRZYBLIENIA LICZBY W WYNIKU SYMULACJI. ....................................................... 18
TAB. 3 STATYSTYKI OPISOWE DLA STP ZWROTU AKCJI BRE BANKU ................................ 45
TAB. 4 OBLICZENIA DLA MODELI ARMA(P,Q) GARCH(1,1) ..................................................... 46
TAB. 5 OBLICZENIA DLA MODELI ARMA(3,3) GARCH(P,Q) ..................................................... 46
TAB. 6 PARAMETRY MODELU DOBRZE OPISUJCEGO STOPY ZWROTU Z AKCJI BRE
BANKU............................................................................................................................................ 48
TAB. 7 PARAMETRY ROZKADU GEV UZYSKANE METOD NAJWIKSZEJ
WIARYGODNOCI ........................................................................................................................ 56
TAB. 8 VAR DLA AKCJI VISTULA OBLICZONY METOD BLOCK MAXIMA W ZALENOCI
OD WYBORU DUGOCI OKRESU ........................................................................................... 58
TAB. 9 PARAMETRY UOGLNIONEGO ROZKADU PARETO UZYSKANE METOD
MAKSYMALIZACJI FUNKCJI WIARYGODNOCI, DLA POSZCZEGLNYCH PROGW.
.......................................................................................................................................................... 61
TAB. 10 ESTYMATORY ZMIENNOCI I WARTOCI ZAGROONE PRZY NARZUCONYM
ORAZ PRZY NAJLEPIEJ DOPASOWANYM DLA LOGARYTMICZNYCH STP ZWROTU
: ING, BZWBK, KGHM, VISTULA .............................................................................................. 66
: ASSECO, INDYKPOL, OPTIMUS, DBICA ............................................................................. 67
: JUTRZENKA, PEKAO, WIG20, IBM ......................................................................................... 68
TAB. 13 MOLIWE REZULTATY TESTOWANIA HIPOTEZ ............................................................. 72
TAB. 14 BDY I I II RODZAJU ............................................................................................................ 73
TAB. 15 JEDNODNIOWE WARTOCI ZAGROONE DLA AKCJI ASSECOPOL, OBLICZONE
PRZY UYCIU WYBRANYCH METOD ..................................................................................... 78
TAB. 16 JEDNODNIOWE WARTOCI ZAGROONE OBLICZONE NA PODSTAWIE STP
ZWROTU LOSOWO WYBRANYCH SPEK - PROGNOZA NA 10.04.2009R...................... 80
TAB. 17 LICZBA PRZEKROCZE ORAZ POPRAWNO MODELI VAR W OKRESIE 09.04.2009
- 09.04.2010R. DLA SPEK: ASSECOPOL I BZWBK ............................................................. 82
- 09.04.2010R. DLA SPEK: DBICA, INDYKPOL, ING........................................................ 83
- 09.04.2010R. DLA SPEK: JUTRZENKA, KGHM, OPTIMUS ........................................................ 84
- 09.04.2010R. DLA SPEK: PEKAO, VISTULA ORAZ INDEKSU WIG20 .......................... 85
TAB. 21 SKUTECZNO WYBRANYCH METOD SZACOWANIA WARTOCI ZAGROONEJ. 87
95

Spis rysunkw

RYS. 1 WYPUKO CVAR 13
RYS. 2 HISTOGRAM CZSTOCI STOP ZWROTU BRE BANKU 15
RYS. 3 OKRG WPISANY W KWADRAT RDO: OPRACOWANIE WASNE 17
RYS. 4 ILUSTRACJA WARTOCI ZAGROONEJ JAKO KWANTYLA ROZKADU 20
RYS. 5. ZOBRAZOWANY PROCES LICZENIA WARTOCI ZAGROONEJ 21
RYS. 6 WYKRES CZSTOCI STP ZWROTU AKCJI BRE BANKU Z LAT 1992-2009 22
RYS. 7 WYKRES STP ZWROTU DLA AKCJI MOSTOSTAL 25
RYS. 8 WYKRES CZSTOCI STP ZWROTU DLA AKCJI MOSTOSTALU Z LAT 1994-2009 26
RYS. 9 PRZYKADOWA ILUSTRACJA PROCESU AR(1) 33
RYS. 10 WYKRES AUTOKORELACJI CZSTKOWEJ DLA PROCESU AR(2) 33
RYS. 11 PRZYKADOWA TRAJEKTORIA PROCESU MA(1) 34
RYS. 12 FUNKCJA AUTOKORELACJI DLA PRZYKADOWEGO PROCESU MA(1) 35
RYS. 13 FUNKCJA AUTOKORELACJI CZSTKOWEJ DLA PRZYKADOWEGO PROCESU
MA(1) 35
RYS. 14 WYKRESY FUNKCJI ACF DLA MODELU ARMA(1,1) Z PARAMETRAMI , 36
RYS. 15 PRZYKADOWA REALIZACJIA PROCESU STACJONARNEGO
I NIESTACJONARNEGO 38
RYS. 16 FUNKCJA ACF DLA DZIENNYCH STP ZWROTU Z INDEKSU
CRSP Z LAT 1963 1997 39
RYS. 17 WYKRES SZEREGU CZASOWEGO Z EFEKTEM ARCH 42
RYS. 18 WYKRES SZEREGU CZASOWEGO DLA BRE BANKU 44
RYS. 19 WYKRESY FUNKCJI AUTOKORELACJI I AUTOKORELACJI CZSTKOWEJ DLA
ZESTANDARYZOWANYCH RESZT Z MODELU ARMA(3,3) GARCH(1,2) 47
RYS. 20 FUNKCJA ACF DLA KWADRATW RESZT MODELU ARMA(3,3)-GARCH(1,2) 47
RYS. 21 WYKRESY Q-Q DLA STP ZWROTU Z INDEKSU DJ ORAZ DLA SKRAJNYCH
WARTOCI
TYCH STP 51
RYS. 22 GSTOCI POSZCZEGLNYCH ROZKADW WARTOCI EKSTREMALNYCH 53
RYS. 23 DYSTRYBUANTA ROZKADU PARETO 54
RYS. 24 WYKRES DYSTRYBUANTY EMPIRYCZNEJ I TEORETYCZNEJ DLA ROZKADU
MINIMUM ZE STP ZWROTU AKCJI VISTULA Z LAT 1993-2010 57
RYS. 25 WYKRES Q-Q DLA ROZKADW GEV TEORETYCZNEGO I EMPIRYCZNEGO DLA
AKCJI VISTULA, PO LEWEJ STRONIE OKRES PROCZNY, PO PRAWEJ TYGODNIOWY
RDO: 58
RYS. 26 DOPASOWANIE OGONA ROZKADU, DLA LOGARYTMICZNYCH STP ZWROTU
Z AKCJI VISTULA (R < -4 %) 61
96

RYS. 29 PO LEWEJ PRZEDSTAWIONO LOGARYTMICZNE STOPY ZWROTU Z TRANSAKCJI
WYMIANY DEM/GBP, PO PRAWEJ JEDNODNIOWY VAR
0,95
64
RYS. 30 DZIENNE ZYSKI/STRATY CREDIT SUISSE GROUP W 2005 R. W ODNIESIENIU DO
JEDNODNIOWEJ WARTOCI ZAGROONEJ 71
RYS. 31 HISTOGRAMY DLA MODELI VAR
0,99
I VAR
0,97
74
RYS. 32 ZMIENNO STP ZWROTU Z AKCJI ASSECOPOL 78
RYS. 33 ZMIENNO WARUNKOWA A STAY POZIOM ZMIENNOCI AKCJI ASSECOPOL 78
RYS. 34 HISTOGRAM STP ZWROTU AKCJI ASSECO Z OKRESU 08.06.1998-09.04.2009R. 79
RYS. 35 WIZUALIZACJA PRZEKROCZE WARTOCI ZAGROONEJ PODSTAWIE NOTOWA
SPKI ASSECOPOL Z OKRESU 09.04.2009-09.04.2010R. 86

Wartość Zagrożona

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Wartość Zagrożona

Transféré par

Droits d'auteur :

Formats disponibles

Warto zagroona jako podstawowe

narzdzie w zarzdzaniu ryzykiem.

- udzia i-tego instrumentu w portfelu.

- wspczynnik korelacji midzy i-tym a j-tym instrumentem.

- odchylenie standardowe i-tego instrumentu.

. atwo zauway, e warunkowa warto

s, co do moduu, mniejsze od jedynki. W podanym wzorze

powinien by zbieny, wtedy model ARMA jest

jest funkcj indykatorow,

jest procesem GARCH,

jest wektorem zmiennych

zbiega do niezdegenerowanego rozkadu, gdy

minimum z i-tej podprby o liczebnoci n, funkcja

i pozostaje tylko wyestymowa jego parametry. Do tego celu najlepiej

. Dla tego rozkadu warto oczekiwana to:

Vous aimerez peut-être aussi