Backtesting Value-at-Risk (VaR): พื้นฐาน

Value-at-risk (VaR) เป็นการวัดความเสี่ยงในการลงทุนด้านลบที่ใช้กันอย่างแพร่หลายสำหรับการลงทุนครั้งเดียวหรือพอร์ตการลงทุนVaR ให้การสูญเสียมูลค่าหรือเปอร์เซ็นต์ขั้นต่ำของพอร์ตโฟลิโอหรือสินทรัพย์ในช่วงระยะเวลาที่กำหนดสำหรับระดับความเชื่อมั่นที่แน่นอนระดับความเชื่อมั่นมักถูกเลือกเพื่อบ่งบอกถึงความเสี่ยงหาง นั่นคือความเสี่ยงของเหตุการณ์ในตลาดที่หายากและรุนแรง

ตัวอย่างเช่น การคำนวณ VaR ที่แนะนำสินทรัพย์ โอกาส 5% การสูญเสีย 3% ในช่วงเวลาหนึ่งวัน จะบอกนักลงทุนที่มี $100 ลงทุนในสินทรัพย์นั้นว่าพวกเขาควรคาดหวังโอกาส 5% ที่พอร์ตของพวกเขาจะลดลงอย่างน้อย $3 ในทุกกรณี วัน.VaR ($ 3 ในตัวอย่างนี้) สามารถวัดได้โดยใช้วิธีการที่แตกต่างกันสามวิธีแต่ละวิธีขึ้นอยู่กับการสร้างการกระจายผลตอบแทนการลงทุน กล่าวอีกนัยหนึ่ง ผลตอบแทนการลงทุนที่เป็นไปได้ทั้งหมดถูกกำหนดความน่าจะเป็นที่จะเกิดขึ้นในช่วงเวลาที่กำหนด

ประเด็นที่สำคัญ

  • Value-at-risk (VaR) วัดความเสี่ยงในการลงทุนด้านลบของการลงทุนครั้งเดียวหรือพอร์ตการลงทุนทั้งหมด
  • การทดสอบย้อนหลังเป็นเทคนิคที่ผู้จัดการความเสี่ยงใช้ในการพิจารณาว่าแบบจำลอง VaR นั้นแม่นยำหรือไม่
  • ควรพิจารณาสาเหตุที่เป็นไปได้หลายประการ เมื่อใดและหากการทดสอบย้อนกลับล้มเหลว
  • VaR นำเสนอข้อมูลที่เป็นประโยชน์เกี่ยวกับความเสี่ยงกรณีที่เลวร้ายที่สุด แต่อาศัยการกระจายผลตอบแทนที่ใช้โดยเฉพาะส่วนท้ายของการกระจาย

VaR แม่นยำแค่ไหน?

เมื่อเลือกวิธีการ VaR แล้ว การคำนวณVaR ของพอร์ตโฟลิโอก็เป็นแบบฝึกหัดที่ค่อนข้างตรงไปตรงมาความท้าทายอยู่ที่การประเมินความถูกต้องของการวัด และด้วยเหตุนี้ ความถูกต้องของการกระจายผลตอบแทนการรู้ความถูกต้องของมาตรการมีความสำคัญอย่างยิ่งสำหรับสถาบันการเงิน เนื่องจากสถาบันการเงินใช้ VaR ในการประเมินว่าต้องใช้เงินสดสำรองเป็นจำนวนเท่าใดเพื่อชดเชยความสูญเสียที่อาจเกิดขึ้นความไม่ถูกต้องใดๆ ในรูปแบบ VaR อาจหมายความว่าสถาบันมีทุนสำรองไม่เพียงพอและอาจนำไปสู่ความสูญเสียที่สำคัญ ไม่เพียงแต่สำหรับสถาบันเท่านั้น แต่ยังอาจเป็นไปได้สำหรับผู้ฝากเงิน นักลงทุนรายย่อย และลูกค้าองค์กร ในสภาวะตลาดที่รุนแรง เช่น สิ่งที่ VaR พยายาม ในการจับกุมการสูญเสียอาจมีขนาดใหญ่พอที่จะทำให้เกิดการล้มละลายได้

วิธี Backtesta VaR Model เพื่อความแม่นยำ

ผู้จัดการความเสี่ยงใช้เทคนิคที่เรียกว่า backtesting เพื่อกำหนดความถูกต้องของแบบจำลอง VaRการทดสอบย้อนหลังเกี่ยวข้องกับการเปรียบเทียบการวัด VaR ที่คำนวณได้กับการสูญเสีย (หรือกำไร) ที่เกิดขึ้นจริงในพอร์ตโฟลิโอการทดสอบย้อนหลังขึ้นอยู่กับระดับความเชื่อมั่นที่สมมติขึ้นในการคำนวณ

ตัวอย่างเช่น นักลงทุนที่คำนวณ VaR หนึ่งวันมูลค่า 3 ดอลลาร์จากการลงทุน 100 ดอลลาร์โดยมีความมั่นใจ 95% คาดว่าผลขาดทุนในพอร์ตหนึ่งวันจะเกิน 3 ดอลลาร์เพียง 5% ของเวลาทั้งหมดหากนักลงทุนบันทึกผลขาดทุนจริงใน 100 วัน การสูญเสียจะเกิน 3 ดอลลาร์ในห้าวันดังกล่าวหากแบบจำลอง VaR ถูกต้อง การทดสอบย้อนกลับอย่างง่ายจะรวบรวมการกระจายผลตอบแทนจริงกับการกระจายผลตอบแทนของแบบจำลองโดยการเปรียบเทียบสัดส่วนของข้อยกเว้นการสูญเสียที่เกิดขึ้นจริง ถึงจำนวนข้อยกเว้นที่คาดไว้การทดสอบย้อนหลังจะต้องดำเนินการเป็นระยะเวลานานเพียงพอเพื่อให้แน่ใจว่ามีการสังเกตการส่งคืนจริงเพียงพอเพื่อสร้างการกระจายผลตอบแทนจริงสำหรับการวัด VaR หนึ่งวัน ผู้จัดการความเสี่ยงมักใช้ระยะเวลาขั้นต่ำหนึ่งปีสำหรับการทดสอบย้อนหลัง

การทดสอบย้อนกลับอย่างง่ายมีข้อเสียเปรียบที่สำคัญ: ขึ้นอยู่กับตัวอย่างของผลตอบแทนจริงที่ใช้พิจารณาอีกครั้งนักลงทุนที่คำนวณ VaR หนึ่งวันมูลค่า 3 ดอลลาร์สหรัฐฯ ด้วยความมั่นใจ 95%สมมติว่าผู้ลงทุนทำการทดสอบย้อนหลัง 100 วัน และพบข้อยกเว้นห้าข้อพอดีหากนักลงทุนใช้ช่วงเวลา 100 วันที่แตกต่างกัน อาจมีข้อยกเว้นน้อยกว่าหรือมากกว่าการพึ่งพาตัวอย่างนี้ทำให้ยากต่อการตรวจสอบความถูกต้องของแบบจำลองเพื่อแก้ไขจุดอ่อนนี้ การทดสอบทางสถิติสามารถนำไปใช้เพื่อให้ความกระจ่างมากขึ้นว่าการทดสอบย้อนกลับล้มเหลวหรือผ่านหรือไม่

จะทำอย่างไรถ้า BacktestFails

เมื่อการทดสอบย้อนกลับล้มเหลว มีสาเหตุที่เป็นไปได้หลายประการที่ต้องนำมาพิจารณา:

การกระจายผลตอบแทนที่ไม่ถูกต้อง

หากวิธีการ VaR ถือว่ามีการกระจายผลตอบแทน (เช่น การแจกแจงแบบปกติของผลตอบแทน) อาจเป็นไปได้ว่าการแจกแจงแบบจำลองไม่เหมาะกับการแจกแจงจริงการทดสอบความพอดีทางสถิติสามารถใช้เพื่อตรวจสอบว่าการกระจายตัวแบบตรงกับข้อมูลที่สังเกตได้จริงหรือไม่สามารถใช้วิธีการ VaR ที่ไม่ต้องการสมมติฐานการกระจายได้

โมเดล VaR ที่ระบุไม่ถูกต้อง

หากแบบจำลอง VaR จับได้ กล่าวคือ เฉพาะความเสี่ยงด้านตลาดตราสารทุน ในขณะที่พอร์ตการลงทุนมีความเสี่ยงอื่นๆ เช่น ความเสี่ยงจากอัตราดอกเบี้ยหรือความเสี่ยงจากอัตราแลกเปลี่ยนนอกจากนี้ หากแบบจำลอง VaR ไม่สามารถจับความสัมพันธ์ระหว่างความเสี่ยงได้ จะถือว่าระบุไม่ถูกต้อง ซึ่งสามารถแก้ไขได้โดยรวมความเสี่ยงที่เกี่ยวข้องทั้งหมดและความสัมพันธ์ที่เกี่ยวข้องไว้ในแบบจำลองสิ่งสำคัญคือต้องประเมินแบบจำลอง VaR ใหม่ทุกครั้งที่มีการเพิ่มความเสี่ยงใหม่ๆ ลงในพอร์ตโฟลิโอ

การวัดความสูญเสียที่เกิดขึ้นจริง

การสูญเสียพอร์ตจริงต้องเป็นตัวแทนของความเสี่ยงที่สามารถจำลองได้โดยเฉพาะอย่างยิ่ง การสูญเสียที่เกิดขึ้นจริงจะต้องไม่รวมค่าธรรมเนียมใดๆ หรือค่าใช้จ่ายหรือรายได้อื่นๆ ดังกล่าวการสูญเสียที่แสดงถึงความเสี่ยงเท่านั้นที่สามารถจำลองได้เรียกว่า "การสูญเสียทั้งหมด" ซึ่งรวมถึงค่าธรรมเนียมและรายการอื่น ๆ ที่เรียกว่า "ความสูญเสียที่สกปรก" การทดสอบย้อนกลับต้องทำโดยใช้การสูญเสียที่ชัดเจนเสมอเพื่อให้แน่ใจว่ามีการเปรียบเทียบที่เหมือนกัน .

ข้อควรพิจารณาอื่น ๆ

สิ่งสำคัญคือไม่ควรพึ่งพาแบบจำลอง VaR เพียงเพราะว่าผ่านการทดสอบย้อนหลัง แม้ว่า VaR จะให้ข้อมูลที่เป็นประโยชน์เกี่ยวกับความเสี่ยงกรณีที่เลวร้ายที่สุด แต่ก็อาศัยการกระจายผลตอบแทนที่ใช้อย่างมาก โดยเฉพาะส่วนท้ายของการกระจายเนื่องจากเหตุการณ์หางเกิดขึ้นไม่บ่อยนัก ผู้ปฏิบัติงานบางคนโต้แย้งว่าความพยายามใดๆ ในการวัดความน่าจะเป็นของหางจากการสังเกตทางประวัติศาสตร์นั้นมีข้อบกพร่องโดยเนื้อแท้ ตามข้อมูลของ Reuters "VaR เข้ามาวิจารณ์อย่างเผ็ดร้อนหลังวิกฤตการณ์ทางการเงิน เนื่องจากแบบจำลองจำนวนมากล้มเหลวในการทำนายขอบเขตของ ความสูญเสียที่ทำลายล้างธนาคารขนาดใหญ่หลายแห่งในปี 2550 และ 2551”

เหตุผล?ตลาดไม่เคยประสบกับเหตุการณ์ที่คล้ายคลึงกัน ดังนั้นจึงไม่ได้ถูกจับที่ส่วนท้ายของการกระจายที่ใช้ หลังจากวิกฤตการณ์ทางการเงินในปี 2550 ก็เห็นได้ชัดว่าโมเดล VaR ไม่สามารถรับความเสี่ยงทั้งหมดได้ ตัวอย่างเช่น ความเสี่ยงพื้นฐานความเสี่ยงเพิ่มเติมเหล่านี้เรียกว่า "ความเสี่ยงไม่อยู่ใน VaR" หรือ RNiV

ในความพยายามที่จะแก้ไขความไม่เพียงพอเหล่านี้ ผู้จัดการความเสี่ยงได้เสริมมาตรการ VaR ด้วยมาตรการความเสี่ยงอื่นๆ และเทคนิคอื่นๆ เช่น การทดสอบความเครียด

บรรทัดล่าง

Value-at-Risk (VaR) คือการวัดการสูญเสียกรณีที่เลวร้ายที่สุดในช่วงเวลาที่กำหนดด้วยระดับความเชื่อมั่นที่แน่นอนการวัดค่า VaR ขึ้นอยู่กับการกระจายผลตอบแทนการลงทุนเพื่อทดสอบว่าแบบจำลองแสดงถึงความเป็นจริงอย่างถูกต้องหรือไม่ สามารถทำการทดสอบย้อนกลับได้การทดสอบย้อนหลังที่ล้มเหลวหมายความว่าโมเดล VaR จะต้องได้รับการประเมินใหม่อย่างไรก็ตาม โมเดล VaR ที่ผ่านการทดสอบย้อนกลับควรเสริมด้วยมาตรการความเสี่ยงอื่นๆ เนื่องจากข้อบกพร่องของการสร้างแบบจำลอง VaR