1 / 31

Analisi e gestione del rischio

Analisi e gestione del rischio. Lezione 19 Il secondo pilastro. Secondo pilastro. Nel secondo pilastro vengono fornite raccomandazioni per la supervisione dei sistemi di risk-management con riferimento a fonti di rischio non coperte nel primo pilastro: Integrazione tra i rischi

Download Presentation

Analisi e gestione del rischio

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Analisi e gestione del rischio Lezione 19 Il secondo pilastro

  2. Secondo pilastro • Nel secondo pilastro vengono fornite raccomandazioni per la supervisione dei sistemi di risk-management con riferimento a fonti di rischio non coperte nel primo pilastro: • Integrazione tra i rischi • Rischio di concentrazione • Rischio di liquidità • Rischio di trasformazione delle scadenze

  3. Integrazione tra rischi: approcci • Un elemento che non è coperto dal primo pilastro è la possibilità che diversi fattori di rischio si manifestino insieme. • L’integrazione tra i rischi (di mercato, di credito e operativo) può essere fatta secondo due approcci opposti • Approccio bottom-up: i diversi fattori di rischio sono aggregati al livello di ogni singolo prodotto e poi aggregati insieme • Approccio top-down: i diversi fattori di rischio sono aggregati a livello di business unit e poi aggregati tra di loro

  4. Integrazione tra rischi: problemi • L’approccio bottom-up è poco seguito, principalmente perché i rischi sono aggregati per fattore di rischio piuttosto che per prodotto (ricordiamo il mapping nel rischio di mercato) • L’approccio top-down è il più diffuso. Il vero problema in questo caso è di tipo tecnico. Tipicamente, i rischi di mercato sono aggregati nel tempo su frequenze molto elevate (tipicamente, 10 gg di periodo di smobilizzo), mentre rischi di credito e operativi sono aggregati a su frequenze più basse (tipicamente, su frequenza annua)

  5. Integrazione nel tempo dei rischi • Un problema preliminare per l’approccio top-down è quello di aggregare nel tempo le misure di rischio. Tipicamente, il rischio di mercato deve essere riportato su base annua. • Il problema è quindi determinare il VaR su un tempo di smobilizzo di un anno, in modo che sia coerente con quelli calcolati su base di 10 gg. • La regola che viene utilizzata è quella della radice quadrata: il VaR calcolato su 10 giorni • viene moltiplicato per 5 (la radice quadrata di 25) • la media non viene considerata pari a zero, ma viene posta pari al tasso risk-free più il premio per il rischio

  6. Ipotesi del modello • La regola della radice quadrata è basata su due assunzioni • I profitti e perdite in ogni periodo hanno distribuzione normale • I profitti e perdite di ogni periodo sono indipendenti dalle perdite nei periodi precedenti • Ipotesi alternative possono portare a diversi risultati di aggregazione dei rischi.

  7. VaR al 5%: dipendenza seriale

  8. L’approccio top-down • Dopo l’aggregazione temporale otteniamo valori aggregati dei VaR per rischi di mercato, di credito e operativi • I diversi VaR vengono poi aggregati utilizzando funzioni di copula. • E’ particolarmente rilevante considerare funzioni di copula che rappresentino dipendenza nelle code (tail dependence), è infatti noto che i diversi fattori di rischio vedono aumentare la loro correlazione in periodi di particolare stress.

  9. Rischio di concentrazione: cause • Il rischio di concentrazione è legato a particolari esposizioni verso singoli fattori di rischio, singoli settori o addirittura singoli nomi. • La concentrazione può essere dovuta a • Specializzazione nel business di intermediazione: prodotti, tecniche, mercati. • Relazioni di clientela da parte degli intermediari • Speciale competenza nella conoscenza di particolari settori o regioni • La concentrazione del rischio genera maggiori ritorni a fronte di una maggiore rischiosità.

  10. Rischio di concentrazione: tipi • Il rischio di concentrazione viene classificato, secondo Basilea II, in tre tipi • Rischio di concentrazione “single name”: esposizione a singoli prenditori di fondi • Rischio di concentrazione settoriale: esposizione a particolari settori industriali o zone • Rischio di concentrazione da micro-contagio: esposizione a gruppi di prenditori di fondi legati tra loro da rapporti di business.

  11. Misure di concentrazione • Misure statistiche di concentrazione: • Curva di Lorenz • Indice di concentrazione di Gini • Indice di Hirschman-Herfindahl (HHI) • Misure di concentrazione di portafogli • Formule di aggiustamento per la granularità dei portafogli. Una di queste è stata proposta nei lavori preparatori di Basilea II ma alla fine si è ritenuto di non farla confluire nel I pilastro.

  12. Stress testing • Tecniche di stress testing consentono di valutare la rischiosità della posizione a particolari eventi • La scelta degli scenari può essere fatta • raccogliendo informazioni su particolari eventi o situazioni di mercato • utilizzando le aspettative implicite negli strumenti finanziari, es. futures, opzioni, ecc… • La costruzione degli scenari deve essere coerente con la struttura di correlazione dei dati

  13. Stress testingCome generare scenari coerenti • Scomposizione di Cholesky • Lo shock attribuito a un dato mercato e/o bucket si propaga agli altri attraverso la matrice di Cholesky • Metodo di Black e Litterman • Lo scenario scelto per un dato mercato e/o bucket è pesato e mischiato all’informazione storica con una tecnica bayesiana

  14. Variabili Normali Multivariate • Cholesky Decomposition • Indichiamo con X un vettore di variabili aleatorie indipendenti ciascuna delle quali distribuita secondo una normale standard, la matrice di varianza-covarianza di X sarà pertanto data dalla matrice unità di dimensione n  n. Supponiamo di voler derivare da questo insieme di variabili un secondo set di variabili, che indicheremo con Y, non più indipendenti bensì dotato di matrice di varianza-covarianza assegnata . • Il nuovo insieme di variabili aleatorie può essere ricercato come combinazione lineare delle variabili indipendenti , cioè si pone • Il problema si riconduce così alla determinazione di una matrice A di dimensione n n tale che

  15. Variabili Normali Multivariate • Cholescky Decomposition • La soluzione della precedente equazione non è unica nel senso che esistono più matrici A che, moltiplicate per la loro trasposta, danno come risultato . Se la matrice  è definita positiva il metodo più efficiente dal punto di vista computazionale per risolvere il problema consiste nell’applicazione della scomposizione di Cholescky. • Il punto chiave di tale metodologia consiste nel ricercare A nella forma di una matrice triangolare inferiore, ovvero una matrice in cui tutti gli elementi sopra la diagonale sono nulli,

  16. Variabili Normali Multivariate • Cholesky Decomposition • Sviluppando il prodotto AAt in componenti è facile verificare che gli elementi di A sono ricavabili dalle seguenti formule iterative • Ad esempio per il caso semplice di due variabili troviamo

  17. Black e Litterman • La tecnica proposta da Black e Litterman e utilizzata in asset management può essere utilizzata per rendere coerenti gli scenari. • Fonti di informazione • Storica (serie storiche di prezzi) • Implicita (cross-section di prezzi di derivati) • Privata (prodotta “in house”)

  18. Views • Assumiamo che “in house” venga proposta una “view” sull’andamento di un mercato 1 e una “view” sull’andamento del mercato 3 rispetto al mercato 2. • Entrambe le “view” hanno errori i con matrice di covarianza  e1' r = q1 + 1 e3' r - e2' r = q2 + 2 • La dinamica delle variazioni percentuali r dei prezzi devono essere “condizionate” dalle “view” qi.

  19. Condizionamento degli scenari alle “view” • Riportiamo le “view” in forma di matrice e calcoliamo la distribuzione congiunta ~

  20. Distribuzione condizionale • La distribuzione condizionale di r rispetto a q risulta quindi e si noti che può essere interpretato come un modello di regressione di tipo GLS (generalised least squares)

  21. Esempio: costruzione di uno scenario • Assumiamo di costruire uno scenario sulla curva dei tassi a 1, 10 e 30 anni. • I valori di media, deviazione standard e correlazione sono dati da

  22. Shock alla curva dei tassi

  23. Analisi di stress testing (1)Il tasso a breve aumenta al 6% (0.1% sd)

  24. Analisi di stress testing (2) Il tasso a breve aumenta al 6% (1% sd)

  25. VaR e mercati illiquidi • Il VaR può essere visto come una strategia in opzioni, per garantire la solvibilità della business unit. • Determinare questa strategia richiede un mercato efficiente e liquido dell’attivo. • Il circolo vizioso della liquidità • Mercati illiquidi  Informazione rumorosa

  26. Rischio di liquidità: misure • Misure di liquidità • Bid-ask spread: differenza tra il prezzo a cui è possibile acquistare o vendere un titolo (non tiene conto della dimensione della transazione) • Slippage: differenza tra il costo reale di esecuzione e la media delle quotazioni bid e ask. Tiene conto della dimensione, rispetto allo “spessore” del mercato: ordini di dimensione maggiore“mangiano” una quota maggiore del libro ordini.

  27. Rischio di liquidità: eventi • Elementi non misurabili: • Liquidity holes: fasi del mercato nelle quali si riduce drasticamente l’afflusso di ordini da una delle due parti (denaro o lettera), rendendo problematica la ricerca di una controparte per lo smobilizzo • Circuit breakers: procedure di interruzione delle contrattazioni sui mercati regolamentati. E’ un cambiamento della struttura stessa del mercato, da asta continua ad asta batch

  28. Rischio di liquidità: le cause • Le cause • Aspetti di “microstruttura” del mercato • Scorte dei market-makers • Triple-witching-hour • Active learning dei market-makers • Aspetti di tipo comportamentale degli operatori • Herd behaviour • Inerzia di portafoglio

  29. Rischio di liquidità: gli effetti • Gli effetti • Il costo di smobilizzo fluttua e può essere correlato con variazioni del mercato in momenti di particolare tensione. • Mercati illiquidi trasmettono informazione meno trasparente, e rendono più problematica sia la valutazione che l’analisi di rischio

  30. Marking-to-Market e liquidità • Il valore delle posizioni che calcoliamo fa riferimento a situazioni ideali di mercati perfettamente liquidi • Tenere conto del rischio liquidità induce a definire fattori di sconto diversi per poste lunghe e corte. • L’andamento divergente di tali fattori di sconto definisce il rischio di liquidità

  31. Modelli di finanza e rischio liquidità • Perché i modelli di finanza generano prezzi uguali per posizioni lunghe e corte? • Risposta tecnica: unica misura di probabilità • da assunzioni di teoria delle decisioni • utilità attesa e assioma di indipendenza • da assunzioni di teoria della finanza • mercati completi e assenza di frizioni

More Related