2.3.1 Tail Conditional Expectation e Worst Conditional Expectation
In letteratura sono state proposte una serie di misure di rischio che rispettano tutti gli assiomi di coerenza. Le prime due, che seguono queste linee guida, furono proposte dagli stessi Artzner et Al. nel lavoro dove introdussero le quattro proprietร . La prima, detta Tail Conditional Expectation (TCE), corrisponde al valor medio di tutte le realizzazioni che sono minori o uguali al VaR:
๐๐ถ๐ธ๐(๐) โ โ๐ธ[๐|๐ โค โ๐๐๐ ๐(๐)];
il segno meno ha il solo scopo di rendere positiva la misura, in quanto, normalmente, si lavora con le perdite. Nonostante sia una misura preferibile al VaR, essa non rispetta lโassioma di subadditivitร quando le distribuzioni di probabilitร in esame non sono continue. Lo stimatore naturale del TCE รจ dato da:
๐๐ถ๐ธ๐(๐)(๐) = โโ ๐๐๐{๐๐โคโ๐๐๐ ๐(๐)} ๐ ๐=1 โ๐๐=1๐{๐๐โคโ๐๐๐ ๐(๐)} , dove ๐ = {1 ๐ ๐ ๐๐ ๐๐๐๐๐ง๐๐๐๐ รจ ๐ฃ๐๐๐ 0 ๐ ๐ ๐๐ ๐๐๐๐๐ง๐๐๐๐ รจ ๐๐๐๐ ๐.
La seconda misura, detta Worst Conditional Expectation (WCE), calcola il valore medio delle perdite dato un evento A, dove la probabilitร di A รจ maggiore di ๐ผ:
42
๐๐ถ๐ธ๐(๐) โ โ๐๐๐{๐ธ[๐|๐ด]|๐[๐ด] > ๐ผ}.
Quindi non si limita ad osservare la distribuzione, ma considera tutti i possibili eventi A che siano coinvolti in perdite: tutti questi eventi devono avere una probabilitร maggiore di ๐ผ. In altre parole, seleziona la perdita piรน elevata che si potrebbe generare qualora si verificasse un evento probabile A.
Lโapparente similitudine di queste due misure di rischio non deve trarre in inganno. Se da un lato il WCE รจ preferibile al TCE in quanto rispetta sempre tutti gli assiomi di coerenza, dallโaltro lato il primo non รจ molto adottato nella pratica poichรฉ il suo utilizzo necessita la conoscenza profonda dello spazio di probabilitร degli eventi. Queste due misure di rischio si focalizzano entrambe sulla forma della coda sinistra della distribuzione dei rendimenti e ne prendono il valor medio. Inoltre, Artzner et
Al. dimostrano la validitร della seguente disuguaglianza:
๐๐ถ๐ธ๐ โค ๐๐ถ๐ธ๐.
2.3.2 Expected shortfall e Conditional Value at Risk
Lโobiettivo della formulazione di una misura di rischio caratterizzata dalla peculiaritร di coniugare contemporaneamente i pregi delle due precedenti misure fu raggiunto mediante lโintroduzione dellโExpected Shortfall (ES).
Individuando con ๐น(๐) la funzione di densitร di probabilitร della variabile casuale X tale che ๐(๐ โค ๐ฅ), ed introducendo la funzione inversa di ๐น(๐)
๐นโ1(๐) = ๐๐๐{๐ฅ โฃ๐น(๐ฅ) โฅ ๐ผ},
รจ dimostrato19 che lโES puรฒ essere espresso come
๐ธ๐๐ผ(๐) = โ 1 ๐ผโซ ๐น โ1(๐)๐๐ ๐ผ 0 .
Quindi รจ il valor medio della coda sinistra della distribuzione oltre un certo valore soglia definito dal VaR. In altri termini lโES afferma che considerando lโultimo 1 โ ๐ผ% della coda, il suo valore รจ pari alla media delle perdite allโinterno di quellโarea. La definizione originale, ripresa da Acerbi e Tasche, nonostante sia molto piรน rigorosa rispetto alla precedente, รจ uguale nella sostanza: data una distribuzione
43
delle profit and loss X, e specificato un determinato holding period, lโES con livello di significativitร ๐ผ ฯต [0:1] รจ definito come:
๐ธ๐๐ผ(๐) โ โ1๐ผ(๐ธ [๐๐{๐โค๐ฅ(๐ผ)}] โ ๐ฅ(๐ผ)(๐[๐ โค ๐ฅ(๐ผ)] โ ๐ผ)),
dove ๐ฅ(๐ผ) รจ pari al valore del ๐๐๐ ๐ผ.
Il secondo addendo รจ un correttivo da sottrarre al valor medio (ossia il primo addendo) nel momento in cui la probabilitร di ๐ โค ๐ฅ(๐ผ) รจ maggiore di 1 โ ๐ผ: tale
eventualitร si manifesta, in particolare, nel caso di distribuzioni discrete. In presenza di distribuzioni di probabilitร continue, ovvero quando ๐(๐ โค ๐ฅ(๐ผ)) = 1 โ ๐ผ, si puรฒ
dimostrare che lโES coincide con il TCE.
Una rappresentazione grafica dellโES รจ mostrata in Figura 9. Come si puรฒ notare tale misura si spinge oltre la definizione di una soglia, offrendo una valutazione del rischio piรน corretta rispetto al VaR. A riprova di ciรฒ, diversi studi, come quello di Liang e Park (2007), hanno fornito unโevidenza empirica sulla superioritร dellโES rispetto al VaR come misura del downside risk.
Figura 9: ES e VaR di una distribuzione di probabilitร dei rendimenti di un portafoglio.
LโES รจ senza dubbio la misura di rischio coerente piรน apprezzata ed utilizzata tra
Pr ob ab ilitร Rendimenti portafoglio ESฮฑ%VaRฮฑ%
44
quelle proposte in letteratura. Da un punto di vista di ottimizzazione di portafoglio, un ulteriore vantaggio dellโES deriva dalla sua semplicitร di applicazione: il problema di minimizzazione di questa misura di rischio รจ convesso.
Per quanto riguarda la sua stima si possono utilizzare i metodi parametrici o quelli non parametrici. Il metodo piรน utilizzato a livello operativo appartiene al secondo gruppo ed รจ la simulazione storica: partendo dalla serie storica delle performance del portafoglio che si sta analizzando e, dopo averle ordinate in maniera crescente o decrescente, si prende lโ1 โ ๐ผ% delle maggiori perdite (in termini negativi) e si calcola il valor medio di questโultime:
๐ธ๐๐ผ(๐) = โ
โ๐๐=1๐ฅ๐:๐
๐ ,
dove W รจ la parte intera di ๐(1 โ ๐ผ%).
Questo rappresenta lo stimatore campionario dellโES, ed รจ BLUE20 solo in presenza
di distribuzioni normali.
Allโinterno del gruppo dei metodi parametrici si possono trovare differenti criteri per il calcolo dellโES, che variano in base alla distribuzione di probabilitร prevista per i profitti e le perdite di un determinato titolo o portafoglio. Ipotizzando, a titolo esemplificativo, che la distribuzione sia una t di Student, allora lโES puรฒ essere espresso come (Broda e Paolella 2011):
๐ธ๐๐(๐) = 1 ๐๐๐ก๐๐๐(๐๐, ๐), dove: - ๐๐ก๐๐๐(๐, ๐) = โ ๐โ1/2 ๐๐ต(๐2,12)(1 + ๐2 ๐) โ๐+12 ๐+๐2 ๐โ1; - ๐ > 0 รจ il parametro di scala; - ๐ > 0 sono i gradi di libertร .
Nonostante il superamento dei limiti delle precedenti misure di rischio, e gli indiscutibili benefici derivanti dal suo impiego, anche lโES presenta dei problemi. Ad esempio, Yamai e Yoshiba (2002) evidenziano come lโES necessiti di un grande campione per mantenere gli stessi livelli di accuratezza del VaR. Inoltre, non
45
esamina i momenti di ordine superiore che consentirebbero di comprendere in modo completo le distribuzioni non-normali.
Il Conditional Value-at-risk (CVaR), proposto da Rockafellar e Uryasev (2000), รจ una formulazione alternativa allโES. Considerando variabili casuali continue, puรฒ essere definito come il valore atteso delle perdite che eccedono il VaR:
๐ถ๐๐๐ ๐= ๐๐(๐ฅ) = (1 โ ๐)โ1โซ ๐(๐ฅ, ๐ฆ)๐(๐ฆ)๐๐ฆ ๐(๐ฅ,๐ฆ)โฅ๐ผ๐(๐ฅ) ,
dove k ฯต [0:1] รจ il livello di significativitร scelto e ๐ผ๐(๐ฅ) rappresenta il VaR. Un ulteriore formulazione รจ
๐ถ๐๐๐ ๐= ๐๐๐ ๐+ ๐ธ[๐(๐ฅ, ๐ฆ) โ ๐๐๐ ๐|๐(๐ฅ, ๐ฆ) > ๐๐๐ ๐].
Come si puรฒ notare queste definizioni non offrono alcun suggerimento su come calcolare il CVaR senza conoscere a priori il VaR. Rockafellar e Uryasev riuscirono ad oltrepassare tale limite adottando la seguente formula:
๐น๐(๐ฅ, ๐ผ) = ๐ผ + (1 โ ๐)โ1โซ [๐(๐ฅ, ๐ฆ) โ ๐ผ]+๐(๐ฆ)๐๐ฆ
๐ฆโ๐ ๐ ,
dove [๐ข]+ = ๐ข se ๐ข > 0 e [๐ข]+ = 0 se ๐ข โค 0. Oltre a dimostrare che ๐น
๐(๐ฅ, ๐ผ) รจ
convessa e differenziabile, provarono che il CVaR puรฒ essere calcolato come: ๐๐(๐ฅ) = min
๐ผโ๐ ๐น๐(๐ฅ, ๐ผ);
inoltre min
๐ฅโ๐๐๐(๐ฅ) =(๐ฅ,๐ผ)โ๐ร๐ min ๐น๐(๐ฅ, ๐ผ).
Questo รจ un risultato di considerevole importanza poichรฉ consente di determinare il CVaR di un portafoglio anche senza dover calcolare il relativo VaR.