4.2. Misure di rischio
4.2.1. Value At Risk
Il VaR cerca di riassumere in un unico indicatore il rischio generale sulla posizione del cliente o sul portafoglio considerato, misurando la perdita massima ottenibile con una certa probabilitร (P), entro un orizzonte temporale (N):
๐๐๐ = ๐(๐, ๐) dove ๐๐(๐๐๐๐๐๐ก๐๐> ๐๐๐ ) = 1 โ ๐ .
A seconda dellโordinamento delle variabili (segno applicato alle perdite), tale misura di rischio si riferisce a valori totalmente contrapposti; nello specifico in caso di distribuzione orientata:
๏ท sui profitti (perdite con segno negativo), il VaR rappresenta il valore negativo associato al (1-P)ยฐ quantile della distribuzione che lascia alla sua destra P%
๐ = 1 ๐ ๐ = 95% โน ๐๐๐ = โ๐(1 , 5%) ;
๏ท sulle perdite (perdite con segno positivo), il VaR rappresenta il valore positivo associato al Pยฐ quantile della distribuzione che lascia alla sua destra (1-P)%
๐ = 1 ๐ ๐ = 95% โน ๐๐๐ = ๐(1 , 95%) .
Nella Fig. 4.1 sono state riportate due distribuzioni di perdita, sottolineando il fatto che รจ possibile ottenere lo stesso VaR anche se i portafogli non hanno uguale rischiositร : in entrambi i casi lโintermediario potrร subire entro un anno delle perdite maggiori al VaR in cinque casi su mille (5/1000 = 0,005 = 0,5% = 100% - 95%).
Grazie alla forte impronta dellโelaborato nel valutare i requisiti patrimoniali a fronte del rischio di credito del banking book (c.d. loss distribution approach), le formule legate al calcolo del VaR (tra breve riportate) sono limitate al dominio delle perdite. Come ci si poteva aspettare tale misura di rischio, oltre che da N e P, dipende sensibilmente dal tipo di distribuzione delle variabili (f(.)): in alcuni casi infatti la distribuzione potrebbe riferirsi a variabili di tipo discreto (infra Fig. 4.2); ma in altri, come il nostro caso, le variabili osservate potrebbero essere di tipo continuo (supra Fig. 4.1).
- 93 -
Fig. 4.2 โ Esempio di Distribuzione Discreta: Value at Risk ed Expected Shortfall.
{ ๐ < ๐ท๐๐๐ ๐๐๐ โค ๐๐๐ โ ๐๐๐๐๐๐๐๐๐๐ร ๐๐% ๐๐๐ < ๐ท๐๐๐ ๐๐๐ โค ๐๐๐ โ ๐๐๐๐๐๐๐๐๐๐ร ๐๐% ๐๐๐ < ๐ท๐๐๐ ๐๐๐ โค ๐๐๐ โ ๐๐๐๐๐๐๐๐๐๐ร ๐๐% ๐๐๐ < ๐ท๐๐๐ ๐๐๐ โค ๐๐๐ โ ๐๐๐๐๐๐๐๐๐๐ร ๐๐% ๐๐๐ < ๐ท๐๐๐ ๐๐๐ โค ๐๐๐ โ ๐๐๐๐๐๐๐๐๐๐ร ๐๐% ๐๐๐ < ๐ท๐๐๐ ๐๐๐ โค ๐๐๐๐ โ ๐๐๐๐๐๐๐๐๐๐ร ๐๐๐%
Note: Il Value at Risk annuale al 95% della distribuzione discreta sopra riportata รจ pari a 890 (valore
medio tra 830 e 950), lโExpected Shortfall invece รจ pari a 945 (media tra 890 e 1000).
Il problema essenziale nel calcolo del VaR รจ quello di definire in maniera accurata le ipotesi sottostanti il modello di distribuzione delle variabili del portafoglio. Una delle ipotesi piรน comuni (spesso utilizzata anche per quantificare il rischio di mercato) รจ quella di considerare le variazioni di valore di un portafoglio come una distribuzione normale standardizzata (media nulla e varianza unitaria); in questo caso la misura di rischio si limiterร a: ๐๐๐ = ๐ + ๐ โ ๐ฅ (4.5) dove ๐ฅ = ๐โ1(๐) ๐ = 0 ๐ = 1 pertanto ๐๐๐ = ๐โ1(๐) . (4.6) ES VaR Perdita Pr ob . C umula ta
- 94 -
Tuttavia tale ipotesi di normalitร รจ inapplicabile nei portafogli costituiti da esposizioni, visto che si distribuiscono secondo una distribuzione di perdita (supra Fig. 3.4). Le soluzioni a questo problema sono state in parte individuate nei capitoli precedenti; infatti una delle tecniche maggiormente utilizzate per determinare il VaR creditizio รจ la formula (3.13) proposta dalle autoritร di vigilanza nel Modello IRB (introdotta inizialmente da Vasicek ed implementata poi da Gordy87). Oltre a questi modelli, che tengono conto solo delle insolvenze, esistono anche altri processi che esaminano il deterioramento del merito di credito della controparte, come ad esempio il Modello CreditMetrics88, che simula lโupgrading (es. da BBB a A) o il downgrading (es. da BBB a CC) del rating della controparte per valutare il VaR creditizio. Come si vedrร meglio nel par. 4.3, questโultimo modello (con alcune eccezioni) sarร una buona base di partenza per delineare un nuovo approccio atto a velocizzare il processo di simulazione delle perdite di portafoglio (c.d espedienti di Fast
Simulation).
4.2.2. Expected Shortfall
LโExpected Shortfall รจ considerata una misura di rischio coerente perchรฉ gode di tutte e quattro le proprietร che un buon indicatore dovrebbe possedere, infatti รจ in grado di: 1) appurare il vero effetto della diversificazione del portafoglio; 2) ordinare in base al rischio tutte le posizioni che prima risultavano identiche (supra Fig. 4.1). Tale indicatore non รจ altro che un VaR condizionato, perchรฉ va a valutare la perdita attesa nello scenario peggiore:
๐ธ๐ = ๐ธ๐ฅ๐๐๐๐ก๐๐ ๐ฃ๐๐๐ข๐[๐๐๐๐๐๐ก๐|๐๐๐๐๐๐ก๐ > ๐๐๐ ] . (4.7)
LโES viene spesso chiamato anche expected tail loss perchรฉ indica la perdita attesa entro un orizzonte temporale (N), condizionata dal fatto che lโintermediario si trova giร nella coda della distribuzione delle perdite, oltre la soglia massima definita dal VaR (P-esimo quantile). Come si puรฒ osservare dalla Fig. 4.1 gli ES tra un anno (N = 1), ipotizzando che la perdita sia maggiore di quella corrispondente al 95ยฐ percentile (P = 95%), sono diversi tra
87 Per ulteriori dettagli รจ possibile osservare al par. 4.3.3 come si puรฒ arrivare da una generalizzazione del Modello Multifattoriale ai modelli proposti da Vasicek e Gordy per determinare le Unexpected Losses grazie al Value at Risk.
88 Il modello รจ stato sviluppato dalla societร finanziaria statunitense J. P. Morgan: per ulteriori dettagli รจ possibile consultare [GUPTON et al., 1997].
- 95 -
loro: questo perchรฉ il portafoglio A, a differenza del portafoglio B, ha un dominio limitato che riduce il valore atteso delle perdite.
Le autoritร di vigilanza, tuttavia, prediligono lโutilizzo del Value at Risk rispetto allโExpected Shortfall nella determinazione dei limiti regolamentari perchรฉ: 1) lโES non รจ di facile interpretazione quanto lo รจ il VaR; 2) la verifica tramite back-testing89 su dati storici รจ piรน complessa per lโES.
4.3. Modelli Fattoriali
Alcuni modelli, grazie alla distribuzione normale multivariata di un vettore di variabili latenti (X), riescono a definire una struttura precisa delle correlazioni tra le perdite inserite nel banking book e a determinare cosรฌ il requisito patrimoniale a fronte del rischio di credito:
๐ฟ~๐(๐ง, โ) (4.8)
dove
๐ฟ๐๐ฑ๐= [๐1, ๐2, โฆ , ๐๐ ]: vettore di variabili latenti
๐ง๐๐ฑ๐= [๐1, ๐2, โฆ , ๐๐ ]: vettore delle medie non condizionate โ๐๐ฑ๐= [
๐21 โฏ ๐1๐๐
โฎ โฑ โฎ
๐๐๐1 โฏ ๐2๐
]: matrice delle varianze e covarianze.
Il Modello di Copule Gaussiane di CreditMetrics, proposto da [GOUPTON et al., 1997], รจ senza alcun dubbio unโottima variante del Modello di Merton che fissa una relazione tra gli indicatori di default e le variabili latenti degli affidati. Considerando un portafoglio composto da n debitori, รจ possibile definire per ciascuna controparte (j = 1, 2, โฆ, n):
Pj: la perdita90 al momento del default PDj: la probabilitร dโinsolvenza
Yj: lโindicatore di default (pari a 0 quando la controparte รจ solvente e ad 1 in caso contrario)
Xj: la variabile latente che produce correlazione tra le controparti xj: il valore legato alla probabilitร di default della controparte91
89 Per approfondimenti si puรฒ anche osservare [KUPIEC, 1995].
90 Pj = EADj * LGDj: la perdita si definisce come il prodotto tra lโesposizione ed il tasso di non recupero. 91 xj = ฮฆ-1(1-PDj) dove ฮฆ-1(.) indica la funzione inversa di ripartizione (CDF) di una distribuzione normale standardizzata. Tale soglia รจ scelta in modo da verificare: Pr (Yj = 1) = PDj.
- 96 -
dove
{๐๐ = 1 ๐ ๐ ๐๐ > ๐ฅ๐ โ ๐ถ๐๐๐ก๐๐๐๐๐๐ก๐ ๐๐ ๐๐๐๐๐ข๐๐ก
๐๐ = 0 ๐ ๐ ๐๐ < ๐ฅ๐ โ ๐ถ๐๐๐ก๐๐๐๐๐๐ก๐ ๐ ๐๐๐ฃ๐๐๐ก๐ . (4.8) Come si puรฒ notare la relazione (4.8) si avvicina molto alla (3.16) osservata nel par. 3.4.2 (a conferma del legame col Modello di Merton), tuttavia รจ fondamentale fare ulteriori precisazioni sul vettore X per poter valutare le probabilitร di default condizionate (PDZj) che dipendono dal tipo di correlazione tra le variabili latenti (infra par. 4.3.1). A tal proposito se si indica con d il numero degli elementi comuni fra le controparti (k = 1, 2, โฆ,
d), รจ possibile definire il seguente modello fattoriale:
๐๐ = ๐๐โ ๐๐+ ๐๐1โ ๐1+ ๐๐2โ ๐2+ โฏ + ๐๐๐โ ๐๐+ โฏ + ๐๐๐โ ๐๐ (4.9) dove
Sj fattore di rischio idiosincratico della j-esima controparte
Zk k-esimo fattore di rischio sistematico che condiziona tutti gli affidati
ajk costante compresa tra -1 e +1 che indica lโincidenza del k-esimo fattore comune sulla j-esima controparte
bj peso del rischio specifico sul j-esimo debitore92.
Analizzando la relazione (4.9) secondo un approccio vettoriale, dove ๐๐ ๐ฑ๐= [
๐1 ๐2 โฎ ๐๐
]: vettore colonna dei fattori sistematici
๐๐๐ฑ๐ = [
๐11 โฏ ๐1๐
โฎ โฑ โฎ
๐๐1 โฏ ๐๐๐]: matrice dei coefficienti dโincidenza sui fattori comuni รจ possibile valutare per ogni affidato le probabilitร di default condizionate93
๐๐ท๐๐ = ๐๐(๐๐ = 1|๐) = ๐ท( ๐๐๐+ฮฆโ1(๐๐ท ๐) ๐๐ ) (4.10) ๐ท๐ซ๐๐๐ฑ๐= [ ๐๐ท๐1 ๐๐ท๐2 โฎ ๐๐ท๐๐ โฎ ๐๐ท๐๐ ] . 92 ๐ ๐ = โ1 โ ๐2๐1โ ๐2๐2โ . . . โ ๐2๐๐ o in altri termini โ๐๐=1๐2๐๐+ ๐2๐= 1.
93 Con aj si indica il j-esimo vettore riga contenuto nella matrice a di dimensioni nxd (con n numero delle controparti e d numero dei fattori di rischio).
- 97 -
Una caratteristica importante di questo processo รจ che puรฒ essere ripetuto piรน volte per ottenere stime piรน significative del capitale economico, portando il numero delle colonne dei vettori Z e PDZ a nsim (i = 1, 2, โฆ, nsim):
๐๐ ๐ฑ๐๐๐๐ = [ ๐11 ๐12 โฆ ๐1๐ โฆ ๐1๐๐ ๐๐ ๐21 ๐22 โฆ ๐2๐ โฆ ๐2๐๐ ๐๐ โฎ โฎ โฆ โฎ โฆ โฎ ๐๐1 ๐๐2 โฆ ๐๐๐ โฆ ๐๐๐๐ ๐๐ โฎ โฎ โฆ โฎ โฆ โฎ ๐๐1 ๐๐2 โฆ ๐๐๐ โฆ ๐๐๐๐ ๐๐] ๐ท๐ซ๐๐๐ฑ๐๐๐๐ = [ ๐๐ท๐11 ๐๐ท๐12 โฆ ๐๐ท๐1๐ โฆ ๐๐ท๐1๐๐ ๐๐ ๐๐ท๐21 ๐๐ท๐22 โฆ ๐๐ท๐2๐ โฆ ๐๐ท๐2๐๐ ๐๐ โฎ โฎ โฆ โฎ โฆ โฎ ๐๐ท๐๐1 ๐๐ท๐๐2 โฆ ๐๐ท๐๐๐ โฆ ๐๐ท๐๐๐๐ ๐๐ โฎ โฎ โฆ โฎ โฆ โฎ ๐๐ท๐๐1 ๐๐ท๐๐2 โฆ ๐๐ท๐๐๐ โฆ ๐๐ท๐๐๐๐ ๐๐]
Tali probabilitร saranno estremamente utili nel par. 4.3.2 quando si presenteranno nel dettaglio gli algoritmi per la valutazione del requisito patrimoniale sul rischio di credito: in questa maniera sarร infatti possibile, grazie alle correlazioni, studiare i casi di default congiunto fra le controparti.