Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper
Value at Risk (VaR)
Gaußdichte Gaußdichte der Normalverteilung: f (x) =
1 2π ⋅ σ x
e
− ( x − µ x )2 / 2σ x2
Gaußdichte der Standardnormalverteilung:
f (x) =
WS 2007/2008
1 2π
e
− x2 / 2
Modellbildung und Simulation
3
Erwartungsvektor und empirische Kovarianzmatrix N
µx = ∑ x(n ) / N n =1
cov( x1, x1 ) ⋅ = cov ⋅ X ⋅ cov( x , x ) M 1
⋅
⋅
⋅
⋅ ⋅
⋅ ⋅ ⋅
⋅
⋅ ⋅
cov( x1, xM ) ⋅ ⋅ ⋅ cov( xM , xM )
N
cov( xi , x j ) = ∑ ( xi − µi )( x j − µ j ) /(N − 1) = cov( x j , xi ) n =1 WS 2007/2008
Modellbildung und Simulation
4
Berechnung des Korrelationskoeffizienten cov( x1, x2 ) ρ ( x1, x2 ) = σ ( x1 ) ∗ σ ( x2 ) ρ ( x1, x2 ) = 0 : Unabhängigkeit der beiden Variablen ρ ( x1, x2 ) = 1: exakte positive lineare Abhängigkeit ρ ( x1, x2 ) = −1: exakte negative lineare Abhängigkeit WS 2007/2008
Modellbildung und Simulation
5
Mehrdimensionale Gaußdichte
f (x) =
WS 2007/2008
1 (2π ) ⋅ det(cov x ) n
e
Modellbildung und Simulation
1 − ( x − µ x )T (cov x )−1 ( x − µ x ) 2
6
Konzepte zur Berechnung des VaR • Historische Simulation • Monte Carlo Simulation
WS 2007/2008
Modellbildung und Simulation
7
Historische Simulation • Verfahren: historisch/empirisch • Historische Beobachtungen der Modellgrößen werden gesammelt. • Aus den historischen Beobachtungen werden Wertänderungen des aktuellen Portfolio berechnet. • Aus der geordneten (empirischen) Messreihe der berechneten Änderungen des Portfolio wird das Quantil bestimmt. • Hinweis: Für die Anwendung der historischen Simulation muss keine Annahme über die zu Grunde liegende Verteilung getroffen werden.
WS 2007/2008
Modellbildung und Simulation
8
Monte Carlo Simulation • Verfahren: parametrisch/empirisch • An Hand empirischer Daten werden die Parameter einer zu Grunde gelegten Verteilung der Modellgrößen geschätzt. • Es werden zufällig Werte (Wertänderungen) erzeugt, die der geschätzten Verteilung gehorchen. • Für jede zufällig erzeugte Wertänderung wird die Auswirkung auf das aktuelle Portfolio berechnet. • Aus der geordneten (empirischen) Messreihe der simulierten Änderungen des Portfolio wird das Quantil bestimmt. WS 2007/2008
Modellbildung und Simulation
9
Zufallsprozesse • Radioaktiver atomarer Zerfall • Thermisches Rauschen (Widerstand) • Zufallsprozesse sind reale physikalische Prozesse. • Zur Durchführung von Simulationen werden häufig Zufallszahlen benötigt. • Nur sehr selten werden zur Erzeugung von Zufallszahlen reale Zufallsprozesse beobachtet. WS 2007/2008
Modellbildung und Simulation
10
Zufallsgeneratoren • Meist werden für Simulationen Zufallsgeneratoren eingesetzt, die algorithmisch Zufallszahlen erzeugen. • Hierbei handelt es sich um deterministische Pseudo-Zufallszahlen, die sich periodisch wiederholen. • Es werden also immer die selben Zufallszahlen aufeinander folgen. WS 2007/2008
Modellbildung und Simulation
11
Beispiel rand() unter BSD-Unix (Linear Kongruenter Generator LCG)
x(n) = (a ∗ x(n − 1) + c) mod m a = 1103515245 c = 12345 m = 231 Periode: 231 x ist die aktuell berechnete Zufallszahl, die von der vorher berechneten eindeutig abhängt. Daher ist die Initialisierung von x von großer Bedeutung. WS 2007/2008
Modellbildung und Simulation
12
Anwendung Initialisierung erfolgt über einen Seed (Saat)-Wert. Häufig wird die aktuelle Systemzeit verwendet.
srand( time(0)) Der von rand() generierte Wert liegt im Bereich:
0≤ x≤m Für die Erzeugung von Zufallszahlen aus einem speziellen Wertebereich sollte das Ergebnis von rand() sollte mit m und dem gewünschten Wertebereich skaliert werden. Üblicherweise kann m als Konstante abgefragt werden. WS 2007/2008
Modellbildung und Simulation
13
Erzeugung normalverteilter Zufallszahlen Eine Normalverteilung N ist mit einer Kovarianzmatrix vollständig definiert. und einem Erwartungsvektor µ cov x x Zufallsvektoren y, die der Normalverteilung N genügen, können durch folgende Operation erzeugt werden:
, y = Du + µ x wobei u ein Zufallsvektor ist, der einer Standardnormalverteilung folgt, und D die untere Dreiecksmatrix der Cholesky-Zerlegung der Kovarianzmatrix ist. WS 2007/2008
Modellbildung und Simulation
14
Cholesky-Zerlegung . B sei die Kovarianzmatrix cov x T
B = DD wird als Cholesky-Zerlegung bezeichnet.
Die Koeffizienten dij der Matrix D können in folgender Weise berechnet werden:
0 i −1 dij = bii − ∑ dik2 k =1 j −1 1 bij − ∑ dik d jk d jj k =1 WS 2007/2008
Modellbildung und Simulation
für i < j für i = j für i > j 15
Erzeugung standardisierter normalverteilter Zufallszahlen 1. Erzeugung zweier gleichverteilter unabhängiger Zufallszahlen x1 und x2 zwischen 0 und 1. 2 2 2. Umformungen: v1 = 2 x1 − 1 , v 2 = 2 x2 − 1 , s = v1 + v 2
3. Falls s ≥ 1 , zurück zu 1. 4. u1 = v1 −(2 / s )ln(s ) , u2 = v 2 −(2 / s )ln(s ) u1 und u2 sind zwei unabhängige Zufallszahlen, die der Standardnormalverteilung folgen. WS 2007/2008
Modellbildung und Simulation
16
Zusammenfassung 1. Berechnung von Kovarianzmatrix und Erwartungsvektor. 2. Berechnung der Cholesky-Zerlegung der Kovarianzmatrix. 3. Erzeugung von Zufallsvektoren, die der Standardnormalverteilung folgen. 4. Auf Basis des Erwartungsvektors und der Cholesky-Zerlegung der Kovarianzmatrix kann für jeden erzeugten Zufallsvektor aus 3. ein Zufallsvektor generiert werden, der der Normalverteilung folgt, die durch die in 1. berechneten Parameter definiert wird. WS 2007/2008
Modellbildung und Simulation
17
Berechnung des VaR mit einer Monte Carlo Simulation • An Hand historischer Daten werden der Erwartungsvektor und die empirische Kovarianzmatrix für den Vektor der Kursänderungen geschätzt. Wobei der Vektor die Kurse der Papiere enthält, die im aktuellen Portfolio enthalten sind. • Es wird eine große Zahl von Zufallsvektoren erzeugt, die der geschätzten Normalverteilung der Kursänderungen der Werte des Portfolios folgen. • Für jede zufällig erzeugte Wertänderung wird die Auswirkung auf das aktuelle Portfolio berechnet. • Aus der geordneten (empirischen) Messreihe der simulierten Änderungen des Portfolio wird das Quantil bestimmt. WS 2007/2008
Modellbildung und Simulation
18
Berechnung des VaR • • • •
Monte Carlo Simulation Sammlung und Analyse historischer Daten. Modellierung der Verteilung. Simulation von Kursentwicklungen gemäß der modellierten Verteilung. • Große Zahl an Simulationen. • Prognose von Kursentwicklungen. • Berechnung des monetären Risikos für die Entwicklung des Portfolios. WS 2007/2008
Modellbildung und Simulation
19
WS 2007/2008
Modellbildung und Simulation
20
WS 2007/2008
Modellbildung und Simulation
21
WS 2007/2008
Modellbildung und Simulation
22
Gehirn - Mikroprozessor Gehirn
Mikroprozessor
Zeitskala
ms (10-3s)
ns (10-9s)
Anzahl Prozessoren
1010-1014 Neuronen
~109 Transistoren
Parallelität
fein
grob
Konnektivität
103-105 Synapsen
< 10 direkte Verbindungen
Repräsentation
verteilt
lokal
Zuverlässigkeit
einzelne Neurone sterben, wenig Einfluss auf das System
Transistoren fallen selten aus, Ausfall hat großen Einfluss auf das System
Leistung