Leseprobe
Inhaltsverzeichnis
1. Stochastische Programmierungsmodelle: Value-at-Risk und Conditional Value-at-Risk
1.1. RisikomafbC
1.2. Minimierung des CVaR
1.3. Beispiel: Anlcihcn-Portfolio-Optimicrung
2. Stochastische Programmierungsmodelle: Asset-Liability-Management
2.1. Asset-Liability-Management
2.1.1. Sehuldenmanagement
2.2. Synthetische Optionen
2.2.1. Das Modell
2.2.2. Ein Beispiel
2.3. Fallbeispiel: Preisbildung bei Optionen mit Transaktionskosten
2.3.1. Das St andar dproblcm
2.3.2. Transaktionskosten
A. Anhang
Literaturverzeichnis
Zusammenfassung
In diesem Kapitel wird neben dem Valuc-at-Risk und dem Conditional Valuc-at-Risk auch das Asset-Liability-Management in der stochastischen Programmierung vorgcstcllt. Der Valuc-at-Risk und der Conditional Valuc-at-Risk beschreiben Risikomaßc, mit denen der erwartete Verlust bzw. Gewinn bei Akticngcsehäftcn berechnet werden kann. Das Asset- Liability-Management bezeichnet ein Verfahren zur Steuerung von Vcrsiehcrungsuntcrnch- men anhand der zukünftigen Entwicklung von Aktiva und Passiva. Dies ist sehr wichtig, da das finanzielle Wohl jeder Firma in der Bilanzaufstellung der Gesellschaft widergespiegelt wird
1. Stochastische Programmierungsmodelle: Value-at-Risk und Conditional Value-at-Risk
In diesem Kapitel wird nicht nur der Valuc-at-Risk (VaR), welcher ein weit verbreitetes Risikomafb in der Finanzierung ist, sondern auch der Conditional Valuc-at-Risk (CVaR) behandelt. Aufbcrdem wird ein Optimicrungsmodcll, das ein Portfolio durch stochastische Programmierung optimiert, präsentiert.
1.1. Risikomaße
Der VaR ist ein Risikomafb bezogen auf das Quantil des Durchschnittsvcrlusts der Normalverteilung und repräsentiert den vorausgesagten maximalen Verlust mit einem gegebenen Konfidenzniveau α (z.B. 95%) über einen bestimmten Zeitraum hinweg (z.B. 1 Tag). Betrachte z.B. eine Zufallsvariable X, die den Verlust von einem Investitionswertpapierbestand über eine gewisse Zeitspanne hinweg darstellt. Ein negativer Wert für X zeigt Gewinne an. Der α-VaR einer Zufallsvariable X ist schließlich durch folgende Relation gegeben:
Abbildung in dieser Leseprobe nicht enthalten
Wenn die Verlust-Verteilung stetig ist, ist VaRa(X) einfach der Verlust, so dass
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1.1 zeigt einen Plot über den 0.95-VaR für eine Normalvcrtcilung des Portfolioverlustes. Allerdings hat der Risikowert ein bedeutendes unerwünschtes Merkmal - er ist nicht subadditiv. Risikomafbc sollten folgendem Merkmal entsprechen: „Das Gesamtrisiko von zwei verschiedenen Invcstitionswcrtcpapicrbcständcn überschreitet die Summe der
individuellen Risiken nicht“. Für ein Risikomaß f gelte also:
Abbildung in dieser Leseprobe nicht enthalten
Beispiel 1.1. Betrachte zwei unabhängige Investitionsmöglichkeiten, bei denen jede einen Gewinn von 1 US-$ mit Wahrscheinlichkeit 0.96 und einen Verlust von 2 US-$ mit Wahrscheinlichkeit 0.04 hat. Dann ist das 0.95-VaR für be ide —1. Betrachte nun die Summe. dieser beiden Investitionsmöglichkeiten. Wegen Unabhängigkeit hat diese Summe, folgende Verlust-Verteilung:[Abbildung in dieser Leseprobe nicht enthalten]mit Wahrscheinlichkeit 2 x 0.96 x 0.04 = 0.0768, und —2 US-$ mit Wahrscheinlichkeit 0. 96 x 0.96 = 0.9216. Deshalb ist das 0.95-VaR der Summe der beiden Investitionen gleich 1, was —2 übertrifft, die Summe vom, 0.95-VaR Wert der individuellen Investitionen.
Da die Berechnung und Optimierung des VaR’s recht schwierig ist und da er nicht das Ausmaß des Verlustes beachtet, wird nun der Conditional Value-at-Risk (CVaR) eingeführt. Desweiteren wird gezeigt, wie der CVaR optimiert werden kann.
Man betrachte ein Portfolio von Anlagen, mit zufälligem Ertrag. Das ausgewählte Portfolio wird mit dem Vektor x G R™ und das zufällige Ereignis mit dem Vektor y G Rm bezeichnet. Sei nun[Abbildung in dieser Leseprobe nicht enthalten]Rm ^ R die Funktion des Verlustes mit Entscheidungsvariable x und beliebiger Variable y, welche den Wert der Risikofaktoren beschreibt, y besitze die Dichtewahrscheinlichkeit p(y). Die Wahrscheinlichkeit, dass für ein gegebenes Portfolio x der Verlust f (x, y) den Wert γ G R nicht überschreitet, ist dann
Abbildung in dieser Leseprobe nicht enthalten
Falls die Dichte des Verlustes keine Sprünge hat, ist Ý(x, γ) in Abhängigkeit von γ überall stetig. Sei nun a G (0,1) gegeben. Der a-VaR, VaRa(x) ist dann definiert als:
Abbildung in dieser Leseprobe nicht enthalten
Da Ý(x, γ) überall stetig ist, existiert ein γ, so dass Ψ^, γ) = a gilt.
Das Risikomaß CVaR verknüpft mit dem Portfolio x und für ein Konfidenzniveau a wird wie folgt definiert:
Abbildung in dieser Leseprobe nicht enthalten
Für eine diskrete Wahrscheinlichkeitsdichte (wenn Ereignis yj mit Wahrscheinlichkeit pj, für j = 1,..., n, auftritt), wird die obige Definition vom CVaR zu
Abbildung in dieser Leseprobe nicht enthalten
Beispiel 1.2. Vorausgesetzt man hat die Verlustfunktion f (x,y) für eine gegebene Entscheidung x als f (x, y) = —y mit y = 75 — j mit Wahrscheinlichkeit von 1% für j = 0,... ,99 gegeben. Dann bestimmt man den Value-at-Risk VaRa(x) für α = 95%. Es gilt VaR95%(x) = 20, da der Verlust 20 oder mehr ist mit der Wahrscheinlichkeit von 5%.
Um den bedingten Value-at-Risk zu berechnen, wird die Definition von oben benutzt:
Abbildung in dieser Leseprobe nicht enthalten
1.2. Minimierung des CVaR
Da die Definition des CVaR’s die Funktion des VaR’s explizit mit cinschlicßt, ist es schwierig damit zu arbeiten und diese Funktion zu optimieren. Stattdessen wird die folgende Hilfsfunktion aufgestellt :
Abbildung in dieser Leseprobe nicht enthalten
Alternativ kann man Fa(x,Y) auch wie folgt schreiben:
Abbildung in dieser Leseprobe nicht enthalten
wobei (f (x, γ) — γ)+ := { f (x Y> — Y f (xy) — Y > [0]
0 sonst.
Diese Funktion hat die folgenden, wichtigen Eigenschaften:
1. Fa(x,Y) ist eine konvexe Funktion bzgl. γ.
2. VaRa(x) minimiert F0(x,y) über γ.
3. Für FC((x,y) ist der Minimalwert bzgl. γ der CVaR(x).
Um CVaRa(x) über x zu minimieren muss die Funktion Fa(x, γ) bezüglich x und γ gleichzeitig minimiert werden:
Abbildung in dieser Leseprobe nicht enthalten
Oft ist es nicht möglich, die gemeinsame Dichtewahrscheinlichkeit p(y) des zufälligen Ereignisses zu bestimmen. Stattdessen kann man eine Vielzahl von Szenarien haben, wie etwa ys für s = 1,..., S. Man nehme an, dass alle Szenarien die gleiche Wahrscheinlichkeit haben. In diesem Fall wird die empirische Verteilungsfunktion des zufälligen Ereignisses, basierend auf den vorhandenen Szenarien, benutzt und man erhält die folgende Approximation der Funktion F0(x,y):
Abbildung in dieser Leseprobe nicht enthalten
Um dieses Optimierungsproblem zu lösen wird die konstruierte Variable zs eingeführt. Sie wird (f (x, ys) — γ)+ ersetzen. Dies wird mit Hilfe der Restriktionen zs > f (x, ys) — γ und zs > 0 erreicht.
1.3. Beispiel: Anleihen-Portfolio-Optimierung
Ein Portfolio riskanter Anleihen soll durch eine große Wahrscheinlichkeit von kleinen Gewinnen charakterisiert sein. Aber es ist auch mit einer kleinen Wahrscheinlichkeit, einen großen Betrag der Investition zu verlieren, verbunden. VaR und CVaR sind geeignete Kriterien um das Portfolio-Kreditrisiko zu minimieren.
Das folgende Beispiel stammt aus den Schriften von Anderson et al [7]. Es wird ein Portfolio von 197 Anleihen aus 29 verschiedenen Ländern mit einem Marktwert von 8.8 Milliarden Dollar und einer Laufzeit von fünf .Jahren berechnet. Das Ziel ist das Portfolio auszu- glcichcn, um das Kreditrisiko zu minimieren. Das heißt, sie wollen die Verluste, die sieh aus dem Zahlungsverzug oder einem Rückgang des Marktwertes ergeben, minimieren. Der Verlust infolge der Kreditmigration ist
Abbildung in dieser Leseprobe nicht enthalten
wobei b die zukünftigen Werte jeder Anleihe ohne Kreditmigration sind und y die zukünftigen Werte mit Kreditmigration (also ist y
Ein-.Jahrcs-Portfolios wurde durch die Benutzung einer Monte-Carlo-Simulation[1] erzeugt: 20000 Szenarien gemeinsamer Kreditwürdigkeit von Schuldnern und zugehörigen Verlusten. Durch Minimierung des CVaR’s bekommt man das Portfolio ins Gleichgewicht. Die Menge X der möglichen Portfolios wurde durch folgende Restriktionen beschrieben. Sei Xi das Gewicht der Anleihe г des Portfolios, Ober- und Unterschranken werden für jedes xi gesetzt :
Abbildung in dieser Leseprobe nicht enthalten
Um die effiziente Grenze zu berechnen wurde der erwartete Portfoliogewinn größer gleich R gesetzt.
Abbildung in dieser Leseprobe nicht enthalten
[...]
[1] Die Monte-Carlo-Simulation ist ein Verfahren, dass zukünftige Entwicklungen der betrachteten Risikoparameter mit Hilfe eines jeweils eigenen stochastischen Prozesses modelliert.
- Arbeit zitieren
- Irene Filipiak (Autor:in), 2009, Stochastische Programmierungsmodelle, München, GRIN Verlag, https://www.grin.com/document/232835
Kostenlos Autor werden
Kommentare