Estratégia de negociação var

Valor em risco - VaR.

O que é 'Valor em risco - VaR'

Valor em risco (VaR) é uma técnica estatística usada para medir e quantificar o nível de risco financeiro dentro de uma empresa ou carteira de investimentos durante um período de tempo específico. Essa métrica é mais comumente usada por bancos comerciais e de investimento para determinar a extensão e proporção de ocorrência de perdas potenciais em suas carteiras institucionais. Os cálculos de VaR podem ser aplicados a posições ou carteiras específicas como um todo ou para medir a exposição ao risco de toda a empresa.

QUEBRANDO PARA BAIXO 'Value At Risk - VaR'

Aplicando o VaR.

Os bancos de investimento geralmente aplicam a modelagem de VaR ao risco em toda a empresa devido ao potencial de que as mesas de negociação independentes exponham a empresa a ativos altamente correlacionados de forma não intencional. O emprego de uma avaliação de VaR de toda a empresa permite a determinação dos riscos cumulativos de posições agregadas mantidas por diferentes carteiras e departamentos dentro da instituição. Usando os dados fornecidos pela modelagem de VaR, as instituições financeiras podem determinar se possuem reservas de capital suficientes para cobrir perdas ou se riscos mais altos do que o aceitável exigem que as reservas concentradas sejam reduzidas.

Problemas com cálculos de VaR.

Não há um protocolo padrão para as estatísticas usadas para determinar o risco do ativo, do portfólio ou da empresa. Por exemplo, as estatísticas retiradas arbitrariamente de um período de baixa volatilidade podem subestimar o potencial de ocorrência de eventos de risco, bem como a magnitude potencial. O risco pode ser ainda mais subestimado usando probabilidades normais de distribuição, que geralmente não levam em consideração eventos extremos ou de cisne negro.

A avaliação da perda potencial representa a menor quantidade de risco em uma variedade de resultados. Por exemplo, uma determinação de VaR de 95% com 20% de risco de ativo representa uma expectativa de perda de pelo menos 20% em média a cada 20 dias. Nesse cálculo, uma perda de 50% ainda valida a avaliação de risco.

Esses problemas foram expostos na crise financeira de 2008, uma vez que cálculos de VaR relativamente benignos subestimaram a ocorrência potencial de eventos de risco apresentados por carteiras de hipotecas subprime. A magnitude do risco também foi subestimada, o que resultou em índices de alavancagem extremos dentro das carteiras subprime. Como resultado, as subestimações de ocorrência e magnitude de risco deixaram as instituições incapazes de cobrir bilhões de dólares em perdas, à medida que os valores das hipotecas subprime caíram.

Backtesting

O que é 'backtesting'

Backtesting é o processo de testar uma estratégia de negociação em dados históricos relevantes para garantir sua viabilidade antes que o negociador arrisque qualquer capital real. Um trader pode simular a negociação de uma estratégia durante um período de tempo apropriado e analisar os resultados para os níveis de lucratividade e risco.

QUEBRANDO "backtesting"

Uma quantidade significativa do volume negociado no mercado financeiro atual é feita por traders que usam algum tipo de automação de computadores. Isso é especialmente verdadeiro para estratégias de negociação baseadas em análises técnicas. O backtesting é parte integrante do desenvolvimento de um sistema de negociação automatizado.

Backtesting significativo.

Quando feito corretamente, o backtesting pode ser uma ferramenta inestimável para a tomada de decisões sobre a utilização de uma estratégia de negociação. O período de tempo de amostra no qual um backtest é realizado é crítico. A duração do período de tempo da amostra deve ser suficientemente longa para incluir períodos de condições de mercado variáveis, incluindo tendências de alta, tendências de baixa e negociação com limite de intervalo. Realizar um teste em apenas um tipo de condição de mercado pode gerar resultados únicos que podem não funcionar bem em outras condições de mercado, o que pode levar a conclusões falsas.

O tamanho da amostra no número de negociações nos resultados do teste também é crucial. Se o número da amostra de negociações for muito pequeno, o teste pode não ser estatisticamente significativo. Uma amostra com muitos negócios durante um período muito longo pode produzir resultados otimizados nos quais um número esmagador de negociações vencedoras se aglutina em torno de uma condição ou tendência de mercado específica que é favorável à estratégia. Isso também pode levar um comerciante a tirar conclusões enganosas.

Mantendo a realidade.

Um backtest deve refletir a realidade na melhor medida possível. Os custos de negociação que, de outra forma, poderiam ser considerados insignificantes pelos comerciantes, quando analisados ​​individualmente, podem ter um impacto significativo quando o custo agregado é calculado ao longo de todo o período de backtesting. Esses custos incluem comissões, spreads e derrapagens, e eles poderiam determinar a diferença entre se uma estratégia de negociação é lucrativa ou não. A maioria dos pacotes de software de backtesting inclui métodos para contabilizar esses custos.

Talvez a métrica mais importante associada ao backtesting seja o nível de robustez da estratégia. Isso é realizado comparando os resultados de um teste de retorno otimizado em um período de tempo de amostra específico (chamado de amostra) com os resultados de um backtest com a mesma estratégia e configurações em um período de tempo de amostra diferente (referido como out - de amostra). Se os resultados forem igualmente lucrativos, a estratégia pode ser considerada válida e robusta, e está pronta para ser implementada em mercados em tempo real. Se a estratégia falhar em comparações fora da amostra, então a estratégia precisa de mais desenvolvimento, ou deve ser abandonada por completo.

Valor em Risco (VaR) para Gerenciamento de Risco de Negociação Algorítmica - Parte I.

Valor em Risco (VaR) para Gerenciamento de Risco de Negociação Algorítmica - Parte I.

Estimar o risco de perda para uma estratégia de negociação algorítmica, ou carteira de estratégias, é de extrema importância para o crescimento de capital a longo prazo. Muitas técnicas de gerenciamento de risco foram desenvolvidas para uso em ambientes institucionais. Uma técnica em particular, conhecida como Value at Risk ou VaR, será o tópico deste artigo.

Estaremos aplicando o conceito de VaR a uma única estratégia ou a um conjunto de estratégias para nos ajudar a quantificar o risco em nossa carteira de negociação. A definição do VaR é a seguinte:

O VaR fornece uma estimativa, sob um determinado grau de confiança, do tamanho de uma perda de uma carteira durante um determinado período de tempo.

Neste caso, "carteira" pode se referir a uma única estratégia, um grupo de estratégias, um livro de trader, um balcão de apoio, um fundo de hedge ou um banco de investimento inteiro. O "determinado grau de confiança" será um valor de, digamos, 95% ou 99%. O "período de tempo determinado" será escolhido para refletir um que levaria a um impacto mínimo de mercado se uma carteira fosse liquidada.

Por exemplo, um VaR igual a 500.000 USD a um nível de confiança de 95% para um período de tempo de um dia indicaria simplesmente que existe uma probabilidade de 95% de não perder mais do que 500.000 USD no dia seguinte. Matematicamente isto é declarado como:

\ begin P (L \ leq -5.0 \ times 10 ^ 5) = 0.05 \ final.

Ou, mais geralmente, por perdas $ L $ excedendo um valor $ VaR $ com um nível de confiança $ c $ temos:

\ begin P (L \ leq-VaR) = 1-c \ end.

O cálculo "padrão" do VaR faz as seguintes suposições:

Condições Padrão de Mercado - O VaR não deve considerar eventos extremos ou "risco de cauda", ao contrário, supõe-se que ele forneça a expectativa de uma perda em operação "diária" normal. Volatilidades e Correlações - O VaR exige as volatilidades dos ativos em questão, bem como suas respectivas correlações. Essas duas quantidades são difíceis de estimar e estão sujeitas a mudanças contínuas. Normalidade de Devoluções - O VaR, em sua forma padrão, assume que os retornos do ativo ou carteira são normalmente distribuídos. Isso leva a um cálculo analítico mais simples, mas é bastante irrealista para a maioria dos ativos.

Vantagens e desvantagens.

O VaR é difundido no setor financeiro, portanto, você deve estar familiarizado com os benefícios e desvantagens da técnica. Algumas das vantagens do VaR são as seguintes:

O VaR é muito simples de calcular para ativos individuais, estratégias de algoritmos, portfólios de quantias, fundos de hedge ou até mesmo balcões de banco prop. O período de tempo associado ao VaR pode ser modificado para múltiplas estratégias de negociação que possuem diferentes horizontes de tempo. Diferentes valores de VaR podem ser associados a diferentes formas de risco, digamos, discriminadas por classe de ativo ou tipo de instrumento. Isso facilita a interpretação de onde a maioria dos riscos do portfólio pode ser agrupada, por exemplo. Estratégias individuais podem ser limitadas, assim como portfólios inteiros com base em seu VaR individual. O VaR é fácil de interpretar por investidores externos (potencialmente) não técnicos e gestores de fundos.

No entanto, o VaR não possui suas desvantagens:

O VaR não discute a magnitude da perda esperada além do valor do VaR, ou seja, ele nos dirá que provavelmente veremos uma perda excedendo um valor, mas não o quanto ele excede. Não leva em consideração eventos extremos, mas apenas condições típicas de mercado. Uma vez que utiliza dados históricos (é retrovisor), não levará em consideração as mudanças futuras no regime de mercado, que podem alterar as volatilidades e as correlações de ativos.

O VaR não deve ser usado isoladamente. Ele deve sempre ser usado com um conjunto de técnicas de gerenciamento de risco, como diversificação, alocação ótima de portfólio e uso prudente da alavancagem.

Métodos de cálculo.

Até o momento, não discutimos o cálculo real do VaR, seja no caso geral ou em um exemplo concreto de negociação. Existem três técnicas que serão de interesse para nós. O primeiro é o método de variância-covariância (usando suposições de normalidade), o segundo é um método de Monte Carlo (baseado em uma distribuição subjacente, potencialmente não-normal) e o terceiro é conhecido como bootstrapping histórico, que faz uso de informações históricas de retorno para os ativos em consideração.

Neste artigo vamos nos concentrar no Método de Variância-Covariância e em artigos posteriores consideraremos os métodos Monte Carlo e Bootstrap Histórico.

Método de Variância-Covariância.

Considere uma carteira de $ P $ dólares, com um nível de confiança $ c $. Estamos considerando retornos diários, com desvio padrão histórico do ativo (ou estratégia) $ \ sigma $ e média $ \ mu $. Então o VaR diário, sob o método de variância-covariância para um único ativo (ou estratégia) é calculado como:

\ begin P - \ left (P (\ alpha (1-c) + 1) \ right) \ end.

Onde $ \ alpha $ é o inverso da função de distribuição cumulativa de uma distribuição normal com média $ \ mu $ e desvio padrão $ \ sigma $.

Podemos usar as bibliotecas SciPy e pandas do Python para calcular esses valores. Se definirmos $ P = 10 ^ 6 $ e $ c = 0,99 $, podemos usar o método SciPy ppf para gerar os valores para a função de distribuição cumulativa inversa para uma distribuição normal com $ \ mu $ e $ \ sigma $ obtidos de alguns dados financeiros reais, neste caso os retornos diários históricos do CitiGroup (poderíamos facilmente substituir os retornos de uma estratégia algorítmica aqui):

O valor calculado do VaR é dado por:

O VaR é uma técnica extremamente útil e difundida em todas as áreas da gestão financeira, mas não está isenta de falhas. Ainda temos que discutir o valor real do que poderia ser perdido em uma carteira, e não apenas que ela pode exceder uma certa quantia em parte do tempo.

Nos artigos de acompanhamento, discutiremos não apenas cálculos alternativos para o VaR, mas também delinearemos o conceito de Expected Shortfall (também conhecido como Valor Condicional em Risco), que fornece uma resposta sobre o quanto é provável que seja perdido.

A Quantcademy.

Participe do portal de associação da Quantcademy que atende à crescente comunidade de traders de quantificação de varejo e aprenda como aumentar a lucratividade de sua estratégia.

Negociação Algorítmica Bem Sucedida.

Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para o seu portfólio usando um mecanismo de backtesting personalizado no Python.

Comércio Algorítmico Avançado.

Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas Bayesianas com R e Python.

Backtesting uma estratégia de negociação.

Pedi Análise de Séries Temporais e Suas Aplicações: Com Exemplos R (Textos Springer em Estatísticas) para me ajudar na série temporal em curva de aprendizado R. Até agora, o que eu vi parece bom. O autor tem uma boa página com os problemas em R e séries temporais. O livro deve chegar até o final da semana.

Nesse meio tempo, me deparei com uma estratégia de negociação enquanto lia um artigo sobre o serviço “Over My Shoulder” de John Mauldin (que recomendo muito). O ponto crucial disso foi que no mercado de urso que começou com o crash da bolha tecnológica, uma estratégia de apostar na reversão da média do S & P500 gerou retornos significativos. Naturalmente eu queria testar.

Por favor note, eu não estou recomendando nada que se segue. Faça sua lição de casa e fale com um profissional de investimento se tiver dúvidas.

A estratégia é prolongar o S & P500 quando o mercado fechar ao máximo nos últimos 3 dias. Inverta o negócio e vá muito longe quando o mercado fechar no mínimo nos últimos 3 dias. Os ETFs tornam essa estratégia relativamente fácil de negociar. O SPY será o nosso veículo por ser comprido o S & P500 e o SH será o nosso veículo para ser curto.

O SH começou a operar em 21/06/2006. Nós focamos nosso backtesting a partir desse ponto até agora.

Usando a função importSeries () que criamos anteriormente, obtenha todos os valores para SPY e SH.

Precisamos criar mais timeSeries para segurar.

Long / Short Flag - nos informa o status atual de nossas participações. Bandeira de comércio - sinaliza que instituímos uma negociação nesta data. Strat. Returns - retorno nominal do dia com a estratégia. Valor em Dólar - um valor em dólar bruto da carteira assumindo um valor de US $ 10.000 em 21/06/2006 e uma taxa de transação de US $ 2 quando negociamos.

Note-se que esta estratégia NÃO é eficiente em termos fiscais - quaisquer ganhos serão tributados à taxa de ganhos de capital a curto prazo. Houve 411 negócios. Um comércio envolve a compra e venda, então 822 vezes você seria cobrado uma taxa de corretagem. Eu assumi 1 dólar por compra / venda - o que é cobrado pela Interactive Brokers. Usar alguém como a TD Ameritrade custaria muito mais. Isso também pressupõe que você pode comprar e vender no preço de fechamento do mercado. Algo que é possível, mas ocorrerá derrapagem.

Comentários estão fechados.

Pesquise R-blogueiros.

Posts populares recentes.

Artigos mais visitados da semana.

Jobs para usuários de R.

É alimentado por WordPress usando um design bavotasan.

Direitos autorais & copy; 2017 R-blogueiros. Todos os direitos reservados. Termos e Condições para este site.

Desempenho da estratégia de negociação ao usar o valor em risco ou o déficit esperado como uma restrição de risco.

49 Páginas Postado: 31 Mar 2002.

Visaltanachoti de Nuttawat.

Massey University - Departamento de Economia e Finanças.

Yuxing Yan.

Data de Escrita: 28 de fevereiro de 2002.

Este trabalho estuda o desempenho de três estratégias de negociação: a razão de Sharpe da amostra, o momento e as estratégias contrárias submetidas ao valor em risco e restrição de redução esperada usando 30 ou 90 ações com uma alocação de otimização de peso ou média-variância. Os resultados mostram que a imposição da restrição de risco deteriora o desempenho, exceto no caso do uso do índice de Sharpe como critério de seleção de ações. Entretanto, tanto as estratégias irrestritas quanto as restritas superam o mercado, especialmente para as estratégias contrárias. No entanto, sob as estratégias de restrição de risco, a estratégia de restrição de valor em risco tem um desempenho melhor do que as estratégias de restrição de déficit esperadas. Além disso, o desempenho é melhorado quando usamos a alocação de otimização de média-variância e permitimos alavancagem.

Palavras-chave: Valor em risco, desempenho da carteira, alocação de ativos.

Classificação JEL: G10, G11.

Nuttawat Visaltanachoti (Contato)

Universidade Massey - Departamento de Economia e Finanças (email)

Escola de Economia e Finanças.

Bolsa Privada 102904, NSMC.

64 9 414 0800 (43169) (Telefone)

64 9 441 8177 (Fax)

Yuxing Yan.

Canisius College (email)

Buffalo, NY 14208.

Estatísticas de papel.

EJournals relacionados.

Finanças e Comportamental e Experimental eJournal.

Assine este diário gratuito para obter mais artigos selecionados sobre este tópico.

Mercado de Capitais: Eficácia de Mercado eJournal.

Inscreva-se neste diário de taxas para obter mais artigos selecionados sobre este tópico.

Papéis recomendados.

Links Rápidos do SSRN.

Rankings SSRN.

Sobre o SSRN.

Os cookies são usados ​​por este site. Para recusar ou aprender mais, visite nossa página de Cookies. Esta página foi processada por apollo4 em 0.188 segundos.

14.7 Estratégia de Backtesting.

Especificar um programa de backtesting para uma organização comercial pode ser uma experiência inquietante, atormentada por limitações de dados e dilemas filosóficos. Aqui vamos abordar questões e apresentar conselhos práticos sobre como proceder.

14.7.1 Backtesting como teste de hipóteses.

Backtesting, como é comumente praticado, é o teste de hipóteses. Ele apresenta todos os desafios familiares do teste de hipóteses. Vamos nos concentrar em dois:

Filosoficamente, o teste de hipóteses trata a hipótese nula como “válida” ou “inválida”, enquanto em muitas aplicações a questão é mais uma das hipóteses nulas sendo uma suposição imperfeita mas útil ou uma suposição imperfeita e não útil. Dito de outra forma, o teste de hipóteses é frequentemente aplicado a situações que são “cinzas” para determinar se são “negras” ou “brancas”. Se aceitarmos a hipótese nula como “válida” ou “inválida”, ainda haverá uma troca desconfortável entre o risco de erro Tipo I e de erro Tipo II - reduzir um aumenta o outro, tornando difícil - ou controverso - encontrar um equilíbrio.

Os problemas estão relacionados. As medidas de valor em risco não são “válidas” ou “inválidas”, assim como a aproximação de 3.142 para π não é “válida” ou “inválida”. As medidas e aproximações de valor em risco são “úteis” ou “não” útil ”, e a utilidade depende do contexto. Para um carpinteiro, 3.142 pode ser uma aproximação útil de π, mas pode não ser para um astrônomo. Uma determinada medida de valor em risco pode ser útil para avaliar o risco de mercado de carteiras de futuros, mas não de carteiras contendo opções sobre esses futuros. Embora geralmente falemos de “backtesting uma medida de valor em risco”, na verdade, backtest uma medida de valor em risco aplicada a um portfólio específico.

Com o backtesting, distinguimos entre as medidas de valor em risco que rejeitarmos e aquelas que continuaremos a usar para uma carteira de negociação específica. O ponto em que traçamos a linha é um compromisso para equilibrar o risco de rejeitar uma medida de valor em risco “válida” contra essa ou não rejeitar uma medida “inválida” de valor em risco. Não importa que isso seja um compromisso sobre um assunto inventado. Isso realmente não é um compromisso. Pesquisadores das ciências sociais há muito tempo adotaram a convenção de testes no nível de significância de 0,05 ou 0,01. O uso do nível de significância de 0,05 predomina, mas um pesquisador cujos dados são particularmente fortes pode relatar resultados no nível de significância de 0,01 para enfatizar o fato. Assim, não há debate real sobre o nível de significância a ser usado. No backtesting, usamos o nível de significância de 0,05 baseado apenas na convenção estabelecida e no fato de que os dados de backtest raramente são bons o suficiente para justificar o nível de significância de 0,01.

Sem rodeios, aceitamos ou rejeitamos medidas de valor em risco com base em uma convenção sobre como comprometer um problema inventado. A convenção é o uso do nível de significância de 0,05. O compromisso é equilibrar os riscos dos erros do Tipo I versus Tipo II. A questão inventada é a de que uma determinada medida de valor em risco é, de alguma forma, “válida” ou “inválida”.

Esses problemas existem para testes de hipóteses em campos diferentes de finanças. Os cientistas sociais adotam a abordagem do teste de hipóteses porque não há alternativas realmente boas. No backtesting, temos a sorte de ter dois ou três anos de dados sobre o desempenho de uma medida de valor em risco. Se os dados históricos não fossem tão limitados, poderíamos ir além da questão inventada de medidas de valor em risco como "válidas" ou "inválidas" e avaliar verdadeiramente a utilidade de medidas individuais de valor em risco. São dados limitados, mais do que qualquer outra coisa, que nos levam a aceitar a abordagem do teste de hipóteses para o backtesting. O teste de hipóteses formais substitui amplamente a convenção para design de teste significativo. Isso pode ser uma fraqueza, mas também é uma força. Sem dados extensos, o desenho de teste cuidadoso é impossível. O teste de hipóteses conduzido por uma convenção permite-nos tomar decisões com dados limitados de uma maneira que, apesar de estar em conformidade com as nossas necessidades, é consistente. Indiscutivelmente, representa a melhor opção disponível para interpretar dados limitados.

14.7.2 Alternativas.

O backtest do semáforo do Comitê de Basiléia não emprega testes de hipóteses. É apenas uma regra especificada pelos reguladores com base em seu senso intuitivo do que parecia razoável. Sua resposta gradativa de aumento de cargas de capital dentro da zona amarela evita a clara distinção “válida” ou “inválida” do teste de hipóteses, em detrimento da criação de uma ilusão de precisão. Com apenas α + 1 = 250 pontos de dados, é difícil tirar qualquer conclusão sobre uma medida de valor em risco, especialmente uma medida de valor em risco que supostamente apresenta apenas uma excedência a cada 100 dias.

Para os bancos, ter sua medida de valor em risco com desempenho ruim no teste de semáforos custaria mais do que elevados encargos de capital. Os reguladores podem forçá-los a passar por um processo caro e demorado de implementar uma nova medida de valor em risco. No mínimo, o fraco desempenho no teste de semáforos atrairá o escrutínio, que os bancos geralmente querem evitar.

Em vez de confiar tais questões à sorte, os bancos tenderam a implementar medidas conservadoras de valor em risco cuja cobertura excede em muito o quantil de perda de 0,99 que pretendem mensurar. Algumas dessas medidas são tão conservadoras que praticamente nunca experimentam uma superação.5 Isso praticamente garante que as medidas de valor em risco tenham um bom desempenho no teste de semáforos.

Lopez (1999) baseia-se na abordagem de semáforos de resultados de backtest de classificação mais refinada. Baseando-se na teoria da decisão, ele sugere que a precisão das medidas de valor em risco seja avaliada pelo quão bem elas minimizam uma “função de perda” refletindo as prioridades do avaliador, o que pode incluir evitar perdas extraordinárias de um dia ou evitar maiores cobranças de capital regulatório . Embora isso seja consistente com o objetivo de aceitar ou rejeitar medidas de valor em risco com base em uma avaliação de sua utilidade, ele apresenta o risco de tirar conclusões que não são garantidas pelos dados limitados disponíveis para o backtesting.

A abordagem de Lopez se compara.

o valor da função de perda alcançada por uma medida de valor em risco ao longo de um período de observações α + 1, e um valor de referência que uma medida precisa de valor em risco poderia ter alcançado durante o mesmo período.

Dependendo de como a função de perda é definida, isso pode ser direto, ou pode implicar suposições. Por exemplo, se a função de perda for igual ao número de excedências experimentadas sobre as observações de α + 1, a metodologia de Lopez se reduz a um simples teste de cobertura. Para uma função de perda mais interessante - e problemática - defina a magnitude de uma superação como o máximo de 1) a perda real de uma carteira menos o valor em risco para esse período e 2) zero. Uma função de perda com base na magnitude das excedências aborda uma preocupação de muitos gerentes: quão ruim pode ser uma perda em dias que excede o valor em risco reportado? Mas avaliar um benchmark para essa função de perda requer algumas suposições sobre como uma medida precisa de valor em risco pode ter sido realizada. Se uma medida de valor em risco falhar em um backtest com base em tal função de perda, surge a questão de saber se o problema reside na medida de valor em risco ou nas suposições usadas para modelar o benchmark.

14.7.3 Testes conjuntos.

Testes conjuntos são backtests que avaliam simultaneamente dois ou mais critérios para uma medida de valor em risco - digamos, independência de cobertura e excedência. Tais testes foram propostos por Christoffersen (1998) e Christoffersen e Pelletier (2004). Campbell (2005) recomenda contra seu uso:

Embora os testes conjuntos tenham a propriedade de eventualmente detectar uma medida de valor em risco que viola qualquer uma dessas propriedades, isso ocorre às custas de uma capacidade reduzida de detectar uma medida de valor em risco que viola apenas um dos dois. propriedades. Se, por exemplo, uma medida de valor em risco exibe cobertura incondicional apropriada, mas viola a propriedade de independência, então um teste de independência tem uma maior probabilidade de detectar essa medida imprecisa de valor em risco do que um teste conjunto.

14.7.4 Projetando um Programa de Backtesting.

Quando uma medida de valor em risco é implementada pela primeira vez, seu desempenho será monitorado de perto. Os dados serão insuficientes para análises estatísticas significativas, mas um gráfico como o Anexo 14.1 pode ser atualizado mensalmente e monitorado em busca de sinais de desempenho irregular. Testes paralelos contra uma medida legada de valor em risco também são apropriados. Nesse estágio, o objetivo é principalmente abordar o risco de implementação do modelo Tipo B. Erros de codificação ou implementação podem produzir distorções perceptíveis no desempenho de uma medida de valor em risco, mesmo em curtos períodos de tempo.

Aos seis meses, a codificação ou outros problemas de implementação deveriam ter sido identificados e resolvidos. Se qualquer uma delas motivar mudanças substanciais na medida do valor em risco ou na sua saída, você deverá esperar até seis meses após a última alteração substancial antes de realizar qualquer backtest estatístico. Os resultados do nosso teste de distribuição padrão recomendado provavelmente serão os mais significativos neste momento, já que seis meses de dados realmente não são suficientes para testes de cobertura ou independência.

Realize outro backtest em um ano. Agora inclua nosso teste de independência padrão recomendado. Se você calcular o valor em risco no nível de 90% ou 95%, inclua também nosso teste de cobertura padrão recomendado. Caso contrário, aguarde dois anos antes de realizar todos os três testes padrão recomendados. Continue a fazer o backtest anualmente usando esses três testes. Use todos os dados disponíveis gerados desde a última alteração substancial no sistema de valor em risco, até um máximo de cinco anos.

Recomendo que as instituições usem os três testes padrão recomendados descritos neste capítulo. Eles são tão bons quanto os que você encontrará na literatura e melhor que a maioria. Alguns dos backtests amplamente citados são falhos ou ineficazes. Os bancos também precisarão realizar o backtest do semáforo, conforme exigido pelos seus reguladores. Os backtests devem ser realizados com dados limpos e sujos.

14.7.5 Falha em um backtest.

Como eles são executados no nível de significância de 0,05, a falha de qualquer um dos nossos backtests padrão recomendados é uma forte indicação de uma falha material no desempenho de uma medida de valor em risco. Sua resposta dependerá do teste em particular, se houve falha com dados limpos ou sujos e sua avaliação das circunstâncias que causaram a falha. Um gráfico semelhante ao Anexo 14.10 é útil para diagnosticar problemas identificados por testes de cobertura ou distribuição.

A falha de um teste limpo - ou um teste limpo e o teste sujo correspondente - é indicativa de um problema Tipo A (projeto de modelo) ou Tipo B (implementação) com a medida de valor em risco. Concentre sua análise primeiro em eliminar a possibilidade de uma implementação ou erro de codificação. Só então abordar a possibilidade de deficiências de design do Tipo A.

Uma falha de projeto pode não necessariamente ditar uma mudança fundamental no design de sua medida de valor em risco. Se sua medida de valor em risco já incorpora análises sofisticadas adequadas ao seu portfólio, a modificação dessas análises pode não ser produtiva. Uma revisão de seus dados de backtesting pode indicar que uma solução ad hoc, como a multiplicação da saída por um escalar, pode corrigir o problema.

Por exemplo, se a sua medida de valor em risco falhou em um teste de distribuição padrão recomendado e você se sentir confortável com o design do modelo apropriado para seu portfólio, é possível voltar e refazer o teste de distribuição usando o mesmo valor em risco passado medições, mas multiplique cada um por um escalar w. Por tentativa e erro, ou alguma rotina de busca, você pode resolver para esse valor w que otimiza o desempenho no teste (ou seja, maximiza a correlação de amostra entre o nj e). No futuro, dimensione as medições de valor em risco por esse valor w.

Alguns podem se sentir desconfortáveis ​​com uma solução ad hoc como essa. Tenha em mente que uma medida de valor em risco é uma ferramenta prática. Nosso objetivo não é desenvolver um modelo teoricamente belo para a complexa dinâmica dos mercados. Tudo o que exigimos é uma indicação razoável de risco de mercado. A filosofia da ciência nos diz para julgar um modelo baseado na utilidade de suas previsões e não na natureza de suas suposições. Se pudermos fixar uma medida de valor em risco simplesmente escalando sua saída, então há todos os motivos para fazê-lo.

Obviamente, essa solução só se aplica se uma medida de valor em risco já for sofisticada o suficiente para capturar dinâmicas de mercado relevantes. Se um portfólio estiver exposto ao risco de VEGA ou ao risco de base, e a medida de valor em risco não for projetada para capturá-los, nenhuma quantidade de escala da saída da medida de valor em risco resolverá o problema. Se uma medida de valor em risco de Monte Carlo for computacionalmente tão intensiva que só há tempo para uma amostra de tamanho 250 para cada análise de valor em risco durante a noite, o erro padrão será enorme. Escalar a saída não irá resolver este problema. Os cálculos precisam ser simplificados - talvez com um remapeamento de acervos e / ou redução de variação - e o tamanho da amostra aumentasse.

Ajustar uma medida de valor em risco mal projetada só produzirá outra medida de valor em risco mal projetada. Se uma medida de valor em risco é fundamentalmente inadequada para o portfólio ao qual é aplicada, ela precisa ser fundamentalmente reprojetada.

Algumas deficiências de medidas de valor em risco devem ser vividas. As técnicas padrão de UWMA e EWMA para modelagem de matrizes de covariância não abordam bem a heterocedasticidade do mercado. Como indicamos no Capítulo 7, atualmente não há boas soluções para esse problema. As medidas de valor em risco de hoje são lentas na resposta à crescente volatilidade do mercado. Durante esses períodos, eles tendem a experimentar excessões agrupadas. Da mesma forma, quando as volatilidades diminuem, elas voltam a ficar atrasadas e podem ter poucas ou nenhumas excedências. Esses fenômenos podem fazer com que uma medida de valor em risco falhe em um teste de independência. Há pouco que pode ser feito sobre o problema.

A falha de um teste sujo e não o teste de limpeza correspondente é uma indicação de um problema de aplicativo do modelo Tipo C.

14.7.6 Backtesting Outros PMMRs.

Este capítulo, como a literatura, concentrou-se no backtesting de medidas de valor em risco. Se você empregar alguns outros testes PMMR, a cobertura e a independência de excedência não se aplicarão, mas poderá ser possível desenvolver testes análogos aos testes para o seu PMMR específico. Nossos testes padrão recomendados de distribuição e independência não estão limitados ao valor em risco. Eles podem ser aplicados com a maioria dos PMMRs.