i modelli per la stima della volatilità - lumsa.it 07.pdf · slides tratte da: andrea resti andrea...
TRANSCRIPT
Slides tratte da:
Andrea Resti
Andrea Sironi
Rischio e valore nelle banche
Misura, regolamentazione, gestione
Egea, 2008
I modelli per la stima della volatilità
Rischio e valore nelle banche I modelli per la stima della volatilità
2
AGENDA
• La stima delle volatilità e delle correlazioni
• Le medie mobili semplici
• Le medie mobili esponenziali
• I modelli GARCH
• La stima di covarianze e correlazioni
• Esercizi
© Resti e Sironi, 2008
Rischio e valore nelle banche I modelli per la stima di volatilità e correlazioni
3
• L’approccio varianze-covarianze si basa sull’assunto che sia possibile stimare in
modo soddisfacente le volatilità e le correlazioni dei rendimenti dei fattori di mercato
• I metodi utilizzabili a tale scopo sono raggruppabili in due principali categorie:
La stima delle volatilità e delle correlazioni
I modelli che utilizzano dati di volatilità e correlazioni storici
per previsioni di volatilità e correlazioni future.
•Modelli che considerano volatilità e correlazioni costanti.
•Modelli che consentono a volatilità e correlazioni di variare nel tempo (medie mobili, GARCH)
I modelli legati all'utilizzo delle
previsioni implicite nei prezzi delle
opzioni. Il ricorso ai valori
storici è solo indiretto (la volatilità implicita è figlia della volatilità
storica)
© Resti e Sironi, 2008
Rischio e valore nelle banche I modelli per la stima di volatilità e correlazione
4
• È il criterio più utilizzato per la valutazione dei contratti di opzione, per l’asset-allocation basata sul criterio media-varianza, e per la determinazione del value-at-risk.
• Indicando con rt il rendimento di un fattore di mercato la volatilità può essere stimata, utilizzando come campione una serie storica di n osservazioni, come radice quadrata della varianza
• La volatilità al tempo t può essere calcolata utilizzando le n osservazioni dal tempo t-n al tempo t-1.
• Al periodo successivo (t+1) la volatilità verrà stimata sulla base dei dati da (t-n+1) a t, spostando in avanti di un periodo la finestra temporale.
Medie mobili semplici
© Resti e Sironi, 2008
1
2
1
t
i t
i t n
t
r r
n
1
2
1
t
i
i t n
t
r
n
Con rendimento medio nullo
media campionaria calcolata al tempo t
0,0%
0,5%
1,0%
1,5%
2,0%
2,5%
3,0%
3,5%
02
/20
01
05
/20
01
08
/20
01
11
/20
01
02
/20
02
05
/20
02
08
/20
02
11
/20
02
02
/20
03
05
/20
03
08
/20
03
11
/20
03
02
/20
04
05
/20
04
08
/20
04
11
/20
04
Rendimenti giornalieri dell'indice S&P 500 equiponderato deviazione standard mobile a 23 giorni
Rischio e valore nelle banche I modelli per la stima della volatilità
5
• La Figura riporta l’andamento della volatilità del rendimento logaritmico giornaliero dell’indice di borsa S&P500, stimata utilizzando n=23 giorni lavorativi nel periodo 2 gennaio 2001 - 31 dicembre 2004.
Medie mobili semplici
© Resti e Sironi, 2008
0,5%
1,0%
1,5%
2,0%
2,5%
3,0%
02/2
001
06/2
001
10/2
001
02/2
002
06/2
002
10/2
002
02/2
003
06/2
003
10/2
003
02/2
004
06/2
004
10/2
004
Rendimenti giornalieri dell'indice S&P 500
Deviazioni standard mobili (campioni di diversa lunghezza)
Deviazione standard mobile a 23 giorni
Deviazione standard mobile a 50 giorni
Deviazione standard mobile a 90 giorni
Rischio e valore nelle banche I modelli per la stima della volatilità
6
Medie mobili semplici - scelta dell’arco temporale
© Resti e Sironi, 2008
• Un numero di osservazioni (n) più elevato offre un elevato contenuto informativo e conduce a una stima di volatilità più stabile. La stima è però “poco aggiornata” e risponde in modo lento a variazioni improvvise delle condizioni di mercato
-8,0%
-4,0%
0,0%
4,0%
8,0%
12,0%
0,0%
0,4%
0,8%
1,2%
1,6%
2,0%
7/02
/200
1
7/16
/200
1
7/30
/200
1
8/13
/200
1
8/27
/200
1
9/10
/200
1
9/24
/200
1
10/0
8/20
01
10/2
2/20
01
11/0
5/20
01
11/1
9/20
01
12/0
3/20
01
12/1
7/20
01
12/3
1/20
01
Rendimenti giornalieri (scala dx)
Dev. Standard mobile a 23 giorni (scala sx)
Rischio e valore nelle banche I modelli per la stima della volatilità
7
Medie mobili semplici - scelta dell’arco temporale
© Resti e Sironi, 2008
Echo effect o ghost features
La stima della volatilità subisce uno shock sia quando il fattore di mercato subisce una forte variazione, che quando il dato relativo a questo shock esce dal campione e viene sostituito da un dato più recente
Mentre la prima variazione è giustificata,
la seconda non lo è.
Volatilità S&P500 settembre-ottobre 2001.
La variazione verso l’alto a metà settembre (eventi
terroristici) è seguita dalla riduzione di metà ottobre,
pur in presenza di rendimenti giornalieri
“normali”
Rischio e valore nelle banche I modelli per la stima della volatilità
8
Medie mobili esponenziali
© Resti e Sironi, 2008
• Per superare il trade-off fra contenuto informativo e reattività alle condizioni recenti e l’echo effect, è stato sviluppato il metodo delle medie mobili esponenziali
• Utilizzando un numero relativamente elevato di osservazioni passate, ma attribuendo un peso maggiore a quelle più recenti, si ottiene una stima della volatilità con elevato contenuto informativo e più sensibile agli shock recenti
• La stima reagisce più rapidamente a shock del fattore di mercato, e lo shock pronunciato del fattore di mercato “esce” in modo graduale dalla stima:
1
0
2
11
0
1
0
2
1
12
212
3
22
2
2
12
1
1
...1
...ˆ
n
i
it
i
nn
i
i
n
i
it
i
n
nt
n
tttt r
rrrrr
1
1
1
11 12
1
0
nn
n
i
i
1
0
2
11
1ˆ
n
i
it
i
nt r
La stima della volatilità
Rischio e valore nelle banche I modelli per la stima della volatilità
9
Medie mobili esponenziali
© Resti e Sironi, 2008
• La costante , decay factor, indica il “grado di persistenza” delle osservazioni campionarie passate
• Se la costante è più vicina a uno, le sue potenze successive si avvicinano a zero più lentamente
• Per valori di molto vicini a 1, la media esponenziale tende alla media semplice
• Se è sufficientemente piccolo e/o n è sufficientemente elevato
La varianza:
1
0
2
1)1(ˆn
i
it
i
t r
2
1
2
1
1
2
1
12
1
1
2
1
2
1
0
2
1
2
ˆ)1()1()1(
)1()1(ˆ
tt
i
it
i
t
i
it
i
t
i
it
i
t
rrr
rrr
Meccanismo
“adattivo”: la stima è aggiornata in
base al quadrato del rendimento
del giorno prima
La media si adegua meno rapidamente alle condizioni più recenti
n 0
-8,0%
-4,0%
0,0%
4,0%
8,0%
12,0%
0,0%
0,4%
0,8%
1,2%
1,6%
2,0%
2,4%
2-l
ug
-01
16
-lug
-01
30
-lug
-01
13
-ag
o-0
1
27
-ago
-01
10
-set-
01
24
-set-
01
8-o
tt-0
1
22
-ott-0
1
5-n
ov
-01
19
-no
v-0
1
3-d
ic-0
1
17
-dic
-01
31
-dic
-01
Rendimenti giornalieri (scala dx)
Deviazione standard mobile a 23 giorni
Dev. Standard mobile esponenziale a 23 giorni con lambda = 0,94
Rischio e valore nelle banche I modelli per la stima della volatilità
10
Medie mobili esponenziali
© Resti e Sironi, 2008
La figura mostra il confronto tra la media
mobile semplice con n=23 e la media
mobile esponenziale con l =0,94. Nel caso
delle medie mobili esponenziali lo shock del 11 settembre 2001 genera un immediato
aumento nella volatilità a cui non
corrisponde nessuna repentina
diminuzione della volatilità quando il
dato esce dal campione
Rischio e valore nelle banche I modelli per la stima della volatilità
11
Medie mobili esponenziali
© Resti e Sironi, 2008
• Attraverso l’impiego di volatilità che variano nel tempo (medie mobili esponenziali) è possibile dare conto della forma leptocurtica della distribuzione dei rendimenti
• Utilizziamo i primi dati del nostro campione (dal 2 gennaio al 5 febbraio 2001) per produrre una stima della volatilità basata sull’approccio EWMA, usando 23 osservazioni ed un valore di λ pari a 0,94
• Simuliamo un valore per il 6 febbraio 2001, estraendolo casualmente da una normale con media nulla e deviazione standard
• Spostiamo poi in avanti di un giorno la finestra di dati utilizzata per la stima della volatilità, e produciamo una seconda stima, , estraiamo poi un valore per il 7 febbraio 2001 e cosi via
• Generiamo 980 valori fino al 31 dicembre 2004
t
1ˆt
0
50
100
150
200
250
Numero effettivo
Normale
Rischio e valore nelle banche I modelli per la stima della volatilità
12
Medie mobili esponenziali
© Resti e Sironi, 2008
• Come si vede, i dati simulati risultano leptocurtici . Il loro indice di curtosi in eccesso è infatti pari a 2,1, molto simile a quello del campione empirico di partenza (1,8)
Rischio e valore nelle banche I modelli per la stima della volatilità
13
Medie mobili esponenziali – alcuni problemi pratici
© Resti e Sironi, 2008
• Vi sono alcuni problemi pratici
Scelta del decay factor Scelta del numero di osservazioni passate
La scelta di dovrebbe dipendere dalla velocità con la quale si ritiene che la volatilità
vari nel tempo. Se si modifica lentamente è meglio un decay
factor vicino a 1 e viceversa.
La scelta dovrebbe anche dipendere dall’holding period
della posizione. Minore è tale orizzonte,
minore dovrebbe essere .
Una serie storica più ampia minimizza l’errore di campionamento e consente
di ottenere stime più affidabili. Una serie storica più breve riflette
meglio le condizioni di mercato recenti.
Se le stime vengono aggiornate frequentemente è possibile utilizzare
serie storiche più ampie. In questo caso si riduce il problema
della scarsa aderenza alle condizioni più recenti del mercato.
-2,0%
0,0%
2,0%
4,0%
6,0%
8,0%
0,4%
0,6%
0,8%
10
/01
/20
04
10
/08
/20
04
10
/15
/20
04
10
/22
/20
04
10
/29
/20
04
11
/05
/20
04
11
/12
/20
04
11
/19
/20
04
11
/26
/20
04
12
/03
/20
04
12
/10
/20
04
12
/17
/20
04
12
/24
/20
04
12
/31
/20
04
Rendimenti giornalieri dell'indice S&P 500 equipesatoDeviazioni standard mobili basate su diversi decay factor
Rendimenti giornalieri (scala dx)
Dev. Standard mobile esponenziale a 23 giorni con lambda = 0,94
Dev. Standard mobile esponenziale a 23 giorni con lambda = 0,90
Dev. Standard mobile esponenziale a 23 giorni con lambda = 0,99
Rischio e valore nelle banche I modelli per la stima della volatilità
14
Medie mobili esponenziali – alcuni problemi pratici
© Resti e Sironi, 2008
• Utilizzare un unico fattore , per diverse variabili su intervalli temporali più o meno prolungati, presenta alcuni problemi:
In alcuni mercati gli aumenti di volatilità sono persistenti
mentre in altri gli aumenti si configurano
solitamente come shock temporanei
Il decay factor ottimale muta significativamente
nel tempo.
È preferibile aggiornare frequentemente
tale fattore
Rischio e valore nelle banche I modelli per la stima della volatilità
15
I modelli GARCH
© Resti e Sironi, 2008
• Come è stato mostrato nelle figure precedenti, la volatilità subisce delle fluttuazioni significative (volatility clustering). I fattori di mercato presentano dei periodi di maggiore volatilità che possono anche persistere per periodi prolungati
• Questo problema viene esplicitamente affrontato dai modelli GARCH (generalized autoregressive conditional heteroskedasticity)
• Eteroschedasticità significa varianza che muta nel tempo, cioè presenza di periodi di elevata volatilità interrotti da periodi di relativa tranquillità
• Condizionale sta a indicare che le previsioni ottenute sono basate sulle informazioni disponibili nel periodo precedente
• Autoregressivo si riferisce invece al metodo utilizzato per modellare l’eteroschedasticità condizionale, cioè una regressione della varianza “su sé stessa”
• Generalizzato si riferisce al modello di Tim Bollersev (1986) che rappresentava una generalizzazione del primo modello (ARCH) ideato nel 1982 da Robert Engle
Rischio e valore nelle banche I modelli per la stima della volatilità
16
I modelli GARCH – media condizionale e non condizionale
© Resti e Sironi, 2008
• I modelli a eteroschedasticità condizionale autoregressiva consentono di prevedere la volatilità futura utilizzando una regressione basata sui valori passati, generando una stima della volatilità che cambia nel tempo
Stima condizionale e stima non condizionale
Tipicamente ottenuta utilizzando un campione più o meno ampio di dati storici, ad esempio la media di una variabile stimata con la media campionaria
Se la variabile in questione dipende da una o più altre grandezze, è possibile stimare una media condizionale ricorrendo, ad esempio, a una regressione dei minimi quadrati. Per la variabile y che dipende da x:
Oppure se dipende dai suoi valori passati:
txxt xyt
11 tyt yy
t modello autoregressivo del
primo ordine, AR(1)
Rischio e valore nelle banche I modelli per la stima della volatilità
17
I modelli GARCH – stima condizionale e non condizionale
© Resti e Sironi, 2008
• La differenza fondamentale fra media non condizionale e media condizionale è che la prima è una costante mentre la seconda necessita di un modello di specificazione
• La stessa logica trova applicazione nel caso della varianza non condizionale e condizionale
• Consideriamo il modello ARCH proposto da Engle:
con ,
Il modello stima la varianza come una media mobile di p errori di previsione passati elevati al quadrato “modello a p ritardi” o ARCH(p)
• Se si verifica uno shock della variabile considerata, si genera un errore di previsione che, se il suo è positivo, provoca un rialzo della previsione della volatilità relativa al periodo successivo
Varianza condizionale – qualsiasi modello , come il GARCH Varianza non condizionale- utilizzo
della varianza campionaria
22
110
2... ptptt 00 0,...,1 p
Rischio e valore nelle banche I modelli per la stima della volatilità
18
I modelli GARCH
© Resti e Sironi, 2008
• Il modello è coerente con l’evidenza empirica secondo la quale una variazione significativa dei prezzi tende a essere seguita da altrettante variazioni significative
• Il principale limite del modello ARCH è che le applicazioni empiriche hanno sovente richiesto un numero elevato di ritardi, rendendo il modello poco flessibile e oneroso
• La generalizzazione introdotta da Bollersev (GARCH) rende il modello più flessibile:
con
• La varianza condizionale è modellata inserendo, anche q ritardi relativi ai valori
passati della varianza stessa GARCH(p,q)
• Se la variabile considerata sono i rendimenti di un fattore di mercato che si immagina abbiano media nulla, allora l’errore εt coincide con rt
22
22
2
11
22
110
2...... qtqttptptt
00 0,...,,,..., 11 qp
Rischio e valore nelle banche I modelli per la stima della volatilità
19
Il GARCH (1,1)
© Resti e Sironi, 2008
• La maggioranza delle applicazioni del modello GARCH si basa sulla versione GARCH(1,1), che considera un solo errore di previsione (l’ultimo) e il valore della varianza al periodo precedente:
• Nel modello è implicita anche una stima del valore atteso non condizionato
Se σ2 esiste, rappresenta il valore atteso non condizionato di σ2
t, σ2
t-1 e anche di 2t-1.
Sostituendo tali grandezze con σ2 si ottiene:
• La stima condizionata della varianza in un certo periodo è una media ponderata della varianza di lungo periodo, della varianza attesa per il periodo precedente e dello shock relativo all’ultimo periodo
2
11
2
110
2
ttt
2 0
1 11
2
11
2
11
2
11
2)1( ttt
Rischio e valore nelle banche I modelli per la stima della volatilità
20
Il GARCH (1,1)
© Resti e Sironi, 2008
• Come già detto, se la variabile considerata è data dai rendimenti di un fattore di mercato che si immagina abbiano media nulla, allora l’errore εt coincide con rt e il modello da stimare è:
• Nelle applicazioni ai mercati finanziari 1 assume generalmente valori superiori a 0,7 mentre 1 assume valori più contenuti
Una variazione della volatilità tende a permanere a lungo
• Anche il modello GARCH riconosce l’esistenza di un “decay factor” per la volatilità. Tale fattore non è determinato arbitrariamente ma sono gli stessi dati a determinarlo
2
11
2
110
2
ttt r
Il coefficiente 1 indica la rapidità con cui la volatilità si adegua ai nuovi shock di mercato, coefficienti più elevati conducono a previsioni più sensibili alle condizioni recenti
0,0%
0,5%
1,0%
1,5%
2,0%
2,5%
3,0%
07
/20
01
10
/20
01
01
/20
02
04
/20
02
07
/20
02
10
/20
02
01
/20
03
04
/20
03
07
/20
03
10
/20
03
01
/20
04
04
/20
04
07
/20
04
10
/20
04
Rendimenti giornalieri dell'indice S&P 500 equipesatoDeviazioni standard basate su EWMA e GARCH
GARCH(1,1)
Dev. Standard mobile esponenziale a 23 giorni con lambda = 0,94
Rischio e valore nelle banche I modelli per la stima della volatilità
21
Il GARCH (1,1)
© Resti e Sironi, 2008
• I coefficienti dell’equazione GARCH (1,1) devono essere stimati con l’ausilio di un software statistico, ad esempio tramite un algoritmo di stima basato sul criterio massima verosimiglianza
Tale algoritmo è stato utilizzato per stimare un
modello GARCH(1,1) sui rendimenti giornalieri dell’indice S&P500 nel
periodo 2 gennaio 2001 - 31 dicembre 2004, ottenendo 0=0,000002, 1=0,085 e
1=0,905. Il modello GARCH è poi
confrontato con un EWMA con lambda pari a 0,94
Rischio e valore nelle banche I modelli per la stima della volatilità
22
Il GARCH (1,1)
© Resti e Sironi, 2008
• Il modello GARCH(1,1) è caratterizzato da una “memoria infinita”. Per qualsiasi t vale che:
• Sostituendo in maniera ricorsiva il termine σ2t-i si ottiene:
• Un modello GARCH(1,1) può essere considerato equivalente ad un modello ARCH con infiniti ritardi, i cui coefficienti βi sono vincolati a decrescere in progressione geometrica man mano che si considerano shock più lontani nel tempo
)( 2
21
2
2101
2
110
2
tttt
)( 2
31
2
2101
2
2101
2
110
2
ttttt
1
21
11
1
0
1 1
21
1110
2
1 i
it
i
i i
it
i
t
0
50
100
150
200
250
Numero effettivo
Normale
Rischio e valore nelle banche I modelli per la stima della volatilità
23
Il GARCH (1,1) – pregi e limiti
© Resti e Sironi, 2008
Pregi del modello GARCH(1,1): riconosce esplicitamente l’esistenza di
un fenomeno di correlazione seriale e lo esplicita attraverso un modello autoregressivo;
attribuisce un’adeguata importanza alle nuove informazioni incorporate negli shock di mercato;
consente, analogamente al modello basato sull’EWMA, di rappresentare la leptocurtosi presente nei dati empirici;
lascia che siano gli stessi dati a determinare il decay factor della volatilità.
Rischio e valore nelle banche I modelli per la stima della volatilità
24
Il GARCH (1,1) – pregi e limiti
© Resti e Sironi, 2008
Limiti del modello GARCH(1,1):
può risultare più complesso e oneroso rispetto al semplice utilizzo di una media mobile;
conserva l’ipotesi di normalità (in questo caso degli errori di previsione);
nella sua versione originale considera l’impatto di uno shock sulla previsione della volatilità come indipendente dal suo segno.
Numerose evidenze empiriche mostrano che la volatilità implicita aumenta in seguito a una caduta del mercato, mentre può mantenersi invariata in seguito a un rialzo dei prezzi (“leverage effect”).
Il leverage effect viene spiegato dal
fatto che quando un prezzo azionario
diminuisce, il valore di mercato
del patrimonio diminuisce e
dunque aumenta la leva finanziaria e con essa il ischio
finanziario. Ciò non succede
nel caso di un rialzo del prezzo.
Rischio e valore nelle banche I modelli per la stima della volatilità
25
Il modello EGARCH
© Resti e Sironi, 2008
• Nel tentativo di superare alcuni limiti del modello GARCH, sono state proposte numerose versioni alternative:
Exponential GARCH (EGARCH)
Asymmetric GARCH (AGARCH)
Integrated GARCH (IGARCH)
L’EGARCH modella il logaritmo naturale della varianza anziché la varianza: la parte destra dell’equazione può anche divenire negativa. Gli errori di previsione non devono essere elevati al quadrato e viene così adeguatamente considerata la
diversa reazione degli operatori alle “buone” rispetto che alle “cattive notizie”
Modello EGARCH
1
12
11
1
1
10
2log
t
tt
t
t
t
Rischio e valore nelle banche I modelli per la stima della volatilità
26
Il modello AGARCH e IGARCH
© Resti e Sironi, 2008
La versione AGARCH considera la risposta asimmetrica della volatilità rispetto a improvvisi shock al rialzo o al ribasso. Un parametro addizionale positivo ()
amplifica l’effetto degli shock negativi e attenua quello degli shock al rialzo
Modello AGARCH
2
11
2
110
2
ttt
Modello IGARCH Questo modello impone che la somma dei coefficienti 1 e 1 sia pari all’unità
Ipotizzando inoltre un valore nullo di 0, si ottiene il modello delle medie esponenziali con infiniti ritardi
2
11
2
110
21 ttt
1
212)1(
i
it
i
t
Tale formula è ottenuta dal GARCH (1,1) annullando 0 e sostituendo a 1 il
simbolo e ad 1 1- . Tale modello coincide con l’EWMA
Rischio e valore nelle banche I modelli per la stima della volatilità
27
I modelli GARCH – capacità di previsione
© Resti e Sironi, 2008
• I modelli GARCH sono stati prevalentemente utilizzati per spiegare il comportamento della varianza delle variabili finanziarie, più che per prevederne l’evoluzione.
• La loro applicazione a scopo previsionale presenta tre principali problemi
I modelli GARCH necessitano di un elevato
numero di dati affinché la stima dei coefficienti
possa risultare statisticamente
“robusta”
La capacità di un modello econometrico di descrivere un determinato campione di dati è direttamente proporzionale alla sua complessità (numero di parametri utilizzati). Un modello più complesso tende tuttavia a divenire più facilmente “obsoleto”..
Rischio e valore nelle banche I modelli per la stima della volatilità
28
I modelli GARCH – capacità di previsione
© Resti e Sironi, 2008
• I modelli GARCH funzionano bene se si desidera prevedere la volatilità del periodo successivo; diventano invece via via meno informativi per previsioni riguardanti periodi più lontani
Previsione volatilità di t+1
Sarebbe necessario conoscere l’errore di previsione in t, che ancora non conosciamo. È possibile sostituire ε2
t con il suo valore atteso: σ2t
Previsione volatilità di t+k
Non potendo conoscere gli errori di previsione futuri, la previsione
finirà per convergere verso la varianza di lungo periodo
• L’evidenza empirica non chiarisce se il modello GARCH abbia una miglior capacità previsionale rispetto a un più semplice modello EWMA
2
1
2
10
2
1 ttt
2
110
2
1
2
10
2
1 tttt
2
11
1
1
110
2
t
kk
i
i
kt
Rischio e valore nelle banche I modelli per la stima della volatilità
29
La previsione della volatilità: la volatilità implicita
© Resti e Sironi, 2008
• È un metodo per la previsione della volatilità basato sui prezzi delle opzioni • Il prezzo di un’opzione è funzione di cinque variabili • Se si conosce il prezzo di mercato dell’opzione è possibile utilizzare il modello di
pricing “a ritroso” per calcolare la volatilità implicita nel prezzo stesso • Spesso le formule di pricing di un’opzione non possono essere invertite
analiticamente
prezzo di esercizio (X)
prezzo di mercato dell’attività sottostante (S)
vita residua dell’opzione (T) tasso di interesse privo di rischio (i)
volatilità dell’attività sottostante ()
il calcolo della volatilità implicita si basa generalmente su un processo iterativo
Rischio e valore nelle banche I modelli per la stima della volatilità
30
La previsione della volatilità: la volatilità implicita
© Resti e Sironi, 2008
• Tra gli algoritmi più usati per il calcolo della volatilità implicita vi è il metodo di Newton-Raphson o delle tangenti, che si compone di 3 fasi:
1. calcolo del prezzo teorico dell’opzione un valore della volatilità scelto
arbitrariamente ( )
2. confronto del prezzo teorico dell’opzione O ( ) con il prezzo di mercato
Om: se il prezzo di mercato risulta superiore (inferiore) si aumenta
(diminuisce) la volatilità in input di un valore pari a
3. il nuovo dato di volatilità così ottenuto viene inserito nel modello di pricing
e si procede fino a che non si verifica la convergenza fra O ( ) e Om
mOO )ˆ(
derivata parziale della funzione di prezzo dell’opzione rispetto alla volatilità
Rischio e valore nelle banche I modelli per la stima della volatilità
31
La previsione della volatilità: la volatilità implicita
© Resti e Sironi, 2008
• La volatilità implicita risulta differente a seconda del contratto di opzione utilizzato
• Questo fenomeno, “volatility smile”, dipende dalla maggiore sensibilità delle opzioni ATM a variazioni della volatilità (maggiore vega)
• Le misure precedentemente introdotte sono backward-looking
• La volatilità implicita deriva dalle aspettative del mercato circa l’evoluzione futura della volatilità (forward-looking)
Volatilità implicita delle opzioni at-the-money (ATM) minore rispetto alle opzioni in-the-money (ITM) o out-of-the-money (OTM)
Capacità di previsione della volatilità implicita
il modello di pricing adottato deve essere attendibile e adottato anche dagli
operatori del mercato, altrimenti il valore ottenuto non è rappresentativo
dell’aspettativa del mercato
il mercato nel quale l’opzione è negoziata non deve avere imperfezioni strutturali in grado di generare squilibri temporanei
prezzi non di equilibrio
Rischio e valore nelle banche I modelli per la stima della volatilità
32
La previsione della volatilità: la volatilità implicita
© Resti e Sironi, 2008
• La volatilità implicita nonostante sia forward looking presenta alcuni svantaggi se usata a fini previsionali per l’attività di risk-management:
• La volatilità implicita si presta male ad essere utilizzata per il risk-management • Essa può però integrare le previsioni offerte da un altro metodo e segnalare
eventuali divergenze
Deve esistere un contratto di opzione con sottostante uguale
all’attività di cui si vuole prevedere la volatilità del
rendimento (il mercato in cui è negoziata deve essere liquido
efficiente ed organizzato)
La vita residua dell’opzione deve coincidere con l’orizzonte temporale prescelto per il sistema di risk-management
Rischio e valore nelle banche I modelli per la stima della volatilità
33
La stima di covarianze e correlazioni
© Resti e Sironi, 2008
• Possono essere utilizzati gli stessi metodi descritti per la stima della volatilità • Dati i rendimenti di due fattori di rischio rt e qt
• È teoricamente possibile ricavare dai prezzi delle opzioni non solo le volatilità,
ma anche le stime delle correlazioni implicite
1
0
11
2
;,1
1ˆ
n
i
itit
i
ntqr qr
medie mobili esponenziali
2
1;,11110
2
;, tqrtttqr qr GARCH (1,1)
Covarianza
metodi complessi e dati di mercato spesso non disponibili
Rischio e valore nelle banche I modelli per la stima della volatilità
34
La stima di covarianze e correlazioni
© Resti e Sironi, 2008
• Per esempio, avendo le volatilità implicite delle opzioni sui tassi di cambio
EUR/USD e EUR/YEN , e sul cross-rate YEN/USD è possibile ottenere la stima della correlazione implicita dei due cambi dell’euro (USD e YEN):
• Un altro metodo è quello che prevede di utilizzare i prezzi delle quanto options, ossia delle opzioni che hanno come underlying asset sia un tasso di cambio che un prezzo/indice azionario
• Una volta che le varianze e covarianze sono state stimate, è necessario verificare
che esse siano coerenti tra loro
È necessario verificare che la matrice di varianze e covarianze sia definita positiva
2 2 2
,2
USD YEN USD YENUSD YEN
USD YEN
Rischio e valore nelle banche I modelli per la stima della volatilità
35 © Resti e Sironi, 2008
1. Un’azione, dopo essere rimasta stabile per qualche tempo, registra un’improvvisa e ampia variazione di prezzo. Quale, tra le seguenti tecniche di stima della volatilità, conduce a parità di altre condizioni al più ampio incremento nella stima della deviazione standard dei rendimenti giornalieri (e quindi del VaR)?
a)volatilità storica basata su un campione di 100 giorni e stimata attraverso una media mobile esponenziale, con l pari a 0,94;
b)volatilità storica basata su un campione di 250 giorni e stimata attraverso una media mobile semplice;
c) volatilità storica basata su un campione di 100 giorni, stimata attraverso una media mobile esponenziale, con l pari a 0,97;
d)volatilità storica basata su un campione di 250 giorni, stimata attraverso una media mobile esponenziale, con l pari a 0,94.
Esercizi/1
Rischio e valore nelle banche I modelli per la stima della volatilità
36 © Resti e Sironi, 2008
2. Considerate le seguenti affermazioni contrarie all’uso della volatilità implicita per stimare la volatilità dei rendimenti dei fattori di mercato all’interno di un modello VaR. Quale tra esse non è corretta?
a) i prezzi delle opzioni scambiate su un mercato illiquido potrebbero includere un premio per la liquidità;
b) i prezzi delle opzioni scambiate in un mercato non regolamentato (“over the counter”) potrebbero includere un premio per il rischio di controparte, che può non essere facilmente identificabile;
c) la volatilità implicita nei prezzi delle opzioni è la volatilità del prezzo dell’opzione, non quella del prezzo dell’attività sottostante;
d) il modello di pricing usato per calcolare s può essere differente da quello adottato dai partecipanti al mercato per prezzare l’opzione.
Esercizi/2
Rischio e valore nelle banche I modelli per la stima della volatilità
37 © Resti e Sironi, 2008
3. Una banca utilizza medie mobile esponenziali, basate su un decay factor di 0,94 e su un numero molto elevato di osservazioni. Ieri sera, la volatlità delle variazioni percentuali di prezzo era 13% per l’azione Alfa, 8% per l’azione Beta. Oggi, le variazioni di prezzo per Alfa e Beta sono state, rispettivamente, 3% e 10%. Ipotizzando che i rendimenti attesi siano zero, aggiornate le stime di volatilità per Alfa e Beta. Infine, immaginate che il coefficiente di correlazione tra i rendimenti dei due titoli azionari, ieri sera, fosse 50%: è possibile aggiornare anche questo valore?
Esercizi/3