压力测试中的连带效应

作者: , 共 1840 字 , 共阅读 0

压力测试(或情景分析),是指一个组合在特定场合下的损失程度。在这个场景下,我们会假设某些因子的走势,然后计算组合当这些因子变动时所造成的损失。比如,我们可以假设利率曲线上移 100BP ,从而导致债券价格下跌造成损失。对于股票,通常假设指数的跌幅,然后通过股票与指数之间的关系(通常使用 Beta )来确定股票的损失。

1、常规压力测试方法

一个资产组合可能同时受到多个风险因子的影响,比如外币资产还受到汇率价格的影响,股票资产会受到股票价格的影响。即使对于同一类资产,风险因子也会不一样。比如上海交易所上市的股票对应风险因子为上证指数,但香港上市的股票就需要选取香港交易所的对应指数。

在多样化的资产组合中,一个压力测试应当尽可能地考虑到所有因子的走势,这需要我们假设每一个因子的走势。对于一个同时持有上海交易所上市股票和香港交易所上市股票的组合,两个交易所上市的股票虽然风险因子不一样,但风险因子之间具有相当大的关联性。当上证指数出现较大亏损时,香港股票很大概率上会下跌。

一个可行的做法是直接指定每个因子的走势。这种做法并不是太合适:

  1. 很难枚举所有的因子,考虑到不同的市场、不同的资产类型,风险因子可以有上千个。
  2. 因子之间的平衡关系较难把握,破坏相关性关系。比如某些因子之间是正相关关系,某些因子之间是负相关的。要直接指定每个因子的走势满足这些关系较为困难。

2、连带效应

一个更有效的方法是使用连带效应:指定某些最直接、最简单的因子的走势,利用协方差矩阵推算出其它因子的走势。我们将因子分成两组,其走势分别为$ r_1$$ r_2$ ,假设它们之间的协方差矩阵为:

$$\left[ \begin{array}{cc}\Sigma_{11}&\Sigma_{12} \\ \Sigma_{21} & \Sigma_{22} \end{array}\right]$$

假设因子走势为正态分布,那么

$$E(r_2|r_1) = \Sigma_{12}\Sigma_{11}^{-1} r_1$$

另一个角度:

$ r_1$ 作为自变量,$ r_2$ 作为因变量,利用历史样本数据,可以得到与上述公式同样的结论,且无需考虑假设正态分布。

3、一个例子

下面举一个例子。组合持有分别价值 10 亿人民币的中国股票和 10 亿港币的港股,均已人民币记账。它受到两个市场的股票价格变动影响,同时还受到港币贬值的风险。假设其三个风险因子分别为上证指数、恒生指数和港币兑人民币汇率。以 5 天为周期,取截止到 7 月 28 日的最近 150 周市场数据,并用 0.94 的衰减因子,得到三个因子间的协方差矩阵为:

  港币汇率 恒生指数 上证指数
港币汇率 0.000001622  0.000001375  0.000007428
恒生指数 0.000001375  0.000216294  0.000064284
上证指数 0.000007428  0.000064284  0.000210895

使用前面提到的办法,可以得到当假设上证指数跌 10%或恒生指数跌 10%时其它两个因子的变动:

上证指数跌 10% 恒生指数跌 10%
不考虑连带效应的压力测试结果(亿¥) -1.00  -0.83
上证指数 -10% -3.0%
恒生指数 -3.0% -10%
港币汇率 -0.4% -0.1%
考虑连带效应的压力测试结果(亿¥) -1.28  -1.13

在该场景下,考虑连带效应后,损失之要增加约 30%。

4、在实际使用时需要注意该方法的缺陷

连带效应虽然简单且方便,但会出现意料之外的效果。比如将短期利率往上调 100BP ,然后使用连带效应进行压力测试,会出来非常诡异的结果。因为短期利率通常很小,往上调 100BP 是一个非常大的变动。如果只考虑它本身的影响,压力损失并不会很大。但考虑到连带效应,它会让别的因子变动也非常剧烈,最后算出来非常离谱的压力测试结果。

Q. E. D.

类似文章:
风险管理 » VaR Primer
在计算 VaR 之前,需要先明确所计算 VaR 的参数。最重要的两个参数为时间期限和置信度,前者对应所需衡量风险的时间段,后者对应风险的容忍度。
风险管理 » VaR Primer
在一个大型的组合中,有成千上万只不同的证券,但不同证券的价格可能受到同样的因素所驱动,比如同一个国家的债券几乎都受到该国的基准利率所影响。为了简化 VaR 的计算,通常将那些最根本的因素挑选出来,这些因素被称为风险因子。根据风险因子的状态,计算证券的价格被称为估值。
风险管理 » VaR Primer
回顾 VaR 的定义,$ F$ 为未来收益的累计分布函数,那么
风险管理 » VaR Primer
一个场景是所有风险因子的表现序列。历史场景是指风险因子在历史上某天的实际表现,随机场景则是计算机随机模拟生成的。通常蒙特卡洛模拟法需生成至少 1000 个随机场景,然后计算组合在每个场景下的损益,最后取 5%分位点得到组合的 VaR 值。
VaR 随着市场的变动是一件让风险管理者为难的事情:
我之前一直对 Delta ($ \Delta$ )和 Gamma ($ \Gamma$ )等 Greeks 指标理解得比较模糊,今晚上用笔认真推导了一下,以下是总结。数学公式永远是最清晰的表达方式。
标准的期望-方差组合优化目标中有一个参数$ \lambda$
相似度: 0.062
CAPM 公式是指一个组合的预期收益率可以用它的不可分散风险大小所刻画,在数学上,它可以表示为一个组合$ p$ 的收益率$ r_p$ 的表达式:
美国长期资本管理公司( LTCM ),是一家主要从事定息债务工具套利活动的对冲基金,拥有两个诺贝尔经济学奖获得者。在 1994 年到 1997 年间,它的业绩辉煌而诱人,以成立初期的 12.5 亿美元资产净值迅速上升到 1997 年 12 月的 48 亿美元,每年的投资回报为 28.5%、42.8%、40.8%和 17%, 1997 年更是以 94 年投资 1 美元派 2.82 美元红利的高回报率让 LTCM 身价倍增。
Google 新推出了图片搜索,可直接上传图片(或者用图片链接)搜索网络上的相似图片,例子。估计还没多少人意识到,这玩意儿是人肉搜索的大杀器,以后大家还是少上传私人照片到公开网络。
风险管理 » VaR Primer
在计算 VaR 之前,需要先明确所计算 VaR 的参数。最重要的两个参数为时间期限和置信度,前者对应所需衡量风险的时间段,后者对应风险的容忍度。