Modified Value-at-Risk (MVaR) - estimating losses under non-normality (Excel) (SUB)
HTML-код
- Опубликовано: 15 апр 2020
- Value-at-risk performs badly when returns are not normally distributed. But how to account for that? Modified value-at-risk allows to estimate losses for return distributions that are non-normal, penalising negative skewness and positive kurtosis. This tutorial explains how to easily apply this concept in Excel.
Don't forget to subscribe to NEDL and give this video a thumbs up for more videos in Finance!
Please consider supporting NEDL on Patreon: / nedleducation
You can find the spreadsheets for this video and some additional materials here: drive.google.com/drive/folders/1sP40IW0p0w5IETCgo464uhDFfdyR6rh7
Please consider supporting NEDL on Patreon: www.patreon.com/NEDLeducation
Hello. Ithink that this MVar spreadsheet in not in you google drive. I also see that in the video the name is NEDL_MVaRxxxx and no spreadsheet start with that name. Could you please upload that Spreadsheet? Thanks!
This was great. Thank you!
Hello. Ithink that this MVar spreadsheet in not in you google drive. I also see that in the video the name is NEDL_MVaRxxxx and no spreadsheet start with that name. Could you please upload that Spreadsheet? Thanks!
ur so good thank you
This is a wonderful video this helps a lot with backtesting in terms of reviewing the model where risk is being understated or overstated from skewness and or Kurtosis thanks so much
Pls can you take a look at deposit behavioral modeling??? Will be really helpful for lcr and NSFR determination thanks
Hello Savva, thanks by your video. You are inspiring me study about finances. I have a doubt about Mvar equation. I found on internet a same equation but with change signal like MVaR =Average( ) - Z*Stand_deviat, but you use MVaR =Average( ) + Z*Stand_deviat. Where Z are high order terms that you presented us. Then, could you please, explain Why all terms from your equation are positive?
Thank you very much for the video! I have a question though. Can you use the long term volatily of the GARCH model instead of the sample standard deviation when calculating the Modified Value-at-Risk to be in theory more "accurate" with your results?
Thanks Sir, its helping me a lot :)
Hi Yusuf, glad to hear it, thanks for your comment! :)
In the Favre-Galeano paper, the last part of the formula within brackets is: -1/36(2z... Why do you have +1/36(2z...in you video? Should it be - or + ?
Hi Matt, and thanks for the question. For VaR metrics, you can have a minus in front of the formula to describe the percent VaR as a loss. For example, the normal parametric VaR can be expressed as -(m + z*sigma) along these lines. Favre and Galeano follow the same logic. If you put a minus in front, you can interpret your VaR as percentage loss, if you do not, it is the return at a particular threshold of worst-case scenarios. Hope it helps!
@@NEDLeducation Thanks for answering. But I mean inside the long Z-formula, where it says ...k+1/36... If you look in the Favre and Galeano paper it says ...k-1/36... Which one is correct?
Very nice video!
I would like to ask about time scale. Here there are daily returns. What if we want to annualize the MVaR? How do we scale this?
Thank you in advance!
Hi, and glad you liked the video! As with any parametric VaR, you can just scale the moments accordingly. As skewness and kurtosis do not depend on time, they can be left as is, standard deviation can be multiplied by the square root of 252 (or the number of trading days in a year), and the mean can be multiplied by 252. Hope it helps!
@@NEDLeducation thank you 🙏 for your quick reply!
i don't know, whyi get MVaR positif
Does it work for other inverse distribution functions other than inverse normal?
Hi Dingxin, yes, you can apply value-at-risk for other distributions using the VCV logic, however you need to apply the quantile function (inverse cumulative distribution function) that is specific to your assumed distribution.
NEDL Could you make a video about extreme value theory since we are modeling var and tail behavior. I guess it’s related to the topic.
@@zaig7401 That's definitely on our to-do list already :)
Савва, привет! Интересный материал:)
Так как по своей деятельности я больше аудитор, было бы интересно услышать что-нибудь интересное про бэк-тестирование и выбор применяемых моделей:
1.Валидацию качества моделей рыночного риска.
2. Имеет ли смысл применять параметрический VaR и его вариации в российских реалиях (в российских банках обычно применяют историческое моделирование).
3.Имеет ли смысл применять простую модель в случае, если при бэк тестировании она показывает результаты, незначительно хуже, чем у более сложная в реализации модель (например, модель данного видео, вместо Монте Карло).
4. Что нибудь про нересурсоемкие, но качественные методы Монте Карло (если знаешь).
5. Есть ли смысл и какие подводные камни в применении метода моделирования входящего портфеля при количественной оценке моделей рыночного риска. (Замудренно высказался: моделируем случайный портфель (с учётом лимитной карты), прогоняем его на истории по каждой анализируемой модели, считаем пробои, сравниваем с идеалом. И так несколько тысяч раз. Затем отбираем лучшую модель).
6. Методы оценки рыночного риска портфеля долговых инструментов (без учёта кредитного риска и риска ликвидности. Хотя и про модели оценки этих рисков тоже интересно услышать)
Савва, спасибо ещё раз за познавательное видео) Сохраню, проверю на практике:)
Привет! Огромное спасибо за интерес к видео и такие содержательные вопросы :)
1) Самый простой способ - оценить ВаР, например, в 2018 году на выборке из релевантных портфелей рядом методов и посмотреть, какие из них более точно предугадали убытки в 2019 :)
2) Параметрические ВаРы грубо можно разделить на две группы - либо мы пытаемся установить статистический закон распределения доходностей, либо просто используем модифицированный ВаР, допуская, что моменты распределения выше эксцесса не важны. Для российского рынка я не так давно прогонял данные, и гиперсекант достаточно хорошо его аппроксимировал (страновой индекс MSCI). В целом, перед тем, как применять ВаР на основе какого-либо закона распределения, хорошо бы проверить степень соответствия (пресловутую goodness-of-fit), и для целей ВаР это лучше делать Андерсоном-Дарлингом, потому что нас интересуют в первую очередь хвосты. МВаР не так хорошо себя показывает, потому что он игнорирует высшие моменты и по сути аппроксимирует произвольное распределение методом моментов (хотя во многих случаях можно применить метод максимального правдоподобия). Ещё одна проблема - если доходности подчиняются, например, распределению Коши, то теоретическая дисперсия не определена, и использовать выборочную дисперсию для каких-либо прогнозов бессмысленно, потому что она не несет никакой полезной информации. Я бы сказал, что МВаР нужно использовать, если ни одно из имеющихся теоретических распределений хорошо себя показывает на данных. 3) Вопрос во многом философский, но я скорее склонен ответить "да" :)
4) Методы Монте-Карло, на мой взгляд, очень редко действительно оправданны, потому что часто они просто сводятся либо к выводам, очень похожим на выводы параметрических или исторических симуляций, только путь к этим выводам куда дольше. В принципе, Монте-Карло, как и любые другие численные методы, имеет смысл применять когда модель не имеет решения в закрытой форме (какой-нибудь неберущийся интеграл, например), и тогда действительно проще кинуть в неё тысячи случайных величин и найти среднее.
5) Уже упомянутая бессмысленность выборочных значений статистических моментов, если теоретически они могут быть бесконечными или не определены. В случае исторического вара - насколько на самом деле "история повторяется"? В случае всех моделей вообще - насколько постоянна волатильность (бич всех моделей количественных финансов, на самом деле). В принципе, сейчас вопрос моделирования волатильности во времени решают чаще всего с помощью разных форм GARCH-моделей. Вполне применимо для логики вара.
6) В долгосрочных планах сделать ряд видео по бондам и оценке кредитного риска и риска ликвидности. Если кратко - для кредитного риска можно применять пуассоновские или биномиальные распределения с вероятностями дефолта, оценеными по спредам кредитно-дефолтных свопов, для риска ликвидности моделирование в несколько зачаточном состоянии, по-прежнему используется очень много прокси (достаточно взглянуть на то, что рекомендует Базель), но риск ликвидности актива вполне можно оценить на исторических данных, логика "насколько просядет цена, если мне, как крупному игроку, придется реализовать всю мою позицию".
Ещё раз спасибо, надеюсь, ответить на твои вопросы получилось :)