Università degli Studi di Padova

DIPARTIMENTO DI SCIENZE STATISTICHE

Corso di Laurea in Statistica per l’economia e l’impresa

Tesi di laurea triennale

Confronto tra VaR e Expected Shortfall

Relatore: Candidato:
[Link] Luisa Bisaglia Nicolò Ortolan
Matricola 1124333

Anno Accademico 2018-2019

Ai miei genitori
 Sommario

In questa relazione si vanno a cogliere le principali dierenze tra due misure

di rischio che negli ultimi anni hanno acceso diversi dibattiti tra gli esperti,
ovvero il Value-at-Risk e l'Expected Shortfall. Nella prima parte di questo
lavoro si fa una breve introduzione a quelle che sono le norme che regolano il
mondo nanziario e che gli istituti nanziari sono tenuti a rispettare quando
trattano con il rischio nanziario. Nella seconda parte sono contenute le
proprietà che deve possedere una misura di rischio e vengono denite le due
misure protagoniste in questa tesi. L'ultima parte contiene gli aspetti pratici,
ovvero le modalità di calcolo e alcuni esempi reali che raorzano quanto
sostenuto nella parte teorica dell'elaborato.
4
Indice

1 Normativa 1
1.1 Il Comitato di Basilea . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Basilea 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Basilea 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 I metodi . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2 Il Rating . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.3 Conseguenze . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Basilea 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Gli standard di capitale . . . . . . . . . . . . . . . . . 5
1.4.2 Il capitale di rischio . . . . . . . . . . . . . . . . . . . 6
1.4.3 Copertura dei rischi . . . . . . . . . . . . . . . . . . . 6
1.4.4 Leva Finanziaria . . . . . . . . . . . . . . . . . . . . . 7
1.4.5 Misure anticicliche . . . . . . . . . . . . . . . . . . . . 7
1.4.6 Conseguenze . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Solvency 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Swiss Solvency Test (SST) . . . . . . . . . . . . . . . . . . . . 9

2 Il rischio e le misure di rischio 11

2.1 Tipi di rischio . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Il rischio come variabile casuale: il patrimonio netto futuro . . 12
2.3 Assiomi sugli insiemi di accettazione . . . . . . . . . . . . . . 12
2.4 Proprietà delle misure di rischio . . . . . . . . . . . . . . . . . 14
2.5 Coerenza o non coerenza? . . . . . . . . . . . . . . . . . . . . 16

3 Value-at-Risk e Expected Shortfall 17

3.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 Value-at-Risk . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.1 Denizione del VaR . . . . . . . . . . . . . . . . . . . 18
3.2.2 "Pro e Contro" del VaR . . . . . . . . . . . . . . . . . 20
3.2.3 Perché utilizzare il VaR ? . . . . . . . . . . . . . . . . . 22
3.3 Expected Shortfall . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3.1 Denizione dell'Expected Shortfall . . . . . . . . . . . 23
3.3.2 Problemi di utilizzo . . . . . . . . . . . . . . . . . . . 24

5
6 INDICE

3.4 Valori parametrici di VaR e Expected Shortfall . . . . . . . . 25

3.4.1 VaR . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4.2 Expected Shortfall . . . . . . . . . . . . . . . . . . . . 25

4 Metodologie di calcolo del VaR 29

4.1 Approccio parametrico . . . . . . . . . . . . . . . . . . . . . . 30
4.1.1 Stima della volatilità . . . . . . . . . . . . . . . . . . . 31
4.2 Simulazione storica . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.1 Vantaggi della simulazione storica . . . . . . . . . . . . 34
4.2.2 Limiti della simulazione storica . . . . . . . . . . . . . 34
4.3 Simulazione Monte Carlo . . . . . . . . . . . . . . . . . . . . . 35
4.3.1 Vantaggi della simulazione Monte Carlo . . . . . . . . 35
4.3.2 Limiti della simulazione Monte Carlo . . . . . . . . . . 36

5 Backtesting 37
5.1 VaR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.1.1 Le regole di Basilea . . . . . . . . . . . . . . . . . . . . 39
5.2 Expected Shortfall . . . . . . . . . . . . . . . . . . . . . . . . 40
5.2.1 Elicitabilità . . . . . . . . . . . . . . . . . . . . . . . . 40
5.2.2 Alcune tipologie di backtest . . . . . . . . . . . . . . . 41
5.2.3 Test 1 di Acerbi e Szekely . . . . . . . . . . . . . . . . 41
5.2.4 Test 2 di Acerbi e Szekely . . . . . . . . . . . . . . . . 42
5.2.5 Test di Emmer, Kratz e Tasche . . . . . . . . . . . . . 43

6 Applicazioni pratiche 45
6.1 Scelta di un modello interno . . . . . . . . . . . . . . . . . . . 45
6.1.1 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . 45
6.1.2 Backtesting con metodo parametrico . . . . . . . . . . 46
6.1.3 Backtesting con simulazione storica . . . . . . . . . . . 46
6.1.4 Backtesting con metodo Monte Carlo . . . . . . . . . . 46
6.2 Applicazioni a serie nanziarie reali . . . . . . . . . . . . . . . 46
6.2.1 S&P 500 . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.2.2 Portafoglio composto da 3 titoli azionari . . . . . . . . 52

7 Conclusioni 57
Capitolo 1

Normativa

1.1 Il Comitato di Basilea

Il Comitato di Basilea è un organo consultivo internazionale, istituito nel
1974 dalle banche centrali dei paesi del G10. L'obiettivo che si pone è quello
di denire un sistema di regole per la Vigilanza Bancaria, per garantire
stabilità al sistema nanziario globale. Non avendo però potere legislativo,
il Comitato formula delle proposte con l'intento che queste vengano accolte
dal maggior numero possibile di Stati, così da rendere omogenea la normativa
sulla Vigilanza Bancaria in un sistema nanziario sempre più globalizzato.

1.2 Basilea 1
Nel 1988 il Comitato si accordò sui requisiti patrimoniali minimi delle Banche
per far fronte al rischio di credito e al rischio di mercato. Lo scopo era quello
di limitare la condotta aggressiva di alcuni istituti di credito, liberi di
operare in contesti normativi poco regolamentati.
Il requisito patrimoniale minimo è una quota di capitale destinata a pro-
teggere i depositanti dal rischio che gli attivi bancari (prestiti alla clientela)
subiscano delle perdite, risultando insolventi. Il capitale deve risultare alme-
no pari all'8% dei crediti alla clientela. Inoltre, sono previsti degli sconti
(coecienti di ponderazione) in funzione del tipo di prenditore e in presenza
di garanzie. Quindi più il coeciente di ponderazione è alto e meno garanzie
saranno date dal debitore, nonostante la disponibilità patrimoniale risulti
più alta.
Vi sono però numerosi limiti per quanto riguarda Basilea 1:

ˆ non vi è dierenziazione delle misure di rischio per la stessa tipologia

di clientela;

ˆ non viene considerata la scadenza del prestito;

1
2 CAPITOLO 1. NORMATIVA

ˆ non vengono considerati i cosiddetti rischi operativi;

ˆ non viene considerata la diversicazione del portafoglio come strumen-

to di riduzione del rischio.

Questi limiti pongono le basi per un processo di revisione, che conduce, nel
1999, ad un primo documento di consultazione aperto alle osservazioni dei
singoli paesi, oltre che delle associazioni bancarie e degli studiosi.

1.3 Basilea 2
Nel 2004, il Comitato approva la versione denitiva di un secondo accordo,
entrato poi in vigore nel 2008. Questo nuovo accordo viene presentato come
un'architettura basata su tre pilastri:

ˆ requisiti patrimoniali;

ˆ controllo prudenziale;

ˆ disciplina di mercato.

1° pilastro: requisiti patrimoniali Vengono apportate modiche ai

criteri di calcolo dei requisiti patrimoniali minimi, rimodellando la regola
dell'8% per renderla più sensibile al rischio dei singoli prestiti e introdu-
cendo il rischio operativo. Inoltre, viene consentito l'utilizzo di rating da
parte della banca per la misurazione del rischio di credito. Rimane perciò
invariato il coeciente minimo dell'8%, ma cambiano le regole di calcolo del
coeciente di ponderazione.
Le banche hanno a disposizione tre metodologie per calcolare il rischio
di credito:

ˆ Metodo Standard

ˆ Metodo Internal Rating Based di base (IRB Foundation )

ˆ Metodo Internal Rating Based avanzato (IRB Advanced )

Tutte le metodologie di calcolo sono accumunate dal fondamentale ruolo

delle garanzie (risk mitigants ), le quali permettono di ottenere degli sconti
proprio sul calcolo dei requisiti patrimoniali e sono divise in due categorie. Le
prime sono garanzie personali e vengono emesse da Stati, banche e società con
alto rating. Le seconde sono garanzie reali che comprendono, invece, due tipi
di approcci, quello semplice (contanti, oro, azioni, obbligazioni qualicate,
fondi), e quello integrale (anche altre azioni quotate).
1.3. BASILEA 2 3

2° pilastro: controllo prudenziale Le Autorità di Vigilanza ottengono

maggiori poteri di controllo, che dovranno sfruttare per vericare sia i requi-
siti minimi sia l'applicazione di politiche e procedure organizzative da parte
degli istituti di credito, atte a misurare e governare i propri rischi.

3° pilastro: disciplina di mercato Gli istituti di credito sono ora ob-

bligati a fornire maggiori informazioni al mercato, così che gli investitori
pubblici possano vericare, in maniera chiara e trasparente, le condizioni
di rischio e di patrimonializzazione delle singole banche. Gli istituti troppo
rischiosi saranno penalizzati da tassi più alti e rischieranno di non essere
nanziati dal mercato.

1.3.1 I metodi
Il metodo Standard non è altro che una versione aggiornata della metodologia
prevista da Basilea 1. La valutazione delle imprese adate o da adare sarà
eettuata da agenzie di rating esterne, autorizzate dall'Autorità di Vigilanza.
In base al rating attribuito, verrà utilizzata una ponderazione diversa per il
calcolo della riserva di capitale. La formula è:

(nanziamento) · (coeciente di ponderazione) · (8%) = riserva

Se un'impresa è priva di rating, la ponderazione utilizzata sarà la stessa

prevista da Basilea 1, ovvero 100%, il che non comporta modiche sostanziali
tra il nuovo e l'attuale schema di vigilanza.
Nel caso di prestiti scaduti da almeno 90 giorni (in Italia 180), la pon-
derazione viene alzata al 150% poiché il ritardo viene considerato come
sintomatico di possibili dicoltà del debitore.
Le imprese vengono segmentate nel mercato in base al proprio fatturato
e se ne possono distinguere tre tipologie: corporate, sme corporate e retail.
Per quest'ultima particolare classe, che racchiude in sé i privati e le piccole
imprese (fatturato inferiore a 5 milioni e prestiti non superiori a 1 milione),
in funzione dell'importo modesto e dell'adeguata diversicazione del rischio,
è prevista l'applicazione di un coeciente di ponderazione sso del 75%.
Mentre le banche più piccole potranno fare riferimento a  rating ester-
ni, le banche maggiori potranno invece costruirsi i propri rating, rispettando
ovviamente regole organizzative e metodologiche rigorose. Come illustrato
in G. De Laurentis (2011), il metodo IRB prevede due metodi alternativi:

ˆ metodo di base (Foundation ): ideato per banche con ridotta esperienza

nel rating ;

ˆ metodo avanzato (Advanced ): ideato per banche che avranno svilup-

pato strumenti di controllo di credito ranati ed adabili vericati
dalle Autorità.
4 CAPITOLO 1. NORMATIVA

Entrambe le metodologie prevedono quattro componenti per il calcolo del

rischio di credito, le quali determinano le possibili perdite future di un
prestito:

ˆ Probability of Default : probabilità che il cliente sia insolvente, misurata

dal rating

ˆ Loss Given Default : perdita di credito che, in caso di default, non è

possibile recuperare

ˆ Exposure at Default : rischio di aumento nell'importo prestato

ˆ Maturity : durata dell'operazione che inuenza il rischio che il rating

possa peggiorare

Il requisito patrimoniale sarà calcolato a partire da queste quattro compo-

nenti. In particolare, il metodo avanzato stima tutte le componenti, mentre
il metodo base solo la Probability of Default.

1.3.2 Il Rating
Il rating viene determinato da una procedura di calcolo oggettiva e non
arbitraria, capace di tener conto di casi particolari non catturabili dai modelli
automatici. Per fare ciò è necessaria la presenza di informazioni sulle banche
sotto forma di dati, suddivisi in qualitativi e quantitativi.
I dati qualitativi comprendono tutte le informazioni riguardanti la ca-
pacità dell'azienda di adottare scelte strategiche coerenti con l'evoluzione
dell'ambiente esterno e del settore di riferimento, l'assetto proprietario, la
professionalità del management, la certicazione dei processi produttivi e la
velocità d'innovazione. Fanno parte dei dati qualitativi anche le informazioni
sull'andamento dell'impresa e del mercato.
I dati quantitativi raccolgono le informazioni di carattere economico-
nanziario reperibili dai bilanci e nei documenti contabili delle imprese, e
servono a determinare la capacità dell'impresa di generare nel tempo ussi
di cassa positivi, mantenendo un'equilibrata struttura patrimoniale e nan-
ziaria con livelli di redditività soddisfacenti.
Il risultato sarà un voto numerico, che corrisponderà alla probabilità di
insolvenza dell'impresa, e viene associato alla previsione della sua evoluzione
nel tempo.

1.3.3 Conseguenze
Gli istituti di credito devono impegnare del capitale a fronte dei rischi connes-
si alla loro attività, i quali dipenderanno anche dal rischio di credito relativo
alle imprese adate. Questo comporta la richiesta da parte delle banche alle
1.4. BASILEA 3 5

imprese di ridurre il rischio nanziario per migliorare il rating, così da avere

minor capitale di rischio impegnato a fronte dei prestiti alla clientela.
Il minor capitale impegnato consente alle banche di utilizzarlo per altri
impieghi e sfruttare delle opportunità di investimento. In caso contrario, la
mancanza di opportunità comporta un aumento dei tassi per le aziende più
rischiose.
Basilea 2 implica che i costi di nanziamento per un'impresa siano sem-
pre più connessi al rating dei prenditori di denaro. Di conseguenza, il con-
tenimento dei costi nanziari richiede necessariamente un incremento della
patrimonializzazione e quindi un miglioramento del rating aziendale.

1.4 Basilea 3
In seguito alla crisi nanziaria del 2008, viene pubblicato un insieme di nuove
regole relative alla vigilanza bancaria, col nome di Basilea 3, poi approvate
nel settembre 2010 dal G20. Queste nuove regole entrano in vigore nel 2013,
dopo un'ampia consultazione con l'industria bancaria e inserendo un periodo
transitorio che terminerà nel 2019, così da favorire un graduale adattamen-
to delle strategie operative delle banche ed evitare ricadute sulla ripresa
economica.
L'obbiettivo della riforma è quello di prevenire l'eccessiva assunzione di
rischi da parte degli operatori, rendere più solido il sistema nanziario e
creare un ambiente più uniforme.
Le misure previste da Basilea 3 sono le seguenti:

ˆ introduzione di standard minimi di liquidità;

ˆ denizione di capitale regolamentare in concomitanza alla ssazione di

requisiti patrimoniali più elevati;

ˆ migliore copertura dei rischi di mercato e di controparte;

ˆ contenimento del livello di leva nanziaria;

ˆ misure anticicliche per ridurre la prociclicità delle regole prudenziali.

1.4.1 Gli standard di capitale

1° regola: Liquidity Coverage Ratio
Attività liquide di elevata qualità
≥ 100%
Deussi di cassa totali netti in 30gg

Tale criterio è stato elaborato per aumentare la resilienza a breve termine

del prolo di rischio di liquidità delle banche, assicurando che dispongano
di sucienti Attività Liquide di Elevata Qualità per superare una fase di
accentuato deusso di fondi della durata di 30 giorni, senza dover ricorrere
al mercato o a rinanziamenti.
6 CAPITOLO 1. NORMATIVA

2° regola: Net Stable Funding Ratio

Provvista stabile disponibile (Fonti)
≥ 100%
Provvista stabile richiesta (Impieghi)

Tale indicatore è generalmente calibrato in base a due ipotesi. La prima è

che le passività a lungo termine siano più stabili di quelle a breve termine. La
seconda è che i depositi a breve termine (scadenza inferiore all'anno) collocati
al dettaglio dalla clientela e la provvista fornita dalla clientela di piccole
imprese si comportino in maniera più stabile della provvista all'ingrosso di
pari scadenza, fornita da altre controparti.

1.4.2 Il capitale di rischio

Dalla denizione del sito della Borsa Italiana, il capitale di rischio è la por-
zione del capitale di un'impresa apportata a titolo di capitale proprio dal-
l'imprenditore (o dai soci nel caso di società). Esso è rappresentativo della
partecipazione al progetto imprenditoriale ed è pienamente soggetto al ri-
schio d'impresa. Per tale motivo al capitale di rischio non è associata una
remunerazione minima. La remunerazione del capitale di rischio (ad esempio
delle azioni) dipende dal risultato di gestione raggiunto, mentre le obbligazio-
ni danno diritto al rimborso del capitale e alla corresponsione di un interesse
indipendentemente dal risultato di gestione dell'impresa. Inoltre, in caso di
perdite rilevanti dell'impresa con conseguente avvio della procedura di li-
quidazione, prima si procede al rimborso dei creditori (gli obbligazionisti) e
poi, con i mezzi residui, si rimborsano i titolari del capitale di rischio (gli
azionisti).
È essenziale che le banche detengano una base patrimoniale di elevata
qualità a fronte delle proprie esposizioni al rischio. Livelli di capitale adeguati
e di migliore qualità aumentano la capacità delle banche di far fronte alle
perdite, e garantiscono che gli intermediari siano in grado di sfruttare le
opportunità di crescita e di sostenere famiglie e imprese.
Vengono quindi richiesti requisiti più rigorosi in termini di strumenti di
elevata qualità patrimoniale, mentre il requisito di capitale totale rimane
invariato all'8% delle attività ponderate per il rischio.

1.4.3 Copertura dei rischi

Il Comitato di Basilea ha proposto delle modiche ai requisiti patrimoniali,
per aumentarne la capacità di catturare i rischi di mercato e di contropar-
te, in modo da evitare una sottostima dei rischi che si corrono quando si
trasformano dei crediti in strumenti nanziari complessi e nelle attività di
trading.
Le nuove regole prevedono quindi che il Value-at-Risk e le correlazioni
tra attività siano calcolati tenendo conto di condizioni di stress.
1.5. SOLVENCY 2 7

1.4.4 Leva Finanziaria

Come illustrato e dimostrato in Brealey, Myers e Allen (2006), l'indice di
leva nanziaria è un componente del teorema di Modigliani-Miller. L'inno-
vazione da parte del Comitato di Basilea di questo indice ha come obiettivo
quello di contenere il grado di rischio nel settore bancario, contribuendo
quindi a ridurre il rischio di processi di deleveraging destabilizzanti per il
sistema nanziario e per l'economia. Inoltre vi è stata l'introduzione di pre-
sidi aggiuntivi a fronte del rischio di modello e degli errori di misurazione,
integrando i coecienti basati sul rischio.

1.4.5 Misure anticicliche

Il Comitato di Basilea introduce delle misure con lo scopo di raorzare la
solidità delle banche di fronte a comportamenti prociclici degli operatori.
Queste aiuteranno ad assicurare che il settore bancario assorba gli shock
anziché trasmettere il rischio al sistema nanziario e, più in generale, all'eco-
nomia. Viene previsto che le banche siano dotate di un cuscinetto di capitale
al di sopra dei minimi regolamentari, e si introduce un meccanismo atto a
garantire che le banche accumulino risorse patrimoniali nelle fasi di crescita
eccessiva del credito complessivo.

1.4.6 Conseguenze
Secondo Basilea 3, tutte le operazioni compiute da una banca comportano
dei rischi, e quindi delle possibili perdite. Più è alto il rischio, più alte
potrebbero risultare le perdite e maggiore è la quantità di capitale che la
banca deve risparmiare per fa fronte alle emergenze.
Le nuove disposizioni aumentano in percentuale il capitale da risparmiare
per avere una certa sicurezza. Gli istituti di credito subiranno perciò un
aumento dei costi, che inne ricadrà sui clienti, aumentando le commissioni
sui prestiti bancari.
Le aziende saranno esaminate con più attenzione prima di ricevere denaro
dalle banche. Le valutazioni del rating delle imprese saranno sempre più
puntuali e determineranno la quantità di denaro da prestare, oltre che ai
costi e alle condizioni.

1.5 Solvency 2
Solvency 2 (ucialmente Direttiva 2009/138/CE) è una direttiva dell'Unione
Europea che ha lo scopo di estendere la normativa di Basilea 2 al settore
assicurativo. Basilea 2 è infatti una normativa pensata solo per il settore
bancario.
8 CAPITOLO 1. NORMATIVA

Nel novembre 2003 la Commissione Europea istituisce un comitato per-

manente con l'incarico di redigere un quadro di legge per la gestione del
rischio nel settore assicurativo, ovvero il CEIOPS (Committee of European
Insurance and Occupational Pensions Supervisors).

Nel 2005, il CEIOPS incarica l'IAA (International Actuarial Associa-

tion ), un'associazione internazionale che si occupa di standardizzazione delle
contabilità aziendali interne e civilistiche, di redigere un elenco non esaustivo
dei rischi propri del settore assicurativo non coperti da Basilea 2.

Anche Solvency 2 si basa su tre pilastri.

1° Pilastro - Requisiti nanziari minimi e copertura dei rischi Ba-

silea 2 prevede la copertura di tre tipi di rischio (interni al pilastro 1): rischio
di credito, rischio di mercato e rischio operativo. Durante il processo di revi-
sione del secondo pilastro, Basilea 2 raccomanda di garantire una copertura
per tutti i rischi non compresi nei tre del primo pilastro, e assegna alle autori-
tà nazionali piena discrezionalità per ssare i requisiti patrimoniali aggiuntivi
necessari.

C'è però da sottolineare che le autorità non hanno l'obbligo di ssare

i requisiti aggiuntivi e le aziende che seguono un modello multinazionale
possono utilizzare i gap legislativi per porre la sede legale nel Paese in cui
l'autorità ha requisiti patrimoniali meno stringenti e favorevoli. Ciò avviene
anche perché non esiste un elenco esaustivo nel quale questi rischi vengono
scomposti e deniti.

Solvency 2 ha come scopo l'estensione dei rischi del pilastro 1 a tutti quelli
tipici del settore assicurativo, oltre che ad accordare i requisiti patrimoniali
per la loro copertura. Ciò pone Solvency 2 come un ampliamento di Basilea
2, anche per i metodi di calcolo di tali rischi.

All'interno del pilastro 1, Solvency 2 pone un limite superiore ai requisiti

patrimoniali, ovvero una percentuale di riserve oltre il quale l'azienda è ri-
parata dagli interventi dell'autorità. Le riserve variano quindi tra un limite
inferiore, il Minimum Capital Requirement (MCR) e un limite superiore, il
Solvency Capital Requirement (SCR).
Entrambi i limiti sono calcolati come valore aggregato per tutti i rami di
un'assicurazione, tramite una formula standard o un modello progettato dal-
l'assicurazione, in possesso di determinati requisiti qualitativi e quantitativi
richiesti dall'autorità.

Solvency 2 intende incentivare ogni assicurazione ad adottare un modello

interno, consentendo di scegliere i coecienti di correlazione fra i rami assi-
curativi e fra i rischi, mentre richiede dei requisiti patrimoniali maggiori per
chi adotta la formula standard.

Finché il modello non è approvato dall'autorità, l'assicurazione deve

calcolare MCR ed SCR con la formula standard.
1.6. SWISS SOLVENCY TEST (SST) 9

Oltre a quello base, i metodi di calcolo previsti sono due: il metodo stan-
dardizzato con percentuali sse per linea di business e il metodo avanzato.
Le linee di business più comuni nel settore assicurativo sono: polizze, aari
nanziari e pensioni occupazionali.

2° Pilastro  Governance e risk management Il secondo pilastro pre-

vede la necessità di un corretto sistema interno e integrato di Risk Mana-
gement per valutare se la compagnia assicurativa sia in grado di far fronte
ai rischi assunti e valutarne l'esposizione globale. Inoltre, denisce le regole
per l'esercizio del controllo da parte delle autorità di vigilanza.

3° Pilastro  Regole di trasparenza per il raorzamento del mercato

All'interno di questo pilastro, il CEIOPS ha previsto due canali informativi
distinti: uno privato con l'autorità e uno pubblico con il mercato. In que-
sto modo si tiene conto delle diverse esigenze informative relative ai diversi
stakeholder tutelati (sottoscrittori di polizze e azionisti). Inoltre, questa di-
stinzione regola l'impatto ingiusticato sul prezzo dell'azione, a causa della
diusione di notizie come un aumento dei requisiti patrimoniali, sinonimo di
un rischio sottostimato. La comunicazione di informazioni price-sensitive è
un diritto del mercato, che va però bilanciato tenendo conto delle possibili
errate interpretazioni dei dati tecnici.
L'informativa societaria tiene conto dei principi di materialità e propor-
zionalità dell'informazione. I dati devono essere accessibili, certi, pubblica-
ti nel periodo di tempo al quale si riferisce l'informazione, aggiornati con
periodicità e confrontabili nel tempo.

1.6 Swiss Solvency Test (SST)

Il test svizzero di solvibilità rileva la situazione economica di rischio delle
imprese di assicurazione. Questo strumento di vigilanza mira a garantire che
le imprese di assicurazione siano in grado di erogare in modo permanente le
prestazioni concordate.
L'autorità di vigilanza svizzera non tutela individualmente le singole per-
sone assicurate, bensì l'intera comunità di assicurati. Mette in atto questa
protezione collettiva garantendo che le imprese di assicurazione dispongano
di mezzi nanziari sucienti e pertanto siano in grado di onorare i propri
impegni di pagamento a lungo termine. Solo così gli assicurati possono far
fronte ai propri impegni.
Lo Swiss Solvency Test stabilisce il capitale proprio economico minimo
di cui un assicuratore deve disporre ed è ssato in ragione dei rischi assunti
dall'assicuratore. In una prima fase l'assicuratore denisce il proprio capitale
disponibile, e a tal ne, a ogni voce degli attivi e dei passivi di bilancio viene
assegnato un valore. In una seconda fase si valuta se l'assicuratore dispone di
10 CAPITOLO 1. NORMATIVA

capitale suciente a far fronte ai propri impegni, anche in scenari sfavorevoli.

L'assicuratore deve, inoltre, essere a conoscenza dei rischi a cui è esposto il
suo bilancio e di come essi possano incidere sul capitale disponibile nella
peggiore delle ipotesi.
La FINMA stabilisce le esigenze di capitale in modo tale che l'assicu-
ratore non si trovi in dicoltà patrimoniali neppure nel caso di eventi che
avvengono ogni cento anni. Il capitale così calcolato è denominato capitale
previsto. Il test tiene conto di tutti i principali rischi di mercato, di credito
e di assicurazione.
Per la misurazione dei rischi, le imprese di assicurazione utilizzano un mo-
dello standard prescritto dalla FINMA. Se la situazione di rischio specica
di un'impresa assicurativa è tale da non poter essere rappresentata adegua-
tamente con il modello standard, l'impresa di assicurazione deve creare un
proprio modello interno, il quale deve soddisfare i criteri del test e, per poter
essere utilizzato, deve essere stato approvato dalla FINMA.
Lo Swiss Solvency Test è basato su tre principi:

1) Per fare in modo che il bilancio dell'impresa di assicurazioni rispecchi

la realtà economica, gli strumenti nanziari con un prezzo di mercato
sono iscritti a bilancio al prezzo di mercato, mentre le posizioni senza
prezzo di mercato vengono valutate tramite modelli che si orientano ai
prezzi di mercato.

2) Nel calcolo del capitale previsto si tiene conto dei rischi di mercato, di
credito e di assicurazione.

3) Non sono ammesse posizioni fuori bilancio. Si tiene conto dell'intera-

zione dei rischi sulla pagina degli attivi e dei passivi del bilancio.

Anche grazie al primo principio, il test contribuisce a individuare anticipa-

tamente eventuali dicoltà nanziarie delle imprese di assicurazione. Varia-
zioni dei tassi d'interesse o dei corsi azionari si rispecchiano immediatamente
nel capitale disponibile, ed è per questo che una valida gestione dei rischi con
salvaguardia o trasferimento dei rischi può proteggere il capitale disponibile
da movimenti dei mercati nanziari. Nel caso estremo in cui il capitale dispo-
nibile risulti inferiore al capitale previsto, la FINMA esige che l'impresa di
assicurazione adotti misure per ricostituire una suciente capitalizzazione.
Gli altri due principi permettono di fornire un quadro attendibile della
situazione di rischio dell'impresa assicurativa e la induce pertanto a gestire
i rischi in base a principi economici.
Capitolo 2

Il rischio e le misure di rischio

2.1 Tipi di rischio

Il Comitato di Basilea individua due tipi di rischio nanziario all'interno dei
suoi accordi: il rischio di credito e il rischio di mercato. Il Prof. Arlotta
(2011) li descrive come quei rischi che vengono percepiti in modo più diretto
dalle imprese, ai quali, con Basilea 2, sono state attribuite una maggiore
attenzione e una crescente sensibilità.

ˆ Rischio di credito: è il rischio di incorrere in perdite a causa dell'ina-

dempienza o dell'insolvenza della controparte.

ˆ Rischio di mercato: è legato ad oscillazioni del valore di attività/passività

a seguito di variazioni delle condizioni di mercato.

La trasformazione del contesto in cui operano le banche e la modica

delle attività da loro svolte hanno incrementato l'attenzione alla gestione
integrata dei rischi bancari. Tre fenomeni, collegati fra essi, hanno portato
alla situazione attuale.
Il primo riguarda l'incremento della volatilità dei mercati nanziari, in
particolar modo evidenziata dall'integrazione tra gli stessi. Questo incre-
mento ha posto in evidenza la rilevanza dei rischi assunti dalle banche nelle
attività di trasformazione delle scadenze dal passivo all'attivo, ed ha inoltre
generato una nuova domanda di strumenti dedicati alla copertura del rischio
da parte degli investitori, portando allo sviluppo di nuovi tipi di attività per
le banche.
Il secondo riguarda l'aumento della concorrenza nell'attività di interme-
diazione creditizia, a causa di un più frequente accesso diretto al mercato
dei capitali da parte di soggetti nanziatori e soggetti nanziati. Il risultato
è stata una riduzione dei margini di protto derivanti da prestiti e depositi
bancari che ha indotto gli intermediari ad incrementare i rischi assunti nelle
attività bancarie e l'esposizione al rischio di mercato.

11
12 CAPITOLO 2. IL RISCHIO E LE MISURE DI RISCHIO

Il terzo, causa diretta del secondo, riguarda il cambio di atteggiamento

delle autorità di vigilanza, sia per quanto concerne gli obbiettivi che per
quanto concerne gli strumenti utilizzati, passando da strumenti di vigilanza
strutturale a strumenti di vigilanza prudenziale.

2.2 Il rischio come variabile casuale: il patrimonio

netto futuro
Artzner, Delbaen, Eber e Heath (1999) introducono il rischio collegandolo
alla variabilità del valore futuro di una posizione, dovuto ai cambiamenti di
mercato o più generalmente ad eventi incerti.
Gli oggetti che vengono considerati sono le variabili casuali sull'insieme
degli stati di natura ad una data futura, interpretate come possibili valori
futuri di posizioni o di portafogli detenuti attualmente. Una prima misu-
razione del rischio di una posizione sarà quella di vericare se il suo valore
futuro appartiene o meno al sottoinsieme dei rischi accettabili, decisione che
spetta ad un'autorità di vigilanza.
Per un rischio non accettabile, modicare la posizione può essere un
rimedio. Oppure si può cercare degli strumenti comunemente accettati che,
in aggiunta alla posizione attuale, rendono il suo valore futuro accettabile
per l'autorità. Il costo attuale per ottenere uno o più di questi strumenti
in numero suciente è un buon candidato per una misura di rischio della
posizione inizialmente non accettabile.
Consideriamo un solo periodo di incertezza tra due date 0 e T. Le varie
valute sono numerate da i, con 1≤i≤I e, per ciascuna di esse, è dato uno
strumento di riferimento che riporta un'unità della valuta i nella data 0 in
ri unità della valuta i nella data T. Semplici strumenti possono essere delle
obbligazioni senza cedola con scadenza in data T.
Dal punto di vista di un investitore, il quale considera un portafoglio di
titoli in varie valute, i tassi di cambio alla data 0 sono supposti uguali a
1, mentre ei denota il numero casuale di unità di valuta 1 che un'unità di
valuta i acquista in data T . Il portafoglio iniziale dell'investitore consiste in
posizioni Ai , con 1 ≤ i ≤ I . La posizione Ai fornisce Ai (T ) unità di valuta
i in data T.
Deniamo allora il rischio come il patrimonio netto futuro dell'investi-
PI
tore ottenuto come i=1 ei · Ai (T ).

2.3 Assiomi sugli insiemi di accettazione

Supponiamo che l'insieme di tutti i possibili stati del mondo alla ne del
periodo sia noto, mentre potrebbero essere sconosciute le probabilità dei
vari stati. Nel caso di rischio di mercato, lo stato del mondo potrebbe essere
descritto da un elenco (assunto noto) dei prezzi di tutti i titoli e di tutti i
2.3. ASSIOMI SUGLI INSIEMI DI ACCETTAZIONE 13

tassi di cambio. Assumiamo inoltre che i mercati alla data T siano liquidi,
così da consentire l'utilizzo di modelli meno complessi.
Riporto la notazione che viene utilizzata nel seguito da Artzner, Delbaen,
Eber e Heath (1999).

(a) Chiamiamo Ω l'insieme nito degli stati di natura. Se consideriamo Ω

come l'insieme degli esiti di un esperimento, si potrà calcolare il patri-
monio netto nale di una posizione per ogni elemento di Ω, variabile
casuale denotata da X. La sua parte negativa, max(−X, 0), è denotata
da X− e il suo estremo superiore è denotato da k X − k. La funzione
indicatrice dello stato ω è denotato da 1{ω} .
(b) Sia G l'insieme di tutti i rischi, che è l'insieme di tutte le funzioni con
valori reali in Ω e può essere identicato da Rn , dove n = card(Ω). Il
sottoinsieme degli elementi non negativi di G può essere denotato da
L+ , mentre quello degli elementi negativi da L− .

(c) Chiamiamo Ai,j , con j ∈ Ji , un insieme di patrimoni netti nali,

espressi in valuta i, e accettati dal regolatore j nella regione i.
T
(d) Possiamo denotare con Ai l'intersezione j∈Ji Ai,j e quindi utilizzare
la notazione generica A negli assiomi che seguono.

I primi due assiomi indicano che un patrimonio netto nale che è sempre
non negativo non richiede capitale extra, mentre un patrimonio netto che è
sempre negativo (strettamente) lo richiede.

Assioma 2.1. L'insieme di accettazione A contiene L− .

Assioma 2.2. L'insieme di accettazione A non interseca l'insieme L−− dove

L−− = {X | per ogni ω ∈ Ω, X(ω) < 0}

Si può inoltre considerare un assioma più forte:

Assioma 2.3. L'insieme di accettazione A è tale che A ∩ L− = {0}.

Il prossimo assioma riette l'avversione al rischio del regolatore, del

direttore di borsa o del supervisore della sala di trading.

Assioma 2.4. L'insieme di accettazione A è convesso.

Un requisito meno naturale nell'insieme di patrimoni netti nali accetta-

bili è:

Assioma 2.5. L'insieme di accettazione A è un sottoinsieme positivamente

omogeneo.
14 CAPITOLO 2. IL RISCHIO E LE MISURE DI RISCHIO

2.4 Proprietà delle misure di rischio

Gli insiemi dei patrimoni netti futuri accettabili sono gli oggetti primari da
considerare per descrivere l'accettazione o il riuto di un rischio. Attraver-
so degli strumenti di riferimento è possibile denire una misura di rischio
descrivendo quanto una posizione sia vicina o lontana dall'accettazione.

Denizione 2.1. Una misura di rischio è una mappatura da G a R.

Quando è positivo, il numero ρ(X) assegnato dalla misura ρ al rischio X

è interpretato come il contante extra minimo che l'agente deve aggiungere
alla posizione rischiosa X ed investire prudentemente, cioè nello strumento
di riferimento, per procedere con i propri piani. Se invece è negativo, l'am-
montare di contante −ρ(X) può essere ritirato dalla posizione, o ricevuto a
titolo di restituzione. Deniamo la corrispondenza tra insiemi di accettazione
e misure di rischio.

Denizione 2.2. Dato il tasso totale di rendimento r su uno strumento di

riferimento, la misura di rischio associata ad un insieme di accettazione A è
la mappatura da G a R denotata da ρA,r e denita così

ρA,r (X) = inf{m | m · r + X ∈ A}

Denizione 2.3. L'insieme di accettazione associato ad una misura di ri-

schio ρ è l'insieme denotato da Aρ e denito così

Aρ = {X ∈ G | ρ(X) ≤ 0}

Andiamo ora a considerare diverse possibili proprietà per una misura di

rischio ρ denita su G.
Il primo requisito garantisce che la misura di rischio sia indicata nelle
stesse unità del patrimonio netto nale. Questo particolare insieme è model-
lato in tal modo da avere 1 come prezzo iniziale e un prezzo r strettamente
positivo in ogni stato di natura in data T. Sarà responsabilità del regolatore
accettare per r possibili valori casuali come anche per valori inferiori a 1.
Vediamo ora quali sono le proprietà individuate da Artzner, Delbaen,
Eber e Heath (1999) per una misura di rischio.
La prima proprietà dice che aggiungendo (sottraendo) l'importo iniziale
certo α alla posizione iniziale e investendo nello strumento di riferimento,
semplicemente la misura di rischio diminuisce (aumenta) del valore α.

Proprietà 1 (Invarianza in traslazione). Per qualsiasi X∈G e qualsiasi

numero reale α, si ottiene

ρ(X + α · r) = ρ(X) − α
2.4. PROPRIETÀ DELLE MISURE DI RISCHIO 15

Questo signica che disporre di denaro contante riduce il rischio dello

stesso importo. Ciò deriva dalla denizione di misura di rischio come capitale
di riserva necessario per mantenere un certo livello di rischio. Disporre di
denaro contante uguale al rischio sostenuto da un portafoglio α = ρ(X) rende
nullo il rischio totale.

Proprietà 2 (Subadditività). Per qualsiasi X1 e X2 ∈ G ,

ρ(X1 + X2 ) ≤ ρ(X1 ) + ρ(X2 )

La combinazione di due portafogli non dovrebbe mai avere un rischio

maggiore della somma del rischio dei due portafogli presi singolarmente.

Proprietà 3 (Omogeneità positiva). Per qualsiasi λ ≥ 0 e qualsiasi

X ∈ G,
ρ(λX) = λρ(X)

In altre parole, raddoppiare il capitale signica raddoppiare il rischio.

Proprietà 4 (Monotonicità). Per qualsiasi X e Y ∈ G con X ≤ Y,

abbiamo che
ρ(Y ) ≤ ρ(X)

Questo signica che se sappiamo che il valore di un portafoglio sarà sem-

pre maggiore del valore di un altro portafoglio, allora il portafoglio con il
valore garantito più alto sarà sempre meno rischioso.

Proprietà 5 (Rilevanza). Per qualsiasi X ∈ G con X ≤ 0 e X 6= 0,

abbiamo che
ρ(X) > 0

Proprietà 6 (Convessità). Per qualsiasi X1 e X2 ∈ G e qualsiasi λ ≥ 0,

ρ(λX1 + (1 − λ)X2 ) ≤ λρ(X1 ) + (1 − λ)ρ(X2 )

Essenzialmente, ciò signica che la diversicazione e l'investimento in at-

tività diverse non dovrebbe mai aumentare il rischio, ma potrebbe ridurlo.

Diamo di seguito la denizione di misura di rischio coerente.

Denizione 2.4 (Coerenza). Una misura di rischio che soddisfa le pro-

prietà di invarianza in traslazione, subadditività, omogeneità positiva e mo-
notonicità è detta coerente.

Inoltre, le proprietà di convessità e omogeneità positiva insieme implicano

la proprietà di subadditività.
16 CAPITOLO 2. IL RISCHIO E LE MISURE DI RISCHIO

2.5 Coerenza o non coerenza?

Per molti anni il concetto di coerenza non è stato ritenuto una proprietà
fondamentale per una misura di rischio, ritenendola una proprietà presente
solo in un mondo ideale. L'introduzione degli assiomi è stato un passo ne-
cessario per rappresentare una realtà complessa attraverso una formulazione
matematica. Gli assiomi di coerenza assimilano tutte quelle caratteristiche
che individuano una misura di rischio all'interno della classe di statistiche
che regolano le dinamiche di un portafoglio.
L'assioma di subadditività verica se la misurazione del rischio di un por-
tafoglio è coerente con quello dei singoli portafogli di cui si compone. Questa
proprietà è inoltre necessaria per i requisiti di adeguatezza patrimoniale nella
vigilanza bancaria. Si pensi ad esempio ad una banca composta da diverse
liali, che deve essere certa che il capitale complessivo sia adeguato in base
al requisito patrimoniale richiesto dalle liali ed in proporzione al proprio ri-
schio. Nel caso in cui l'assioma non sia rispettato, il rischio dell'intera banca
potrebbe rivelarsi molto più elevato della somma dei rischi parziali.
La subadditività è anche una proprietà essenziale nei problemi di otti-
mizzazione del portafoglio. Essa è legata alla convessità della supercie di
rischio che deve essere minimizzata nello spazio dei portafogli. Solo le super-
ci convesse saranno sempre dotate di un punto di minimo assoluto globale,
pertanto il processo di minimizzazione del rischio avrà sempre una soluzione
ottimale unica e ben diversicata.
Capitolo 3

Value-at-Risk e Expected
Shortfall

3.1 Introduzione
Il Value-at-Risk (VaR ) nel tempo è diventato una misura standard per la
gestione del rischio nanziario. Ciò è dovuto alle sue caratteristiche che
lo rendono uno strumento semplice da usare, data la facilità di calcolo e
l'immediata applicabilità. Inoltre, il VaR è molto facile da validare o da
sottoporre a backtest, nel senso che, dopo aver subito una serie di perdite,
è possibile tornare indietro e confrontare il rischio previsto con il rischio
eettivo.

Il VaR misura una perdita che in un periodo di tempo considerato non

supererà una certa soglia ad un livello di condenza ssato. Se stimiamo che
il VaR al 99% di un giorno per una banca è di 10 milioni, siamo sicuri al
99% che entro il giorno successivo la banca non perderà più di 10 milioni.
Possiamo però aspettarci che un giorno su 100 la banca subirà perdite supe-
riori a questo valore. Se scopriamo però che nei 100 giorni passati la banca
ha subito una serie di perdite superiori a 10 milioni, allora c'è qualcosa di
sbagliato nella stima del VaR.

Nell'attuale quadro normativo del Comitato di Basilea, le banche sono

tenute a riferire il proprio VaR al 99% su base giornaliera. I valori riferiti
specicano l'ammontare di capitale richiesto per mantenere un certo livello
di rischio nella banca, ovvero il requisito patrimoniale. Per assicurare che le
stime del VaR fornite dalle banche siano riportate correttamente, i valori so-
no sottoposti a backtest rispetto alle perdite che si sono realizzate, contando
il numero di volte in cui le perdite di una banca hanno superato la soglia
del VaR nell'ultimo anno. Se questo numero è troppo elevato, la banca sarà
costretta ad aumentare il proprio requisito patrimoniale.

17
18 CAPITOLO 3. VALUE-AT-RISK E EXPECTED SHORTFALL

D'altro canto, il VaR presenta però alcuni problemi concettuali. In Ar-

tzner, Delbaen, Eber e Heath (1997) e (1999) sono evidenziate le seguenti
lacune:

ˆ non specica di quanto una perdita superi la soglia, ovvero non tiene
conto delle perdite che superano un certo valore (problema del rischio
di coda);

ˆ non è una misura di rischio coerente poichè non soddisfa la proprietà

di subadditività.

Per spiegare il concetto di misura di rischio si fa adamento agli assiomi

descritti in precedenza e che caratterizzano le proprietà che una determinata
misura deve possedere. Grazie a questi assiomi la gestione del rischio diventa
improvvisamente una scienza con le proprie regole, all'interno della quale il
VaR non viene riconosciuto come misura di rischio.
L'incapacità di catturare il rischio di coda e la mancanza di subadditivi-
tà ha portato all'adozione di un'altra misura di rischio, chiamata Expected
Shortfall. In breve, l'Expected Shortfall misura la perdita attesa nella coda
della distribuzione, ovvero la perdita attesa nei giorni in cui la perdita supera
la soglia del VaR. Poiché questa misura di rischio tiene in considerazione ciò
che succede nella coda della distribuzione è in grado di catturare ecace-
mente il rischio di coda. Inoltre, l'Expected Shortfall è una misura di rischio
che soddisfa la proprietà di subadditività.

3.2 Value-at-Risk
3.2.1 Denizione del VaR
Sia V0 il valore di un portafoglio oggi e V1 il valore del portafoglio il giorno
dopo. Inoltre sia R0 il rendimento percentuale di un attività priva di rischio.
Solitamente si utilizza il VaR con un livello del 99%, ovvero viene cacolata
una perdita che non verrà superata con una condenza del 99%. In termini
matematici il VaR al 99% si riferisce alla perdita peggiore nell'1% dei casi
della distribuzione dei rendimenti. Pertanto denotiamo il VaR al 99% come
VaR1% e diciamo che in questo caso α = 0.01. Wimmerstedt (2015) denisce
il VaR di un portafoglio con patrimonio netto nale X = V1 − V0 R0 ad un
livello α come segue:

Denizione 3.1 (Value-at-Risk) . Dato α ∈ (0, 1) e un'attività priva di

rischio con rendimeto percentuale R0 , il Value-at-Risk al livello α del patri-
monio netto nale X con funzione di densità P é

V aRα (X) = min{m | P [L ≤ m] ≥ 1 − α} (3.1)

dove L è la perdita del portafoglio attualizzata L = −X/R0 .

3.2. VALUE-AT-RISK 19

Figura 3.1: Distribuzione dei rendimenti e VaR

Se ora assumiamo una distribuzione dei rendimenti con funzione di den-

sità P continua e strettamente monotona crescente, possiamo denire il VaR
come segue

V aRα (X) = −P −1 (α) (3.2)

Verichiamo con un esempio che, mentre sono soddisfatte le proprietà di

invarianza in translazione, omogeneità positiva e monotonicità, il VaR non
soddisfa la proprietà di subadditività e non è quindi una misura di rischio
coerente. Per la dimostrazione vediamo degli esempi presi da Acerbi, Nordio
e Sirtori (2001).

Esempio 3.1. Assumiamo di avere due obbligazioni X1 e X2 . Le due obbli-

gazioni hanno tassi di recupero del 70% e 90% e probabilità di insolvenza del
3% e del 2% rispettivamente, ma non possono essere entrambe insolventi.

Evento nale Probabilità X1 X2 X1 + X2

1 3% 70 100 170
2 2% 90 100 190
3 3% 100 70 170
4 2% 100 90 190
5 90% 100 100 200
20 CAPITOLO 3. VALUE-AT-RISK E EXPECTED SHORTFALL

La tabella seguente mostra i valori iniziali delle obbligazioni e il valore della

loro combinazione.

X1 X2 X1 + X2
Valore iniziale 98.9 98.9 197.8
VaR 5% 8.9 8.9 27.8

Vediamo che il VaR della combinazione è più grande del VaR della som-
ma delle singole obbligazioni, e questo basta per aermare che il VaR non
soddisfa la proprietà di subadditività poiché sottostima i rischi in X1 e in
X2 . In un problema di ottimizzazione di un portafoglio, un investitore che
vuole ridurre al minimo il VaR costruirebbe un portafoglio composto solo da
obbligazioni X1 o solo da obbligazioni X2 , anziché sfruttare il concetto di
diversicazione.

Artzner, Delbaen, Eber e Heath (1999) fanno notare che se i quantili sono
calcolati sotto una distribuzione per la quale tutti i prezzi sono congiunta-
mente normali, allora i quantili soddisfano la proprietà di subadditività dato
che le probabilità di eccedenza sono minori di 0.5. Infatti, σX+Y ≤ σX + σY
per ogni coppia (X, Y ) di variabili casuali. Poiché per una variabile casuale
normale X abbiamo che

V aRα (X) = −(EP [X] + Φ−1 (α) · σP (X)),

con Φ funzione di ripartizione della Normale e poiché Φ−1 (0.5) = 0, segue

che la proprietà di subadditività è soddisfatta.

3.2.2 "Pro e Contro" del VaR

Nella gestione del rischio nanziario il VaR ha certamente rappresentato
un signicativo passo in avanti rispetto alle più tradizionali misure basate
principalmente sulla sensibilità alle variabili di mercato. Secondo Acerbi,
Nordio e Sirtori (2001) la forza del VaR si basa sulle seguenti caratteristiche:

1. il VaR si applica a qualsiasi strumento nanziario ed è espresso nella

stessa unità di misura, ovvero in denaro perso;

2. si può eettuare un confronto diretto tra la rischiosità relativa tra un

portafoglio azionario e un portafoglio forex (utilizzato per il trading
sui mercati di cambio delle valute straniere) conoscendo i loro VaR ;

3. il VaR include una stima degli eventi futuri e consente di convertire il

rischio di un portafoglio in un unico numero.

Il calcolo del VaR sui portafogli nanziari incontra però delle dicoltà nei
seguenti casi:
3.2. VALUE-AT-RISK 21

1. includere nell'analisi l'intero insieme delle variabili di rischio che in-

uenzano un portafoglio;

2. stimare opportunamente le probabilità di eventi futuri di mercato.

Nei casi reali, a causa della complessità degli aspetti computazionali e della
delicatezza della stima delle probabilità di mercato, per calcolare il VaR si
deve ricorrere ad assunzioni (a volte forti) sia sulla dipendenza funziona-
le degli strumenti nanziari dai fattori di rischio, sia sulle distribuzioni di
probabilità.
Nel caso di portafogli complessi esposti a diverse variabili di rischio come
nelle istituzioni nanziarie, il calcolo del VaR può spesso essere un compito
arduo. Un aspetto impegnativo è dovuto al fatto che il calcolo non può
essere suddiviso in sotto calcoli separati a causa della doppia non additività
del VaR.

1. Non additività per posizione: dato un portafoglio composto da due

sottoportafogli, il VaR totale non è dato dalla somma dei due VaR
parziali, con la conseguenza che l'aggiunta di un nuovo stumento ad
un portafoglio spesso rende necessario ricalcolare il VaR per l'intero
portafoglio.

2. Non additività per variabile di rischio: per un portafoglio che dipende

da più variabili di rischio, il VaR non è la somma dei VaR parziali.

In entrambi i casi, assumendo la normalità dei rendimenti di un portafoglio,

si può mostrare che la non-additività è in realtà una subadditività: il VaR
totale è sempre minore o uguale della somma dei VaR parziali.
La non-additività è il segno diretto di uno degli aspetti più interessanti
del VaR come strumento di analisi del rischio, ovvero la sua capacità di
mostrare i vantaggi derivanti dalla diversicazione degli strumenti nanziari
e dei fattori di rischio. Il VaR è infatti sensibile all'eetto hedging delle
diverse posizioni e all'eetto di correlazione reciproca dei fattori di rischio.
La subadditività del VaR sotto l'assunzione di Gaussianità rappresenta la
convinzione comune secondo la quale la diversicazione diminuisce i rischi.
Vediamo di seguito quali sono state le critiche più frequentemente usate
contro il VaR, le quali hanno accesso un forte dibattito tra Jorion (1997) e
Taleb (1997).

ˆ Il VaR arriva quando il danno è gia fatto : al ne di stimare le pro-
babilità di mercato è abitudine comune prevedere gli scenari futuri su
dati di mercato passati. Per fare un esempio, è chiaro che il giorno
prima di alcune turbolenze di mercato, le stime dei parametri non sa-
ranno in grado di prevedere l'improvviso salto di volatilità e il VaR
sottostimerà i rischi, notando l'aumento dei rischi solo qualche giorno
dopo.
22 CAPITOLO 3. VALUE-AT-RISK E EXPECTED SHORTFALL

ˆ Il VaR non ha senso : le stime del VaR specialmente nel caso di por-
tafogli complessi, possono essere così complesse da ottenere un numero
nale che potrebbe non avere alcun valore statistico. Tra i fattori che
rendono dicile la stima possiamo trovare:

1. la complessità degli strumenti nanziari

2. la dimensione del portafoglio

3. la valutazione delle probabilità di mercato

4. le approssimazioni introdotte per velocizzare il calcolo

5. l'errore statistico nelle stima del VaR. Come descritto in Bassi,

Embrechts e Kafetzaki (1997), il VaR, essendo una variabile ba-
sata sui quantili, è aetto da errori statistici molto grandi, in
particolare quando il livello di probabilità scelto è molto piccolo.

Nonostante queste osservazioni, dobbiamo ricordare che prima di darsi di

qualsiasi stima statistica è necessario che le approssimazioni e le ipotesi fatte
siano sotto controllo.
Spesso vengono prodotte stime del VaR senza prima menzionare le ipo-
tesi sottostanti e si presentano i risultati ottenuti a soggetti inconsapevoli
dell'adabilità dei numeri.

3.2.3 Perché utilizzare il VaR?

Per il calcolo del VaR si deve scegliere un determinato livello di condenza
selezionando l'insieme dei casi peggiori considerati e un orizzonte tempo-
rale su cui vengono eettuate le stime dei guadagni futuri. Per semplicità
consideriamo un livello del 5% e un orizzonte temporale di 7 giorni.
Una denizione usata spesso per il VaR ma che risulta incorretta è la se-
guente.

Il VaR è la massima perdita potenziale che un portafoglio può subire nel
5% dei casi peggiori in 7 giorni

La seguente versione corretta tuttavia è raramente usata poiché risulta in-

solita:

Il VaR è la minima perdita potenziale che un portafoglio può subire nel 5%
dei casi peggiori in 7 giorni

ed è frequentemente rimpiazzata con la versione politicamente più corretta

Il VaR è la massima perdita potenziale che un portafoglio può subire nel
95% dei casi migliori in 7 giorni
3.3. EXPECTED SHORTFALL 23

Un'attenta analisi delle tre denizioni pone qualche dubbio sul fatto che il
VaR sia davvero la variabile più appropriata per descrivere i rischi associati
al 5% dei casi peggiori di una distribuzione. Infatti, perché dovremmo essere
interessati alla perdita nel peggiore dei casi, indipendentemente dalla gravità
di tutte le altre perdite? Il VaR, in altre parole, è una sorta di migliore dei
peggiori scenari e inoltre sottostima sistematicamente le perdite potenziali
associate al livello di condenza determinato.

3.3 Expected Shortfall

3.3.1 Denizione dell'Expected Shortfall
A dierenza del VaR, l'Expected Shortfall cerca di rispondere alla domanda

Qual'é la perdita attesa subita nel α% dei casi peggiori del nostro
portafoglio?

Denizione 3.2 (Expected Shortfall ). Sia X il rendimento di un portafoglio

in un orizzonte di tempo T e sia α ∈ (0, 1) il livello di condenza specicato.
L'Expected Shortfall ad un livello α di un portafoglio è denito come

1
ESα (X) = − (E[X 1{X≤xα } ] − xα (P[X ≤ xα ] − α)) (3.3)
α
dove 1 è la funzione indicatrice e α indica il livello di condenza, ovvero
se α è il 5%, l'Expected Shortfall indicherà che nel 95% dei casi si subiranno
perdite inferiori al valore calcolato. Questa denizione fornisce quindi una
misura di rischio coerente. Nonostante possa apparire complicata, l'equazio-
ne può essere interpretata come la traduzione matematica alla domanda che
ci siamo posti sopra.
Per comprendere meglio la formulazione, il termine xα (P[X ≤ xα ] − α)
deve essere interpretato come la parte in eccesso da sottrarre al valore atteso
1
E[X {X≤xα } ] quando {X ≤ xα } ha probabilità maggiore di α. Al contrario,
quando P[X ≤ xα ] = α e se la distribuzione è continua, il termine scompare
e otteniamo ESα = T CEα , ovvero il valore atteso condizionato di coda (tail
conditional expectation):

T CEα (X) = −E[X|X ≤ xα ] (3.4)

Se ora non consideriamo ESα come una combinazione di valori attesi, pos-
siamo ottenerne una rappresentazione che rivela molto più chiaramente la di-
retta dipendenza tra il parametro α e la funzione della distribuzione F (X) =
P [X ≤ x]. Infatti, introducendo la funzione inversa di F (X)

F −1 (u) = inf{x|F (x) ≥ u}

24 CAPITOLO 3. VALUE-AT-RISK E EXPECTED SHORTFALL

Figura 3.2: Distribuzione dei rendimenti, VaR e Expected Shortfall

si può mostrare che ESα può essere espressa come la media negativa di
−1
F (p) nell'intervallo di condenza di livello p ∈ (0, α]:
α
1
Z
ESα (X) = − F −1 (u) du (3.5)
α 0

e dalla denizione del VaR possiamo riscrivere l'equazione dell'Expected Short-

fall come:
α
1
Z
ESα (X) = VaRu (X) du (3.6)
α 0

3.3.2 Problemi di utilizzo

Mentre il VaR rimane la misura di rischio più importante ad oggi, ci si
aspetta un cambiamento nel prossimo futuro. Seguendo le critiche poste sul
VaR, i supervisori hanno proposto di sostituire il VaR al 99% con l'Expected
Shortfall al 97.5% come misura di rischio uciale nel calcolo del requisito
patrimoniale. Lo scopo è quello di controllare il rischio di coda.

Mentre l'Expected Shortfall risolve alcuni dei problemi relativi al VaR, c'è
uno svantaggio che impedisce una transizione completa dal VaR all'Expected
Shortfall. Come già spiegato sopra, è molto semplice eettuare il backtest del
VaR contando il numero di eccedenze della soglia. Non è però così semplice
eettuare un backtest quando si utilizza l'Expected Shortfall.
3.4. VALORI PARAMETRICI DI VAR E EXPECTED SHORTFALL 25

Nel 2011, Gneiting ha pubblicato un articolo che mostra che l'Expected

Shortfall manca di una proprietà matematica chiamata elicitabilità, che inve-
ce il VaR possiede, e che potrebbe essere necessaria per eettuare il backtest.
In tal caso, se le autorità di vigilanza decidessero di cambiare la principale
misura di rischio passando dal VaR all'Expected Shortfall, perderebbero la
possibilità di valutare il rischio riportato e di conseguenza non riuscirebbero
ad identicare le banche che presentano un rischio troppo basso.
Nel 2013 il Comitato di Basilea ha proposto di sostituire il VaR con
l'Expected Shortfall, aggiungendo però che il backtest deve essere eettua-
to sul VaR anche se il capitale è basato sulle stime dell'Expected Shortfall.
A seguito della proposta, nuove ricerche hanno indicato che potrebbe esse-
re possibile eettuare il backtest per l'Expected Shortfall senza riscontrare
grandi dicoltà.

3.4 Valori parametrici di VaR e Expected Shortfall

Le distribuzioni che consideriamo sono la Normale con media 0 e deviazione
standard σ, e la t di Student con ν gradi di libertà, parametro di locazione
0 e parametro di scala σ.

3.4.1 VaR
Poiché entrambe le distribuzioni sopra indicate hanno funzioni di densità
continue e monotone crescenti, otteniamo che il VaR è

VaRα (X) = −F −1 (α) (3.7)

Assumendo che X sia distribuita come una Normale standard, possiamo

calcolare il VaR come

VaRα (X) = −σΦ−1 (α) = σΦ−1 (1 − α) (3.8)

dove Φ(x) è il quantile della Normale standard.

Assumendo, invece, che X sia distribuita come una t di Student con

parametri ν e σ, possiamo scrivere il VaR come

VaRα (X) = −σt−1 −1

ν (α) = σtν (1 − α) (3.9)

dove tν (x) è il quantile della distribuzione t di Student standard.

3.4.2 Expected Shortfall

Data la denizione di Expected Shortfall, abbiamo che
α
1
Z
ESα (X) = VaRu (X) du (3.10)
α 0
26 CAPITOLO 3. VALUE-AT-RISK E EXPECTED SHORTFALL

Se assumiamo che X sia una variabile Normale standard sappiamo che

VaRα (X) = σΦ−1 (1 − α). Possiamo allora scrivere l'Expected Shortfall come

σ α −1
Z
ESα (X) = Φ (1 − u) du
α 0
σ 1
Z
= Φ−1 (u) du
α 1−α

Facendo un cambio di variabili e ponendo q = Φ−1 (u) otteniamo

σ ∞
Z
ESα (X) = qφ(q) dq
α Φ−1 (1−α)
σ ∞ 1
Z
2
= q √ exp−q /2 dq
α Φ−1 (1−α) 2π
 ∞
σ 1 −q 2 /2
= − √ exp
α 2π Φ−1 (1−α)
φ(Φ−1 (1 − α))
=σ
α
dove φ(x) è la funzione di densità di una distribuzione Normale standard.
Possiamo fare lo stesso calcolo assumendo che X segua una distribuzione
t di Student con parametri ν e σ. L'Expected Shortfall può essere scritto
come
gν (t−1 −1
ν (1 − α)) ν + (tν (α))
2
ESα (X) =σ
α ν−1
dove gν (x) è la funzione di densità di una distribuzione t di Student standard.
La tabella sottostante mostra VaR e Expected Shortfall per dierenti livelli
utilizzando diverse assunzioni parametriche. Tutte le stime assumono σ = 1.

VaR Expected Shortfall

95% 97.5% 99% 95% 97.5% 99%
t3 (0, 1) 2.35 3.18 4.54 3.87 5.04 7.00
t6 (0, 1) 1.94 2.45 3.14 2.71 3.26 4.03
t9 (0, 1) 1.83 2.26 2.82 2.45 2.88 3.46
t12 (0, 1) 1.78 2.18 2.68 2.34 2.73 3.22
t15 (0, 1) 1.75 2.13 2.60 2.28 2.64 3.10
N (0, 1) 1.64 1.96 2.33 2.06 2.34 2.67

Dalla tabella si può notare che per la distribuzione Normale, il VaR al 99% e
l'Expected Shortfall al 97.5%, assumono, più o meno, lo stesso valore. Questo
signica che se i rendimenti sono distribuiti normalmente, una transizione
dal VaR all'Expected Shortfall non aumenterebbe gli oneri sul capitale. Se
invece i rendimenti sono distribuiti come una t di Student, la transizione
3.4. VALORI PARAMETRICI DI VAR E EXPECTED SHORTFALL 27

provocherebbe un aumento del requisito patrimoniale, in quanto è possibi-

le osservare che il valore dell'Expected Shortfall porterebbe ad avere soglie
più alte e di conseguenza requisiti maggiori rispetto a quelli che verrebbero
utilizzati considerando il VaR.
28 CAPITOLO 3. VALUE-AT-RISK E EXPECTED SHORTFALL
Capitolo 4

Metodologie di calcolo del VaR

Il calcolo del VaR si basa su due tipi di approcci, quello parametrico ba-
sato sulla matrice di varianze/covarianze e quello basato sulle simulazioni.
Quest'ultimo comprende il metodo Monte Carlo. Prima di descrivere le due
tipologie, vediamo in breve quali sono le caratteristiche delle due.

Approccio parametrico

ˆ Ipotizza che le possibili variazioni di valore di tutti i fattori di mercato

seguano una distribuzione Normale;

ˆ l'informazione sui possibili valori futuri dei fattori di mercato e sulle

loro correlazioni è riassunta in una matrice di varianze/covarianze;

ˆ le perdite dipendono da tale matrice e dalla sensibilità delle singole

posizioni in un portafoglio rispetto a variazioni dei fattori di mercato;

ˆ il VaR è ricavato come multipli della deviazione standard delle perdite

future.

Approccio basato sulle simulazioni

ˆ Le possibili variazioni di valore dei fattori di mercato non si distribui-

scono necessariamente secondo una Normale;

ˆ l'impatto dei possibili valori futuri dei fattori di mercato della banca è
quanticato attraverso il ricalcolo del valore di ogni attività e passività
come funzione delle nuove condizioni di mercato;

ˆ il VaR va ricercato analizzando l'intera distribuzione delle perdite fu-

ture, individuandone il valore massimo, dopo aver escluso una percen-
tuale di casi a partire dai peggiori.

29
30 CAPITOLO 4. METODOLOGIE DI CALCOLO DEL VAR

4.1 Approccio parametrico

L'approccio parametrico, detto anche varianze/covarianze, è quello più dif-
fuso per la sua semplicità di implementazione. Tale semplicità consiste nel
fatto che si assume che le variazioni dei parametri di mercato si distribuiscano
sseguendo un modello Gaussiano. La media e la varianza della distribuzione
dei valori del portafoglio possono quindi essere dedotti dal calcolo della media
e della varianza dei parametri di mercato sottostanti. La teoria nanziaria,
come descritto da Betti (2001), assume che la distribuzione dei rendimenti
sia normale in linea con la teoria di portafoglio di Markowitz e con il modello
di Black e Scholes per il pricing delle opzioni. Così facendo è possibile uti-
lizzare la deviazione standard quale indicatore statistico del grado di rischio.
Data la forma della Normale, la probabilità di ottenere protti molto alti
(coda destra) o perdite molto alte (coda sinistra) è la stessa.
Vediamo di seguito come nella pratica si può procedere seguendo questo
approccio.

Calcolare la perdita
1. Si determina il valore di mercato della posizione interessata;

2. si identica la variabile casuale che determina il valore di mercato della

posizione;

3. se la variabile casuale scelta è rappresentata dai rendimenti dei risk

factor si identica la sensibilità δ del valore di mercato della posizione
alle variazioni dei fattori di rischio;

4. si stima la massima variazione potenziale delle variabili casuali rilevan-

ti;

5. si ricava la massima variazione sfavorevole del portafoglio.

Vantaggi dei modelli parametrici

ˆ Semplicità, sia sotto il prolo concettuale che sotto il prolo numerico,
in quanto i calcoli non si presentano complicati e i sistemi informativi
di supporto sono di semplice utilizzo;

ˆ è la versione originale dei modelli VaR, presentata per la prima volta

da RiskMetrics;

ˆ numerosi database si basano sull'approccio parametrico;

ˆ la maggior parte dei software utilizza questo tipo di approccio.

Il VaR parametrico però presenta anche alcuni limiti e/o svantaggi, come
illustrato nell'elaborato di Ponzio (2014).
4.1. APPROCCIO PARAMETRICO 31

Limiti dei modelli parametrici

ˆ L'assunzione di distribuzione Normale non permette di cogliere alcune
peculiarità delle serie storiche nanziarie quali, ad esempio, fat tails e
skewness ;

ˆ l'assunzione di una dipendenza lineare dai fattori di rischio resta valida

solo in presenza di piccole variazioni degli stessi;

ˆ quando la matrice di correlazione contiene un elevato numero di ele-

menti il calcolo del VaR può diventare dicoltoso poiché l'algoritmo
di calcolo ne è rallentato;

ˆ con l'ipotesi di distribuzione Normale, quando si considerano come fat-

tori di rischio i tassi di interesse utilizzati come riferimento per le tran-
sazioni monetarie, bisogna tenere presente che le loro variazioni posso-
no essere dovute alle diverse politiche monetarie e non a uttuazioni
del tutto casuali intorno ai valori medi.

4.1.1 Stima della volatilità

Resti e Sironi (2008) aermano che nell'approccio parametrico uno dei meto-
di utilizzabili è quello che include i modelli che utilizzano dati di volatilità e
correlazioni storiche per le stime di volatilità e correlazioni future. I modelli
più semplici considerano questi due parametri come costanti, ipotizzando
perciò distribuzioni dei rendimenti stabili nel tempo. I modelli più comples-
si, nati dall'esigenza di assumere volatilità e correlazioni variabili nel tempo
(come del resto emerge dalle osservazioni empiriche), includono algoritmi
basati sui modelli della famiglia ARCH/GARCH.

Modello ARCH
L'introduzione dei modelli ARCH permette la formalizzazione di processi non
lineari né in media né in varianza in grado di spiegare le diverse caratteristi-
che connesse al fenomeno della volatilità variabile. Dato il set informativo
It−1 = {εt−1 , εt−2 , . . . , εt−q }, il termine di disturbo di un modello di regres-
sione lineare segue un processo di tipo ARCH se sono vericate le seguenti
condizioni:

1. La media di εt condizionato al set informativo It−1 è nulla per ogni t.

E(εt |It−1 ) = 0 (4.1)

Ciò implica anche che E(εt ) = 0 e soprattutto che tale processo risulti
serialmente incorrelato condizionatamente allo stesso set informativo:

Cov(εt εt+k |It−h ) = E(εt εt+k |It−h ) − E(εt |It−h )E(εt+k |It−h )
32 CAPITOLO 4. METODOLOGIE DI CALCOLO DEL VAR

Dato che per la legge dei valori attesi iterati E(εt |It−h ) = E[E(εt |It−1 )|It−h ] =
0, si ottiene:

Cov(εt εt+k |It−h ) = E(εt εt+k |It−h )

Cov(εt εt+k |It−h ) = E[E(εt εt+k |It+k−1 )|It−h ]
Cov(εt εt+k |It−h ) = E[εt · E(εt+k |It+k−1 )|It−h ]
Dato che E(εt+k |It+k−1 ) = 0 risulta:

Cov(εt εt+k |It−h ) = 0

2. La componente d'innovazione εt è data dalla relazione:

1/2
εt = ut ht (4.2)

dove ut ∼ i.i.d.(0, 1) è un processo standardizzato, spesso assunto come

una Normale standard. In base a questa espressione si assume che et
2

è un previsore corretto per la volatilità in quanto per denizione si ha:

ht = E(e2t |It−1 ) = V ar(εt |It−1 ) (4.3)

Detto ciò la distribuzione dell'innovazione risulta essere:

et |It−1 ∼ N (0, ht ) (4.4)

La varianza condizionata è quindi variabile nel tempo. Un modello di

regressione lineare sui rendimenti yt con innovazioni che seguono un
modello di tipo ARCH ha le seguenti componenti:



yt = x0t b + εt
ε = u h1/2

t t t
(4.5)
= 2 |I
h t E(ε t t−1 )



0

y |I
t t−1 ∼ N (xt b, ht )

Questi processi, inoltre, rappresentano lo strumento formale che mette

in relazione le dinamiche (condizionate) della volatilità con il concet-
to di leptocurticità (non condizionata). Infatti l'innovazione rispetta
pienamente la relazione:

E(ε4t )
≥3 (4.6)
[E(ε2t )]2

Il modello ARCH viene introdotto per la prima volta da Engle (1982). Tale
modello specica la varianza condizionata come una funzione lineare dei
quadrati dei valori passati delle innovazioni, ovvero:

q
X
ht = ω + αi ε2t−i (4.7)
i=1
4.1. APPROCCIO PARAMETRICO 33

dove ω ≥ 0 e tutti gli αi ≥ 0 per i = 1, 2, . . . , q rappresentano i parametri da

stimare. La 4.7 è l'equazione relativa all'innovazione εt che segue un generico
processo ARCH(q) dove q è il numero di ritardi di ε2t .
L'ARCH è quindi un processo con media nulla, varianza costante e varian-
za condizionata linearmente dipendente dai quadrati delle innovazioni. Esso
riesce a catturare il fenomeno delle oscillazioni delle serie storiche relative ai
rendimenti dei titoli, quindi interpreta il volatility clustering.
L'ARCH(q) della 4.7 può può essere riscritto mediante un processo MA(q)
per i quadrati delle innovazioni:

ht = ω + A(L)ε2t−i (4.8)

dove A(L) = α1 L + α2 L2 + · · · + αq Lq è il polinomio nell'operatore ritardo.

Se
2
si pone vt = εt − ht , l'ARCH(q) può essere riscritto come un modello
AR(q) per i quadrati dei disturbi:

ε2t = ω + A(L)ε2t−i + vt (4.9)

dove vt è un termine non normale, asimmetrico ed eteroschedastico con media

condizionata nulla.

Modello GARCH
Il modello GARCH (Generalized ARCH) è stato elaborato da Bollerslev
(1986) e rappresenta un utile strumento per analizzare la persistenza dei
movimenti della volatilità senza dover stimare l'alto numero di parametri
presenti nel polinomio A(L). Dato che anch'esso si basa sul set informativo
It−1 , l'equazione di un generico modello GARCH(p,q) specica la varianza
condizionale come segue:

q
X p
X
ht = ω + αi ε2t−i + 2
βj σt−j (4.10)
i=1 j=1

dove ω ≥ 0, αi ≥ 0 per i = 1, 2, . . . , q e βj ≥ 0 per j = 1, 2, . . . , p. La varianza

condizionata dipende da (1 + p + q) parametri dove p si riferisce all'ordine
del ritardo della parte autoregressiva rappresentata dai valori della varianza
condizionale stessa nel passato, mentre q mostra il numero dei ritardi della
2
componente εt . Riscrivendo l'espressione utilizzando l'operatore ritardo si
ha:
ht = ω + A(L)ε2t + B(L)ht (4.11)

Denendo m = max{p, q}, il GARCH(p,q) è riconducibile ad un ARMA

(m,p) per i quadrati delle innovazioni passate imponendo la condizione vt =
ε2t − ht . Si ricava in ne la seguente espressione:

ε2t = ω + [A(L) + B(L)]ε2t − B(L)vt + vt (4.12)

34 CAPITOLO 4. METODOLOGIE DI CALCOLO DEL VAR

4.2 Simulazione storica

Nella simulazione storica si assume che tutte le possibili variazioni future
del valore del portafoglio siano già state osservate nel passato e quindi la
distribuzione delle perdite future sia identica alla distribuzione delle perdite
già avvenute, come spiegato da Carol (2008).
Inanzitutto il portafoglio considerato viene mappato su determinati fat-
tori di rischio calcolati utlizzando dati di mercato attuali. Successivamente
si assume che le sensitivity a tali fattori di rischio siano costanti.
Si calcolano quindi i rendimenti dei vari fattori di rischio calcolati dalle
serie storiche e si applicano alle sensitivity per ottenere la distribuzione dei
vari rendimenti del portafoglio.
La procedura può essere riassunta in 4 passi:

1. Si considera un campione di rendimenti giornalieri relativi ad un preciso

periodo storico del fattore di rischio considerato.

2. Si rivaluta la posizione attuale del portafoglio in esame in corrispon-

denza dei rendimenti storici.

3. Si ottiene una distribuzione simulata dei valori del portafoglio.

4. Si estrae il percentile desiderato della distribuzione.

4.2.1 Vantaggi della simulazione storica

ˆ Permette di non fare alcuna assunzione a priori della distribuzione
dei fattori di rischio, ma si ipotizza che la distribuzione dei rendimenti
futuri sia correttamente approssimata da quella dei rendimenti passati.
In questo modo fat tails e skewness non impattano sul calcolo se la
distribuzione si mantiene costante nel tempo.

ˆ Non è necessario stimare la matrice di covarianza tra i fattori di rischio.

ˆ Si ottengono stime del VaR stabili rispetto alle variazioni di mercato.

4.2.2 Limiti della simulazione storica

ˆ Più sono complessi e numerosi gli strumenti nanziari presenti nel
portafoglio e i relativi fattori di rischio, più lo sforzo computazionale
richiederà tempi di calcolo lunghi e onerosi.

ˆ Si assume che i rendimenti siano indipendenti e identicamente distri-

buiti. Se tale assunzione viene meno la simulazione storica non è più
valida.

ˆ Non viene considerato il caso in cui una perdita futura possa essere
maggiore della perdita più elevata della serie storica.
4.3. SIMULAZIONE MONTE CARLO 35

ˆ E' necessario disporre di dati con frequenza di rilevazione settimanale,

mensile o annuale e questo limita il numero di serie storiche a disposi-
zione. Inoltre comporta una scarsa risoluzione delle code della distri-
buzione poiché nel periodo considerato possono essersi vericati troppi
o troppo pochi eventi rari.

4.3 Simulazione Monte Carlo

Per oviare al problema del limitato numero di serie storiche di dati nanziari
viene utilizzata la metodologia di calcolo della simulazione Monte Carlo. Se
il valore di un certo strumento nanziario è funzione di f (x) di una variabile
casuale X , si simulano n valori di tale variabile e, in corrispondenza di ognuno
di essi, si calcola il valore della funzione. Si ottiene così un valore atteso per
f (x).
Nel risk management si ipotizza che gli n fattori di rischio su cui è sta-
to mappato il portafoglio seguono una certa distribuzione di probabilità n-
variata. Si simulano quindi un determinato numero di rendimenti dei vari
fattori di rischio e si calcola a partire da essi la serie simulata dei rendimen-
ti del portafoglio. Si estrae quindi il percentile appropriato dalla suddetta
serie.
Nel calcolo del VaR non bisogna quindi calcolare il valore atteso del
portafoglio mentre è necessario ottenere una distribuzione simulata dei suoi
rendimenti.
La procedura può essere riassunta in 5 passi:

1. Si identica (o si assume a priori) la legge multivariata seguita dai vari

fattori di rischio su cui è mappato il portafoglio.

2. Se ne stimano i parametri.

3. Si estraggono n valori casuali per ognuno dei fattori di rischio.

4. Si calcolano i rendimenti del portafoglio in base alle variazioni dei

fattori di rischio simulati.

5. Si estrae il percentile appropriato dalla distribuzione delle perdite del

portafoglio.

4.3.1 Vantaggi della simulazione Monte Carlo

ˆ E' possibile superare i problemi connessi alla limitatezza delle serie
storiche.

ˆ Si può scegliere la distribuzione da utilizzare per le simulazioni in accor-

do ai mezzi disponibili e alle osservazioni empiriche sulle distribuzioni
storiche di fattori di rischio utilizzati.
36 CAPITOLO 4. METODOLOGIE DI CALCOLO DEL VAR

ˆ Potendo simulare tutte le uttuazioni dei fattori di rischio è possi-

bile analizzare più in dettaglio anche posizioni in derivati attraverso
l'osservazione del processo stocastico del sottostante.

4.3.2 Limiti della simulazione Monte Carlo

ˆ E' necessario ipotizzare un modello per la distribuzione dei rendimenti.

ˆ Il calcolo del VaR può prevedere aspetti computazionali complessi e

dicili da gestire se si considera un elevato numero di fattori di rischio
per il portafoglio.

ˆ L'istituzione nanziaria non può vericare la bontà della misura in

quanto non è possibile eettuare un ricalcolo dei risultati forniti da un
eventuale applicativo commerciale.
Capitolo 5

Backtesting
In quest'ultima parte andremo a vedere cosa si intende per backtest di una
misura di rischio e si forniranno delle applicazioni a serie nanziarie reali, va-
lutando in pratica le dierenze tra VaR ed Expected Shortfall. Le simulazioni
sono ottenute tramite il software statistico R Studio.

5.1 VaR
La procedura di backtesting del VaR si basa sul semplice conteggio del nu-
mero di volte in cui si realizza una perdita che supera la soglia predetta, o
più brevemente, quando si realizza un'eccedenza. Deniamo una potenziale
eccedenza al tempo t come

et = 1(Lt ≥VaRα (X)) , (5.1)

dove Lt = −Xt è denito come la perdita che si è realizzata nel periodo t.

et = 1 implica un'eccedenza nel periodo t mentre et = 0 signica che non
si sono vericate eccedenze nel periodo t. Ogni potenziale eccedenza può
essere trattata come realizzazione di una variabile casuale di Bernoulli con
probabilità α. Assumiamo che tali variabili casuali siano indipendenti ed
identicamente distribuite e siano e1 , e2 , . . . , eT tutte le potenziali eccedenze
in un periodo di T giorni. Assumeremo sempre un periodo di T = 250 poiché
i backtest sono normalmente eettuati con i dati di un anno. Sia Y la somma
delle eccedenze, ovvero la somma di T variabili Bernoulliane indipendenti ed
identicamente distribuite. Poiché Y è la somma di variabili casuali Bernoulli
indipendenti con la stessa probabilità, Y segue una distribuzione binomiale
con parametri n=T e probabilità π = α. Abbiamo quindi che
T
X
Y = et ∼ Bin(T, α)
t=1

Il numero totale delle eccedenza in un anno è una variabile casuale binomiale

con valore atteso T α. Un VaR al 99% ha α = 0.01. Poiché abbiamo assunto

37
38 CAPITOLO 5. BACKTESTING

T = 250, il numero atteso di eccedenze in un anno è 2.5.

Conoscendo quindi la distribuzione delle eccedenze, è anche possibille

determinare la probabilità che si verichi un certo numero di eccedenze.
Deniamo la funzione di probabilità cumulata di una variabile binomiale
come
k  
X n i
F (k; n, π) = P (X ≤ k) = π (1 − π)n−i (5.2)
i
i=0

La probabilità cumulata è semplicemente la probabilità che il numero di ec-

cedenze sia minore o uguale al numero di eccedenze realizzate per un modello
corretto. Può essere utilizzata per calcolare il livello di condenza quando si
riutano stime del VaR con troppe eccedenze. Vediamo un esempio riferito
ai lanci di una moneta.

Esempio 5.1. Sappiamo che la probabilità di ottenere testa o croce nel lan-
cio di una moneta è 0.5. Consideriamo una moneta non equa e vediamo
che dopo alcuni lanci la moneta mostra solo teste. Dopo il primo lancio, la
probabilità di ottenere testa è di 0.5. Dopo un secondo lancio è 0.25. Dopo
il terzo, quarto e quinto le probabilità sono 0.125, 0.063 e 0.031 rispettiva-
mente. La probabilità cumulata è la probabilità che il numero di volte in cui
si ottiene testa in successione sia minore o uguale alle probabilità elencate
precedentemente. Se consideriamo il complemento di queste probabilità, ab-
biamo che per tre, quattro e cinque teste di la esso è 0.875, 0.938 e 0.969.
Ciò signica che dopo cinque teste di la possiamo dire con un livello di con-
denza del 96.9% che la moneta non è equa. Possiamo applicare lo stesso
ragionamento al numero di eccedenze del VaR in un anno se conosciamo la
probabilità cumulata della binomiale descritta sopra.

Numero di eccedenze Probabilità cumulata

0 8.11
1 25.58
2 54.32
3 75.81
4 89.22
5 95.88
6 98.63
7 99.60
8 99.89
9 99.97
10 99.99

La tabella mostra le probabilità cumulate di un particolare numero di ecce-

denze per un VaR al 99% considerando i rendimenti di 250 giorni. In altre
5.1. VAR 39

parole, mostra la probabilità che il numero di eccedenze sia uguale o minore

al numero di eccedenze della prima colonna.

Vediamo dalla tabella che per più di quattro eccedenze possiamo dire, con
un livello di condenza del 95%, che c'è qualcosa di sbagliato nel modello
poiché la probabilità che il numero di eccedenze sia cinque o minore è 95.88%.
Se vogliamo un livello di condenza del 99% allora le stime del VaR con più
di sei eccedenze dovrebbero essere riutate dato che la proabilità di sette o
meno eccedenze è 99.60%.

5.1.1 Le regole di Basilea

Il Comitato di Basilea prevede delle regole che le banche devono seguire per
eettuare il backtest del VaR. Le stime del VaR ad un livello del 99% devo
essere riportate su base giornaliera, in modo tale che le autorità di vigilanza
siano in grado di controllare se le banche possiedono il capitale necessario per
mantenere un certo livello di rischio. Il Comitato richiede inoltre che venga
riportato il numero di eccedenze degli ultimi 250 giorni. Le autorità di vigi-
lanza necessitano di un meccanismo per aumentare il requisito patrimoniale
quando vi è il sospetto che le stime di rischio comunicate dalle banche siano
troppo basse. Questo problema viene risolto applicando un requisito capita-
le aggiuntivo quando il numero di eccedenze risulta troppo alto nell'ultimo
anno. Riprendiamo le probabilità cumulate dell'esempio precedente.

Zona Numero di eccedenze Fattore Probabilità cumulata

Verde 0 0.00 8.11

1 0.00 25.58
2 0.00 54.32
3 0.00 75.81
4 0.00 89.22
Gialla 5 0.40 95.88
6 0.50 98.63
7 0.65 99.60
8 0.75 99.89
9 0.85 99.97
Rossa 10+ 1.00 99.99

La tabella mostra il quadro di riferimento per il backtesting del VaR. Il

numero di eccedenze sono riferite agli ultimi 250 giorni e dividono le banche
in tre zone in accordo con le probabilità cumulate. La banca è in zona verde
se il numero di eccedenze non riuta un modello di VaR con una condenza
inferiore al 95%, ovvero vi sono al massimo quattro eccedenze in un anno. La
zona gialla comprende un numero di eccedenze per le quali un modello viene
riutato con una condenza del 95% ma non per una condenza del 99%,
40 CAPITOLO 5. BACKTESTING

ovvero tra le cinque e le nove eccedenze. Un numero di eccedenze superiori

a nove portano al riuto del modello considerato con una condenza del
99.99%. Il fattore determina di quanto la banca verrà punita per l'elevato
numero di eccedenze. Il requisito patrimoniale è calcolato semplicemente nel
seguente modo
MRCt = (3 + m)VaRt−1 (5.3)

dove m è il fattore e MRCt è il requisito patrimoniale per il rischio di mercato

nel periodo t. Dalle probabilità cumulate possiamo vedere che il Comitato di
Basilea aggiunge capitale extra quando la probabilità cumulata è maggiore
di 95%.

5.2 Expected Shortfall

5.2.1 Elicitabilità
Riprendiamo brevemente il concetto di "elicitabilità". I professionisti del ri-
schio non avevano mai sentito parlare di questo concetto no al 2011, quan-
do Gneiting spiegò che L'Expected Shortfall non possedeva questa proprietà
matematica a dierenza del VaR.
Per spiegarlo facilmente, una statistica ψ(Y ) di una variabile casuale
Y possiede la proprietà di elicitabilità se minimizza il valore atteso di una
funzione di punteggio S:
ψ = arg min E[S(x, Y )]
x

Date una serie di previsioni xt per le statistiche e le realizzazioni yt della

variabile casuale, questa funzione fornisce un modo naturale per valutare il
modello di previsione, richiedendo che il punteggio medio

T
1X
S̄ = S(xt , yt )
T
t=1

sia il più piccolo possibile. La media e la mediana sono due popolari esempi
che minimizzano la media al quadrato e l'errore assoluto rispettivamente. Il
quantileα, cioè il VaR, gode della proprietà di elicitabilità, con funzione di
punteggio S(x, y) = ((x > y) − α)(x − y).
La scoperta della non elicitabilità dell'Expected Shortfall ha signicato
per molti l'impossibilità di backtesting per questa misura di rischio, mentre
altri ritenevano che il backtesting per l'Expected Shortfall non fosse più com-
plicato rispetto a quello del VaR e aermavano che la potenza del test fosse
maggiore.
Vediamo ora come eettuare il backtesting dell'Expected Shortfall, restrin-
gendo l'utilizzo dei test a quelli non parametrici e liberi da assunzioni distri-
butive oltre alla continuità, condizione necessaria per qualsiasi applicazione
nella regolamentazione bancaria.
5.2. EXPECTED SHORTFALL 41

5.2.2 Alcune tipologie di backtest

Si adotta un quadro di riferimento standard di verica delle ipotesi per la co-
pertura incondizionata dell'Expected Shortfall analogo allo standard di Basi-
lea per il VaR. Si assume che l'indipendenza degli eventi di coda sia vericata
separatamente.
Assumiamo che ogni giorno t = 1, . . . , T, Xt rappresenti il rendimento di
una banca distribuito come una distribuzione reale (sconosciuta) Ft , prevista
da un modello di distribuzione Pt condizionato a precedenti informazioni
utilizzate per calcolare VaRβ,t e ESα,t come segue
α
1
Z
ESα,t =− Pt−1 (q) dq (5.4)
α 0

Le variabili casuali Xn = {Xt } sono assunte indipendenti, ma non identica-

mente distribuite. Lasciamo inoltre libera la variabilità di Ft e Pt nel tempo
F F
e denotiamo con VaRα,t e ESα, t i valori delle misure di rischio quando
X ∼ F.
Assumiamo che le distribuzioni siano continue e strettamente crescenti e
scriviamo l'Expected Shortfall come

ESα,t = −E[Xt |Xt + VaRβ,t < 0] (5.5)

con il VaR denito univocamente come VaRβ,t − Pt−1 (β). Senza perdita di
generalità consideriamo sempre T = 250, β = 1% e α = 2.5%. Come già
detto precedentemente, il VaR al 99% coincide con l'Expected Shortfall al
97.5%.
L'ipotesi nulla assume che la previsione sia corretta, mentre l'ipotesi al-
ternativa si riferisce solo alla sotto stima del rischio dato che la scelta del
Comitato di Basilea è quella di valutare il numero di eccedenze del VaR.
Di seguito vedremo due metodi proposti da Acerbi e Szekely (2014) e
un metodo più semplice di Emmer, Kratz e Tasche (2013) per modelli non
parametrici.

5.2.3 Test 1 di Acerbi e Szekely

Il primo test di Acerbi e Szekely (2014) permette di calcolare l'Expected
Shortfall dopo aver calcolato il VaR. Iniziamo mostrando che dal valore atte-
so condizionato della 5.5 possiamo derivare facilmente la seguente equazione

 
Xt
E + 1 Xt + VaRα,t < 0 = 0 (5.6)
ESα,t

Se è già stato eettuato il backtest per il VaRα,t , è possibile eettuare il

backtest separatamente e misurare l'entità delle eccezioni realizzate rispetto
42 CAPITOLO 5. BACKTESTING

alle previsioni del modello. Denendo It = (Xt + VaRα,t < 0) la funzione

indicatrice di un eccezione α, la statistica test è

PT Xt It
t=1 ESα,t
Z1 (Xn ) = +1 (5.7)
NT
PT
dove NT = t=1 It > 0.
Per questo test scegliamo come ipotesi nulla

[α] [α]
H0 : Pt = Ft , ∀t
[α]
dove Pt (x) = min(1, Pt (x)/α) è la distribuzione di coda per x < −VaRα,t .
Le alternative sono

F
H1 : ESα,t ≥ ESα,t , per ogni t e > per qualche t
F
VaRα,t = VaRα,t , per ogni t

Vediamo che il VaR al livello α predetto rimane corretto sotto H1 , in linea col
fatto che questo test è subordinato ad un test preliminare del VaR. Questo
test è infatti insensibile ad un numero eccessivo di eccezioni in quanto si
tratta di una media delle eccezioni stesse.
Sotto queste condizioni EH0 [Z1 |NT > 0] = 0 e EH1 [Z1 |NT > 0] < 0. Al-
lora, ci si aspetta che il valore realizzato Z1 (xn ) sia uguale a zero, segnalando
un problema quando è negativo.
Dividere l'equazione 5.6 per ESα,t ci consente di tenere sotto controllo
l'eteroschedasticità.

5.2.4 Test 2 di Acerbi e Szekely

Questo secondo tipo di test adottato da Acerbi e Szekely (2014) calcola
invece l'Expected Shortfall in maniera diretta e deriva dal valore atteso non
condizionato  
Xt It
ESα,t = −E (5.8)
α
dal quale si può denire

T
X Xt It
Z2 (Xn ) = +1 (5.9)
T αESα,t
t=1

Le ipotesi appropriate per il test sono

[α] [α]
H0 : Pt = Ft , ∀t
F
H1 : ESα,t ≥ ESα,t , per ogni t e > per qualche t
F
VaRα,t ≥ VaRα,t , per ogni t
5.2. EXPECTED SHORTFALL 43

Abbiamo ancora EH0 [Z2 ] =0 e EH1 [Z2 ] < 0. Questi risultati non richiedono
l'indipendenza delle Xt .
Il test valuta congiuntamente la frequenza e l'entità degli α eventi di coda
come mostra la relazione

NT
Z2 = 1 − (1 − Z1 ) (5.10)
Tα
ricordando che EH0 [NT ] = T α.

5.2.5 Test di Emmer, Kratz e Tasche

Il metodo presentato da Emmer, Kratz e Tasche (2013) fornisce un semplice
modo per eettuare il backtest dell'Expected Shortfall basato sull'approsima-
zione di diversi livelli del VaR. Questo metodo è un'approsimazione grezza
rispetto ad altri, ma è di gran lunga il meno complesso e il più semplice
da utilizzare nella pratica. Il punto di partenza del metodo è quello di rap-
presentare l'Expected Shortfall come approssimazio di diversi livelli di VaR
secondo la formulazione

α
1
Z
ESα (X) = V aRu (X) du ≈
α 0
1
[V aR0.25α+0.0075 (X) + V aR0.5α+0.005 (X) + V aR0.75α+0.0025 (X) + V aRα (X)].
4
Quindi, se assumiamo α = 0.05 abbiamo

ES5% (X) ≈
1
[V aR1.25% (X) + V aR2.5% (X) + V aR3.75% (X) + V aR5% (X)].
4
Da questo si può vedere che il VaR ai livelli 95%, 96.25%, 97.5% e 98.75%
possono essere testati congiuntamente per ottenere il backtest sull'Expected
Shortfall. Se tutti questi livelli del VaR sono testati con successo allora
l'Expected Shortfall può essere considerato il più accurato possibile.
Emmer, Kratz e Tasche non hanno spiegato perchè vengono utilizzati
quattro livelli del VaR. Poiché nella pratica si utilizza un Expected Shortfall
al livello 97.5% sarebbe più conveniente utilizzare cinque livelli del VaR per
ottenere quantili migliori. Possiamo allora scrivere

ES2.5% (X) ≈
1
[V aR2.5% (X) + V aR2.0% (X) + V aR1.5% (X) + V aR1.0% (X) + V aR0.5% (X)].
5
Il metodo ci consentirebbe quindi di eettuare il backtest dell'Expected Short-
fall se prima ci assicuriamo che il VaR ai livelli 97.5%, 98.0%, 98.5%, 99.0% e
99.5% abbia passato il backtest. Iniziamo calcolando la probabilità cumulata
44 CAPITOLO 5. BACKTESTING

per diverse eccedenze del VaR per livelli diversi utilizzando la stessa meto-
logia adottata nora. Consideriamo un periodo T = 250 giorni. I risultati
sono riportati nella tabella sottostante.

Probabilità cumulate - Livelli

Numero di eccedenze 97.5% 98.0% 98.5% 99.0% 99.5%
0 0.18 0.64 2.29 8.11 28.56
1 1.32 3.91 10.99 28.58 64.44
2 4.97 12.21 27.49 54.32 86.89
3 12.70 26.22 48.26 75.81 96.21
4 24.95 43.87 67.79 89.22 99.11
5 40.40 61.60 82.43 95.88 99.82
6 56.57 76.37 91.53 98.63 99.97
7 71.03 86.87 96.36 99.60 100.00
8 82.29 93.39 98.59 99.89 100.00
9 90.05 96.96 99.51 99.97 100.00
10 94.85 98.72 99.84 99.99 100.00
11 97.53 99.50 99.95 100.00 100.00
12 98.90 99.82 99.99 100.00 100.00

Riutiamo la previsione del VaR se la probabilità cumulata è maggiore del

95%. Prendiamo il VaR al livello 98.5% come esempio. Vediamo che per
sette eccedenze, la probabilità cumulata è 96.36%. Questo signica che se il
VaR al 98.5% ha sette eccezioni nell'ultimo anno allora possiamo riutare la
previsione del VaR con una condenza del 96.36%. In altre parole, possiamo
permettere al massimo sei eccedenze per non riutare la previsione.
Se uno dei cinque backtest viene riutato, verrà riutato anche l'Expected
Shortfall. Il massimo numero di eccedenze per ogni livello del VaR sono
riassunte nella tabella seguente.

α Massimo umero di eccedenze

0.025 10
0.020 8
0.015 6
0.010 4
0.005 2
Capitolo 6

Applicazioni pratiche
In questo capitolo conclusivo si analizzano delle serie storiche nanziarie
reali e, applicando i metodi descritti in precedenza, si valutano l'ecienza
del VaR e dell'Expected Shortfall. Per quanto riguarda l'Expected Shortfall
si andranno ad analizzare i vari metodi considerati in termini di complessità
ed ecienza secondo un approccio basato sul fatto che le banche vorrebbero
vericare le previsioni dell'Expected Shortfall internamente, confrontando fra
loro queste previsioni o per validare dei modelli di rischio. Ciò signica che la
scelta del metodo può essere diversa in base al tipo di modello VaR utilizzato.

6.1 Scelta di un modello interno

In questa sezioni descriviamo quali metodi possono essere implementati da
una banca per la validazione interna.

6.1.1 Metodologia
Prendiamo in considerazione tre dierenti aspetti. Il primo si basa sull'analisi
del tipo di modello VaR applicato dalla banca. Dall'equazione 3.1, sappiamo
che il VaR è calcolato come un quantile di una funzione di densità Pt che
rappresenta i rendimenti. Abbiamo visto in precedenza che ci sono tre modi
per calcolare la distribuzione dei rendimenti. La distribuzione può essere
empirica e consistere in un numero di rendimenti storici, solitamente degli
ultimi 250 giorni, in cui il metodo è indicato come simulazione storica. La
distribuzione può essere parametrica, assumendo che i rendimenti seguano
una distribuzione conosciuta, o può essere ottenuta tramite simulazioni di
Monte Carlo.

Il secondo aspetto si basa sulle proprietà dei metodi di backtest, ovvero

sul loro utilizzo in base ad assunzioni parametriche o non parametriche e se
richiedono o meno delle simulazioni.

45
46 CAPITOLO 6. APPLICAZIONI PRATICHE

L'ultimo aspetto si basa sulle performance di ogni metodo per capire

quale sia il più adatto per l'implementazione.

6.1.2 Backtesting con metodo parametrico

Quando una banca utilizza un modello parametrico per il calcolo del rischio,
il backtesting dovrebbere essere eettuato in base alla stessa distribuzione
dei rendimenti. In questo caso tutti i metodi sono applicabili. Wimmerstedt
(2015) suggerisce che le banche che utilizzano questo metodo per il calcolo
del VaR utilizzino il primo metodo di Acerbi e Szekely per il backtesting
dell'Expected Shortfall, in particolare quando si fanno assunzioni distributive
non normali.

6.1.3 Backtesting con simulazione storica

La simulazione storica è forse il metodo meno consigliato per il calcolo del
VaR, poiché le assunzioni parametriche sono di solito sbagliate e le simu-
lazioni sono prese da una distribuzione che consiste di soli 250 rendimenti.
Questo siginica che è dicile dire qualcosa sulla signicatività della co-
da della distribuzione. Wimmerstedt (2015) trova che il metodo di Emmer,
Kratz e Tasche risulta l'unico metodo utilizzabile per eettuare il backtesting
dell'Expected Shortfall in questa situazione, nonostante alcuni problemi che
si presentano quando il numero di eccedenze diventa grande.

6.1.4 Backtesting con metodo Monte Carlo

Per una banca che utilizza questo metodo, determinare la signicatività uti-
lizzando gli stessi risultati della simulazione sia nel backtesting che nel calco-
lo del rischio è semplice. D'altro canto, metodi con assunzione parametrica
non funzionano correttamente poiché il risultato dell'intera distribuzione dei
rendimenti raramente segue una distribuzione standard. Ciò signica che è
possibile utilizzare sia i metodi di Acerbi e Szekely che il metodo di Emmer,
Kratz e Tasche, i quali non richiedono simulazioni. Secondo quanto dimo-
strato da Wimmerstedt (2015), alle banche che utilizzano il metodo Monte
Carlo per il calcolo del VaR è raccomandato l'utilizzo del primo metodo di
Acerbi e Szekely per il backtesting dell'Expected Shortfall.

6.2 Applicazioni a serie nanziarie reali

Andremo ora a vedere come si comportano VaR ed Expected Shortfall ap-
plicati a delle serie naziarie reali. Per questo scopo sono stati selezionati
diversi indici. Il primo che sarà analizzato è l'indice S&P 500, che segue
l'andamento di un paniere azionario formato dalle 500 aziende statunitensi
6.2. APPLICAZIONI A SERIE FINANZIARIE REALI 47

Figura 6.1: Rendimenti logaritmici dell'indice S&P 500 dal 01/01/2000 al

31/07/2019

a maggiore capitalizzazione. A questo indice sarà applicato il metodo para-

metrico, con assunzione distributiva normale, e il metodo della simulazione
storica. Successivamente sposteremo la nostra analisi sul metodo Monte
Carlo applicato ad un portafoglio di 3 titoli della borsa italiana.

6.2.1 S&P 500

Caratteristiche
Il periodo in cui la serie è studiata è compreso tra le date 01/01/2000 e
31/07/2019, per un totale di 4924 osservazioni. Per questo scopo vengono
considerati i prezzi di chiusura. Nella gura 6.1 sono mostrati i rendimenti
logaritmici che saranno oggetto di analisi. La serie presenta un indice di
asimmetria pari a −0.220656 e un indice di curtosi pari a 8.602929, entrambi
sintomi di allontanamento dalla normalità distributiva.

Metodo parametrico
Assumiamo che la serie dei rendimenti segua una distribuzione Normale e
consideriamo inizialmente l'intero campione per il calcolo della volatilità,
mentre successivamente ci concentremo su un periodo di bassa volatilità e
su uno di alta volatilità. Utilizziamo gli ultimi 250 valori (ultimo anno) per
il calcolo del VaR e dell'Expected Shortfall. Possiamo vedere i risultati delle
48 CAPITOLO 6. APPLICAZIONI PRATICHE

Figura 6.2: Soglie del VaR e dell'Expected Shortfall ai livelli 95% e 99%
per gli ultimi 250 valori dei rendimenti della serie dell'indice S&P 500, con
volatilità calcolata sull'intero campione. Metodo parametrico.

elaborazioni nelle gure 6.2 , 6.3 e 6.4 . Nella tabella sottostante possiamo
invece leggere i livelli stimati del VaR, calcolati dal numero di eccedenze, e i
livelli dell'Expected Shortfall, calcolati applicando il primo metodo di Acerbi
e Szekely (2014).

Livelli del VaR e dell'Expected Shortfall

Periodo VaR 95% VaR 99% ES 95% ES 97.5% ES 99%

Campione intero 95.6 98.8 98.0 98.8 99.2

Bassa volatilità 93.2 96.8 96.4 96.8 98.8

Alta volatilità 91.2 94.8 92.8 94.8 96.8

Si può osservare dai risultati riportati in tabella come cambino le stime

se si considera un periodo di bassa volatilità rispetto ad un periodo di alta
volatilità. Valori minori dei livelli di VaR ed Expected Shortfall indicano
una sottostima della misura di rischio, mentre valori più alti indicano una
sovrastima. Si può notare in modo evidente come in tutti i casi vi sia una
sottostima abbondante nel periodo di alta volatilità. Secondo l'ipotesi nulla
del test di Acerbi e Szekely (2014), tutti le stime dell'Expected Shortfall
non possono essere riutate in quanto nessuno dei tre test presentava valori
negativi.
6.2. APPLICAZIONI A SERIE FINANZIARIE REALI 49

Figura 6.3: Soglie del VaR e dell'Expected Shortfall ai livelli 95% e 99% per
gli ultimi 250 valori dei rendimenti della serie dell'indice S&P 500, in un
periodo di bassa volatilità. Metodo parametrico.

Figura 6.4: Soglie del VaR e dell'Expected Shortfall ai livelli 95% e 99% per
gli ultimi 250 valori dei rendimenti della serie dell'indice S&P 500, in un
periodo di alta volatilità. Metodo parametrico.
50 CAPITOLO 6. APPLICAZIONI PRATICHE

Figura 6.5: Soglie del VaR e dell'Expected Shortfall ai livelli 95% e 99%
per gli ultimi 250 valori dei rendimenti della serie dell'indice S&P 500 con
volatilità calcolata sull'intero campione. Simulazione storica.

Simulazione storica
Vediamo ora come cambiano i risultati se le elaborazioni vengono eettuate
con il metodo della simulazione storica. I passaggi saranno analoghi a quelli
svolti con il metodo parametrico. Consideriamo quindi l'intero campione
per il calcolo della volatilità come prima fase dell'analisi e successivamente
un perido di bassa volatilità e uno di alta volatilità. I risultati graci sono
riportati nelle gure 6.5 , 6.6 e 6.7 . Nella tabella sottostante si osservano i
livelli stimati di VaR ed Expected Shortfall, quest'ultimo ottenuto attraverso
l'approssimazione basata sulla sommatoria dei livelli del VaR introdotta da
Emmer, Kratz e Tasche (2013).

Livelli del VaR e dell'Expected Shortfall

Periodo VaR 95% VaR 99% ES 95% ES 97.5% ES 99%

Campione intero 94.8 100 97.6 99.2 100

Bassa volatilità 94.4 99.6 96.4 98.8 100

Alta volatilità 91.6 95.6 93.2 95.2 96.4

Vediamo come, anche con la simulazione storica, i livelli del VaR in un

periodo di alta volatilità vengano maggiormente sottostimati, mentre negli
altri periodi l'errore di stima è contenuto. Per quanto riguarda l'Expected
6.2. APPLICAZIONI A SERIE FINANZIARIE REALI 51

Figura 6.6: Soglie del VaR e dell'Expected Shortfall ai livelli 95% e 99%
per gli ultimi 250 valori dei rendimenti della serie dell'indice S&P 500 in un
periodo di bassa volatilità. Simulazione storica.

Figura 6.7: Soglie del VaR e dell'Expected Shortfall ai livelli 95% e 99%
per gli ultimi 250 valori dei rendimenti della serie dell'indice S&P 500 in un
periodo di alta volatilità. Simulazione storica.
52 CAPITOLO 6. APPLICAZIONI PRATICHE

Figura 6.8: Rendimenti logaritmici del portafoglio composto dai titoli Intesa
Sanpaolo S.p.A., Assicurazioni Generali e Fiat Chrysler Automobiles NV,
nel periodo compreso tra il 31/07/2009 e il 31/07/2019.

Shortfall con livello 97.5% c'è da precisare che la stima ottenuta dovrà essere
riutata, in quanto dalle elaborazioni le stime del VaR ai livelli 97.5% e 98%
devono essere riutate per l'eccessivo numero di eccedenze, come spiegato
da Emmer, Kratz e Tasche (2013).

6.2.2 Portafoglio composto da 3 titoli azionari

Caratteristiche
Per la costruzione del portafoglio sono stati scelti 3 dei titoli più conosciuti
della borsa di Milano: Intesa Sanpaolo S.p.A., Assicurazioni Generali e Fiat
Chrysler Automobiles NV, con vettore delle proporzioni (0.45, 0.35, 0.2). Il
periodo considerato è compreso tra le date 31/07/2009 e il 31/07/2019, per
un totale di 2539 osservazioni. Il portafoglio così composto risulta avere una
media dei rendimenti pari a 0.000262 e una varianza di 0.000408. Presenta
inoltre un'asimmetria di −0.498849 e un indice di curtosi pari a 6.942228.
Possiamo vedere il graco dei rendimenti del portafoglio nella gura 6.8 .

Metodo Monte Carlo

Assumiamo che i tre titoli si distribuiscano congiuntamente come una Norma-
le multivariata e generiamo tante replicazioni per la creazione dei rendimenti
6.2. APPLICAZIONI A SERIE FINANZIARIE REALI 53

Figura 6.9: Soglie del VaR e dell'Expected Shortfall ai livelli 95% e 99% per
gli ultimi 250 valori dei rendimenti del portafoglio composto dai titoli Intesa
Sanpaolo S.p.A., Assicurazioni Generali e Fiat Chrysler Automobiles NV,
con volatilità calcolata sull'intero campione. Metodo Monte Carlo.

del portafoglio. Inne andiamo a calcolare il VaR e l'Expected Shortfall uti-

lizzando il primo metodo di Acerbi e Szekely. I risultati delle elaborazioni
sono riportati nella tabella sottostante. Nelle gure 6.9 , 6.10 e 6.11 possiamo
osservare i risultati graci dei livelli stimati.

Livelli del VaR e dell'Expected Shortfall

Periodo VaR 95% VaR 99% ES 95% ES 97.5% ES 99%

Campione intero 98.8 99.6 99.2 99.6 99.6

Bassa volatilità 97.2 99.6 98.8 99.6 100

Alta volatilità 93.2 96.4 94.8 96.8 97.6

Dopo aver calcolato i valori dei test per il metodo di Acerbi e Szekely
(2013) e aver vericato che nessuno fosse negativo, si può concludere che
non possiamo riutare le stime ottenute.
54 CAPITOLO 6. APPLICAZIONI PRATICHE

Figura 6.10: Soglie del VaR e dell'Expected Shortfall ai livelli 95% e 99% per
gli ultimi 250 valori dei rendimenti del portafoglio composto dai titoli Intesa
Sanpaolo S.p.A., Assicurazioni Generali e Fiat Chrysler Automobiles NV, in
un periodo di bassa volatilità. Metodo Monte Carlo.
6.2. APPLICAZIONI A SERIE FINANZIARIE REALI 55

Figura 6.11: Soglie del VaR e dell'Expected Shortfall ai livelli 95% e 99% per
gli ultimi 250 valori dei rendimenti del portafoglio composto dai titoli Intesa
Sanpaolo S.p.A., Assicurazioni Generali e Fiat Chrysler Automobiles NV, in
un periodo di alta volatilità. Metodo Monte Carlo.
56 CAPITOLO 6. APPLICAZIONI PRATICHE
Capitolo 7

Conclusioni
Partendo da una visione generale di quelle che sono le normative che regolano
il Risk Management delle banche, siamo arrivati a descrivere e a confrontare
le due misure di rischio che in questi anni si stanno succedendo, ovvero il
VaR e l'Expected Shortfall.
Il VaR è una misura di rischio che si è rivelata inadatta a descrivere i rischi
di un portafoglio, soprattutto per la mancanza della proprietà fondamentale
della subadditività. L'importanza di questa proprietà è quella di permettere
che la diversicazione di un portafoglio possa ridurne il rischio. Si è visto
però che esiste una misura di rischio alternativa, che non richiede neppure
grandi sforzi di calcolo aggiuntivi per le banche che vogliono sostituire la
vecchia misura di rischio con la nuova.

L'Expected Shortfall è una misura di rischio coerente e quindi subaddi-

tiva, che cattura il rischio di coda e risolve così due dei maggiori problemi
del VaR. Inoltre permette ai risk managers di concentrarsi sulla domanda
 what-if  piuttosto che sulla domanda  if  a cui risponde invece il VaR. Tut-
tavia, mentre eettuare il backtest per il VaR è piuttosto semplice, ci sono
ancora dei problemi su come debba essere eettuato il backtest dell'Expected
Shortfall.
In Fundamental Review of the Trading Book (2013), il Comitato di Basi-
lea ha proposto un cambio nella misurazione del rischio dal VaR con livello
99% all'Expected Shortfall con livello 97.5% per tenere in considerazione il
rischio di coda. Poiché il backtesting per l'Expected Shortfall è complicato, il
backtesting uciale sarà quello eettuato sul VaR. Da quando però Gneiting
(2011) ha dimostrato che l'Expected Shortfall manca della proprietà di elici-
tabilità, c'è stato un dibattito sulla possibilità di eettuarne il backtest. La
mancanza di elicitabilità implica che non è possibile utilizzare una funzione
di punteggio per il backtesting. Ciò non signica però che non possa essere
eettuato il backtest dell'Expected Shortfall.

I tre metodi presentati in questa tesi permettono di eettuare il backtest

senza menzionare la proprietà di elicitabilità. Il metodo più semplice è sicu-

57
58 CAPITOLO 7. CONCLUSIONI

ramente quello del metodo proposto da Emmer, Kratz e Tasche (2013), dove
l'Expected Shortfall è approssimato da diversi livelli del VaR. Abbiamo visto
che l'Expected Shortfall può riscritto come

ES2.5% (X) ≈
1
[V aR2.5% (X) + V aR2.0% (X) + V aR1.5% (X) + V aR1.0% (X) + V aR0.5% (X)].
5
Ciò signica che il backtesting può essere eettuato se prima lo si eettua
sui diversi livelli del VaR, concludendo che essi siano però tutti corretti.
Bibliograa
[1] Abbondo, F. (2015) L'ecienza dei modelli VaR nella gestione dei rischi
di mercato, Università di Pisa

[2] Acerbi, C., Nordio, C., Sirtori, C. (2001) Expected Shortfall as a Tool
for Financial Risk Management, [Link]
[Link]
[3] Acerbi, C., Nordio, C., Sirtori, C. (2002) On the Coherence of Expected
Shortfall, Journal of Banking & Finance 26, 1487-1503
[4] Acerbi, C., Tasche, D. (2001) Expected Shortfall: a natural coherent
alternative to Value at Risk, Journal of Banking & Finance 26
[5] Acerbi, C., Szekely, B. (2014) Backtesting Expected Shortfall, MSCI Inc.

[6] Arlotta, C. (2011) I rischi nanziari aziendali: dalla prevenzione alla

gestione, Milano

[7] Artzner, P., Delbaen, F., Eber, J.-M., Heath, D. (1997) Thinking cohe-
rently, RISK 10 (11), 68-71
[8] Artzner, P., Delbaen, F., Eber, J.-M., Heath, D. (1999) Coherent mea-
sures of risk, Math. Fin. 9 (3), 203-228
[9] Basel Committee on Banking Supervision (2013) Fundamental review of
the trading book: A revised market risk framework, Second Consultative
Paper

[10] Bassi, F., Embrechts, P., Kafetzaki, M. (1997) A Survival Kit for
Quantile Estimation, Department of Mathematics, ETHZ, Zurich

[11] Betti, F. (2001) Value-at-Risk: la gestione dei rischi nanziari e la

creazione del valore, Il Sole 24 ore, Milano

[12] Bollerslev, T. (1986) Generalized autoregressive conditional heteroske-

dasticity, Journal of Econometrics 31, 307-327
[13] Brealey, Richard A., Stewart C. Myers, Franklin Allen (2006) Princi-
ples of Corporate Finance, McGraw-Hill Irwin, New York

59
60 BIBLIOGRAFIA

[14] Carol, A. (2008) Market Risk Analysis, Value at Risk Models (Volume
IV), Prima edizione, John Wiley & Sons Ltd

[15] De Laurentis, G. (2011) Il credito alle imprese dopo la crisi, Bancaria

Editrice

[16] Engle, R. F. (1982) Autoregressive conditional heteroskedasticity with

estimates of the U.K. ination, Econometria 50, 987-1008
[17] FINMA (2018) The Swiss Solvency Test

[18] Gneiting, T. (2011) Making and evaluating point forecasts, Journal of

the American Statistical Association 106 (494), 746-762
[19] Hajek, S. (2011) Solvency 2 - Strumenti per il risk management delle
aziende assicurative, Egea.

[20] Jorion, P. (1997) In Defense of VaR, [Link]

~jorion/oc/[Link]
[21] Koch-Medina, P., Munari, C. (2014) Value-at-Risk vs Expected Short-
fall: A Financial Perspective

[22] Orsini, C. (2017) Da Basilea 1 a Basilea 3, Arcadia Consulting Srl -

Bologna

[23] Palomba, G. (2014) Modelli ARCH, Università politecnica delle Marche,

Dottorato in Econometria

[24] Ponzio, A. (2014) Modelli quantitativi per il calcolo del VaR in ambito
nanziario, Università degli studi di Bari

[25] Resti, A., Sironi, A. (2008) Rischio e valore delle banche. Misura,
regolamentazione, gestione, Egea, Milano

[26] Spada, V. (2011) Basilea 3, Università del Salento

[27] Taleb, N. (1997) Against ValueatRisk: Nassim Taleb Replies to

Philippe Jorion, [Link]
[28] Wimmerstedt, L. (2015) Backtesting Expected Shortfall: the design and
implementation of dierent backtests