Tail risk: ang panganib na hindi sakop ng hangganan ng VaR
Ihiwalay ang quantile ng pagkalugi sa tindi ng mas masasamang resulta at subukin sa stress ang mga palagay sa likod ng dalawa.
Hindi pinakamataas na halaga ang threshold
Ibinubuod ng Value at Risk, o VaR, ang isang loss quantile para sa nakasaad na haba ng panahon at confidence level. Ang isang-araw na 95% VaR ay threshold na kaugnay ng itaas na buntot ng distribution ng isang-araw na pagkalugi ayon sa modelo. Hindi ito pinakamataas na posibleng pagkalugi, ipinangakong stop level, o pahayag na may hangganan ang pagkalugi bukas.
Hindi sapat ang confidence level lamang. Nakadepende ang halagang dolyar sa laki ng portfolio, mga hawak na asset, paraan ng valuation at distribution na ginagamit. Maaaring magbigay ng magkakaibang sagot ang mga paraang historical, parametric at simulation dahil magkaiba ang kanilang mga palagay. Laging sabihin ang kumbensiyon sa tanda: positibong halaga ng pagkalugi ang iniuulat ng ilang sistema, samantalang negatibong threshold ng return ang ipinapakita ng iba.
Itanong kung gaano katindi ang mas masasamang resulta
Sinusuri ng expected shortfall ang average na pagkalugi sa piniling pinakamasamang bahagi ng mga resulta, na may angkop na pagtrato sa hangganan ng discrete quantile. Kaya inilalarawan nito ang tindi ng buntot ng distribution na maaaring maitago ng quantile lamang. Maaaring magkatulad ang VaR ng dalawang portfolio ngunit lubhang magkaiba ang pagkalugi lampas sa threshold na iyon.
Hindi ginagawang walang-kamalian ng dagdag na impormasyong ito ang sukatan. Kakaunti ang mga obserbasyon sa buntot ng distribution, kaya maaaring hindi matatag ang mga pagtataya. Maaaring walang krisis sa maikling sample na kahawig ng susunod. Gumagamit ang mga regulatory framework para sa panganib sa merkado ng expected shortfall sa mga tinukoy na modelo, ngunit ang pagkalkulang pang-edukasyon ay hindi pagtatasa ng regulatory capital at hindi dapat umangkin ng awtoridad mula sa terminolohiyang iyon.
Sa discrete distribution, hindi laging average lamang ng loss na mahigpit na lampas sa VaR ang expected shortfall. Kung zero ang loss sa 97%, isang daan sa 2% at isang libo sa 1%, kasama sa pinakamasamang 5% ang dalawang percentage point ng zero outcomes. Ang average nito ay 240.
Hindi nangangahulugang imposible ang hindi pa nangyayari sa nakaraan
Muling pinapahalagahan o tinatantiya ng historikal na simulation ang kasalukuyang portfolio sa ilalim ng nakaraang mga pagbabago. Kapaki-pakinabang ang transparency nito, ngunit hindi nito awtomatikong maikakatawan ang mga pangyayaring wala sa sample. Maaaring gawing iba ngayon ng estruktural na pagbabago sa leverage, mga lugar ng trading o mismong mga instrumento ang epekto ng pamilyar na historikal na shock.
Kailangan ding busisiin ang mga parametric model. Maaaring maliitin ng pag-aakalang normal ang distribusyon ng mga return ang ilang sukdulang resulta at pagdepende. Umaasa sa mahihigpit na palagay tungkol sa pagdepende at distribusyon ang pagpapalawak ng isang-araw na panganib gamit ang square root ng oras; hindi ito pangkalahatang tuntunin para sa illiquid na posisyon o nonlinear na produkto. Ipakita ang sensitivity sa alternatibong mga palagay sa halip na iharap ang isang modelo bilang obhetibong katangian ng portfolio.
Magkaugnay ang tail dependence at liquidity
Maaaring iba ang sukdulang sabayang paggalaw sa correlation na sinusukat sa mga karaniwang araw. Maaaring maging mahirap sabay-sabay na ibenta ang ilang posisyong tila nagpapalawak ng diversification kapag humihigpit ang pagpopondo. Maaari namang pataasin ng lugi ang hinihinging collateral, na pumipilit ng pagbebenta at lumilikha ng dagdag na pressure sa presyo. Maaaring hindi kasama sa nakapirming distribusyon ng return ang siklong ito.
Isama ang mga sitwasyong lumalawak ang spread, naaantala ang execution, at walang magamit na hedge. Para sa mga option o produktong may leverage, muling tasahin ang posisyon sa ilalim ng nagbabagong sensitivity sa halip na basta palawakin ang isang pagtataya para sa maliit na galaw. Maaari ring gawing mas malaking aktuwal na pagkalugi ng mga pagkaantala sa operasyon ang masamang galaw ng presyo na sana ay kayang pamahalaan. Hindi kumpleto ang pagsukat ng panganib kung ipinagpapalagay nitong perpektong gumagana ang proseso ng paglabas sa bawat matinding pambihirang pangyayari.
Gumamit ng ilang pananaw at suriin ang mga eksepsiyon
Isama sa kuwantitatibong sukatan ng matitinding resulta ang mga pagkalugi sa sitwasyon, ulat ng konsentrasyon, at cash-flow stress test. Magkakaibang bagay ang itinatampok ng bawat isa. Kapag lumampas ang aktuwal na pagkalugi sa VaR threshold ng modelo, siyasatin kung tugma ang pangyayari sa nilalayong dalas ng paglampas, kung tama ang implementasyon ng modelo, at kung nagbago ang underlying na distribution.
Huwag mag-recalibrate para lamang mawala ang mga kamakailang paglihis. Panatilihin ang mga naunang forecast upang matapat na masuri ang modelo. Ipinapaliwanag ng kapaki-pakinabang na ulat sa tail risk kung ano ang kasama, ano ang hindi, gaano katiyak ang tantiya at aling mga pasya ang nakadepende rito. Madalas na ang pinakamalaking panganib ay ang pagturing sa maikling estadistika bilang pahintulot na balewalain ang mga palagay na lumikha rito.
Suriin ang dalas ng paglabag at laki ng pagkawala
Dapat iisang portfolio ang sukatan ng forecast at validation outcome. Hindi direktang kapareho ng risk ng mga posisyon kahapon ang resulta ngayon na may bagong trade at withdrawals. Sinusuri ng fixed-position result ang modelo; ng aktuwal na account ang proseso.
Sa perpektong calibrated na continuous-loss model, nalalampasan ang one-day 99% VaR sa 1% ng araw. Sa 250 araw, 2.5 ang inaasahang bilang. Kung independiyente at pareho ang posibilidad, humigit-kumulang 91.9% ang tsansa ng kahit isang exceedance. Hindi awtomatikong kabiguan ang isa.
Parehong isang exceedance ang loss na bahagyang lampas sa threshold at ang sampung beses nito, ngunit malaki ang pagkakaiba ng epekto. Tingnan ang halaga, kondisyon at forecast na inilabas bago ang pangyayari. Mahalaga rin ang pagkumpol ng mga paglabag.
Sa isang libong equally weighted scenario, sampu lamang ang pinakamasamang 1%. Malaki ang maaaring ibago ng isang obserbasyon. Ilahad ang bilang, timbang at sensitibidad sa malalaking loss; hindi kapalit ng datos ang mas maraming decimal.