Staartrisico: wat VaR voorbij de grens buiten beeld laat

Een drempel is geen maximum

Value at Risk, of VaR, vat een verlieskwantiel samen voor een vastgelegde horizon en betrouwbaarheidsniveau. Een eendaagse 95%-VaR is een drempel in de bovenste staart van de gemodelleerde verdeling van eendaagse verliezen. Het is geen maximaal mogelijk verlies, geen beloofd stopniveau en geen uitspraak dat het verlies van morgen begrensd is.

Het betrouwbaarheidsniveau alleen is onvolledig. Een dollarbedrag hangt af van portefeuilleomvang, posities, waarderingsmethode en de gebruikte verdeling. Historische, parametrische en simulatiebenaderingen kunnen verschillende antwoorden geven omdat ze verschillende aannames maken. Vermeld altijd de tekenconventie: sommige systemen rapporteren een positief verliesbedrag, terwijl andere een negatieve rendementsgrens tonen.

Vraag hoe ernstig de slechtere uitkomsten zijn

Expected shortfall onderzoekt het gemiddelde verlies in het gekozen slechtste deel van de uitkomsten, met passende verwerking bij een discrete kwantielgrens. Het beschrijft dus de ernst van staartverliezen die een kwantiel alleen kan verhullen. Twee portefeuilles kunnen een vergelijkbare VaR hebben en toch heel verschillende verliezen voorbij die drempel.

Deze extra informatie maakt de maatstaf niet onfeilbaar. Waarnemingen in de staarten zijn schaars, waardoor schattingen instabiel kunnen zijn. Een korte steekproef bevat mogelijk geen crisis die op de volgende lijkt. Regelgevende kaders voor marktrisico gebruiken expected shortfall in specifieke modellen, maar een educatieve berekening is geen beoordeling van wettelijk vereist kapitaal en mag aan die terminologie geen gezag ontlenen.

Bij discrete uitkomsten doet de afbakening van de staart ertoe. Stel verlies nul met kans 97%, 100 dollar met 2% en 1.000 met 1%. Onder de kleinste-verlieskwantielconventie is 95%-VaR nul. Toch is het gemiddelde van de slechtste 5% gelijk aan (0,02 × 100 + 0,01 × 1.000 + 0,02 × 0) / 0,05 = 240 dollar. Alleen verliezen strikt boven VaR middelen zou 400 geven en een andere vraag beantwoorden: die gebeurtenissen beslaan slechts 3% van de verdeling.

Historische afwezigheid betekent geen onmogelijkheid

Een historische simulatie herwaardeert of benadert de huidige portefeuille onder veranderingen uit het verleden. De transparantie is nuttig, maar ze kan niet automatisch gebeurtenissen buiten de steekproef weergeven. Structurele veranderingen in hefboomwerking, handelsplatforms of de instrumenten zelf kunnen ervoor zorgen dat een bekende historische schok vandaag anders uitwerkt.

Ook parametrische modellen moeten kritisch worden bekeken. Normaal verdeelde rendementen veronderstellen kan bepaalde extreme uitkomsten en afhankelijkheden onderschatten. Eendaags risico schalen met de wortel van de tijd berust op beperkende aannames over afhankelijkheid en verdeling; het is geen universele regel voor illiquide posities of niet-lineaire producten. Toon de gevoeligheid voor alternatieve aannames in plaats van één model te presenteren als een objectieve eigenschap van de portefeuille.

Staartafhankelijkheid en liquiditeit horen bij elkaar

Extreme gezamenlijke bewegingen kunnen afwijken van de correlatie die op gewone dagen wordt gemeten. Verschillende ogenschijnlijk diversifiërende posities kunnen tegelijk moeilijk verkoopbaar worden wanneer financiering schaarser wordt. Verliezen kunnen dan de onderpandeisen verhogen, wat verkopen afdwingt en extra koersdruk veroorzaakt. Een statische rendementsverdeling kan deze terugkoppeling missen.

Neem scenario's op voor ruimere spreads, vertraagde uitvoering en onbeschikbare hedges. Herwaardeer bij opties of hefboomproducten de positie onder veranderende gevoeligheden in plaats van één schatting voor een kleine beweging te extrapoleren. Operationele onderbrekingen kunnen een beheersbare ongunstige koersbeweging ook in een groter gerealiseerd verlies veranderen. Risicometing is onvolledig als ze bij elke extreme gebeurtenis een perfect werkend uitstapproces veronderstelt.

Gebruik meerdere perspectieven en onderzoek uitzonderingen

Combineer kwantitatieve staartrisicomaatstaven met scenarioverliezen, concentratierapporten en kasstroomstresstests. Elke methode belicht iets anders. Onderzoek wanneer gerealiseerde verliezen een gemodelleerde VaR-drempel overschrijden of dit past bij de beoogde overschrijdingsfrequentie, of het model correct is toegepast en of de onderliggende verdeling is veranderd.

Herkalibreer niet uitsluitend om recente overschrijdingen te laten verdwijnen. Bewaar eerdere voorspellingen zodat het model eerlijk kan worden beoordeeld. Een nuttig staartrisicoverslag legt uit wat is inbegrepen, wat niet, hoe onzeker de schatting is en welke beslissingen ervan afhangen. Het grootste gevaar is vaak een compacte statistiek zien als toestemming om de aannames erachter te negeren.

Beoordeel de voorspelling voordat je overschrijdingen uitlegt

Een voorspelling en haar gerealiseerde vergelijking moeten hetzelfde beschrijven. Een dagelijkse risicovoorspelling voor de posities van gisteren sluit je niet rechtstreeks aan op een resultaat met nieuwe transacties, opnames en ongerelateerde kosten. Gebruik een positiegebonden vergelijking om het model te beoordelen en een aparte werkelijke rekeninguitkomst voor het handelsproces. Beide zijn relevant, maar vermenging maakt de oorzaak van een overschrijding onduidelijk.

In een ideaal correct gekalibreerd model met continue verliezen wordt dagelijkse 99%-VaR op 1% van de dagen overschreden. Over 250 dagen is het verwachte aantal 2,5, niet precies twee of drie. Bij onafhankelijke overschrijdingen met constante kans is de kans op minstens één 1 − 0,99²⁵⁰, ongeveer 91,9%. Een enkel voorval bewijst dus geen modelmislukking. Een klein totaal bewijst ook geen goede kalibratie wanneer alle voorvallen kort na elkaar plaatsvinden.

Ernst en frequentie zijn aparte diagnoses. Een verlies net over de grens en een verlies van tienmaal de grens tellen beide als één overschrijding, met sterk verschillende gevolgen. Bekijk bedragen, omstandigheden en de voorafgaande voorspellingen. Een model dat ongeveer het juiste aantal haalt maar een cluster zware financieringsgerelateerde verliezen mist, heeft niet de volledige risicovraag beantwoord.

Hoge betrouwbaarheidsniveaus laten weinig staartwaarnemingen over. Bij 1.000 gelijk gewogen historische scenario’s bevat de slechtste 1% er slechts tien. Eén vervangen waarneming kan het gemiddelde sterk veranderen, vooral bij een uitzonderlijk verlies. Andere looptijden of toegevoegde stressscenario’s veranderen de vraag opnieuw. Vermeld aantal, weging en gevoeligheid voor enkele grote verliezen. Meer decimalen maken schaarse informatie niet rijker.