Conditional VaR (CVaR/ES)

Regulační kapitál bankovního obchodního portfolia (Basel III FRTB), který umožňuje odborníkům činit dobře informovaná kvantitativní rozhodnutí na základě ověřených výpočetních metod a standardních oborových přístupů, což vyžaduje přesnou kvantitativní analýzu pro podporu rozhodnutí na základě důkazů, strategickou alokaci zdrojů a optimalizaci výkonu v různých organizačních kontextech a odborných disciplínách

Monitorování rizik hedgeových fondů a reportování investorů, které pomáhají analytikům produkovat přesné výsledky, které podporují strategické plánování, alokaci zdrojů a výkonnostní benchmarking napříč organizacemi, kde jsou přesné numerické výpočty zásadní pro vytváření spolehlivých výstupů, které informují o procesech plánování, hodnocení a neustálého zlepšování ve firemním i individuálním prostředí.

Přiměřenost rezerv pojišťovny podle Solvency II, která odborníkům umožňuje systematicky kvantifikovat výsledky a porovnávat scénáře pomocí spolehlivých matematických rámců a zavedených vzorců, vyžadující systematické výpočetní postupy, které převádějí nezpracovaná vstupní data do použitelných poznatků pro zúčastněné strany, které jsou ve svých každodenních profesionálních činnostech závislé na kvantitativní přísnosti.

Optimalizace portfolia s omezením koncového rizika, podpora procesů hodnocení řízených daty, kde je numerická přesnost nezbytná pro dosažení souladu, výkaznictví a optimalizačních cílů, vyžadující robustní výpočetní metody, které poskytují konzistentní a ověřitelné výsledky vhodné pro reporting, audity a dlouhodobé analýzy trendů v profesionálních prostředích

Řízení rizik aktiv a pasiv penzijních fondů, které vyžaduje přesnou kvantitativní analýzu pro podporu rozhodnutí podložených důkazy, strategickou alokaci zdrojů a optimalizaci výkonnosti v různých organizačních kontextech a odborných disciplínách

Proč je CVaR považováno za lepší než VaR?

CVaR je lepší než VaR z několika vzájemně propojených důvodů. Za prvé, CVaR je koherentní: splňuje subaditivitu (diverzifikace vždy pomáhá), zatímco VaR nikoli. Za druhé, CVaR poskytuje informace o závažnosti ztráty překračující prahovou hodnotu, nejen o pravděpodobnosti jejího překročení. VaR říká, že „neztratíte více než X s pravděpodobností α“ – ale neposkytuje žádnou informaci o tom, jak špatné jsou ztráty, když překročí X. Za třetí, CVaR je konvexní a lze jej začlenit do rámců optimalizace portfolia pomocí lineárního programování. Za čtvrté, CVaR je citlivější na tvar ocasu – distribuce s tlustým ocasem produkují podstatně vyšší CVaR, což poskytuje upřímný obraz rizika ocasu, které může VaR zakrýt.

Jaký je požadavek Basel III FRTB pro očekávaný schodek?

Fundamental Review of the Trading Book (FRTB), rámec tržního rizika Basel III, nahradil 99% VaR s 97,5% očekávaným schodkem jako primární kapitálovou metrikou. Mezi klíčové požadavky patří: ES se musí vypočítat pomocí horizontu likvidity 10 pracovních dnů (nikoli starých 10 dnů škálovaných od 1 dne); různé třídy aktiv mají různé horizonty likvidity (od 10 dnů u akcií s velkou kapitalizací po 120 dnů u některých úvěrových produktů); ES musí být kalibrováno na zátěžové historické období; a banky musí také vypočítat nestresovaný ES pro srovnání. Rámec vstoupil v platnost pro velké mezinárodně aktivní banky v roce 2023, přičemž úplná implementace Basel III byla dokončena v letech 2025–2028 v různých jurisdikcích.

Jaký je vztah mezi VaR a CVaR na různých úrovních spolehlivosti?

Pro normálně rozdělené výnosy je poměr ES/VaR pevnou funkcí úrovně spolehlivosti. Při 95 % je ES přibližně o 25 % vyšší než VaR. Při 99 % je ES přibližně o 14 % vyšší než VaR. S 99,9 % je ES asi o 8 % vyšší. U distribucí s tlustým koncem (leptokurtic) – které lépe popisují skutečné finanční výnosy – je však poměr podstatně vyšší. Studentovo t-rozdělení se 4 stupni volnosti vytváří poměr ES/VaR o 50–100 % vyšší než normální případ. To je důvod, proč historické nebo Monte Carlo simulační metody obvykle produkují vyšší CVaR než parametrické normální modely.

Jak se mění CVaR během období stresu na trhu?

CVaR se dramaticky zvyšuje během stresových období, protože: (1) volatilita portfolia roste, čímž se celé rozložení ztrát posouvá doprava; (2) korelace mezi aktivy se během krizí zvyšují směrem k 1,0, čímž se snižují výhody diverzifikace; (3) distribuce výnosů se stávají více negativně vychýlené a s tlustým koncem, což zesiluje ztráty na konci, než by předpovídala samotná volatilita. Během krize v roce 2008 byly typické denní odhady VaR překračovány 10–20krát častěji než implikovaná 1% pravděpodobnost – což ukazuje, že historické odhady CVaR kalibrované na klidná období silně podhodnocují koncové riziko v krizích. To je důvod, proč FRTB vyžaduje kalibraci v zátěžovém období.

Lze CVaR použít pro optimalizaci portfolia?

Ano, a to je jedna z hlavních praktických výhod CVaR oproti VaR. Rockafellar a Uryasev (2000) ukázali, že minimalizaci CVaR lze formulovat jako lineární program, díky čemuž je výpočetně zpracovatelný i pro velká portfolia. Rámec optimalizace portfolia střední hodnoty CVaR minimalizuje CVaR pro daný očekávaný výnos (analogicky jako Markowitzova optimalizace s průměrnou odchylkou), ale do objektivní funkce zahrnuje riziko konce. To vytváří portfolia, která jsou odolnější vůči extrémním událostem ve srovnání s portfolii s optimálním průměrem rozptylu, při nízkých nákladech v očekávané návratnosti. Mnoho institucionálních manažerů rizik nyní používá optimalizaci střední hodnoty CVaR jako primární rámec pro konstrukci portfolia.

Co je zpětné testování pro CVaR a proč je obtížné?

Zpětné testování VaR je jednoduché: spočítejte, kolik dní skutečné ztráty přesáhly odhad VaR, a porovnejte s očekávanou frekvencí (např. 1 % pro 99% VaR). Zpětné testování CVaR je náročnější, protože CVaR je průměrem podmíněným koncovými událostmi – a koncové události jsou vzácné, což ztěžuje statistické vyvozování s omezenými daty. Testy zahrnují: (1) testy podmíněného pokrytí – odpovídají ztráty přesahující průměr VaR předpokládané CVaR? (2) Acerbi-Szekelyho spektrální testy – porovnání celého rozložení ocasu. Protože tail události jsou vzácné, CVaR backtesty mají nízkou statistickou sílu a vyžadují mnoho let dat k detekci i mírného podhodnocení. Jedná se o aktivní oblast výzkumu v oblasti kvantitativního řízení rizik.

Jak se CVaR liší od zátěžového testování?

CVaR je statistický odhad průměrné ztráty na konci dané aktuálním distribučním modelem. Zátěžové testování zkoumá konkrétní nejhorší scénáře – často historické krize (2008 GFC, krach COVID-19, Černé pondělí 1987) nebo hypotetické události (geopolitický šok, změna politiky centrální banky, kolaps sektoru). CVaR je závislý na modelu a zachycuje průměrné chování ocasu při modelované distribuci; zátěžové testy zachycují ztráty konkrétního scénáře bez ohledu na jejich statistickou pravděpodobnost. Nejlepší praxe kombinuje obojí: CVaR pro průběžné každodenní monitorování rizik a alokaci kapitálu, zátěžové testování pro připravenost na konkrétní scénář a komunikaci o riziku na úrovni představenstva.