What is VaR Backtesting Calculator?
▾
Zpětné testování VaR je statistický proces validace modelu Value at Risk porovnáním předpokládaných odhadů VaR s následně realizovanými zisky a ztrátami portfolia. K překročení (neboli „výjimce“) dochází v kterýkoli den, kdy skutečná ztráta portfolia překročí předpokládanou hodnotu VaR pro daný den. U správně specifikovaného modelu 99% VaR očekáváme, že k překročení dojde přibližně v 1 % obchodních dnů – asi 2–3 dny v roce pro kalendář s 250 obchodními dny. Zpětné testování se ptá: je pozorovaný počet překročení statisticky v souladu s tím, co model předpovídá? Basilejský výbor poprvé formalizoval požadavky na zpětné testování VaR ve svém dodatku k tržnímu riziku (1996) a upřesnil je prostřednictvím následných dohod. Podle Basel III musí banky používající interní modely VaR pro kapitál tržního rizika provádět každodenní zpětné testování svých 99% 1denních odhadů VaR oproti skutečným ziskům a ztrátám. Rámec regulačního semaforu klasifikuje výsledek zpětného testu na základě počtu překročení za posledních 250 obchodních dnů: 0–4 překročení (zelená zóna) – modelová schválení; 5–9 překročení (žlutá zóna) – zvýšení kapitálového multiplikátoru; 10+ překročení (červená zóna) – model selže, vyžaduje revizi a potenciálně přechází na standardizovaný přístup. Test Kupiec (1995) Proportion of Failures (POF) je základním statistickým testem: testuje, zda pozorovaný počet překročení odpovídá uvedené hladině spolehlivosti VaR pomocí testu poměru věrohodnosti. Nulová hypotéza je, že skutečná pravděpodobnost překročení se rovná (1-úroveň spolehlivosti). Christoffersen (1998) test podmíněného pokrytí vylepšuje Kupiec tím, že také testuje, zda jsou překročení v čase nezávislá — platný model VaR by neměl mít překročení shlukovaná dohromady (což by naznačovalo, že se model pomalu přizpůsobuje měnící se volatilitě). Samotné zpětné testování nestačí k úplnému ověření modelu VaR. Přiřazení zisků a ztrát (vysvětlení zisků a ztrát za každý den pomocí rizikových faktorů modelu) je vyžadováno v rámci Basel FRTB. Hypotetické zisky a ztráty (s použitím aktuálních pozic portfolia přeceněných podle včerejších změn na trhu) musí být konzistentní s teoretickým ziskem a ztrátou (z rizikového modelu). Modely, které projdou zpětným testováním, ale neuspějí při atribuci zisků a ztrát, mohou mít stále značné riziko modelu. Validace modelu přesahuje zpětné testování a zahrnuje analýzu citlivosti, zátěžové testování, srovnávání s alternativními modely a přezkoumání předpokladů modelování. Analýza velikosti překročení (jsou ztráty ve výjimečných dnech mnohem větší než VaR, což naznačuje tlusté ocasy?) doplňuje přístup založený na počtu.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Vzorec
▾
Očekávaná překročení = (1 − Spolehlivost) × N
Kupiec LR = −2 × [ln((1−p)^(N−x) × p^x) − ln((1−x/N)^(N−x) × (x/N)^x)]
Kritická hodnota: χ²(1) při 5 % = 3,84 | χ²(2) při 5 % = 5,99 (Christoffersen)Variable Legend
▾
| Symbol | Jméno | Jednotka | Popis |
|---|---|---|---|
| N | Celkový počet pozorovacích dnů | days | Počet obchodních dnů v okně zpětného testování; Basilej vyžaduje minimálně 250 obchodních dnů (≈1 kalendářní rok). |
| x | Počet překročení | count | dny, kdy skutečná ztráta zisku a ztráty převýšila odhad VaR; očekávaný = (1−spolehlivost) × N. |
| p | Očekávaná míra překročení | % | Uvedená míra překročení modelu VaR: 1 % pro 99 % VaR, 5 % pro 95 % VaR. |
| LR_POF | Statistika testu Kupiec LR | chi-squared | Poměr pravděpodobnosti pro testování, zda pozorovaná míra překročení odpovídá očekávané míře; ve srovnání s χ²(1) kritickou hodnotou. |
| CC_test | Statistika Christoffersena | chi-squared | Testuje jak správný poměr, tak nezávislost překročení; χ²(2) rozdělení; detekuje shlukování výjimek. |
How to VaR Backtesting Calculator
▾
- 1Shromažďujte denní odhady VaR (na uvedené úrovni spolehlivosti) a skutečné denní zisky a ztráty pro okno zpětného testování (minimálně 250 obchodních dnů).
- 2Počet překročení: dny, kdy ztráta > odhad VaR (tj. skutečný zisk a ztráta je zápornější než −VaR).
- 3Vypočítejte očekávaná překročení: E[x] = (1−spolehlivost) × N. Pro 99% VaR za 250 dní: E[x] = 2,5.
- 4Aplikujte Kupiec POF test: vypočítejte statistiku LR pomocí vzorce; srovnání s χ²(1) = 3,84 při 5% významnosti. Pokud LR > 3,84, model v testu neprojde.
- 5Aplikujte Christoffersenův test podmíněného pokrytí: vytvořte matici přechodu 2×2 po sobě jdoucích denních překročení; test nezávislosti překročení.
- 6Použít rámec semaforů Basel: 0–4 výjimky = zelená (žádná akce); 5–9 = žlutá (kapitálové navýšení); 10+ = červená (chyba modelu).
- 7Analyzujte velikost výjimky: jsou ztráty ve výjimečných dnech pouze mírně nad VaR, nebo jsou dramaticky větší? Velké překročení naznačuje podcenění tlustého ocasu.
Worked Examples
▾
Model vyhovuje – 3 překročení v souladu s očekáváním 99 % VaR
Očekávaná překročení = 1 % × 250 = 2,5. Pozorováno = 3. LR_POF = −2 × [ln((0,99)^247 × (0,01)^3) − ln((0,988)^247 × (0,012)^3)] ≈ 0,076, což je hluboko pod kritickou hodnotou χ²(1) χ²3,8. Model nelze odmítnout. 3 překročení za 250 dní je velmi konzistentní s 99% modelem VaR. Basilejský semafor: Zelená zóna (výjimky 0–4) – žádná penalizace kapitálového násobení. Toto je očekávaný výsledek pro dobře specifikovaný, pravidelně aktualizovaný model VaR.
Model špatně selhává — 12 překročení znamená, že skutečné riziko je 5× odhad modelu VaR
12 překročení vs. očekávané 2,5 — překročení 4,8×. LR = −2 × [ln(0,99^238 × 0,01^12) − ln(0,952^238 × 0,048^12)] ≈ 24,1, což výrazně převyšuje χ²(1)=3,84. Model je statisticky odmítnut na jakékoli rozumné hladině významnosti. Basilejská červená zóna (10+ výjimek): banka musí vysvětlit selhání modelu regulátorům, zvýší se kapitálový multiplikátor a může být požadováno, aby banka přešla na standardizovaný přístup pro kapitál. Běžné příčiny: podceněná volatilita, ignorované tukové ocasy, nedostatečné zachycení korelace nebo model použitý mimo jeho kalibrační rozsah.
Selhání nezávislosti znamená, že model se rychle nepřizpůsobuje změnám režimu volatility
5 překročení za 250 dní při 99% VaR je v basilejské žluté zóně. Kupiec POF test může jen okrajově projít (hraničně). Nicméně 4 z 5 výjimek vyskytujících se v po sobě jdoucích dnech je silným porušením předpokladu nezávislosti. Christoffersenův CC test vypočítá přechodovou matici: (den po nevyjimce je výjimkou) vs. (den po vyjimce je výjimkou). Pokud p(výjimka | předchozí výjimka) >> p(výjimka | předchozí výjimka), nezávislost selže. Shlukování naznačuje, že model VaR pomalu reaguje na špičky volatility – pravděpodobně používá dlouhé historické okno nebo klouzavou volatilitu spíše než adaptivní odhad.
Jeden katastrofický den (2,1 milionu $ = 4,2×VaR) naznačuje podcenění tlustých ocasů
Čtyři z pěti výjimek jsou jen mírně nad VaR (480 000 $ – 550 000 $) – jsou očekávané a konzistentní s dobře kalibrovaným modelem. Jednoho dne však došlo ke ztrátě 2,1 milionu dolarů – 4,2× odhad VaR. Tato odlehlá hodnota je při normálním rozdělení extrémně nepravděpodobná (pravděpodobnost ztráty > 4,2σ ≈ 0,001 %). To naznačuje, že distribuce návratnosti má tlusté ocasy, které model VaR nezachycuje. Průměrná výjimka = 832 000 $ je 1,66× VaR – očekává se, že bude přibližně 1,14× pro 99% normální VaR – což opět naznačuje tlusté ocasy. Analýza velikosti výjimky spustí kontrolu modelu, i když je počet (5) ve žluté zóně.
Real-World Applications
▾
Reportování bankovního regulatorního kapitálu podle Basel III FRTB, které představuje důležitou aplikační oblast pro Var Back Testing v profesionálním a analytickém kontextu, kde přesné výpočty var back testování přímo podporují informované rozhodování, strategické plánování a optimalizaci výkonu.
Validace interního modelu a řízení rizik modelu, představující důležitou aplikační oblast pro Var Back Testing v profesionálním a analytickém kontextu, kde přesné výpočty var back testování přímo podporují informované rozhodování, strategické plánování a optimalizaci výkonu.
Monitorování výkonnosti modelu rizik hedgeových fondů, které představuje důležitou aplikační oblast pro Var Back Testing v profesionálním a analytickém kontextu, kde přesné výpočty var back testování přímo podporují informované rozhodování, strategické plánování a optimalizaci výkonu.
Validace rizikového modelu pojišťovny podle Solvency II, která představuje důležitou aplikační oblast pro Var Back Testing v profesionálním a analytickém kontextu, kde přesné výpočty var back testování přímo podporují informované rozhodování, strategické plánování a optimalizaci výkonu.
Atribuce výkonu obchodního pultu — odlišení P&L od expozice rizikovým faktorům, což představuje důležitou aplikační oblast pro Var Back Testing v profesionálním a analytickém kontextu, kde přesné výpočty var back testování přímo podporují informované rozhodování, strategické plánování a optimalizaci výkonu
Special Cases
▾
Změny tržního režimu
Ve Var Back Testing vyžaduje tento scénář další opatrnost při interpretaci výsledků var back testování. Standardní vzorec nemusí plně zohledňovat všechny faktory přítomné v tomto hraničním případě a může být zaručena doplňková analýza nebo konzultace s odborníkem. Profesionální osvědčené postupy zahrnují dokumentování předpokladů, provádění analýz citlivosti a křížové reference výsledků s alternativními metodami, když výpočty var back testing spadají do nestandardního území.
Extrémně velké nebo malé vstupní hodnoty ve Var Back Testing mohou posunout var zpět
Extrémně velké nebo malé vstupní hodnoty ve Var Back Testing mohou posunout výpočty var Back Testing za typické provozní rozsahy. I když jsou výsledky z extrémních vstupů matematicky platné, nemusí odrážet realistické scénáře var back testování a měly by být interpretovány opatrně. V profesionálním nastavení var back testování extrémní hodnoty často indikují chyby měření, neobvyklé podmínky nebo případy hran, které si zaslouží další analýzu. Použijte analýzu citlivosti k pochopení toho, jak se výsledky mění v rámci věrohodných vstupních rozsahů, spíše než se spoléhat na výpočty s jedním extrémním případem.
Multiple Testing Issues
Ve Var Back Testing vyžaduje tento scénář další opatrnost při interpretaci výsledků var back testování. Standardní vzorec nemusí plně zohledňovat všechny faktory přítomné v tomto hraničním případě a může být zaručena doplňková analýza nebo konzultace s odborníkem. Profesionální osvědčené postupy zahrnují dokumentování předpokladů, provádění analýz citlivosti a křížové reference výsledků s alternativními metodami, když výpočty var back testing spadají do nestandardního území.
Basilejský semafor: Výjimečné prahy pro 99% VaR za 250 dní
▾
| Výjimky (x) | Pravděpodobnost (pokud je model správný) | Kumulativní pravděpodobnost | Zóna | Kapitálový multiplikátor k |
|---|---|---|---|---|
| 0 | 8,1 % | 8,1 % | Zelený | 3.00 |
| 1 | 20,5 % | 28,6 % | Zelený | 3.00 |
| 2 | 25,7 % | 54,4 % | Zelený | 3.00 |
| 3 | 21,5 % | 75,9 % | Zelený | 3.00 |
| 4 | 13,5 % | 89,4 % | Zelený | 3.00 |
| 5 | 6,8 % | 96,2 % | Žluť | 3.40 |
| 6–9 | 3,5 % | 99,7 % | Žluť | 3,50–3,85 |
| 10+ | 0,3 % | ≥99,7 % | Red | 4.00 |
Frequently Asked Questions
▾
Proč je zpětné testování důležité pro modely VaR?
Zpětné testování je empirické ověření, že model VaR vytváří kalibraci, kterou tvrdí. Banka, která požaduje 99% VaR, by podle definice měla utrpět ztráty přesahující VaR přibližně v 1% případů. Bez zpětného testování by model mohl systematicky podhodnocovat riziko (produkovat příliš nízké VaR, což snižuje kapitálové požadavky) bez mechanismu odpovědnosti. Zpětné testování vytváří regulační smyčku zpětné vazby: modely, které selžou, jsou penalizovány navýšením kapitálu, což vytváří finanční pobídky pro banky, aby udržovaly dobře kalibrované modely. Zpětné testování také pomáhá manažerům rizik identifikovat, kdy modely zastarávají kvůli změněné dynamice trhu.
Jaký je rozdíl mezi čistým a špinavým P&L pro zpětné testování?
Clean P&L (hypotetický P&L) měří zisk nebo ztrátu ze včerejších portfoliových pozic přeceněných pomocí dnešních tržních cen – izoluje čisté tržní riziko bez vlivu nových obchodů, poplatků nebo změn portfolia. Dirty P&L (skutečný P&L) zahrnuje všechny P&L ze všech zdrojů: výnosy z obchodování, nové pozice, příjmy z poplatků a provozní položky. Basel FRTB vyžaduje zpětné testování proti hypotetickému čistému zisku a ztrátě, protože model VaR odhaduje riziko stávajícího portfolia, nikoli vyvíjejícího se portfolia. Pokud se VaR porovná se špinavým ziskem a ztrátou, dobré obchodní dny mohou zakrýt selhání rizikového modelu a naopak.
Kolik let zpětného testování je potřeba pro spolehlivé ověření modelu?
Minimální regulační požadavek je 250 obchodních dnů (≈1 rok). To je však statisticky značně omezené: při 99% VaR se ročně vyskytuje pouze 2,5 očekávané výjimky. Standardní chyba odhadované míry výjimek s 2,5 pozorováními je velmi vysoká — není možné rozlišit mezi modelem, který produkuje 0,5 %, 1 %, 1,5 % nebo 2 % skutečných výjimek s pouhými 250 pozorováními. Pro robustní validaci jsou preferovány údaje za 3–5 let. I poté má Kupiecův test nízkou sílu při rozlišování malých systematických chyb. To je důvod, proč je vedle zpětného testování vyžadováno několik statistických testů a doplňkových validačních metod (zátěžové testování, atribuce P&L).
Co je Basilejský semaforový systém pro zpětné testování VaR?
Basilejský semaforový systém (zavedený v roce 1996 a aktualizovaný v Basileji III) klasifikuje výkonnost modelu VaR na základě počtu výjimek zpětného testování za posledních 250 obchodních dnů: Zelená zóna (0–4 výjimky) — modelová schválení, bez kapitálové pokuty; Žlutá zóna (výjimky 5–9) — kapitálový multiplikátor k se zvyšuje z 3,0 na 3,4–4,0 v závislosti na počtu a zvyšuje se regulační kontrola; Červená zóna (10+ výjimek) — model selže, k=4,0 nebo vyšší a banka může být požádána, aby přešla na standardizovaný přístup. Prahové hodnoty jsou nastaveny tak, aby vyvážily chybu typu I (odmítnutí dobrých modelů) a chybu typu II (přijetí špatných modelů) pro 250denní vzorek.
Co je to atribuce zisků a ztrát a jak souvisí se zpětným testováním?
Atribuce zisků a ztrát (PLA) vyžaduje, aby banky vysvětlily každý den skutečný zisk a ztrátu tím, že jej rozloží na příspěvky z rizikových faktorů zachycených v modelu VaR. Podle Basilejského FRTB musí být rozdíl mezi teoretickým P&L modelu VaR (s použitím rizikových faktorů modelu) a skutečným hypotetickým P&L malý a nekorelovaný se skutečným P&L. Pokud existuje významný P&L nevysvětlený modelem (rezidua modelu jsou velká), naznačuje to, že model VaR postrádá důležité rizikové faktory a může podhodnocovat riziko. PLA se provádí na úrovni obchodního stolu, zatímco zpětné testování se provádí také na úrovni stolu v rámci FRTB.
Může zpětné testování odhalit nesprávnou specifikaci modelu nad rámec pouhé frekvence?
Standardní zpětné testování Kupiec detekuje pouze nesprávnou frekvenci překročení. Nemůže detekovat: (1) nesprávný tvar ocasu – pokud model podcení závažnost ztráty ve výjimečných dnech; (2) nesprávná citlivost na rizikové faktory – pokud model správně předpovídá frekvenci, ale ze špatných důvodů; (3) nesprávná specifikace korelace – pokud jsou výhody diverzifikace nadhodnoceny. Christoffersenův test přidává testování nezávislosti. Testy založené na ztrátových funkcích (srovnejte očekávanou vs. realizovanou distribuci P&L) a testy založené na regresi poskytují další diagnostickou sílu. Kompletní program validace modelu využívá více testů, zátěžové testování, analýzu citlivosti a expertní přezkoumání modelu k identifikaci různých typů chybné specifikace.
Co by měl manažer rizik dělat, když model VaR ukazuje příliš mnoho výjimek?
Nadbytečné výjimky spouštějí proces kontroly strukturovaného modelu: (1) Prozkoumejte každou výjimku: byla ztráta způsobena konkrétní událostí, chybou v datech nebo skutečným nedostatkem modelu? (2) Zkontrolujte, zda jsou odhady volatility aktuální – zastaralé předpoklady volatility jsou častou příčinou podhodnocení VaR na rychle se měnících trzích. 3) Přezkoumat korelační předpoklady – zkontrolovat, zda se v případě potřeby používají krizové korelace. (4) Otestujte alternativní předpoklady rozdělení – nahraďte normální t-rozdělením nebo historickou simulací. (5) Prozkoumejte rizika koncentrace, která model plně nezachycuje. (6) Pokud nelze model rychle napravit, zvyšte kapitálové požadavky nebo snižte limity pozic, dokud nebude model překalibrován.
Common Mistakes to Avoid
▾
- !Zpětné testování proti skutečným špinavým ziskům a ztrátám (včetně nových obchodů a poplatků) namísto hypotetického čistého zisku a zisku z držení pozic z předchozího dne.
- !Použití příliš krátkého okna zpětného testování (< 250 dní), které neposkytuje dostatečnou statistickou sílu k rozlišení dobrých a špatných modelů.
- !Selhání prozkoumání klastrů výjimek — zpracování všech výjimek jako nezávislých událostí, když klastrování odhalí selhání aktualizace modelu.
- !Ignorování velikosti výjimky – model se 2 výjimkami, které jsou obě 5× VaR, je více alarmující než 4 výjimky, každá mírně nad VaR.
- !Neprovádět zpětné testování na úrovni obchodního stolu (požadavek FRTB) a provádět pouze celofiremní zpětné testování, které může maskovat selhání na úrovni pracovního stolu.
Pro Tip
Udržujte klouzavý graf zpětného testu zobrazující kumulativní výjimky za posledních 250 dní vedle zelených/žlutých/červených prahů. Zakreslete to denně, aby bylo zhoršení modelu viditelné jako trend předtím, než model přejde do žluté zóny – což umožňuje proaktivní rekalibraci.
Did you know?
Rámec pro zpětné testování Basilejského semaforu byl představen v dodatku o tržním riziku z roku 1996 poté, co regulační orgány zjistily, že modely VaR některých bank, přestože prošly interní validací, produkovaly systematicky nízké odhady VaR – což v podstatě ohrožovalo kapitálový systém. 250denní, 99% práh se zelenými/žlutými/červenými zónami byl zvolen speciálně pro vyvážení dvou konkurenčních rizik: nesprávné penalizace dobrých modelů (chyba typu I) vs. nedetekce špatných modelů (chyba typu II). Dokonce i dnes je rámec považován za statisticky poddimenzovaný – trvá mnoho měsíců přetrvávajícího selhání modelu, než se důkazy nashromáždí natolik, aby vyvolaly červenou zónu.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
References
- ›Kupiec, P.H. (1995): Techniques for Verifying the Accuracy of Risk Measurement Models, Journal of Derivatives
- ›Christoffersen, P. (1998): Evaluating Interval Forecasts, International Economic Review
- ›Basilejský výbor: Rámec dohledu pro použití zpětného testování (1996)
- ›McNeil, Frey & Embrechts: Kvantitativní řízení rizik – kapitola o zpětném testování
Ratings & comments
Získejte týdenní matematické tipy
Připojte se k 12 000+ odběratelům, kteří každý týden dostávají tipy na kalkulačku.