Il Conditional Value at Risk (CVaR), noto anche come Expected Shortfall (ES), è una misura di rischio che quantifica la perdita attesa nei casi peggiori oltre una certa soglia (generalmente il Value at Risk, VaR). A differenza del VaR, che fornisce solo una soglia di perdita massima a un certo livello di confidenza, il CVaR considera la media delle perdite che superano tale soglia, offrendo una visione più completa del rischio di coda.
Nozioni Teoriche
Value at Risk (VaR): Per un livello di confidenza [math]\alpha[/math] (es. 95%), il VaR è la perdita massima che non viene superata con probabilità [math]\alpha[/math].
Conditional VaR (CVaR): Media delle perdite che superano il VaR. Matematicamente:[math]\displaystyle CVaR_{\alpha}=E[X∣X\geq VaR_{\alpha}][/math]dove [math]X[/math] è la variabile aleatoria delle perdite.
Dato un portafoglio con perdite giornaliere (in milioni): [1, 2, 3, 4, 5], calcolare CVaR al 60%.
Passaggi:
Ordinare le perdite: [1, 2, 3, 4, 5].
Calcolare il VaR al 60%:
Il percentile 60% corrisponde alla 3a osservazione (poiché [math]0.6\times5=3[/math]).
VaR = 3.
Calcolare il CVaR come media delle perdite [math]\geq[/math] VaR:
Perdite [math]\geq 3[/math]: [3, 4, 5].
CVaR = (3 + 4 + 5)/3 = 4.
Risposta:
CVaR al 60% = 4 milioni.
Questo esercizio, sebbene semplice, illustra chiaramente l’essenza del CVaR. Dal punto di vista decisionale, ci dice che nel 40% dei casi peggiori (le perdite da 3 in su), la perdita media è di 4 milioni. Questo è fondamentale per una pianificazione di emergenza. Se il VaR ci dice che con il 60% di probabilità non supereremo i 3 milioni di perdita, il CVaR ci avverte che se le cose vanno male (quel 40% di probabilità), la perdita media è un intero milione in più. Questo può influenzare la definizione di riserve di capitale o la strategia di copertura. Se l’azienda può assorbire una perdita di 3 milioni, ma non 4, allora è necessario riconsiderare l’esposizione o le coperture.
Esercizio 2 (Intermedio)
Problema:
Un portafoglio ha rendimenti distribuiti normalmente con media 0 e deviazione standard 10%. Calcolare CVaR al 95% per un investimento di €100.
Passaggi:
Trovare il VaR al 95%:
Per una normale standard, [math]\displaystyle VaR_{\alpha}=\mu+\sigma\cdot\Phi^{-1}(\alpha)[/math].
[math]\Phi^{-1}(0.95)\approx1.645[/math].
[math]VaR=0+10\%\cdot1.645=16.45\%[/math].
In euro: [math]100\cdot16.45\%=\text{€}16.45[/math].
Calcolare il CVaR:
Per una normale, il CVaR è dato da:[math]\displaystyle CVaR_{\alpha}=\mu+\sigma\cdot\frac{\phi(\Phi^{-1}(\alpha))}{1-\alpha}[/math]dove [math]\phi[/math] è la densità normale standard.
In euro: [math]100\cdot20.6\%=\text{€}20.6[/math].
Risposta:
CVaR al 95% = €20.6.
La distribuzione normale è spesso utilizzata per modellare i rendimenti. Con un investimento di €100, un CVaR del 95% di €20.6 significa che, nel 5% dei casi peggiori, la perdita media sarà di €20.6. Questo è cruciale per la determinazione dei limiti di rischio e la valutazione della performance del portafoglio. Se un gestore di fondi si impegna a non superare un certo livello di rischio, il CVaR fornisce una misura più robusta rispetto al VaR per monitorare tale impegno. Permette di capire l’entità delle “coda di rischio” e di allineare le aspettative con i potenziali drawdown. Se la perdita massima accettabile è di 15€, allora 20.6€ richiede una revisione della strategia o dell’asset allocation.
In euro: [math]50\cdot75.3\%=\text{€}37.65[/math].
L’uso della distribuzione t-Student è più realistico per i mercati finanziari, in quanto cattura meglio le code pesanti (eventi estremi più probabili rispetto alla normale). Un CVaR del 99% di €37.65 con una t-Student rispetto a una normale per una stessa volatilità è un segnale forte: gli eventi estremi sono più costosi. Dal punto di vista gestionale, questo implica che le riserve di capitale o le coperture assicurative devono essere maggiori di quanto suggerito da un modello basato sulla normale. Le banche, ad esempio, utilizzano modelli con code più pesanti per determinare i requisiti di capitale normativi, proprio perché questi modelli riflettono meglio il rischio di scenari catastrofici. Ignorare le code pesanti può portare a sottostimare significativamente il rischio.
Esercizio 4 (Caso Pratico)
Problema:
Un hedge fund ha un portafoglio con CVaR giornaliero al 95% di €5 milioni. Interpretare il risultato.
Spiegazione:
Il CVaR del 95% di €5 milioni significa che, nei peggiori 5% dei casi (perdite oltre il VaR), la perdita media attesa è di €5 milioni. È una misura più conservativa del VaR, poiché considera non solo la soglia critica ma l’entità media delle perdite estreme.
Questo esercizio enfatizza l’importanza dell’interpretazione. Un CVaR giornaliero del 95% di €5 milioni per un hedge fund è un dato cruciale per la gestione quotidiana del rischio e la comunicazione con gli investitori. Significa che, nei giorni peggiori (il 5%), la perdita media attesa è di 5 milioni. Questo influisce sulla liquidità necessaria per coprire eventuali richieste di riscatto o margin call, sulla tolleranza al rischio del fondo e sulla strategia di investimento. È un indicatore chiave per il team di gestione del rischio per decidere se ridurre l’esposizione, implementare strategie di copertura o accettare il rischio implicito. La sua comprensione è vitale per evitare sorprese e garantire la sostenibilità del fondo.
Per trovare il peso ottimale che minimizza il CVaR, possiamo utilizzare un approccio di ottimizzazione numerica con Python. Questo ci permette di calcolare con precisione i pesi del portafoglio per ottenere il CVaR più basso possibile, dato il vincolo sul peso dell’Asset A.
import numpy as np
from scipy.optimize import minimize
from scipy.stats import norm
# Dati degli asset
mu_A, sigma_A = 0.10, 0.20
mu_B, sigma_B = 0.05, 0.10
rho = 0.3
alpha = 0.90
# Calcolo del fattore 'k' per l'approssimazione del CVaR
z_alpha = norm.ppf(alpha)
phi_z = norm.pdf(z_alpha)
k = phi_z / (1 - alpha)
# Funzione da minimizzare (CVaR approssimato)
def cvar_approx(w_array):
w = w_array[0]
mu_p = w * mu_A + (1 - w) * mu_B
sigma_p = np.sqrt(
w**2 * sigma_A**2 +
(1 - w)**2 * sigma_B**2 +
2 * w * (1 - w) * rho * sigma_A * sigma_B
)
return mu_p + k * sigma_p
# Esecuzione dell'ottimizzazione
# x0 è la stima iniziale per w, bounds definisce il vincolo [0, 0.6]
result = minimize(
cvar_approx,
x0=[0.3],
bounds=[(0, 0.6)],
method='SLSQP'
)
# Estrazione dei risultati
w_opt = result.x[0]
mu_opt = w_opt * mu_A + (1 - w_opt) * mu_B
sigma_opt = np.sqrt(
w_opt**2 * sigma_A**2 +
(1 - w_opt)**2 * sigma_B**2 +
2 * w_opt * (1 - w_opt) * rho * sigma_A * sigma_B
)
cvar_min = mu_opt + k * sigma_opt
# Stampa dei risultati
print("=== RISULTATI FINALI ===")
print(f"Peso ottimale Asset A: {w_opt:.2%}")
print(f"CVaR minimizzato al 90% (approssimato): {cvar_min:.2%}")
Risultati
=== RISULTATI FINALI ===
Peso ottimale Asset A: 3.09%
CVaR minimizzato al 90% (approssimato): 22.52%
Interpretazione e Applicazione dell’Ottimizzazione CVaR
Il CVaR, o Conditional Value at Risk, è una misura di rischio superiore alla tradizionale VaR (Value at Risk), in quanto quantifica la perdita media attesa nelle peggiori X% dei casi, andando oltre il semplice punto di interruzione. Questa metodologia è cruciale per una gestione avanzata del rischio.
Nel contesto di questo studio, il peso ottimale assegnato all’Asset A risulta molto basso, circa il 3.09%. Questo indica che, per minimizzare il CVaR al 90%, conviene puntare principalmente sull’Asset B, che è meno volatile rispetto all’Asset A. L’obiettivo è chiaro: contenere le perdite estreme.
Il CVaR approssimato al 90% del portafoglio ottimizzato è circa il 22.52%. Questo valore rappresenta la perdita media attesa nei peggiori 10% dei casi, evidenziando un livello di rischio condizionale relativamente alto. Probabilmente ciò è dovuto alla volatilità combinata degli asset e alla loro correlazione positiva. La correlazione positiva tra gli asset, come indicato, limita l’effetto di diversificazione, rendendo ancora più cruciale l’ottimizzazione per mitigare le perdite estreme piuttosto che affidarsi unicamente alla combinazione di asset per ridurre la volatilità complessiva.
L’ottimizzazione del CVaR è un concetto avanzato e di grandissima rilevanza pratica. Invece di minimizzare la varianza (come nell’approccio di Markowitz), si minimizza la perdita attesa nelle code estreme. Trovare un peso ottimale per l’Asset A così basso (circa il 3%) significa che questa allocazione è la più efficiente per contenere le perdite estreme.
Questo è fondamentale per investitori avversi al rischio di coda o per fondi pensione e assicurazioni che hanno un’elevata necessità di proteggere il capitale da eventi catastrofici. Permette di costruire portafogli più resilienti agli shock di mercato, non solo meno volatili in condizioni normali. È una strategia di investimento che privilegia la protezione del capitale nelle fasi di stress del mercato.
È importante notare che l’efficacia dell’ottimizzazione del CVaR dipende fortemente dalla qualità dei dati storici e dalle assunzioni fatte sulla distribuzione delle perdite, sottolineando l’importanza di un’attenta validazione del modello.
Esercizio 6 (Simulazione Monte Carlo)
Problema:
Stimare il CVaR al 95% per un portafoglio con rendimenti log-normali, media 8%, volatilità 25%, tramite 10.000 simulazioni.
Passaggi:
Generare 10.000 rendimenti [math]r_i[/math] da [math]\ln(1+r)\sim N(0.08,0.25^2)[/math].
Calcolare le perdite [math]L_i=-r_i[/math].
Ordinare [math]L_i[/math] e trovare il VaR come 500a perdita più alta (5% di 10.000).
Calcolare il CVaR come media delle prime 500 perdite.
Risultato atteso:
Il CVaR sarà [math]\approx 35-40\%[/math], a seconda delle simulazioni.
La simulazione Monte Carlo è indispensabile per portafogli complessi con distribuzioni non-normali o interdipendenze difficili da modellare analiticamente. Stimare un CVaR del 35-40% tramite simulazione offre una visione realistica del rischio in scenari complessi. Questo approccio è usato per stress test e analisi di scenari, permettendo ai gestori di capire come il portafoglio si comporterebbe sotto diverse condizioni di mercato simulate. È fondamentale per la gestione del rischio operativo, la valutazione di prodotti finanziari derivati e la calibrazione dei modelli di rischio interni delle istituzioni finanziarie. Consente di anticipare e prepararsi a eventi che non si sono ancora verificati nella storia, migliorando la robustezza delle decisioni.
Conclusione
Il CVaR è uno strumento essenziale per la gestione del rischio, soprattutto per gli eventi estremi. Gli esercizi mostrano come calcolarlo in diversi contesti, da dati storici a distribuzioni parametriche e simulazioni. In sintesi, il CVaR fornisce una misura di rischio più completa e robusta rispetto al VaR, soprattutto quando si tratta di gestire eventi estremi e proteggere il capitale. La sua applicazione spazia dalla pianificazione strategica (quanto capitale allocare, quale livello di rischio accettare) alla gestione tattica (definizione dei limiti, coperture, rebalancing del portafoglio) e alla comunicazione (trasparenza con gli stakeholder). È un pilastro fondamentale per una decisione finanziaria consapevole e proattiva.
