Expected Shortfall (ES): La Guida Completa alla Misura di Rischio Avanzata (Con Esempi e Confronto VaR)

Expected Shortfall (ES)

Immagina di voler proteggere i tuoi risparmi dal rischio. Il Value at Risk (VaR) ti dice qual è la massima perdita che potresti subire con una certa probabilità (ad esempio, “c’è il 95% di probabilità che tu non perda più di 100€”). Però, cosa succede se le cose vanno peggio di quanto previsto?

L’Expected Shortfall (ES), a volte chiamato anche Conditional Value at Risk (CVaR), va un passo oltre. Invece di dirti solo la soglia massima di perdita, ti dice quanto potresti perdere in media negli scenari più negativi, quelli che superano quella soglia del VaR.

In parole semplici, l’ES risponde alla domanda: “Se le cose vanno davvero male, quanto male potrebbero andare in media?”.

È utile perché ci dà una visione più completa e prudente del rischio, specialmente in situazioni estreme. Mentre il VaR si concentra su un limite, l’ES considera la gravità delle perdite oltre quel limite, aiutandoti a prepararti meglio per eventi rari ma potenzialmente costosi. Pensa alla differenza tra sapere che “nel peggiore 5% dei casi perderai almeno 100€” (VaR) e sapere che “nel peggiore 5% dei casi la tua perdita media sarà di 150€” (ES). La seconda informazione è decisamente più utile per pianificare e gestire il rischio in modo efficace.

1. Definizione Formale

L’Expected Shortfall ([math]ES[/math]) a un livello di confidenza [math]\alpha[/math] (tipicamente [math]95\%[/math] o [math]99\%[/math]) è definito come:

[math]ES_\alpha = \frac{1}{1-\alpha} \int_\alpha^1 \text{VaR}_\gamma(X) \, d\gamma[/math]

dove:

[math]\text{VaR}_\gamma(X)[/math] è il Value at Risk al livello [math]\gamma[/math].
[math]X[/math] è la variabile aleatoria che rappresenta le perdite del portafoglio.
[math]\alpha[/math] è il livello di confidenza (es. [math]0.95[/math] o [math]0.99[/math]).

Forse potrebbe interessarti anche: Introduzione alle Tecniche di Clustering : K-Means Clustering

In parole semplici, l’ES è la perdita media nei peggiori [math](1-\alpha)\%[/math] degli scenari.

2. Confronto con il VaR

VaR: Indica la massima perdita attesa con probabilità [math]\alpha[/math] (ad esempio, “con il [math]95\%[/math] di confidenza, non perderò più di [math]100[/math]€”).

Tuttavia, il [math]VaR[/math] non dice nulla sull’entità delle perdite oltre quella soglia.

👉Il VaR Spiegato Facile

Expected Shortfall: Risponde alla domanda: “Se le cose vanno male, quanto male potrebbero andare in media?”. Ad esempio: “Nei peggiori [math]5\%[/math] degli scenari, la perdita media sarà di [math]150[/math]€”.

Distribuzione delle Perdite con VaR ed ES

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

# Parametri distribuzione normale
mu, sigma = 0, 1
x = np.linspace(-4, 4, 1000)
pdf = norm.pdf(x, mu, sigma)

# Livello di confidenza (95%)
alpha = 0.95
VaR_alpha = norm.ppf(alpha, mu, sigma)
ES_alpha = mu + sigma * norm.pdf(norm.ppf(alpha)) / (1 - alpha)

# Plot
plt.figure(figsize=(10, 6))
plt.plot(x, pdf, label='Densità di probabilità')
plt.fill_between(x[x >= VaR_alpha], pdf[x >= VaR_alpha], color='red', alpha=0.5, label='Coda oltre il VaR (5%)')
plt.axvline(VaR_alpha, color='black', linestyle='--', label=f'VaR_{alpha} = {VaR_alpha:.2f}')
plt.axvline(ES_alpha, color='blue', linestyle='--', label=f'ES_{alpha} = {ES_alpha:.2f}')
plt.title('Expected Shortfall vs Value at Risk (Distribuzione Normale)')
plt.xlabel('Perdite')
plt.ylabel('Densità')
plt.legend()
plt.show()

Interpretazione:

L’area rossa rappresenta i 5% peggiori scenari (perdite oltre il VaR).
La linea blu (ES) è la media di tutte le perdite in questa area, sempre più estrema del VaR.

Vantaggi dell’ES rispetto al VaR:

Considera la coda della distribuzione: Misura l’entità delle perdite estreme, non solo una soglia.
Proprietà di coerenza: L’ES soddisfa tutti gli assiomi delle misure di rischio coerenti (subadditività, omogeneità, monotonicità e invarianza alla traslazione), mentre il [math]VaR[/math] no.
Maggiore sensibilità al rischio estremo: Utile per gestire eventi rari ma catastrofici.

3. Calcolo dell’Expected Shortfall

Metodo Parametrico (Distribuzione Normale)

Se le perdite seguono una distribuzione normale con media [math]\mu[/math] e deviazione standard [math]\sigma[/math]:

Forse potrebbe interessarti anche: Pricing ibrido B2B con Python: simulare churn, GTV e profitto con Monte Carlo

[math]ES_\alpha = \mu + \sigma \cdot \frac{\phi(\Phi^{-1}(\alpha))}{1-\alpha}[/math]

dove:

[math]\phi[/math] è la densità della normale standard.
[math]\Phi^{-1}(\alpha)[/math] è l’inverso della [math]CDF[/math] normale al livello [math]\alpha[/math].

Metodo Storico (Simulazione)

Si ordinano le perdite storiche dal peggiore al migliore. Si calcola la media delle perdite oltre il [math]\text{VaR}_\alpha[/math].

Esempio:

Supponiamo di avere [math]100[/math] scenari di perdita ordinati. Per [math]\alpha=95\%[/math]:
Il [math]\text{VaR}[/math] è la [math]5^{\text{ª}}[/math] peggiore perdita ([math]5\%[/math] dei casi).
L’ES è la media delle prime [math]5[/math] perdite (peggiori [math]5\%[/math]).

Metodo Monte Carlo

Si simulano migliaia di scenari basati su un modello stocastico e si calcola l’ES come media delle perdite oltre il [math]VaR[/math].

4. Proprietà Matematiche

Subadditività:

L’ES di un portafoglio combinato è [math]\le[/math] alla somma degli ES dei singoli portafogli. Questo incentiva la diversificazione, a differenza del [math]VaR[/math] che può penalizzarla.

Sensibilità alla coda:

L’ES pesa maggiormente gli eventi estremi rispetto al [math]VaR[/math].

5. Applicazioni Pratiche

Regolamentazione finanziaria: Basilea III e Solvency II raccomandano l’ES per valutare il rischio di mercato.
Gestione del rischio: Usato da hedge fund e banche per stress test e allocazione del capitale.
Ottimizzazione di portafoglio: Minimizzare l’ES può portare a portafogli più robusti contro crisi estreme.

6. Limiti dell’Expected Shortfall

Dipendenza dalla distribuzione: L’accuratezza dipende dalla corretta modellizzazione delle code (es. distribuzioni a code grasse).
Complessità computazionale: Richiede più dati o simulazioni rispetto al [math]VaR[/math].
Comunicazione meno intuitiva: Il [math]VaR[/math] è più semplice da spiegare ai non tecnici.

7. Esempio Numerico

Supponiamo un portafoglio con le seguenti perdite ordinate (in milioni):

[math][-2.5, -2.0, -1.8, -1.5, -1.2, -0.9, \dots][/math]

[math]VaR[/math] al [math]95\%[/math]: [math]5^{\text{ª}}[/math] perdita = [math]-1.2[/math] (perdita massima nel [math]95\%[/math] dei casi).

[math]ES[/math] al [math]95\%[/math]: Media delle peggiori [math]5[/math] perdite ([math]5\%[/math] di [math]100[/math] scenari):

Forse potrebbe interessarti anche: Modello di Bass in Python: Prevedere l'Adozione di Mercato (Guida e Codice)

[math]ES = \frac{-2.5 + (-2.0) + (-1.8) + (-1.5) + (-1.2)}{5} = \frac{-9.0}{5} = -1.8[/math]

Conclusioni

L’Expected Shortfall è uno strumento avanzato per la gestione del rischio, particolarmente utile per valutare scenari estremi e garantire stabilità finanziaria. Sebbene più complesso del [math]VaR[/math], la sua adozione è cresciuta grazie alla sua capacità di cogliere il rischio sistemico e alla sua coerenza matematica. Tuttavia, richiede attenzione nella modellizzazione statistica delle code di distribuzione.