Analisi e Gestione del Rischio Lezione 7 Prodotti con pay-off non lineare.

Presentazione sul tema: "Analisi e Gestione del Rischio Lezione 7 Prodotti con pay-off non lineare."— Transcript della presentazione:

1 Analisi e Gestione del Rischio Lezione 7 Prodotti con pay-off non lineare

2 Non linearità nel portafoglio Prendete un titolo obbligazionario a tasso variabile con un cap o un floor? Qual è la differenza in termini di flussi? –Un titolo con cap include una posizione corta in una serie di opzioni call –Un titolo con floor include una posizione lunga in una serie di opzioni put. Di che segno è la sentitività a un aumento dei tassi forward?…e a cambi della volatilità?

3 Esempio Struttura a termine “bootstrappata” dai tassi swap del 17 marzo 2006.

4 Cedole attese con cap e floor (4%)

5 Rischio Gamma

6 Rischio Vega

7 Modelli Delta-Gamma Un approccio per la valutazione del rischio di posizioni non lineari è dato dalla rappresentazione della loro sensitività con un’espansione di Taylor, in termini di delta e gamma (il gamma è necessario perché rappresenta la non linearità della posizione. Il problema di questo tipo di rappresentazione è che mentre la parte “delta” conserva l’ipotesi sulla distribuzione del sottostante (ad es. la normalità), il termine gamma corrisponde a un fattore di rischio al quadrato, che ha una distribuzione più complessa (ad es. chi-quadro). La distribuzione corrispondente all’espansione di Taylor deve quindi essere approssimata con metodi statistici, come ad es. il metodo dei momenti

8 Approssimazione Delta-Gamma Assumiamo di avere un derivato sensibile a un solo fattore di rischio che identificheremo col prezzo del sottostante S. Utilizzando uno sviluppo in serie di Taylor arrestato al secondo ordine possiamo esprimere la variazione di prezzo dell’opzione in funzione della variazione di prezzo del sottostante come

9 Alcuni metodi che permettono di affrontare il problema del calcolo del percentile in maniera sufficientemente generale sono offerti dalla statistica Questi metodi si basano sul calcolo dei momenti della distribuzione da stimare al fine di approssimarla con una distribuzione di forma nota di cui sia possibile calcolare in maniera semplice il percentile per ogni livello di confidenza desiderato. Metodi Famiglia di Johnson Espansione di Cornish-Fisher Approssimazione Delta-Gamma

10

11

12 Il metodo Monte Carlo Il metodo Monte Carlo (MC nel seguito) è una tecnica basata sulla simulazione di un numero elevato di possibili scenari rappresentativi dell’evoluzione futura delle variabili di rischio da cui dipende il valore di una generica attività finanziaria; Infatti tale tecnica si basa sull’idea di approssimare il valore atteso di una determinata funzione finanziaria calcolando la media aritmetica dei diversi risultati ottenuti dalle simulazioni effettuate sul possibile andamento futuro delle variabili da cui essa dipende.

13 Il metodo Monte Carlo in finanza In finanza il metodo Monte Carlo è utilizzato per la determinazione del valore delle opzioni, o la perdita ad un certo livello di probabilità Il punto di partenza consiste nella definizione del processo dinamico seguito dal sottostante. Nel caso dei derivati su indici azionari o su azioni è comune assumere che il sottostante segua un processo di tipo geometrico browniano.

14 Generazione di dati casuali Diversi metodi possono essere utilizzati per l’estrazione di dati da una distribuzione H(.). Dato il valore x, la trasformata integrale H(x), definita come la probabilità di estrarre un valore minore o uguale a x ha distribuzione uniforme nell’intervallo tra zero e uno. Allora è naturale utilizzare l’algoritmo –Estrarre una variabile u da una distribuzione uniforme in [0,1] –Calcolare dall’inversa di H(.): x = H –1 (u) La variabile x è estratta dalla distribuzione H(.)

15 Monte Carlo: utilizzo Calcolo del prezzo di strumenti derivati. –Indicando con f T il valore dell’opzione stessa alla scadenza T, il valore ad oggi, f, sarà dato da L’idea guida del metodo MC consiste nello stimare tale valore attraverso la simulazione dei possibili valori assunti nel corso del tempo dalle variabili sottostanti, di cui il prezzo del derivato è funzione; –Tramite il calcolo di un insieme sufficientemente ampio di possibili valori finali possiamo poi stimare il nostro integrale come media aritmetica di tali valori.

16 Monte Carlo: utilizzo Valutazione del VaR di un portafoglio di derivati non lineari. Vengono determinati scenari di valori del sottostante alla data di smobilizzo. Per ognuno di questi scenari viene rivalutato il portafoglio di prodotti derivati, e l’eventuale perdita rispetto al valore attuale Viene calcolato il percentile empirico della distribuzione di profitti e perdite del portafoglio.

17 Un processo per i prezzi azionari Processi per il Sottostante Generazione Scenari Distribuzione probabilistica dei premi Calcolo della media e dell’errore

18 Il metodo Monte Carlo l’errore quadratico medio dello stimatore, che può essere interpretato come l’errore quadratico medio della simulazione Monte Carlo, decresce all’aumentare di n come Questo risultato risulta del tutto indipendente dalla dimensione del problema. E’ proprio quest’ultima caratteristica che rende attraente il metodo Monte Carlo per la risoluzione di problemi con un numero elevato di dimensioni. In questo caso tipicamente il metodo Monte Carlo risulta convergere verso il valore finale più velocemente dei metodi numerici tradizionali in cui il numero di iterazioni per raggiungere un’approssimazione prefissata cresce con l’aumentare del numero di dimensioni.

19 Un processo per i prezzi azionari Nota: In queste formule z rappresenta una variabile aleatoria estratta da una distribuzione normale standard N(0,1).