Parametrische vs. Historische Value-at-Risk-Berechnung

Definition

Der Value at Risk (VaR) ist eine statistische Kennzahl, die im Finanzwesen verwendet wird, um das Ausmaß des finanziellen Risikos innerhalb eines Unternehmens oder eines Anlageportfolios über einen bestimmten Zeitraum zu quantifizieren. Er beantwortet eine grundlegende Frage für Investoren und Risikomanager: "Wie hoch ist der maximale Geldbetrag, den ich bei dieser Investition über einen bestimmten Zeitraum mit einer bestimmten Wahrscheinlichkeit verlieren könnte?" Ein täglicher 95%-VaR von 100.000 US-Dollar bedeutet beispielsweise, dass unter normalen Marktbedingungen nur eine 5%ige Wahrscheinlichkeit besteht, an einem einzigen Tag mehr als 100.000 US-Dollar zu verlieren. Diese Kennzahl hilft, potenzielle Abwärtsrisiken zu verstehen, und ist somit ein Eckpfeiler des modernen Risikomanagements.

Es gibt verschiedene Ansätze zur Berechnung des VaR, aber zwei stechen durch ihre unterschiedlichen Methoden und Annahmen hervor: der parametrische VaR (auch als Varianz-Kovarianz-Methode bekannt) und der historische VaR (oder historische Simulationsmethode). Während beide darauf abzielen, eine Schätzung des potenziellen Verlusts zu liefern, unterscheiden sie sich erheblich in der Art und Weise, wie sie das Marktverhalten modellieren und historische Daten verarbeiten, was zu unterschiedlichen Stärken und Schwächen in verschiedenen Marktumfeldern führt.

Kernaussage

Der grundlegende Unterschied zwischen parametrischem und historischem Value-at-Risk liegt in ihren zugrunde liegenden Annahmen über die Vermögensrenditen. Der parametrische VaR geht davon aus, dass die Vermögensrenditen einer bestimmten statistischen Verteilung folgen, typischerweise einer Normalverteilung, und stützt sich auf statistische Parameter wie Mittelwert und Standardabweichung, um potenzielle Verluste zu schätzen. Im Gegensatz dazu trifft der historische VaR keine solchen Verteilungsannahmen, sondern verwendet direkt vergangene beobachtete Renditen, um zukünftige Szenarien zu simulieren und den potenziellen Verlust aus tatsächlichen historischen Datenpunkten abzuleiten.

Mechanik

Parametrischer Value-at-Risk

Die parametrische VaR-Methode, oft als Varianz-Kovarianz-Methode bezeichnet, basiert auf der Annahme, dass die Renditen von Finanzanlagen normalverteilt sind. Dies ermöglicht die Schätzung des VaR unter Verwendung statistischer Parameter wie dem Mittelwert und der Standardabweichung der Renditen. Die Berechnung umfasst mehrere Schritte. Zunächst müssen historische Tagesrenditen für die betreffende Anlage oder das Portfolio gesammelt werden. Aus diesen Daten werden der Mittelwert (Durchschnitt) und die Standardabweichung (Volatilität) dieser Renditen berechnet. Als Nächstes werden ein Konfidenzniveau (z. B. 95 % oder 99 %) und ein Zeithorizont (z. B. ein Tag oder ein Monat) gewählt. Für ein gegebenes Konfidenzniveau wird ein entsprechender Z-Wert aus der Standardnormalverteilungstabelle ermittelt. Zum Beispiel entspricht ein Konfidenzniveau von 95 % einem Z-Wert von ungefähr 1,645 für einen einseitigen Test, während 99 % einem Wert von 2,326 entsprechen.

Die Formel für den parametrischen VaR wird typischerweise ausgedrückt als: VaR = Portfoliowert × (Mittelwert der Rendite - Z-Wert × Standardabweichung). Für kurze Zeithorizonte und wenn der Fokus auf potenziellen Verlusten liegt, wird der Mittelwert der Rendite oft als Null angenommen oder als vernachlässigbar betrachtet, wodurch sich die Formel zu VaR = Portfoliowert × (Z-Wert × Standardabweichung) vereinfacht. Der Hauptvorteil dieser Methode ist ihre rechnerische Effizienz und einfache Implementierung, insbesondere für Portfolios mit vielen Vermögenswerten, da sie nur die Kovarianzmatrix der Vermögensrenditen erfordert. Ihre Abhängigkeit von der Normalverteilungsannahme kann jedoch ein erheblicher Nachteil sein. Finanzielle Vermögensrenditen, insbesondere in volatilen Märkten wie Kryptowährungen, weisen oft fette Enden (mehr extreme Ereignisse, als eine Normalverteilung vorhersagen würde) und Schiefe (asymmetrische Verteilung) auf, was zu einer Unterschätzung des Risikos bei Marktzusammenbrüchen oder plötzlichen Spitzen führen kann.

Historischer Value-at-Risk

Die historische VaR-Methode, oder historische Simulation, verfolgt einen nicht-parametrischen Ansatz, was bedeutet, dass sie keine Annahmen über die statistische Verteilung der Vermögensrenditen trifft. Stattdessen verwendet sie direkt vergangene Marktdaten, um zukünftige potenzielle Verluste vorherzusagen. Der Prozess beginnt mit dem Sammeln einer ausreichend langen Reihe historischer Tagesrenditen für die Anlage oder das Portfolio. Eine gängige Praxis ist die Verwendung von Daten der letzten 250 bis 500 Handelstage, wobei die Wahl des historischen Fensters entscheidend ist und die VaR-Schätzung erheblich beeinflussen kann. Sobald die historischen Renditen gesammelt sind, werden sie vom schlechtesten (negativsten) zum besten (positivsten) sortiert.

Nach dem Sortieren wird der VaR durch Identifizierung der Rendite bestimmt, die dem gewählten Konfidenzniveau entspricht. Um beispielsweise einen historischen 95%-VaR zu berechnen, würde man nach dem 5. Perzentil der sortierten historischen Renditen suchen (wenn Verluste verwendet werden) oder dem 95. Perzentil (wenn Renditen direkt verwendet werden und die schlechtesten 5% gesucht werden). Wenn 250 historische Tagesrenditen vorliegen, wäre das 5. Perzentil die 12. oder 13. schlechteste Rendite. Dieser spezifische Renditewert, multipliziert mit dem aktuellen Portfoliowert, ergibt den historischen VaR. Die Stärke dieser Methode liegt in ihrer Fähigkeit, tatsächliches Marktverhalten, einschließlich fetter Enden, Schiefe und anderer nicht-normaler Merkmale, zu erfassen, da sie auf beobachteten Daten basiert. Sie berücksichtigt implizit alle historischen Korrelationen und Volatilitäten, ohne eine explizite statistische Modellierung zu erfordern. Ihre Haupteinschränkung ist jedoch die Annahme, dass "die Geschichte sich wiederholt". Wenn der gewählte historische Zeitraum zukünftige Marktbedingungen nicht angemessen widerspiegelt oder wenn sich Marktregime ändern, kann der historische VaR irreführend sein. Er erfordert auch eine erhebliche Menge an historischen Daten, die für neuere Vermögenswerte oder illiquide Märkte möglicherweise nicht immer verfügbar sind.

Trading-Relevanz

Für Trader und Portfoliomanager dient der VaR als unverzichtbares Werkzeug für das Risikobudgeting und die Positionsgrößenbestimmung. Das Verständnis des potenziellen maximalen Verlusts ermöglicht es Tradern, angemessene Grenzen für ihr Engagement in verschiedenen Vermögenswerten oder Strategien festzulegen. Ein Trader könnte beispielsweise entscheiden, dass keine einzelne Position einen täglichen 99%-VaR überschreiten sollte, der einen bestimmten Prozentsatz seines Gesamtkapitals ausmacht. Dies hilft, katastrophale Verluste zu verhindern und die Portfoliostabilität zu erhalten. Die Wahl zwischen parametrischem und historischem VaR kann diese Entscheidungen erheblich beeinflussen, insbesondere in volatilen Märkten wie Kryptowährungen, wo traditionelle Verteilungsannahmen oft versagen.

In der Praxis könnte ein Trader, der ein diversifiziertes Portfolio verwaltet, den parametrischen VaR für hochliquide Vermögenswerte mit gutartigem Renditeverhalten verwenden, um von dessen Rechengeschwindigkeit für die tägliche Risikoberichterstattung zu profitieren. Für Vermögenswerte, die für extreme Preisbewegungen bekannt sind, oder in Zeiten von Marktstress könnte jedoch der historische VaR bevorzugt werden, da er die Auswirkungen vergangener Krisen und nicht-normaler Ereignisse implizit erfasst. Wenn ein Portfolio beispielsweise Vermögenswerte aus Schwellenländern oder bestimmte Altcoins enthält, deren Renditen oft schief sind und fette Enden aufweisen, könnte der historische VaR eine realistischere Schätzung des Abwärtsrisikos liefern als ein parametrisches Modell, das Normalität annimmt. Darüber hinaus wird der VaR verwendet, um die Auswirkungen eines neuen Handels auf das Gesamtrisiko des Portfolios zu analysieren, was Tradern hilft, die Vermögensallokation zu optimieren und sicherzustellen, dass neue Positionen das Risikoprofil des Portfolios nicht über akzeptable Schwellenwerte hinaus verschieben. Die Portfolio Risk and Performance Lösung von Kaiko bietet beispielsweise einen VaR, der speziell auf Kryptowährungsportfolios zugeschnitten ist und die einzigartigen Besonderheiten dieser Marktstruktur und Daten berücksichtigt.

Risiken

Obwohl der VaR ein leistungsstarkes Risikomanagement-Tool ist, bergen sowohl die parametrischen als auch die historischen Methoden inhärente Risiken und Einschränkungen, die Anwender verstehen müssen.

Allgemeine VaR-Risiken

Ein übergeordnetes Risiko besteht darin, dass der VaR nur eine Punktschätzung des potenziellen Verlusts auf einem bestimmten Konfidenzniveau liefert; er sagt nichts über die Höhe der Verluste aus, die über diesem Niveau auftreten könnten. Dies wird als Endrisiko oder Tail Risk bezeichnet. Ein 95%-VaR von 100.000 US-Dollar bedeutet beispielsweise, dass eine 5%ige Wahrscheinlichkeit besteht, mindestens 100.000 US-Dollar zu verlieren, aber er quantifiziert nicht, ob dieser Verlust 101.000 US-Dollar oder 1.000.000 US-Dollar betragen könnte. Hierfür werden oft andere Maße wie der Expected Shortfall (ES) oder der Conditional VaR (CVaR) in Verbindung mit dem VaR verwendet. Ein weiteres Risiko ist das Modellrisiko, bei dem das gewählte Modell oder seine Parameter die Realität möglicherweise nicht genau widerspiegeln. Die Wahl des Konfidenzniveaus und des Zeithorizonts ist ebenfalls subjektiv und kann die VaR-Schätzung erheblich verändern, was möglicherweise zu einem falschen Sicherheitsgefühl oder übermäßiger Vorsicht führt.

Parametrische VaR-spezifische Risiken

Das bedeutendste Risiko im Zusammenhang mit dem parametrischen VaR ist seine starke Abhängigkeit von der Normalverteilungsannahme der Vermögensrenditen. Wie bereits erwähnt, weichen Finanzrenditen häufig von einer Normalverteilung ab und weisen fette Enden (Leptokurtosis) und Schiefe auf. Wenn die Renditen nicht normalverteilt sind, neigt der parametrische VaR dazu, das tatsächliche Risiko zu unterschätzen, insbesondere in Zeiten von Marktturbulenzen oder extremen Ereignissen. Dies kann zu einer unzureichenden Kapitalallokation für potenzielle Verluste führen. Darüber hinaus ist die Genauigkeit des parametrischen VaR stark von der Schätzung der Input-Parameter wie Standardabweichung und Korrelation abhängig. Ungenaue oder veraltete Schätzungen können zu fehlerhaften VaR-Werten führen. Beispielsweise könnte in Zeiten schnell wechselnder Marktvolatilität eine über einen langen historischen Zeitraum berechnete Standardabweichung die aktuellen Marktbedingungen nicht widerspiegeln, wodurch die VaR-Schätzung weniger zuverlässig wird.

Historische VaR-spezifische Risiken

Der historische VaR, obwohl er Verteilungsannahmen vermeidet, birgt eigene Risiken. Seine zentrale Einschränkung ist die Annahme, dass die vergangene Performance ein Indikator für zukünftige Ergebnisse ist. Wenn der für die Simulation gewählte historische Zeitraum keine relevanten Marktereignisse umfasst oder wenn sich das Marktregime erheblich ändert, kann der historische VaR ein schlechter Prädiktor für zukünftige Risiken sein. Ein historischer VaR, der beispielsweise mit Daten aus einem längeren Bullenmarkt berechnet wurde, könnte das Risiko während eines bevorstehenden Bärenmarktes erheblich unterschätzen. Umgekehrt könnte ein Zeitraum, der von extremen Ereignissen dominiert wird, zu einer übermäßig konservativen VaR-Schätzung führen. Eine weitere Herausforderung ist die Datenverfügbarkeit für illiquide Vermögenswerte oder neue Finanzinstrumente, bei denen eine ausreichend lange und repräsentative historische Datenreihe möglicherweise nicht existiert. Die Wahl des historischen Fensters ist ebenfalls subjektiv; ein kürzeres Fenster könnte empfindlicher auf jüngste Marktveränderungen reagieren, aber statistisch weniger robust sein, während ein längeres Fenster möglicherweise zu langsam ist, um sich an neue Marktdynamiken anzupassen.

Geschichte und Beispiele

Das Konzept des Value at Risk gewann in der Finanzbranche nach den Marktzusammenbrüchen der späten 1980er und frühen 1990er Jahre an Bedeutung, die die Notwendigkeit besserer Risikomessinstrumente verdeutlichten. Das RiskMetrics-System von J.P. Morgan, das 1994 eingeführt wurde, spielte eine entscheidende Rolle bei der Popularisierung des VaR als Standard zur Messung des Marktrisikos. Dieses System verwendete hauptsächlich einen parametrischen Ansatz, der die Varianz-Kovarianz-Methode aufgrund ihrer rechnerischen Effizienz für große Portfolios nutzte.

Betrachten wir ein hypothetisches Portfolio im Wert von 1.000.000 US-Dollar. Wir veranschaulichen beide Methoden:

Parametrisches VaR-Beispiel (95 % Konfidenz, 1-Tages-Horizont): Angenommen, die täglichen Renditen dieses Portfolios haben einen Mittelwert von 0,01 % und eine Standardabweichung von 1,5 %. Für ein Konfidenzniveau von 95 % beträgt der Z-Wert ungefähr 1,645. Unter Verwendung der vereinfachten Formel (Mittelwert für die Verlustberechnung ignorierend): VaR = 1.000.000 $ × (1,645 × 0,015) = 1.000.000 $ × 0,024675 = 24.675 $ Dies bedeutet, dass eine 5%ige Wahrscheinlichkeit besteht, an einem einzigen Tag mindestens 24.675 US-Dollar zu verlieren, unter der Annahme normalverteilter Renditen.

Historisches VaR-Beispiel (95 % Konfidenz, 1-Tages-Horizont): Angenommen, wir sammeln 250 historische Tagesrenditen für dasselbe 1.000.000-US-Dollar-Portfolio. Nach dem Sortieren dieser 250 Renditen von der schlechtesten zur besten suchen wir nach dem 5. Perzentil (250 * 0,05 = 12,5, also nehmen wir die 13. schlechteste Rendite). Wenn die 13. schlechteste beobachtete Tagesrendite -2,1 % betrug, dann: VaR = 1.000.000 $ × 0,021 = 21.000 $ Dies deutet darauf hin, dass das Portfolio historisch an 5 % der Tage mindestens 21.000 US-Dollar verloren hat. Diese Methode spiegelt direkt das vergangene Marktverhalten wider, einschließlich aller extremen Ereignisse, die innerhalb des 250-Tage-Fensters aufgetreten sind.

Im Kontext von Kryptowährungen, wo die Volatilität oft höher ist und die Verteilungen häufig nicht-normal sind, werden der historische VaR oder fortgeschrittenere Methoden wie Monte-Carlo-Simulationen oft bevorzugt. Kaiko bietet beispielsweise Lösungen an, die speziell für das Risikomanagement von Krypto-Portfolios entwickelt wurden und proprietäre Methoden nutzen, die die einzigartige Marktstruktur und Datenmerkmale digitaler Vermögenswerte berücksichtigen.

Häufige Missverständnisse

Mehrere Missverständnisse umgeben den Value at Risk, unabhängig von der Berechnungsmethode, die zu fehlerhaften Risikomanagemententscheidungen führen können.

Erstens ist ein häufiges Missverständnis, dass der VaR den absoluten Maximalverlust darstellt, den eine Investition erleiden kann. Dies ist falsch. Der VaR schätzt nur den maximalen Verlust auf einem gegebenen Konfidenzniveau. Es besteht immer eine geringe Wahrscheinlichkeit (z. B. 5 % für einen 95%-VaR), dass der tatsächliche Verlust den VaR-Wert übersteigt. Er bietet keine Obergrenze für potenzielle Verluste, sondern definiert eine Schwelle, die Verluste unter normalen Bedingungen wahrscheinlich nicht überschreiten werden. Diese Unterscheidung ist entscheidend für das Verständnis der Grenzen des VaR als eigenständiges Risikomaß.

Zweitens sagt der VaR nicht voraus, wann ein Verlust eintreten wird, noch erklärt er, warum ein Verlust eintreten könnte. Er ist ein statistisches Maß für die potenzielle Verlusthöhe, kein Werkzeug zur Marktzeitpunktbestimmung oder ein Diagnoseinstrument für Risikotreiber. Ein weiterer häufiger Fehler ist die Verwechslung von VaR mit dem Expected Shortfall (ES). Obwohl verwandt, sagt der VaR aus, welchen Mindestverlust Sie mit einer bestimmten Wahrscheinlichkeit überschreiten können, während der ES (auch als Conditional VaR bekannt) den erwarteten Verlust misst, vorausgesetzt, der Verlust übersteigt die VaR-Schwelle. Der ES bietet eine umfassendere Sicht auf das Endrisiko, indem er die Verluste in den Worst-Case-Szenarien mittelt, was ihn zu einer konservativeren und oft von Regulierungsbehörden bevorzugten Kennzahl für Kapitalanforderungen macht. Schließlich glauben viele Anwender fälschlicherweise, dass eine VaR-Methode universell überlegen ist. In Wirklichkeit hängt die am besten geeignete Methode von der spezifischen Anlage, den Marktbedingungen, der Datenverfügbarkeit sowie dem Risikoprofil und den Annahmen des Anwenders ab. Ein robustes Risikomanagement-Framework beinhaltet oft die Verwendung mehrerer VaR-Methoden oder die Kombination des VaR mit anderen Risikokennzahlen, um ein ganzheitliches Verständnis der potenziellen Risiken zu erlangen.

Zusammenfassung

Der Value at Risk (VaR) ist eine grundlegende Kennzahl im Finanzrisikomanagement, die eine Schätzung des maximalen potenziellen Verlusts für eine Investition über einen definierten Zeitraum und ein Konfidenzniveau liefert. Die beiden primären Methoden für seine Berechnung, der parametrische VaR und der historische VaR, bieten unterschiedliche Ansätze mit einzigartigen Vor- und Nachteilen. Der parametrische VaR, der auf der Annahme normalverteilter Renditen basiert, ist rechnerisch effizient und unkompliziert, wodurch er für gutartige Märkte geeignet ist. Seine Genauigkeit wird jedoch beeinträchtigt, wenn Renditen fette Enden oder Schiefe aufweisen, was das Risiko bei extremen Marktereignissen potenziell unterschätzt. Der historische VaR hingegen ist nicht-parametrisch und verwendet direkt vergangene beobachtete Renditen, um das tatsächliche Marktverhalten, einschließlich nicht-normaler Verteilungen, zu erfassen. Obwohl er eine realistischere Sicht auf das historische Risiko bietet, geht er davon aus, dass sich die vergangenen Marktdynamiken in der Zukunft fortsetzen werden und erfordert eine erhebliche Menge relevanter historischer Daten. Beide Methoden sind wertvolle Werkzeuge für das Risikobudgeting und die Portfoliooptimierung, aber ihre effektive Anwendung erfordert ein gründliches Verständnis ihrer zugrunde liegenden Annahmen, Einschränkungen und des spezifischen Marktkontexts. Eine umfassende Risikomanagementstrategie beinhaltet oft eine sorgfältige Auswahl der geeigneten VaR-Methode oder eine Kombination davon, ergänzt durch andere Risikomaße, um deren inhärente Mängel zu beheben.