CAViaR spiegato: Value at Risk condizionale autoregressivo

Sia \(L_t=-r_t\) la perdita del portafoglio, così una perdita è positiva e un guadagno è negativo. Per il livello di confidenza \(\alpha\), il VaR a un periodo è il quantile condizionale superiore \[ v_t^\alpha=Q_\alpha(L_t\mid\mathcal F_{t-1}), \] dove \(\mathcal F_{t-1}\) contiene le informazioni disponibili prima di osservare la perdita del periodo \(t\). Con \(\alpha=0.99\), l'obiettivo è una soglia che dovrebbe essere superata da circa \(1-\alpha=1\%\) delle perdite future, se il quantile condizionale è specificato correttamente. La perdita realizzata può superare il VaR di qualsiasi importo: il VaR non è un limite massimo alla perdita.

CAViaR sta per Conditional Autoregressive Value at Risk e specifica ricorsivamente come cambia nel tempo questo quantile. Invece di stimare l'intera distribuzione condizionale ed estrarne poi un punto di coda, modella direttamente quel punto. Engle e Manganelli hanno introdotto questa classe e stimato i parametri tramite regressione quantilica (il loro articolo del 2004). Il livello del quantile scelto conta: i modelli al 95% e al 99% possono avere dinamiche diverse e nessuno descrive l'intera coda.

Una forma generale a un periodo è \[ v_t^\alpha=f(v_{t-1}^\alpha,L_{t-1},X_{t-1};\beta), \] dove \(X_{t-1}\) contiene altri predittori ammessi e \(\beta\) è un vettore di parametri da stimare. Il quantile ritardato dà memoria alla previsione; le perdite o i predittori ritardati permettono alle nuove informazioni di spostare la soglia. L'idea ricorda una ricorsione della volatilità perché contano le condizioni passate, ma lo stato aggiornato è un quantile, non una varianza condizionale.

Una specificazione simmetrica del valore assoluto (SAV), per esempio, è \[ v_t^\alpha=\beta_0+\beta_1v_{t-1}^\alpha+\beta_2|L_{t-1}|. \] Reagisce all'ampiezza del movimento precedente, ma con il valore assoluto tratta simmetricamente guadagni e perdite. Il termine autoregressivo fa persistere la previsione dopo uno shock, per poi ridurla quando cambiano gli input successivi. La persistenza va stimata e valutata: una traiettoria regolare non dimostra che il quantile sia calibrato.

CAViaR comprende anche altre scelte, come un aggiornamento adattivo basato sul superamento o meno della soglia precedente da parte dell'osservazione passata, e una forma GARCH indiretta che incorpora una ricorsione simile a quella della varianza. Sono specificazioni alternative, non etichette intercambiabili. La forma funzionale determina quali informazioni storiche possono spostare il quantile e quale risposta può esprimere il modello stimato.

Per consentire a osservazioni negative e positive di influire diversamente sul quantile successivo delle perdite, definiamo gli importi positivi \(L^+=\max(L,0)\) e \(L^-=\max(-L,0)\). Una forma con pendenze asimmetriche è \[ v_t^\alpha=\beta_0+\beta_1v_{t-1}^\alpha+\beta_2L_{t-1}^{+}+\beta_3L_{t-1}^{-}. \] Una perdita positiva del portafoglio entra tramite \(L^+\), mentre un guadagno entra tramite \(L^-\). Le due pendenze stimate non devono essere uguali. Se il modello è scritto per i rendimenti e un quantile inferiore dei rendimenti invece che per perdite positive, cambia la convenzione dei segni; l'articolo o l'implementazione deve quindi specificare la variabile dipendente e il significato delle parti positiva e negativa.

Questa flessibilità non dimostra che i mercati abbiano un effetto leva asimmetrico. Consente al quantile condizionale scelto di reagire in modo diverso ai due rami, data la ricorsione e il campione selezionati. I coefficienti sono stimati, non costanti note, e segno e ampiezza dipendono dalle unità e dalla parametrizzazione. Confronta questa forma con una versione simmetrica e valuta entrambe fuori dal campione di stima.

<!-- Illustration placement: after section 3; text-free conceptual view of a conditional loss-quantile ribbon moving over time, responding more after a large loss than after an upside move, with a few conceptual threshold crossings. No axes, labels, values, or market data. -->

Per i parametri candidati \(\beta\), calcola prima l'intero percorso ricorsivo \(v_t^\alpha(\beta)\). Poi minimizza la perdita quantilica, detta anche check loss: \[ \widehat\beta=\arg\min_\beta\sum_{t=1}^{T}\rho_\alpha\!\left(L_t-v_t^\alpha(\beta)\right), \qquad \rho_\alpha(u)=u\left(\alpha-\mathbf 1\{u<0\}\right). \] Per un quantile superiore delle perdite, una sottostima con \(u>0\) riceve peso \(\alpha\), mentre una sovrastima con \(u<0\) riceve peso \(1-\alpha\). Con \(\alpha=0.99\), la funzione penalizza una perdita elevata mancata più di un margine in eccesso della stessa entità. Non è una perdita quadratica e non sceglie coefficienti per adattare la media condizionale.

È l'idea della regressione quantilica sviluppata da Koenker e Bassett (articolo del 1978), applicata a un percorso di quantili generato ricorsivamente. La regressione quantilica lineare ha una struttura convessa utile, ma le forme ricorsive non lineari di CAViaR possono rendere l'ottimizzazione sensibile ai valori iniziali e ai minimi locali. Una stima pratica dovrebbe registrare funzione obiettivo, vincoli sui parametri, procedura di ottimizzazione, controlli di convergenza e risultati con inizializzazioni alternative. I normali risultati dei minimi quadrati non sostituiscono l'inferenza della regressione quantilica.

Il primo valore ricorsivo \(v_0^\alpha\) deve essere fornito o stimato. Una scelta trasparente è il quantile empirico superiore delle perdite calcolato in una finestra presample che termina prima del periodo di valutazione. Altre implementazioni stimano congiuntamente il valore iniziale oppure adottano un periodo di riscaldamento documentato. Applica la regola in modo coerente alle specificazioni candidate e indica quante osservazioni inizializzano la ricorsione. Se il coefficiente ritardato è persistente, l'inizializzazione iniziale può influenzare molte previsioni successive.

Le stime ricorsive dei quantili possono essere non lineari nei parametri anche se l'equazione mostrata sembra semplice. Vettori iniziali diversi possono convergere a soluzioni locali differenti; la convergenza indica soltanto che è stata soddisfatta la regola numerica di arresto. Quando opportuno, usa più inizializzazioni ragionevoli ed esamina i percorsi ottenuti. Distingui un vincolo numerico, come imporre una soglia di perdita non negativa, da un fatto economico. Non esiste un unico limite dei coefficienti che garantisca stabilità per ogni specificazione CAViaR. Le condizioni dipendono dalla forma, dall'identificazione e dal comportamento del processo in ingresso; anche i risultati asintotici dell'articolo originale dipendono da ipotesi esplicite ed escludono i casi esplosivi.

Conta anche l'incertezza. Le osservazioni di coda sono rare, soprattutto al livello del 99%, e la densità condizionale vicino al quantile obiettivo incide sulla precisione dello stimatore. Gli errori standard per quantili ricorsivi non lineari richiedono metodi giustificati per quel contesto, come stimatori asintotici adeguati o un bootstrap progettato con cura. Una linea stimata dall'aspetto preciso non prova che il rischio di coda sia noto con precisione.

All'origine \(t-1\), stima i parametri e genera \(v_t^\alpha\) usando solo rendimenti e covariate disponibili entro quel momento. Confronta la previsione con \(L_t\) dopo la chiusura del periodo. Se ristimi il modello con finestre mobili o crescenti, ciascuna deve terminare all'origine di previsione dichiarata. Usare \(L_t\) per costruire \(v_t^\alpha\), o dati revisionati che allora non erano disponibili, introduce informazioni future.

Allinea l'obiettivo al portafoglio e all'orizzonte effettivi. Un VaR giornaliero per un portafoglio a pesi fissi non è automaticamente il VaR di un conto le cui posizioni cambiano durante la giornata; un quantile a un giorno non è una previsione del rischio su più giorni. Riporta costruzione dei rendimenti, valuta, orizzonte, chiusura del mercato, ribilanciamento e momento in cui ciascun predittore era disponibile. Trasformazioni, operazioni societarie, prezzi obsoleti e sessioni mancanti possono modificare l'insieme informativo e la dinamica dei quantili.

La ricorsione abituale è naturalmente a un passo perché \(v_t\) usa \(L_{t-1}\) osservato. Per una previsione a più passi, le perdite successive non sono ancora note. Iterare l'equazione inserendo perdite future realizzate sarebbe look-ahead. Un VaR su più periodi richiede una procedura esplicita per il percorso futuro ignoto, come una simulazione o un modello separato per più orizzonti, e le ipotesi vanno valutate a parte.

Supponiamo che un VaR giornaliero ipotetico delle perdite al 99% segua la ricorsione asimmetrica sopra. Perdite e \(v\) sono misurati in punti percentuali; i parametri illustrativi, non stimati, sono \(\beta_0=0.10\), \(\beta_1=0.80\), \(\beta_2=0.35\) e \(\beta_3=0.10\). Se la previsione precedente era \(2.00\%\) e la perdita di ieri era \(3.00\%\), allora \[ v_t^{0.99}=0.10+0.80(2.00)+0.35(3.00)+0.10(0)=2.75\%. \] In questo esempio la perdita più ampia alza la soglia odierna. Se invece ieri il portafoglio avesse guadagnato \(3.00\%\), allora \(L_{t-1}=-3.00\%\) e l'altro ramo darebbe \[ v_t^{0.99}=0.10+0.80(2.00)+0.35(0)+0.10(3.00)=2.00\%. \] Questi coefficienti servono soltanto a illustrare la ricorsione: un altro campione o una diversa parametrizzazione può produrre una risposta diversa.

Se la perdita realizzata oggi è \(3.20\%\), supera la previsione del \(2.75\%\) e l'indicatore di eccezione vale uno. Una singola eccezione non dimostra che il modello sia inadeguato, così come un giorno senza eccezioni non lo convalida. Con una calibrazione condizionale corretta, l'indicatore di eccezione ha media condizionale \(1-\alpha\) date le informazioni all'origine della previsione; su un campione lungo la frequenza media dovrebbe essere vicina a tale tasso, tenendo conto dell'errore campionario.

Il VaR è la misura di rischio: un quantile condizionale delle perdite a una probabilità specificata. CAViaR è un metodo per prevedere quella misura. Expected Shortfall risponde a un'altra domanda: la perdita media nella coda selezionata oltre il VaR, secondo la definizione adottata. Il solo percorso quantilico CAViaR non determina quella media né la forma delle perdite oltre la soglia. La guida su VaR ed Expected Shortfall confronta le due misure.

GARCH modella ricorsivamente una varianza o volatilità condizionale; per trasformarla in un quantile VaR occorre poi un'ipotesi distributiva sulle innovazioni standardizzate. ARCH e GARCH sono associati al modello ARCH di Engle e all'estensione GARCH di Bollerslev90063-1). CAViaR modella direttamente il quantile senza richiedere una densità condizionale completa, pur facendo ipotesi sulla dinamica scelta. La specificazione CAViaR GARCH indiretta è un ponte particolare tra i due approcci, non la prova che tutti i modelli CAViaR siano GARCH. Consulta la guida distinta sul clustering della volatilità GARCH.

Una bassa perdita quantilica in-sample non certifica il rischio out-of-sample. Riserva un periodo di valutazione cronologico, produci ogni previsione usando solo informazioni passate e riporta sia il tasso di eccezioni sia l'eventuale raggruppamento o prevedibilità delle eccezioni sulla base dell'informazione passata. Un test della frequenza incondizionata come quello di Kupiec (1995) e un test di copertura condizionale come quello di Christoffersen (1998) rispondono a domande diverse; il test del quantile dinamico di Engle e Manganelli esamina restrizioni selezionate sugli indicatori centrati e su strumenti scelti. Nessuno verifica ogni possibile errore di specificazione. La guida al backtesting del VaR descrive i test delle sequenze di eccezioni. Per confrontare invece due previsioni quantiliche, calcola la stessa check loss su date abbinate e confronta la differenza dipendente tramite un test di Diebold–Mariano: valuta la perdita previsionale relativa, non la calibrazione VaR né i profitti di trading.

I risultati possono cambiare con probabilità di coda, ricorsione, inizializzazione, finestra di stima, portafoglio e date di valutazione. Un modello adatto a un quantile può essere inadatto a un altro, e quantili stimati separatamente possono incrociarsi. Rotture strutturali, estremi raggruppati, pochi dati di coda, posizioni variabili, lacune di mercato, liquidità e costi di esecuzione non sono risolti da un'equazione VaR ricorsiva. Il VaR non dice neppure quanto siano gravi le perdite dopo un'eccezione. Considera il risultato una soglia di rischio basata su un modello da monitorare, non un limite di perdita, una previsione di profitto o una regola di trading autonoma.