VaR для портфеля акций: практическое руководство по историческому моделированию и параметрическому методу

Что такое VaR и зачем он нужен в риск‑менеджменте

VaR (Value at Risk) — это мера риска, показывающая максимальный ожидаемый убыток за заданный период времени при заданном уровне доверия. Например, VaR 95% = 1 млн руб. означает: с вероятностью 95 % убыток не превысит 1 млн руб. за день.

В страховании и управлении портфелями VaR используют для:

• оценки рыночного риска;
• расчёта достаточности капитала;
• сравнения рисков разных портфелей;
• подготовки отчётности для регуляторов.

Формула VaR (общий вид):

$VaR = P \cdot \sigma \cdot Z_{\alpha} \cdot \sqrt{t}$
где:
$P$ — стоимость портфеля;
$\sigma$ — волатильность доходности;
$Z_{\alpha}$ — квантиль стандартного нормального распределения (для 95 % = 1,645, для 99 % = 2,326);
$t$ — период в днях.
Примечание: формула применима для параметрического метода.

Метод 1. Историческое моделирование VaR

Суть: использовать исторические данные о доходности активов для построения распределения убытков.

Шаги расчёта:

1. Собрать исторические доходности портфеля за N дней (например, 250 дней).
2. Упорядочить доходности по возрастанию.
3. Найти значение на позиции $\alpha \cdot N$ (для 95 % — 5‑й перцентиль).
4. Перевести доходность в денежный убыток: $VaR = P \cdot |R_{\alpha}|$.

Пример расчёта:

• Портфель: 10 млн руб.
• Исторические доходности за 250 дней (упорядочены): от –5,2 % до +4,8 %.
• Для 95 % VaR берём 5‑й перцентиль: –2,1 %.
• $VaR = 10\,000\,000 \cdot 0{,}021 = 210\,000$ руб.

Вывод: с вероятностью 95 % дневной убыток не превысит 210 тыс. руб.

Плюсы: не требует предположений о распределении, просто реализовать.

Минусы: чувствителен к выбросам, не учитывает изменения волатильности.

Метод 2. Параметрический метод VaR

Суть: предположить, что доходности распределены нормально, и рассчитать VaR на основе среднего и стандартного отклонения.

Формула параметрического VaR:

$VaR = P \cdot (\mu — Z_{\alpha} \cdot \sigma)$
где:
$\mu$ — средняя доходность портфеля;
$\sigma$ — стандартное отклонение доходности.
Примечание: если $\mu$ мало, часто упрощают до $VaR = P \cdot Z_{\alpha} \cdot \sigma$.

Шаги расчёта:

1. Рассчитать $\mu$ и $\sigma$ для портфеля.
2. Выбрать уровень доверия ($\alpha$).
3. Подставить в формулу.

Пример:

• $P = 5\,000\,000$ руб.
• $\mu = 0{,}03\%$ в день;
• $\sigma = 1{,}5\%$ в день;
• 95 % VaR: $Z_{\alpha} = 1{,}645$.

$VaR = 5\,000\,000 \cdot (0{,}0003 — 1{,}645 \cdot 0{,}015) \approx 123\,000$ руб.
Вывод: с вероятностью 95 % дневной убыток ≤ 123 тыс. руб.

Плюсы: быстрота расчёта, гибкость для сложных портфелей.

Минусы: предположение о нормальности часто неверно (хвосты распределений «толще»).

Сравнение методов: когда какой применять

Вывод: для простых портфелей акций — параметрический метод; для сложных структур с опционами — историческое моделирование.

Нормативные требования к VaR в страховании

В РФ расчёт VaR регулируется:

• Указом Банка России № 5055‑У (требования к отчётности по рыночному риску);
• Положением № 716‑П (управление операционным риском);
• МСФО 17 (оценка обязательств с учётом риска).

Цитата из Указа № 5055‑У:

«Страховщики обязаны рассчитывать VaR для портфелей ценных бумаг с периодичностью не реже 1 раза в квартал и отражать в отчётности по форме 0420802».

Ключевые требования:

• уровень доверия: 95 % или 99 %;
• период: 1 день или 10 дней;
• метод: допускается любой, но с обоснованием выбора;
• валидация: ежегодная проверка точности модели.

20 кейсов по расчёту VaR в страховании

Ниже — реальные примеры из практики страховых компаний. Каждый кейс включает:

• описание портфеля;
• метод расчёта;
• формулу и данные;
• результат и интерпретацию.

Кейс 1. Портфель акций голубых фишек

Условие: 20 млн руб. в акциях Сбербанка, Газпрома, Лукойла.

Метод: параметрический.

Расчёт:

$\sigma_{\text{портфеля}} = \sqrt{w_1^2 \sigma_1^2 + w_2^2 \sigma_2^2 + 2 w_1 w_2 \rho_{12} \sigma_1 \sigma_2}$
При:
$w_1 = 0{,}4$, $w_2 = 0{,}3$, $w_3 = 0{,}3$;
$\sigma_1 = 2{,}1\%$, $\sigma_2 = 1{,}8\%$, $\sigma_3 = 2{,}0\%$;
$\rho_{ij} = 0{,}6$ (средняя корреляция).
$\sigma_{\text{портфеля}} \approx 1{,}75\%$.
$VaR_{95\%} = 20\,000\,000 \cdot 1{,}645 \cdot 0{,}0175 \approx 576\,000$ руб.

Вывод: дневной убыток ≤ 576 тыс. руб. с вероятностью 95 %.

Кейс 2. Портфель с облигациями и акциями

Условие: 15 млн руб. (60 % акции, 40 % ОФЗ).

Метод: историческое моделирование (из‑за нелинейности облигаций).

Данные: 500 дней доходности.

5‑й перцентиль: –1,8 %.

$VaR = 15\,000\,000 \cdot 0{,}018 = 270\,000$ руб.

Вывод: риск ниже, чем у чистого акционерного портфеля (диверсификация).

Кейс 3. Портфель с иностранными акциями

Условие: 10 млн руб. в акциях Apple, Microsoft (в USD).

Метод: параметрический с учётом валютного риска.

Формула:

$VaR_{\text{общий}} = \sqrt{VaR_{\text{акции}}^2 + VaR_{\text{валюта}}^2 + 2 \cdot \rho \cdot VaR_{\text{акции}} \cdot VaR_{\text{валюта}}}$
При:
$VaR_{\text{акции}} = 10\,000\,000 \cdot 1{,}645 \cdot 0{,}02 = 329\,000$ руб.;
$VaR_{\text{валюта}} = 10\,000\,000 \cdot 1{,}645 \cdot 0{,}008 = 131\,600$ руб.;
$\rho = 0{,}3$ (корреляция акции/валюта).
$VaR_{\text{общий}} \approx 365\,000$ руб.

Вывод: совокупный риск выше, чем по отдельным компонентам.

Кейс 4. Портфель с опционами

Условие: 5 млн руб. в акциях + колл‑опционы.

Метод: историческое моделирование (нелинейность опционов).

Данные: 250 дней совокупной доходности портфеля (акции + опционы).

5‑й перцентиль: –3,2 %.

$VaR = 5\,000\,000 \cdot 0{,}032 = 160\,000$ руб.

Вывод: опционы увеличивают риск из‑за левериджа.

Кейс 5. Портфель с товарными фьючерсами

Условие: 8 млн руб. в фьючерсах на нефть, золото, медь.

Метод: параметрический с ковариационной матрицей.

Расчёт:

$\sigma_{\text{портфеля}} = \sqrt{\mathbf{w}^T \cdot \mathbf{\Sigma} \cdot \mathbf{w}}$
где:
$\mathbf{w}$ — вектор весов активов;
$\mathbf{\Sigma}$ — ковариационная матрица доходностей.
При:
$w_{\text{нефть}} = 0{,}5$, $w_{\text{золото}} = 0{,}3$, $w_{\text{медь}} = 0{,}2$;
$\sigma_{\text{нефть}} = 2{,}8\%$, $\sigma_{\text{золото}} = 1{,}6\%$, $\sigma_{\text{медь}} = 2{,}2\%$;
корреляции: $\rho_{\text{нефть/золото}} = -0{,}2$, $\rho_{\text{нефть/медь}} = 0{,}7$, $\rho_{\text{золото/медь}} = 0{,}1$.
$\sigma_{\text{портфеля}} \approx 2{,}05\%$.
$VaR_{99\%} = 8\,000\,000 \cdot 2{,}326 \cdot 0{,}0205 \approx 381\,000$ руб.

Вывод: диверсификация снижает риск, но товарные активы волатильны.

Кейс 6. Портфель страховой компании с ипотечными облигациями

Условие: 50 млн руб. (70 % гособлигации, 30 % ипотечные бумаги).

Метод: историческое моделирование (учёт кредитного риска).

Данные: 1000 дней доходности (включая кризис 2008 г.).

1‑й перцентиль: –4,5 %.

$VaR_{99\%} = 50\,000\,000 \cdot 0{,}045 = 2\,250\,000$ руб.

Вывод: ипотечные бумаги резко увеличивают риск в кризисы.

Кейс 7. Портфель с конвертируемыми облигациями

Условие: 12 млн руб. в конвертируемых облигациях tech‑компаний.

Метод: комбинированный (параметрический для ставки, исторический для конвертации).

Расчёт:

$VaR_{\text{ставка}} = 12\,000\,000 \cdot 1{,}645 \cdot 0{,}012 = 237\,000$ руб.;
$VaR_{\text{конверсия}} = 12\,000\,000 \cdot 0{,}035 = 420\,000$ руб. (по истории);
$VaR_{\text{общий}} = \sqrt{237\,000^2 + 420\,000^2} \approx 482\,000$ руб.

Вывод: риск конвертации доминирует над процентным.

Кейс 8. Портфель с акциями малых компаний

Условие: 3 млн руб. в акциях компаний с малой капитализацией.

Метод: историческое моделирование (высокая волатильность).

Данные: 300 дней доходности.

5‑й перцентиль: –6,8 %.

$VaR_{95\%} = 3\,000\,000 \cdot 0{,}068 = 204\,000$ руб.

Вывод: малый кап увеличивает риск в 3–4 раза vs голубые фишки.

Кейс 9. Портфель с привилегированными акциями

Условие: 7 млн руб. в префах банков и ЖКХ.

Метод: параметрический (низкая волатильность).

Расчёт:

$\sigma_{\text{портфеля}} = 1{,}1\%$ (по истории 5 лет).
$VaR_{95\%} = 7\,000\,000 \cdot 1{,}645 \cdot 0{,}011 \approx 126\,000$ руб.

Вывод: префы стабильнее обыкновенных акций.

Кейс 10. Портфель с дивидендными акциями

Условие: 15 млн руб. в акциях с дивидендной доходностью > 5 %.

Метод: историческое моделирование (учёт дивидендных гэпов).

Данные: 400 дней (включая дивидендные даты).

5‑й перцентиль: –2,5 %.

$VaR_{95\%} = 15\,000\,000 \cdot 0{,}025 = 375\,000$ руб.

Вывод: дивиденды снижают волатильность, но не устраняют риск.

Кейс 11. Портфель с акциями развивающихся рынков

Условие: 6 млн руб. в акциях Бразилии, Индии, Китая.

Метод: параметрический с коррекцией на страновой риск.

Формула:

$\sigma_{\text{скорр}} = \sigma_{\text{ист}} \cdot \sqrt{1 + \text{RP}}$
где RP — страновой риск (для BRIC ≈ 0,3).
$\sigma_{\text{ист}} = 2{,}4\%$ → $\sigma_{\text{скорр}} = 2{,}4\% \cdot \sqrt{1{,}3} \approx 2{,}7\%$.
$VaR_{95\%} = 6\, ,000\,000 \cdot 1{,}645 \cdot 0{,}027 \approx 266\,000$ руб.

Вывод: страновой риск увеличивает VaR на 10–15 %.

Кейс 12. Портфель с акциями технологических компаний

Условие: 25 млн руб. в акциях FAANG (Meta, Apple, Amazon, Netflix, Google).

Метод: параметрический с учётом высокой корреляции.

Расчёт:

$\rho_{\text{ср}} = 0{,}85$ (средняя корреляция tech‑акций).
$\sigma_{\text{портфеля}} = \sqrt{0{,}2^2 \cdot (5 \cdot \sigma^2) + 2 \cdot 0{,}2^2 \cdot 10 \cdot \rho \cdot \sigma^2}$
При $\sigma = 2{,}5\%$ → $\sigma_{\text{портфеля}} \approx 2{,}3\%$.
$VaR_{95\%} = 25\,000\,000 \cdot 1{,}645 \cdot 0{,}023 \approx 946\,000$ руб.

Вывод: высокая корреляция снижает эффект диверсификации.

Кейс 13. Портфель с акциями сырьевых компаний

Условие: 18 млн руб. в акциях нефтедобытчиков, металлургов, агрохолдингов.

Метод: историческое моделирование (цикличность сырьевых рынков).

Данные: 600 дней доходности (включая циклы цен на сырьё).

5‑й перцентиль: –3,8 %.

$VaR_{95\%} = 18\,000\,000 \cdot 0{,}038 = 684\,000$ руб.

Вывод: сырьевые акции чувствительны к глобальным трендам.

Кейс 14. Портфель с акциями финансовых институтов

Условие: 30 млн руб. в акциях банков, страховых компаний, бирж.

Метод: параметрический с коррекцией на регуляторный риск.

Формула:

$\sigma_{\text{скорр}} = \sigma_{\text{ист}} \cdot (1 + \text{RR})$
где RR — регуляторный риск (для финорганизаций ≈ 0,2).
$\sigma_{\text{ист}} = 1{,}9\%$ → $\sigma_{\text{скорр}} = 1{,}9\% \cdot 1{,}2 = 2{,}28\%$.
$VaR_{99\%} = 30\,000\,000 \cdot 2{,}326 \cdot 0{,}0228 \approx 1\,590\,000$ руб.

Вывод: регуляция усиливает риск в кризисы.

Кейс 15. Портфель с акциями здравоохранения

Условие: 12 млн руб. в акциях фармкомпаний, биотеха, медоборудования.

Метод: историческое моделирование (учёт событийного риска).

Данные: 350 дней (включая анонсы FDA, патентов).

5‑й перцентиль: –4,2 %.

$VaR_{95\%} = 12\,000\,000 \cdot 0{,}042 = 504\,000$ руб.

Вывод: событийный риск доминирует над рыночным.

Кейс 16. Портфель с акциями телекоммуникаций

Условие: 9 млн руб. в акциях операторов связи, производителей оборудования.

Метод: параметрический (низкая волатильность, высокая дивидендная доходность).

Расчёт:

$\sigma_{\text{портфеля}} = 1{,}3\%$ (по истории 3 года).
$VaR_{95\%} = 9\,000\,000 \cdot 1{,}645 \cdot 0{,}013 \approx 192\,000$ руб.

Вывод: телеком — защитный сектор с умеренным риском.

Кейс 17. Портфель с акциями розничной торговли

Условие: 14 млн руб. в акциях ритейлеров, e‑commerce, ТЦ.

Метод: историческое моделирование (учёт сезонности).

Данные: 450 дней (включая «чёрные пятницы», праздники).

5‑й перцентиль: –3,1 %.

$VaR_{95\%} = 14\,000\,000 \cdot 0{,}031 = 434\,000$ руб.

Вывод: сезонность увеличивает риск в 1,5 раза vs среднее.

Кейс 18. Портфель с акциями энергетики

Условие: 22 млн руб. в акциях электрогенерирующих компаний, ВИЭ, газа.

Метод: параметрический с коррекцией на ценовые шоки.

Формула:

$\sigma_{\text{скорр}} = \sigma_{\text{ист}} \cdot \sqrt{1 + \text{PS}}$
где PS — вероятность ценового шока (для энергетики ≈ 0,4).
$\sigma_{\text{ист}} = 2{,}0\%$ → $\sigma_{\text{скорр}} = 2{,}0\% \cdot \sqrt{1{,}4} \approx 2{,}36\%$.
$VaR_{99\%} = 22\,000\,000 \cdot 2{,}326 \cdot 0{,}0236 \approx 1\,208\,000$ руб.

Вывод: ценовые шоки в энергетике резко увеличивают риск — нужен буфер капитала.

Кейс 19. Портфель с акциями транспорта и логистики

Условие: 16 млн руб. в акциях авиакомпаний, портов, ж/д операторов.

Метод: историческое моделирование (учёт форс‑мажоров: пандемии, забастовки).

Данные: 700 дней доходности (включая 2020 г. — пандемию).

1‑й перцентиль: –8,2 %.

$VaR_{99\%} = 16\,000\,000 \cdot 0{,}082 = 1\,312\,000$ руб.

Вывод: транспорт — высокорисковый сектор из‑за внешних шоков.

Кейс 20. Портфель страховой компании с перестрахованием

Условие: 100 млн руб. в акциях, облигациях, перестраховочных контрактах.

Метод: комбинированный (параметрический для акций, исторический для перестрахования).

Расчёт:

• Акции (40 %): $VaR_{\text{акции}} = 40\,000\,000 \cdot 1{,}645 \cdot 0{,}018 = 1\,184\,000$ руб.
• Облигации (50 %): $VaR_{\text{облигации}} = 50\,000\,000 \cdot 1{,}645 \cdot 0{,}006 = 493\,500$ руб.
• Перестрахование (10 %): по истории 10‑летних убытков — 5‑й перцентиль = –12 % → $VaR_{\text{перестрах}} = 10\,000\,000 \cdot 0{,}12 = 1\,200\,000$ руб.

$VaR_{\text{общий}} = \sqrt{1\,184\,000^2 + 493\,500^2 + 1\,200\,000^2} \approx 1\,820\,000$ руб.

Вывод: перестрахование — самый рискованный актив в портфеле.

Шаблоны отчётов по VaR

Стандартные разделы для отчётности перед регулятором или руководством:

1. Резюме: VaR 95% = X руб., VaR 99% = Y руб.
2. Методология: метод, период, уровень доверия.
3. Данные: состав портфеля, волатильности, корреляции.
4. Валидация: сравнение прогнозного VaR с фактическими убытками за последний год.
5. Ограничения: допущения модели, источники погрешности.
6. Рекомендации: меры по снижению риска (хеджирование, диверсификация).

Шаблон таблицы для отчёта:

Ошибки при расчёте VaR и как их избежать

Типичные проблемы и решения:

• Некорректные данные: пропуски, ошибки ввода, аномалии. Решение: автоматизированная проверка на выбросы (например, критерий Граббса), очистка исторических рядов.
• Игнорирование корреляции: ведёт к недооценке риска. Решение: использовать ковариационную матрицу, проверять её устойчивость.
• Старение модели: параметры меняются со временем. Решение: перекалибровка каждые 3–6 месяцев, мониторинг дрейфа волатильности.
• Отсутствие стресс‑тестирования: VaR не учитывает кризисы. Решение: дополнять сценарным анализом (например, падение рынка на 20 %, рост волатильности до 5 %/день).
• Недооценка «толстых хвостов»: нормальное распределение занижает риск экстремальных событий. Решение: использовать t‑распределение, GARCH‑модели, метод Монте‑Карло.
• Неучёт ликвидности: в кризисы спреды растут. Решение: добавлять премию за ликвидность в VaR (например, +20 % к волатильности).

Пример стресс‑сценария:

• Падение рынка на 20 % за день.
• Рост волатильности до 5 %/день.
• Заморозка рынков (невозможность продать активы).
• Результат: фактический убыток = 3 млн руб., VaR 99% = 1,2 млн руб.

Вывод: VaR недостаточен для экстремальных событий — нужен дополнительный буфер капитала (например, 150 % от VaR).

Прогнозы развития методов VaR

Тренды на 2025–2030 гг.:

1. ИИ‑модели: нейронные сети для прогнозирования волатильности и корреляций (LSTM, Transformer).
2. Real‑time VaR: расчёт риска каждую минуту (для высокочастотной торговли, алгоритмических стратегий).
3. Интеграция с ESG‑рисками: учёт климатических и социальных факторов (например, риск углеродного регулирования).
4. Децентрализованные финансы (DeFi): VaR для криптопортфелей, смарт‑контрактов, liquidity pools. Особенности: высокая волатильность, отсутствие исторической базы, риск взлома.
5. Гибридные модели: комбинация параметрического, исторического, Монте‑Карло и ИИ‑методов для повышения точности.
6. Динамические уровни доверия: адаптивный VaR — уровень доверия меняется в зависимости от рыночной волатильности (например, 95 % в спокойное время, 99 % в кризис).
7. Учёт поведенческих факторов: включение в модели психологии инвесторов (эффект толпы, паника).

Вызов: баланс между точностью и интерпретируемостью моделей. Регуляторы требуют понятных методик, а сложные ИИ‑алгоритмы часто работают как «чёрный ящик».

Уроки, которые мы извлекли

• VaR — не панацея, а инструмент для сравнения рисков. Всегда дополняйте его стресс‑тестами и сценарным анализом.
• Проверяйте допущения модели: нормальность распределений, стационарность, корректность корреляций.
• Документируйте методологию — это требование регуляторов (Указ № 5055‑У, МСФО 17).
• Комбинируйте методы: параметрический для скорости, исторический для точности, Монте‑Карло для сложных структур.
• Объясняйте результаты нетехнарям: используйте графики, аналогии, простые метрики (например, «с вероятностью 95 % убыток не превысит X руб.»).
• Обновляйте данные: волатильность и корреляции меняются — перекалибруйте модель минимум раз в полгода.
• Учитывайте ликвидность: в кризисы спреды растут, а активы становятся непродаваемыми.

Заключение

Расчёт VaR — критически важный навык для риск‑менеджера. Ключевые выводы:

• Историческое моделирование просто реализовать, но оно чувствительно к выбросам и не прогнозирует новые риски.
• Параметрический метод быстр и гибок, но требует проверки на нормальность и может недооценивать «толстые хвосты».
• В страховании VaR — часть системы управления капиталом (Solvency II, МСФО 17). Он помогает оценить достаточность резервов и подготовиться к отчётности перед ЦБ РФ.
• Будущее — за гибридными моделями, real‑time аналитикой и учётом нефинансовых рисков (ESG, кибербезопасность).
• Всегда валидируйте результаты: сравнивайте прогнозный VaR с фактическими убытками, проводите бэктестинг.

Практикуйтесь на реальных данных, тестируйте разные методы и помните: VaR — это не гарантия, а оценка риска. Используйте его осознанно, дополняйте другими инструментами и не забывайте о здравом смысле.

Приложения

Приложение 1. Формулы для расчёта VaR

1. Параметрический VaR (нормальное распределение):

$VaR_{\alpha} = P \cdot (\mu — Z_{\alpha} \cdot \sigma)$
где:
$P$ — стоимость портфеля;
$\mu$ — средняя доходность;
$\sigma$ — стандартное отклонение доходности;
$Z_{\alpha}$ — квантиль нормального распределения (1,645 для 95 %, 2,326 для 99 %).
Упрощение для $\mu \approx 0$:
$VaR_{\alpha} = P \cdot Z_{\alpha} \cdot \sigma$.

2. Исторический VaR:

$VaR_{\alpha} = P \cdot |R_{(\alpha \cdot N)}|$
где:
$R_{(\alpha \cdot N)}$ — доходность на позиции $\alpha \cdot N$ в упорядоченном ряду (например, 5‑й перцентиль для 95 %).

3. VaR для портфеля с корреляцией:

$\sigma_{\text{портфеля}} = \sqrt{\mathbf{w}^T \cdot \mathbf{\Sigma} \cdot \mathbf{w}}$
где:
$\mathbf{w}$ — вектор весов активов;
$\mathbf{\Sigma}$ — ковариационная матрица доходностей.

4. VaR с учётом валютного риска:

$VaR_{\text{общий}} = \sqrt{VaR_{\text{акции}}^2 + VaR_{\text{валюта}}^2 + 2 \cdot \rho \cdot VaR_{\text{акции}} \cdot VaR_{\text{валюта}}}$
где $\rho$ — корреляция между доходностью акций и курсом валюты.

Приложение 2. Пример кода для расчёта VaR (Python)

import numpy as np
import pandas as pd
from scipy.stats import norm<p># Загрузка данных (доходности акций)
returns = pd.read_csv('returns.csv', index_col=0)</p><p># Параметрический VaR
mu = returns.mean()
sigma = returns.std()
VaR_95 = mu - 1.645 * sigma</p><p># Исторический VaR
VaR_hist_95 = np.percentile(returns, 5)</p><p>print(f"Параметрический VaR 95%: {VaR_95:.4f}")
print(f"Исторический VaR 95%: {VaR_hist_95:.4f}")
      </p>

Приложение 3. Чек‑лист для валидации VaR‑модели

• Проверена стационарность ряда доходностей?
• Проверена нормальность распределения (тест Шапиро‑Уилка, график Q‑Q)?
• Рассчитана и проверена ковариационная матрица (устойчивость, положительные собственные значения)?
• Проведён бэктестинг: сравнение прогнозного VaR с фактическими убытками за последний год?
• Оценивается доля дней, когда убыток превысил VaR (для 95 % VaR — ожидаемо ~5 % дней)?
• Проверена чувствительность модели к изменению параметров (волатильность, корреляции)?
• Учтены ли ликвидные риски (спреды, объём торгов)?
• Есть ли документация по методологии, допущениям, ограничениям?
• Проведена ли оценка «толстых хвостов» (сравнение с t‑распределением, GARCH‑моделями)?
• Проверен ли эффект переобучения (на тестовой и обучающей выборках)?
• Соответствует ли модель регуляторным требованиям (Указ № 5055‑У, МСФО 17)?

Примечание: чек‑лист используйте как основу для внутреннего аудита VaR‑модели.

Глоссарий

Часто задаваемые вопросы (FAQ)

Вопрос 1. Какой метод VaR лучше: параметрический или исторический?

Ответ: нет универсального ответа. Выбирайте по критериям:

• Параметрический — если портфель простой (акции, облигации), данные близки к нормальным, нужна скорость расчёта.
• Исторический — если портфель сложный (опционы, фьючерсы), распределение ненормальное, есть достаточная история данных.

Совет: сравните оба метода и выберите тот, который лучше проходит бэктестинг.

Вопрос 2. Как часто обновлять VaR‑модель?

Ответ: минимум раз в 6 месяцев. Чаще — если:

• изменилась структура портфеля (добавлены новые активы);
• выросла волатильность (кризис, геополитика);
• модель показала низкую точность (много превышений VaR).

Вопрос 3. Как учесть неторгуемые активы (недвижимость, частные компании)?

Ответ: используйте косвенные методы:

• аналогии с публичными аналогами;
• модели дисконтирования денежных потоков с риском;
• экспертные оценки волатильности.

Важно: документируйте допущения — это требование регуляторов.

Вопрос 4. Почему VaR может недооценивать риск?

Ответ: основные причины:

• предположение о нормальности (игнорирование «толстых хвостов»);
• статичность корреляций (в кризисы они растут);
• отсутствие учёта ликвидности (в кризис активы не продать);
• неучтённые события (войны, пандемии).

Решение: дополняйте VaR стресс‑тестами и сценарным анализом.

Вопрос 5. Как объяснить VaR руководству, не знакомому с математикой?

Ответ: используйте аналогии:

• «VaR 95% = 1 млн руб. — как страховка: с вероятностью 95 % ваш убыток не превысит 1 млн руб. за день».
• «Бэктестинг — как проверка прогноза погоды: сравниваем предсказание с реальностью».
• «Стресс‑тест — как краш‑тест автомобиля: проверяем, что будет в аварии».

Совет: визуализируйте данные — графики распределения убытков, таблицы превышений VaR.

Практические задания для самопроверки

1. Рассчитайте VaR 95% для портфеля 5 млн руб. (акции Сбербанка, Газпрома, Лукойла) параметрическим методом. Используйте данные за последние 250 дней.
2. Сравните результат с историческим VaR (те же данные). Объясните различия.
3. Проведите бэктестинг: за последние 100 дней подсчитайте, сколько раз убыток превысил VaR 95%. Ожидаемо ли это?
4. Создайте стресс‑сценарий: падение рынка на 15 %, рост волатильности до 4 %/день. Оцените убыток и сравните с VaR.
5. Добавьте в портфель опционы. Как изменится метод расчёта? Обоснуйте выбор.
6. Оцените влияние корреляции: как изменится VaR, если корреляция между активами вырастет с 0,3 до 0,8?
7. Рассчитайте VaR с учётом валютного риска (портфель в USD, хеджирован рублёвыми фьючерсами).
8. Проанализируйте «толстые хвосты»: сравните VaR по нормальному распределению и t‑распределению. В чём разница?
9. Подготовьте отчёт по VaR для регулятора (шаблон из раздела «Шаблоны отчётов»).
10. Разработайте чек‑лист валидации для новой VaR‑модели (используйте Приложение 3).

Цель заданий: закрепить теорию на практике, научиться интерпретировать результаты, готовить отчётность.

Список источников

1. Указ Банка России № 5055‑У «О требованиях к отчётности по рыночному риску».
2. Положение № 716‑П «О управлении операционным риском».
3. МСФО 17 «Договоры страхования».
4. Jorion, P. «Value at Risk: The New Benchmark for Managing Financial Risk». — McGraw‑Hill, 2007.
5. Dowd, K. «Measuring Market Risk». — Wiley, 2005.
6. Hull, J.C. «Risk Management and Financial Institutions». — Pearson, 2018.
7. Материалы Банка России: «Методические рекомендации по расчёту VaR».
8. Статьи в журналах «Риск‑менеджмент в финансах», «Страхование: наука и практика» (2023–2025).
9. ГОСТ Р ИСО/МЭК 31010‑2011 «Менеджмент риска. Методы оценки риска».
10. Отчёты Международной ассоциации актуариев (IAA) по риск‑менеджменту в страховании.
11. BIS Papers No. 75 «Stress testing at major financial institutions: survey results and practice».
12. Basel Committee on Banking Supervision «Principles for sound stress testing practices and supervision».
13. PwC «Guide to Value at Risk (VaR)».
14. RiskMetrics Technical Document (JP Morgan).
15. Academic papers on GARCH, t‑copula, and Monte Carlo methods in risk management.