Backtesting Valore a Rischio: Valutazione dell'Accuratezza dei Modelli di Rischio

Abstract

In ambito finanziario la gestione efficace del rischio è di vitale importanza. Riconoscere modelli di rischio mal definiti riveste un ruolo cruciale nel garantire rappresentazioni accurate delle esposizioni ai prezzi di mercato. Questa tesi si concentra sull'analisi di una delle metriche di rischio più significative, il Value-at-Risk (VaR). Il "Backtesting del VaR" è un'analisi critica della precisione delle stime del VaR. In questa tesi vengono illustrati i test che valutano l’accuratezza delle previsioni di questi modelli. Saranno inoltre introdotte metodologie per valutare l'entità delle perdite e verrà fornita una classificazione delle stesse.

Il Capitolo 1 introduce il processo di backtesting del VaR e spiega i requisiti deve avere un modello di VaR affidabile. Il Capitolo 2 si concentra sulla descrizione dei dati. Il Capitolo 3 illustra i test che si usano per valutare accuratezza del VaR, mentre il Capitolo 4 si concentra su un test statistico volto a valutare l'accuratezza nel VaR anche per l'entità delle perdite. Il Capitolo 5 introduce una metodologia di Machine Learning per la classificazione delle eccezioni; infine, il Capitolo 6 analizza i risultati ottenuti.

In the financial sector, effective risk management is of vital importance. Recognizing poorly defined risk patterns plays a crucial role in ensuring accurate representations of market price exposures. This thesis focuses on the analysis of one of the most significant risk metrics, Value-at-Risk (VaR). "VaR Backtesting" involves a critical analysis of the accuracy of VaR estimations. This thesis presents tests that evaluate the accuracy of these models' predictions. Additionally, methodologies for assessing the magnitude of losses and providing a classification of such losses will be introduced.

Chapter 1 introduces the VaR backtesting process and outlines the requirements for a reliable VaR model. Chapter 2 centers on data description. Chapter 3 explains the tests used to assess VaR accuracy, while Chapter 4 focuses on a statistical test aimed at evaluating VaR accuracy concerning the magnitude of losses. Chapter 5 introduces a Machine Learning methodology for exception classification, and finally, Chapter 6 analyzes the obtained results.