Value at Risk voor Commodity Trading, using Tableau en R

Cadran Analytics en Cadran Consultancy werken hand in hand bij het creëren van waarde voor bedrijven die handelen in grondstoffen. Vanwege de uitgebreide mogelijkheden van Tableau om complexe algoritmes in R (een programmeertaal die vaak gebruikt wordt door datawetenschappers) uit te voeren, zijn we verheugd om onze mogelijkheid van Value at Risk (VaR) modellen door middel van Tableau aan te kondigen. Door dit te integreren met Arantys kunnen bedrijven gebruikmaken van een betrouwbaar transactiesysteem en tegelijkertijd complexe analysemodellen toepassen om hun blootstelling te beoordelen. VaR voor Tableau kan nu naast Arantys worden geïmplementeerd.
Wat is VaR?
Voor bedrijven die portefeuilles van bepaalde activa aanhouden, is de VaR een relatief eenvoudige maar effectieve methode om het neerwaartse risico van deze portefeuille te meten. In deze blog wordt eerst uitgelegd hoe de VaR werkt, waarna een VaR-dashboard in Tableau wordt getoond. Als je al bekend bent met het concept van VaR, kun je misschien beter naar het Tableau dashboard hieronder gaan.
Het concept van VaR
Stel dat je een contract afsluit waarin je vandaag sojabonen koopt en ze over een maand moet verkopen. Met andere woorden, je hebt een long positie in sojabonen. Als de marktprijs de komende 30 dagen daalt, zou je verlies maken op dit contract. Vooraf, of op elk moment tijdens deze 30 dagen, zou je geïnteresseerd zijn in de waarschijnlijkheid van dit verlies en hoe groot het uiteindelijk zou kunnen worden. Als een groot verlies waarschijnlijk is, kun je je ertegen indekken (bijvoorbeeld door een actief te kopen waarvan de prijs gewoonlijk in de tegenovergestelde richting van de sojaprijs beweegt) of je kunt proberen je positie te verlagen (bijvoorbeeld door het contract te verkopen). De VaR is een methode om deze waarschijnlijkheid te bepalen.
Bijvoorbeeld; een 99% VaR voor 1 maand van $50.000 zou betekenen dat we met 99% zekerheid kunnen zeggen dat je niet meer dan $50.000 verliest in de komende maand. Met andere woorden, slechts 1 op de 100 maanden zal je een verlies van $50.000 of meer maken. Om dit cijfer van 50.000 te verkrijgen, gebruikt de VaR het historische rendement (d.w.z. schommelingen in de sojaprijs) om de volatiliteit van sojabonen te definiëren. Als grote prijsdalingen (historisch) vaak voorkomen voor sojabonen, zal dit resulteren in een hogere VaR.
VaR voor een asset portfolio
Dit voorbeeld toont slechts één contract voor één activum, maar in werkelijkheid hebben handelsbedrijven op elk moment veel contracten in veel verschillende activa. Bedenk dat we naast sojabonen ook een contract hebben in koffiebonen. Nu hebben we een portefeuille van 2 activa: sojabonen en koffiebonen. Als we de VaR van deze portefeuille zouden meten, moeten we rekening houden met hoe deze twee prijzen gecorreleerd zijn. Met andere woorden, hoe groot is de kans dat beide prijzen op hetzelfde moment dalen? Hiervoor gebruikt de VaR de covariantiematrix. Deze matrix definieert in feite de relatie tussen de verschillende activa in de portefeuille op basis van hun historische bewegingen.

Tableau dashboard
Nu de basis van de VaR is behandeld, kun je het onderstaande Tableau-dashboard bekijken. Dit dashboard, dat is gemaakt door Tableau te combineren met R, toont een VaR-analyse voor een portefeuille met drie activa. Na het kiezen van een betrouwbaarheidsniveau en een methode (de details van deze methoden bewaren we voor een andere blog), toont het dashboard de VaR van de portefeuille. Daarnaast worden verschillende cijfers getoond voor de individuele activa:
- Huidige blootstelling: het $ bedrag van de positie
- Component VaR %: het % van de VaR van de portefeuille waarvoor dit actief verantwoordelijk is.
- Individuele VaR: de VaR van het individuele actief, zonder rekening te houden met de rest van de portefeuille.
Er kunnen verschillende interessante vaststellingen gedaan worden:
- De som van de individuele VaR’s is hoger dan de portefeuille-VaR.
De reden hiervoor is dat door activa te combineren in een portefeuille, deze gediversifieerd wordt. Dit betekent dat het niet waarschijnlijk is dat alle drie de activa op hetzelfde moment significant dalen. - De optiecontracten hebben een relatief hoge component-VAR.
Met een betrouwbaarheidsniveau van 99% is deze bijvoorbeeld hoger dan 60% (ongeacht de gekozen methode). Dus ook al is de blootstelling van de termijncontracten hoger, de optiecontracten dragen veel meer bij aan de VaR. Dit wordt verklaard door het beleggingsrendementendashboard, dat laat zien dat de rendementen van optiecontracten volatieler zijn dan die van futurecontracten. - Met een betrouwbaarheidsniveau van 95% variëren de resultaten sterk tussen de twee methoden.
Daarom is het belangrijk om zorgvuldig een methode te kiezen. In het geval dat de activarendementen een niet-normale verdeling vertonen, zou de Gewijzigde methode geschikter zijn dan de Parametrische mean-Var.
VaR in Arantys
Het VaR-model maakt gebruik van historische gegevens of beschikbare marktgegevens. Elk van deze modellen kan gebruik maken van gegevens die al beschikbaar zijn in Arantys. Dankzij het reeds bestaande datamodel kan Cadran Analytics het potentieel in Tableau snel ontsluiten. Het toepassen van een complexer analysemodel zoals VaR kan op schaal en met beperkte inspanning worden geïmplementeerd. Deze mogelijkheid maakt Tableau een schaalbare en toekomstbestendige oplossing: het toepassen van nieuwe en aangepaste modellen wordt eenvoudig en analyses kunnen geavanceerder worden gemaakt zonder dat er een complexe transactielaag hoeft te worden geïmplementeerd. Zoals ook beschreven in de blog What-If-Analytics on Trade in Tableau, en zoals ook te zien is in dit model, kan het model ook variabel worden gemaakt, zodat uw eindgebruikers het eenvoudig kunnen analyseren.

Jelle Huisman
Managing Partner
Wil je meer weten over Value at Risk dashboards?
De makkelijkste manier om de voordelen te ontdekken is door een demo met mij in te plannen. In een gesprek van 30 minuten kan ik je laten zien hoe het werkt en hoe we het voor jouw bedrijf kunnen implementeren.