Energy Risk Management<br />By Everardo Belloni <br />ObjectWay Algorithm<br />Allrightsreserved<br />
Energy Risk Management<br /><ul><li>Modelli di calcolo disponibili
Qualche parola sul Modello stocastico
Funzionalità utente</li></li></ul><li>Caratteristiche del modulo di risk management<br />Caratteristiche<br />Vantaggi<br ...
Serie storiche integrate (prezzi, temperature, volumi)
Completa integrazione con il modulo Portfolio Manager
Modelli di analisi per commodity
Analisi di sintesi
Gestione Multi-Commodity
Modellazione pricing complessi (Asset, Deal e Contratti di copertura)
Studiati in collaborazione con l’Università di Lugano
Logiche di simulazione Monte-Carlo specifiche per l’energy
Possibilità di modellizzare trends
Sensitività
Importare scenari esterni
Logiche di scenario basate su curve forward
Semplicità di fruizione dei modelli
configurazione parametri utente
Report in Excel
Filosofia modellistica «out of the box»</li></li></ul><li>Energy Risk Management vision<br />Margine Operativo <br />Misma...
Providing risk and return metrics
Upcoming SlideShare
Loading in …5
×

Energy Risk Management

1,555 views
1,442 views

Published on

0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,555
On SlideShare
0
From Embeds
0
Number of Embeds
4
Actions
Shares
0
Downloads
32
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Energy Risk Management

  1. 1. Energy Risk Management<br />By Everardo Belloni <br />ObjectWay Algorithm<br />Allrightsreserved<br />
  2. 2. Energy Risk Management<br /><ul><li>Modelli di calcolo disponibili
  3. 3. Qualche parola sul Modello stocastico
  4. 4. Funzionalità utente</li></li></ul><li>Caratteristiche del modulo di risk management<br />Caratteristiche<br />Vantaggi<br /><ul><li>Contratti aggiornati in real time
  5. 5. Serie storiche integrate (prezzi, temperature, volumi)
  6. 6. Completa integrazione con il modulo Portfolio Manager
  7. 7. Modelli di analisi per commodity
  8. 8. Analisi di sintesi
  9. 9. Gestione Multi-Commodity
  10. 10. Modellazione pricing complessi (Asset, Deal e Contratti di copertura)
  11. 11. Studiati in collaborazione con l’Università di Lugano
  12. 12. Logiche di simulazione Monte-Carlo specifiche per l’energy
  13. 13. Possibilità di modellizzare trends
  14. 14. Sensitività
  15. 15. Importare scenari esterni
  16. 16. Logiche di scenario basate su curve forward
  17. 17. Semplicità di fruizione dei modelli
  18. 18. configurazione parametri utente
  19. 19. Report in Excel
  20. 20. Filosofia modellistica «out of the box»</li></li></ul><li>Energy Risk Management vision<br />Margine Operativo <br />Mismatch <br />Approvvigionamento<br />/ fornitura<br />Liquidità<br />Sales<br />Strategie copertura<br />Trading<br />Mismatch<br />quantità<br />Credito/Controparte<br />Copertura<br />In progress<br />Non copertura<br />Rischi Operativi /<br /> Reputazionali<br />Market Risk<br />Tassi interesse<br />Prezzi <br />fuel / commodity<br />Principi <br />U.S. Department <br />of Energy<br />Office of Energy Assurance:<br /><ul><li>Determining fair value: mark-to-market, mark-to-model
  21. 21. Providing risk and return metrics
  22. 22. Setting asset valuation framework
  23. 23. Detailing sensitivity and scenario analyses
  24. 24. Establishing a roadmap for stress testing</li></ul>Cambi<br />
  25. 25. Modelli disponibili<br />Algoritmi<br />Descrizione<br />Funzionalità<br />Modello stocastico multivariato con valori attesi stimati a partire da curve forward di mercato<br /><ul><li>Multi-indice
  26. 26. Curve forward
  27. 27. Frequenze e valori attesi
  28. 28. Scenari di prezzo
  29. 29. Profit At Risk non parametrico
  30. 30. Value At Risk parametrico
  31. 31. Value at Risk non parametrico
  32. 32. Cash Flow At Risk
  33. 33. Profit & Loss
  34. 34. Creazione curve forward orarie
  35. 35. Risk Identification
  36. 36. Valutazione opzioni / swap </li></ul>Proiezione del margine di contribuzione del portafoglio industriale (con o senza strategie di copertura)<br /><ul><li>Margine di contribuzione atteso
  37. 37. Distribuzione di Frequenza
  38. 38. VaR + Conditional VaR
  39. 39. Matrice di varianza-covarianza
  40. 40. Value at Risk parametrico
  41. 41. Profit at Risk</li></ul>Calcolo del VaR del portafoglio di trading con metodologia Riskmetrics e valorizzazione deal su punti curve forward<br />Calcolo del VaR del portafoglio (Trading + Industriale + Coperture) con modello stocastico multivariato<br /><ul><li>Portafogli non lineari
  42. 42. Value at Risk
  43. 43. Conditional VaR
  44. 44. Andamentale del cash flow
  45. 45. Distribuzione di frequenza
  46. 46. Cash at Risk</li></ul>Proiezione del cash flow sotto periodale (mensile / giornaliero)<br /><ul><li>Mark to Market (Riskmetrics)
  47. 47. M2M con curve forward utente
  48. 48. Correzione oraria</li></ul>Calcolo del Profit & Loss del portafoglio di trading<br />Proiezione di prezzi anche con frequenza oraria sulla base di curve forward di mercato<br /><ul><li>Generazione prezzi orari
  49. 49. Curve peak / off peak
  50. 50. Vincolo prezzo medio mercato</li></ul>Break down di portafoglio rispetto ai fattori di rischio (indici) in funzione della distribuzione temporale dell’erogazione<br /><ul><li>Lag temporale prezzi medi
  51. 51. Esposizione al cambio
  52. 52. Quantità equivalenti
  53. 53. Fair Value
  54. 54. Metriche di hedging
  55. 55. Design differenti tipi di opzioni</li></ul>Valutazione di strumenti a copertura dei rischi di portafoglio (hedging)<br />
  56. 56. Presidio del processo analitico<br /><ul><li>Import / Creazioneseriestoriche
  57. 57. Proiezioneserie “forward”
  58. 58. Curvaoraria di prezzo (PUN)
  59. 59. Sensitivity + stress test
  60. 60. Margine di contribuzioneatteso
  61. 61. Profit at risk
  62. 62. Cash flow at risk
  63. 63. Distribuzioni di frequenza del margine
  64. 64. Fair Value deals (M2Market M2Model)
  65. 65. Value at Risk non parametrico per valutazioneportafoglioindustriale
  66. 66. Cash flow at risk
  67. 67. P&L portafoglio trading
  68. 68. Value at Risk parametricoportafoglio di trading
  69. 69. Break down portafoglioindustrialerispettofattori di rischio (quantità / valore)
  70. 70. Misure di sensitivitàaiprezzi commodity / fuels
  71. 71. Esposizionequantità a punti forward per portafoglio trading
  72. 72. Simulazionecontratti di swap/opzione
  73. 73. Matricevarianza / covarianza
  74. 74. Valutazionevendita in borsasbilanciproduttivi</li></li></ul><li>Energy Risk Management<br /><ul><li>Modelli di calcolo disponibili
  75. 75. Qualche parola sul Modello stocastico
  76. 76. Funzionalità utente</li></li></ul><li>Il nostro modello stocastico<br />E’ stato sviluppato in collaborazione con l’Università di Lugano per modellizzare adeguatamente le dinamiche di prezzo delle commodity energetiche.<br />Modello multivariato autoregressivo la cui stima viene effettuata utilizzando “in parallelo” serie di regressori neurali “a residui coordinati” (metodo Filtering Historical Simulation – Barone-Adesi).<br />Si caratterizza per la possibilità di utilizzare differenti fattispecie di serie storiche (quindi non solo prezzi, ma anche volumi scambiati o per esempio temperature, ecc).<br />Consente di recepire trend attesi (esempio curve forward di mercato o modificate dallo specialist).<br />Una volta stimato il modello (costituito da n equazioni coordinate ciscuna per ogni indice oggetto di simulazione), la proiezione viene ottenuta utilizzando una metodologia Monte-Carlo. <br />Il processo di proiezione produce i valori attesi (non distorti intorno ai trends) e le distribuzioni di frequnenza intertemporali per ogni indice oggetto di stima.<br />
  77. 77. Il concetto di Filtering Historical Simulation (Barone-Adesi)<br />Indice X<br />Rx<br />Rx<br />Indice Y<br />Estrazione casuale ma coordinata dei returns<br />Price<br />Ry<br />Ry<br />time series<br />projection<br /><ul><li>Il metodo garantisce il mantenimento della correlazioni storiche delle variazioni giornaliere degli indici grazie alla metodologia dell’estrazione CASUALE MA «COORDINATA»
  78. 78. Consente la ricostruzione euristica delle distribuzioni di frequenza
  79. 79. La metodologia di stima «filtra» i rendimenti per assicurare la «mean reversion» rispetto alle curve forward (market trends), cioè i rendimenti sono riadeguati in modo da garantire l’ottenimento della mean reversion</li></li></ul><li>Processo<br />Ingegneristico<br />MONTE - CARLO<br /><ul><li>I MLNN sono utilizzati come regressori condizionali e forniscono realizzazioni stocastiche (pathway) di prezzo sull’orizzonte temporale di proiezione
  80. 80. Si ottiene la distribuzione di frequenza e il valore atteso condizionale sull’insieme di prove effettuate</li></ul>Monte-Carlo<br />projection<br />Il processo simulativo è costituito da quattro fasi completamente gestite dal processo ingegneristico:<br /><ul><li>Filtering
  81. 81. Fitting
  82. 82. Equation selection
  83. 83. Monte-Carlo</li></ul>EQUATION SELECTION<br /><ul><li>Solo le equazioni «mean reverting» vengono conservate
  84. 84. Nel processo di eliminazione progressiva le diverse equazioni sono messe vicendevolmente in «competizione»
  85. 85. Il parallel computing assicura un processo di selezione in tempi ristretti</li></ul>Equation<br />selection<br />FITTING<br /><ul><li>Per ogni indice viene effettuato un Parallel Multi-Training che consente la stima di più equazioni concorrenti
  86. 86. Ogni training set addestra una propria rete neurale (MLNN). Le reti neurali vengono addestrate in parallelo (Neural Network Ensemble technique)</li></ul>Equation Fitting<br />FILTERING<br /><ul><li>I dati storici sono costituiti dai prezzi storici (+ quantità / temperature) degli indici oggetto di proiezione
  87. 87. I residui stocastici vengono stimati a partire dai log-returns dei prezzi e vengono utilizzati come “novazioni stocastiche”
  88. 88. I residui vengono «filtrati» e trasformati in inpulsi neurali</li></ul>Filtering<br />
  89. 89. Esempi<br />(proiezioni al 1 novembre 2010)<br />Prezzo Unico Nazionale (PUN)<br /><ul><li>Il modello stocastico consente di ricreare la distribuzione oraria attesa del PUN in funzione di curve forward di strumenti negoziati sul mercato a termine
  90. 90. Il prezzo atteso in funzione delle curve forward di mercato
  91. 91. La distribuzione stocastica del prezzo medio giornaliero (utilizzabile anche per la determinazione del VaR non parametrico del portafoglio di trading)</li></li></ul><li>Ambiti di utilizzo<br /><ul><li>Scenari (*) e forecast di prezzo «multi-commodity»
  92. 92. Monte Carlo option pricing (es. Weather derivatives)
  93. 93. Margine di contribuzione portafoglio industriale delle società energetiche (contratti indicizzati)
  94. 94. Value at Risk non parametrico (portafogli non lineari)</li></ul>(*) Glli algoritmi illustrati in precedenza possono anche recepire scenari esterni importati dall’utente<br />
  95. 95. Energy Risk Management<br /><ul><li>Modelli di calcolo disponibili
  96. 96. Qualche parola sul Modello stocastico
  97. 97. Funzionalità utente</li></li></ul><li>Risk Manager Module<br />Il modulo di risk management (Risk Manager Module) è pensato per offrire al risk manager un ambiente integrato rispetto ai moduli del Portfolio Manager e Data Manager:<br /><ul><li>Condivisione del Data Base applicativo
  98. 98. Book e Deal aggiornati in real time
  99. 99. Serie storiche di prezzo (giornaliere / orarie) utilizzate dai motori in modo automatico
  100. 100. Storicizzazione delle analisi effettuate dal Risk manager
  101. 101. Export in Excel e creazione di template Excel creati dall’utente automaticamente alimentati dal modulo</li></li></ul><li>Funzionalità utente<br /> Configurazione modelli<br /> Gestione simulazioni<br /> Reporting<br />Il Risk Manager può modificare parametri di simulazione:<br /><ul><li>Parametri generali
  102. 102. Curve Forward
  103. 103. Import scenari
  104. 104. Creare + configurazioni</li></ul>Configurare e gestire simulazioni:<br /><ul><li>Lanciare
  105. 105. Schedulare
  106. 106. Monitorare</li></ul>Generare report:<br /><ul><li>Storico simulazioni
  107. 107. Esportare risultati
  108. 108. Creare Template Excel</li></li></ul><li>Funzionalità utente<br /> Configurazione modelli<br />Il Risk Manager può modificare parametri di simulazione:<br /><ul><li>Parametri generali
  109. 109. Curve Forward
  110. 110. Import scenari
  111. 111. Creare + configurazioni</li></li></ul><li>Funzionalità utente<br /> Configurazione modelli<br /> Gestione simulazioni<br />Configurare e gestire simulazioni:<br /><ul><li>Lanciare
  112. 112. Schedulare
  113. 113. Monitorare</li></li></ul><li>Funzionalità utente<br /> Configurazione modelli<br /> Gestione simulazioni<br /> Reporting<br />Generare report:<br /><ul><li>Storico simulazioni
  114. 114. Esportare risultati
  115. 115. Creare Template Excel</li></li></ul><li>Energy Risk Management<br />Appendix<br /><ul><li>Equazione autoregressiva di stima</li></li></ul><li>Equazioni autoregressive di stima<br />Comprendere la struttura di un fenomeno stocastico non è agevole.<br />La teoria è fondamentale ma spesso non esaustiva e sui processi stocastici per la finanza il paradigma dominante dei processi «diffusivi» impone conoscenze teoretiche rilevanti, a fronte tuttavia di risultati empirici infondo deludenti.<br />L’idea di utilizzare l’intelligenza artificiale e la forza bruta del computing non è nuova, ma può fornire risultati rilevanti per la modellazione di strutture complesse come portafogli fortemente non lineari e multi-commodity.<br />Abbiamo applicato questa nostra esperienza al tema della valutazione del portafoglio industriale di aziende energetiche elaborando un algoritmo di tipo evolutivo molto semplice e ispirato alla metodologia del Filtering Historical Simulation del Prof. Barone-Adesi, di cui siamo discepoli immeritevoli.<br />Nel seguito forniamo alcuni highlights caratteristici del nostro approccio.<br />
  116. 116. Equazioni autoregressive di stima<br />ln(PTj(t) / PTj (t-1)) = FNj { PTj (t-1), [ hs ]s≠j ,T(t) ,[ fk ] |MFk(t), t > t0 } +SNj * N(0;1)<br /><ul><li>ln = intensità di rendimento (variazione logaritmica)
  117. 117. j ; s= 1... n è rappresenta il j-esimo / s-simo indice fra gli n indici oggetto di simulazione
  118. 118. PT(t) è il prezzo spot al tempo t
  119. 119. PT(t-1) è il prezzo spot al tempo t-1
  120. 120. FNj è la forma funzionale del regressore condizionale neurale per il j strumento sinanziario simulato
  121. 121. hS = collezione dei “log-returns coordinati” (intensità di rendimento) con filtering delle s security diverse dalla j-esima
  122. 122. T(t) è una funzione trasformata del tempo che intercetta la “stagionalità” dell’indice proiettato (se necessario)
  123. 123. k rappresenta il k-esimo fondamentale di mercato MF a rapresentare “condizioni di struttura attesa di mercato” come valutate al tempo t (es. Prezzi Forward: currency, prezzi dei fattori dell’energia, ecc.)
  124. 124. fk rappresenta la collezione dei log-returns (intensità di rendimento) con filtering dei k fondamentali di mercato
  125. 125. MFk rappresenta la collezione dei trend dei fondamentali di mercato utilizzati durante le proiezioni
  126. 126. SNj rappresenta lo “specific risk on investment” (idiosyncratic error) del’indice j come stimato dal j-esimo regressore neurale (come residuo non spiegato)
  127. 127. N(0;1) inversa della distribuzione normale con media nulla e varianza unitaria </li>

×