Downloaded 27 times
![VARモデル on R
• 実装例
• データは前もってRFinanceYJパッケージや、日銀、内閣府の
HPから収集しておく
(← 良い取集パッケージがあれば教えてください)
#パッケージvars
library(vars)
#データはあらかじめ用意
datafile <- read.csv("data.csv")
#VAR関数でファクターの較正
p2ct<-VAR(datafile,p=2,type="both")
#ショック伝播の関数をirf関数で算出
var.irf <- irf(p2ct, response=c("EFEXRIND","REGDP","GDPDEF","TOPIX","LPRIMR_LOG"), n.ahead=19, boot=F)
#実質GDPとTOPIXへのそれぞれのショック
shock.ByrealGDP <- var.irf$irf$REGDP
shock.ByTOPIX <- var.irf$irf$TOPIX
shock <- shock.ByrealGDP + shock.ByTOPIX
shockToTOPIX <- shock[,4]](https://image.slidesharecdn.com/tokyoroct20121019-121019081720-phpapp01/85/TokyoR_-R-19-320.jpg)
![VARモデル on R
#predict関数で将来のマクロ指標を予測
pp2ct <- predict(p2ct,n.ahead=20)
TOPIXfcstn <- pp2ct$fcst$TOPIX[,1]
#ショック後のTOPIXとして5%ショックを与えたものを算出
TOPIXfcstnAfterShock <- TOPIXfcstn + shockToTOPIX * (-1.64)
TOPIXfcst <- c(datafile[,4],TOPIXfcstn)
TOPIXfcstAfterShock <- c(datafile[,4], TOPIXfcstnAfterShock)
#ここからエクセル作業
excel.w <- function(dat){
write.table(dat, "clipboard", sep="¥t", row.names = FALSE)
}
excel.w(TOPIXfcst)
#ここで一度エクセルに貼り付け
excel.w(TOPIXfcstAfterShock)
#再度エクセルに貼り付け](https://image.slidesharecdn.com/tokyoroct20121019-121019081720-phpapp01/85/TokyoR_-R-20-320.jpg)
![銀行ごとの株式評価損益分析
on R
• 実装例
• 実際の銀行の保有銘柄を調べるのはあまりにも面倒なので、
今回は仮想銀行がIT株、インフラ株、製造業株、小売業株を
25億円ずつ持っているとしてこの銀行にショックを与える
library(RFinanceYJ)
#指標(TOPIX) 998405
ST0 <- quoteStockTsData("998405",since="2007-01-01", time.interval="monthly")
#IT株 ヤフージャパン 4689
ST1 <- quoteStockTsData("4689",since="2007-01-01", time.interval="monthly")
#インフラ株 JR東日本 9020
ST2 <- quoteStockTsData("9020",since="2007-01-01", time.interval="monthly")
#製造業株 トヨタ 7203
ST3 <- quoteStockTsData("7203",since="2007-01-01", time.interval="monthly")
#小売株 ローソン 2651
ST4 <- quoteStockTsData("2651",since="2007-01-01", time.interval="monthly")
ST <-data.frame(ST0=ST0[,5],ST1=ST1[,7],ST2=ST2[,7],ST3=ST3[,7],ST4=ST4[,7])
#変動率の計算
IncST <- ST[2:70,]/ST[1:69,]-1](https://image.slidesharecdn.com/tokyoroct20121019-121019081720-phpapp01/85/TokyoR_-R-26-320.jpg)
![銀行ごとの株式評価損益分析
on R
#それぞれのβの計算
ST1.lm <- lm(ST1~ST0, data=IncST)
ST1.beta <- ST1.lm$coefficients[2]
ST2.lm <- lm(ST2~ST0, data=IncST)
ST2.beta <- ST2.lm$coefficients[2]
ST3.lm <- lm(ST3~ST0, data=IncST)
ST3.beta <- ST3.lm$coefficients[2]
ST4.lm <- lm(ST4~ST0, data=IncST)
ST4.beta <- ST4.lm$coefficients[2]
ST.beta <- rbind(ST1.beta, ST2.beta, ST3.beta, ST4.beta)
#TOPIXへのショック1に対する、仮想銀行の資産（銘柄ST1～ST4が25億ずつで100億）の変動額の算出
STVariance <- as.numeric( 10^10 * t(as.matrix(rep(0.25,4)))%*%as.matrix(ST.beta))
#VARモデルでのショックから1年後（4四半期後）のTOPIXの下落率
TOPIXvar.1yrAfterShock <- TOPIXfcstAfterShock[nrow(datafile)+4]/datafile$TOPIX[nrow(datafile)]-1
#対象とする銀行の保有株式評価損
STLoss <- STVariance * TOPIXvar.1yrAfterShock](https://image.slidesharecdn.com/tokyoroct20121019-121019081720-phpapp01/85/TokyoR_-R-27-320.jpg)
Uploaded by基晴 出井
TokyoR_日銀のマクロストレステストをRで追う
最終的に発表したもの English version is in: http://www.slideshare.net/ssuserb0db22/tokyo-r-oct20121022e
TokyoR_日銀のマクロストレステストをRで追う
- 1. 日銀のマクロストレステストをRで追う 出井基晴 (@ActuaryDay) 2012/10/20
- 2. 自己紹介 • 出井（でい） 基晴 •@ActuaryDay • アクチュアリー会正会員（理事長賞） • 保険数理、年金数理、企業価値計量、リスク管理 • 奈良 出身 • 大学時代は建築設計を専攻（妹島和世賞） • 1年前の僕：「R?何それおいしいの？」 • 現在の僕：「plotの設定難しいれす(^ρ^)」
- 3. アクチュアリーって？ （念のため補足：アクチュアリーにも生保・損保・年金の三種類あって以下は生保について） • 保険数理 – 保険の「保険料」の計算が一番の基本 – 死亡率・癌発生率・入院発生率・・・ ⇒統計（もどき）を使う – 割引計算をする ⇒資産運用を前提とするので資産側も（一応）気にする • 企業価値計量 – 保険契約からの将来利益のシュミレーション – リスクの計量 • リスク管理 – リスク要因の把握・特定 – 発生頻度と影響度の評価 – リスクに対する（経営）アクションの策定
- 4. 今日の発表元ネタ 「日銀」こと日本銀行のHP 「調査・研究」のコーナー http://www.boj.or.jp/research/index.htm/ 「金融システムレポート」
- 5. 金融システムレポート • 2005年から年2回公表 • 日本の金融システムの安定性を調査・ 評価している • 今回はこの第5章「金融システムのリス ク耐性」にある「マクロストレステスト」を 見ていきます
- 6. ストレステストとは？ • 「例外的だが蓋然性のある」ストレスシナリオを想定し て、その状況下での損害の程度や回避策をあらかじ めシミュレーションするためのテスト – 例えば「リーマンショックレベルの株価下落イベントがもう 一度起きて金融システムは大丈夫なのか？」 – 漠然とした不安「何かすごいショックが起きたら大丈夫な のかな・・どうすればいいのかな・・」を実際にやってみて 確認する • 最近新聞紙面で出てきた中では・・・ – ギリシャ経済危機のEU諸国の銀行のストレステスト – 原発のストレステスト
- 7. マクロストレステスト by日銀 • 以下の各リスクに対してマクロ経済へのストレスがかかっ た時への、銀行の自己資本（Tier1）比率への影響を算出 – 銀行貸出の信用リスク＋政策保有株の株式リスク ←実質GDPとTOPIXへの確率5%（20年に1度レベル）の同時ショックが起 きた時の銀行貸出と銀行保有株式へのショック – 金利上昇リスク ←3種類の金利上昇ショックが起きた時の利息収益と銀行保有債券の 価格下落ショック – 海外市場のショックに対する有価証券の時価損失リスク ←欧州株価とドイツ国債金利への確率1%ショックが起こった時の銀行 保有有価証券価格へのショック – 外貨流動性リスク ←外貨スワップ市場、レポ市場、CD・CP市場が1か月機能不全に陥る – 海外市場ショックの場合の金融資本市場と実体経済の相乗作 用による損失の拡大リスク
- 8. テストの流れ • 以下の各リスクに対してマクロ経済へのストレスがかかっ た時への、銀行の自己資本（Tier1）比率への影響を算出 – 銀行貸出の信用リスク＋政策保有株の株式リスク 信用コストモデル 実質実効為替 貸出先企業の 債務者区分 レート 財務状況 信用コスト の遷移確率* (ICR, 当座比率) 確率5%の 実質GDP ショック 成長率低下に伴う悪影響 GDPデフレータ 名目GDP Tier I 比率 株式評価額シミュレーション 確率5%の TOPIX 株価 市場ベータ 株式評価損益 ショック 収益シミュレーション 長期貸出金利 長期貸出金利 貸出利鞘 コア業務純益 VARモデル 民間予測機関 経済見通し
- 9. テストの流れ • 以下の各リスクに対してマクロ経済へのストレスがかかっ た時への、銀行の自己資本（Tier1）比率への影響を算出 – 銀行貸出の信用リスク＋政策保有株の株式リスク 実質実効為替 レート 全部は多すぎるので今回はこれだけで・・・ 確率5%の 実質GDP ショック GDPデフレータ 株式評価額シミュレーション 確率5%の TOPIX 株価 市場ベータ 株式評価損益 ショック 長期貸出金利 VARモデル
- 10. テストの流れ • 以下の各リスクに対してマクロ経済へのストレスがかかっ た時への、銀行の自己資本（Tier1）比率への影響を算出 – 銀行貸出の信用リスク＋政策保有株の株式リスク 実質実効為替 レート 確率5%の 実質GDP ショック GDPデフレータ 株式評価額シミュレーション 確率5%の TOPIX 株価 市場ベータ 株式評価損益 ショック 長期貸出金利 VARモデル マクロ経済指標を用いた分析 銀行ごとの分析
- 11. VARモデルを用いて マクロ経済にストレスをかける • VAR (Vector AutoRegression)モデル？ （図はk=2の場合） 株価 GDP 金利 株価 相関 FX t -3 GDP 金利 t -1 FX 株価 t 金利 t -4 GDP FX t-2
- 12. VARモデルを用いて マクロ経済にストレスをかける • VAR (Vector AutoRegression)モデル？ （図はk=2の場合） 株価 GDP 金利 株価 ショック発生!! 相関 FX t -3 GDP 金利 t -1 FX 株価 t 金利 t -4 GDP FX t-2
- 13. VARモデルを用いて マクロ経済にストレスをかける • VAR (Vector AutoRegression)モデル？ （図はk=2の場合） 株価 GDP 金利 株価 相関 FX t -3 GDP 金利 t -1 FX 株価 t 金利 t -4 GDP FX t-2
- 14. VARモデルを用いて マクロ経済にストレスをかける • VAR (Vector AutoRegression)モデル？ （図はk=2の場合） 株価 GDP 金利 株価 相関 FX t -3 GDP 金利 t -1 FX 株価 t 金利 t -4 GDP FX t-2
- 15. VARモデルを用いて マクロ経済にストレスをかける • VAR (Vector AutoRegression)モデル？ （図はk=2の場合） ショックの伝播！！ 株価 GDP 金利 株価 相関 FX t -3 GDP 金利 t -1 FX 株価 t 金利 t -4 GDP FX t-2
- 16. VARモデルを用いて マクロ経済にストレスをかける • VAR (Vector AutoRegression)モデル？ ショックの伝播！！
- 17. VARモデルを用いて マクロ経済にストレスをかける • VAR (Vector AutoRegression)モデル？ ショックの伝播！！ • 特定の時点で特定のマクロ指標に起こったショックが、将 来にわたってその他のマクロ指標にどのようにショックを 伝播していくかをシュミレーションできる
- 18. VARモデル on R 実質実効為替 レート 確率5%の 実質GDP ショック GDPデフレータ 株式評価額シミュレーション 確率5%の TOPIX 株価 市場ベータ 株式評価損益 ショック 長期貸出金利 VARモデル
- 19. VARモデル on R • 実装例 •データは前もってRFinanceYJパッケージや、日銀、内閣府の HPから収集しておく (← 良い取集パッケージがあれば教えてください) #パッケージvars library(vars) #データはあらかじめ用意 datafile <- read.csv("data.csv") #VAR関数でファクターの較正 p2ct<-VAR(datafile,p=2,type="both") #ショック伝播の関数をirf関数で算出 var.irf <- irf(p2ct, response=c("EFEXRIND","REGDP","GDPDEF","TOPIX","LPRIMR_LOG"), n.ahead=19, boot=F) #実質GDPとTOPIXへのそれぞれのショック shock.ByrealGDP <- var.irf$irf$REGDP shock.ByTOPIX <- var.irf$irf$TOPIX shock <- shock.ByrealGDP + shock.ByTOPIX shockToTOPIX <- shock[,4]
- 20. VARモデル on R #predict関数で将来のマクロ指標を予測 pp2ct <-predict(p2ct,n.ahead=20) TOPIXfcstn <- pp2ct$fcst$TOPIX[,1] #ショック後のTOPIXとして5%ショックを与えたものを算出 TOPIXfcstnAfterShock <- TOPIXfcstn + shockToTOPIX * (-1.64) TOPIXfcst <- c(datafile[,4],TOPIXfcstn) TOPIXfcstAfterShock <- c(datafile[,4], TOPIXfcstnAfterShock) #ここからエクセル作業 excel.w <- function(dat){ write.table(dat, "clipboard", sep="¥t", row.names = FALSE) } excel.w(TOPIXfcst) #ここで一度エクセルに貼り付け excel.w(TOPIXfcstAfterShock) #再度エクセルに貼り付け
- 21. 500 600 700 800 900 1000 1100 1200 Sep‐08 Apr‐09 Nov‐09 Jun‐10 Jan‐11 Aug‐11 Mar‐12 Oct‐12 TOPIX May‐13 Dec‐13 Jul‐14 Feb‐15 Sep‐15 VARモデル on R Apr‐16 Nov‐16 ショック無 ショック有
- 22. 銀行ごとの株式評価損益分析 実質実効為替 レート 確率5%の 実質GDP ショック GDPデフレータ 株式評価額シミュレーション 確率5%の TOPIX 株価 市場ベータ 株式評価損益 ショック 長期貸出金利 VARモデル マクロ経済指標を用いた分析 銀行ごとの分析
- 23. 銀行ごとの株式評価損益分析 • 「市場ベータ」とは・・・ある銘柄の価格変動の、ベン チマークの変動に対する大小を表した指標 – ベンチマーク(TOPIX)が10%上昇している場合にある銘柄 が平均15%上昇しているならその銘柄の市場ベータは1.5 対象銘柄の変動(%) 1.5 1 TOPIXの変動(%)
- 24. 銀行ごとの株式評価損益分析 • 銀行ごとの保有株式評価損益計算 –以下の計算を銀行ごとに行い、銀行ごとの株式 評価額変動を計算する 銀行Aの保有株式 各銘柄 ポートフォリオ T 市場ベータ 銘柄①価額 銘柄①β 銘柄②価額 銘柄②β × × TOPIXの変動 銘柄③価額 銘柄③β ・ ・ ・ ・ VARモデル ・ ・ の結果
- 25. 銀行ごとの株式評価損益分析 • ・・・と簡単そうに書きましたが、作業的には超大 変そうです・・・ • ①対象とする全銀行（大手行～地銀）の保有株 式銘柄を確認する作業 – 銀行単位では公表されていないので、逆に株式発行 者（トヨタ株なら「トヨタ自動車株式会社」）の有価証券 報告書に記載されている「大株主の状況」の情報を 全上場企業分（3～4,000社）丹念に集めて確認したら しい・・・ • ②銘柄ごとの市場ベータを計算する作業 – 全対象銘柄の市場ベータを計算している
- 26. 銀行ごとの株式評価損益分析 on R • 実装例 • 実際の銀行の保有銘柄を調べるのはあまりにも面倒なので、 今回は仮想銀行がIT株、インフラ株、製造業株、小売業株を 25億円ずつ持っているとしてこの銀行にショックを与える library(RFinanceYJ) #指標(TOPIX) 998405 ST0 <- quoteStockTsData("998405",since="2007-01-01", time.interval="monthly") #IT株 ヤフージャパン 4689 ST1 <- quoteStockTsData("4689",since="2007-01-01", time.interval="monthly") #インフラ株 JR東日本 9020 ST2 <- quoteStockTsData("9020",since="2007-01-01", time.interval="monthly") #製造業株 トヨタ 7203 ST3 <- quoteStockTsData("7203",since="2007-01-01", time.interval="monthly") #小売株 ローソン 2651 ST4 <- quoteStockTsData("2651",since="2007-01-01", time.interval="monthly") ST <-data.frame(ST0=ST0[,5],ST1=ST1[,7],ST2=ST2[,7],ST3=ST3[,7],ST4=ST4[,7]) #変動率の計算 IncST <- ST[2:70,]/ST[1:69,]-1
- 27. 銀行ごとの株式評価損益分析 on R #それぞれのβの計算 ST1.lm <- lm(ST1~ST0, data=IncST) ST1.beta <- ST1.lm$coefficients[2] ST2.lm <- lm(ST2~ST0, data=IncST) ST2.beta <- ST2.lm$coefficients[2] ST3.lm <- lm(ST3~ST0, data=IncST) ST3.beta <- ST3.lm$coefficients[2] ST4.lm <- lm(ST4~ST0, data=IncST) ST4.beta <- ST4.lm$coefficients[2] ST.beta <- rbind(ST1.beta, ST2.beta, ST3.beta, ST4.beta) #TOPIXへのショック1に対する、仮想銀行の資産（銘柄ST1～ST4が25億ずつで100億）の変動額の算出 STVariance <- as.numeric( 10^10 * t(as.matrix(rep(0.25,4)))%*%as.matrix(ST.beta)) #VARモデルでのショックから1年後（4四半期後）のTOPIXの下落率 TOPIXvar.1yrAfterShock <- TOPIXfcstAfterShock[nrow(datafile)+4]/datafile$TOPIX[nrow(datafile)]-1 #対象とする銀行の保有株式評価損 STLoss <- STVariance * TOPIXvar.1yrAfterShock
- 28. 銀行ごとの株式評価損益分析 on R 0.59 0.43 ベータ： TOPIX vs. ヤフージャパン ベータ： TOPIX vs. JR東日本 1.03 0.14 ベータ： TOPIX vs. トヨタ ベータ： TOPIX vs. ローソン
- 29. 銀行ごとの株式評価損益分析 on R T TOPIX 1200 ＩＴ株25億円 ＩＴ株β 1100 ショック有 0.59 ショック無 1000 インフラ株25億円 インフラ株β 900 0.43 800 製造業株25億円 × 製造業株β 1.03 × 700 600 500 Apr‐09 Apr‐16 Sep‐08 Feb‐15 Sep‐15 Jun‐10 Jul‐14 Mar‐12 Dec‐13 Aug‐11 Oct‐12 Nov‐09 Jan‐11 Nov‐16 May‐13 小売業株25億円 小売業株β 0.14 1年後に20.6%下落 計算結果： この仮想銀行の保有株式100億円にはショック後1年で11.3億円の 株式評価損が発生！
- 30. 結果まとめ TOPIX 1200 1100 ショック有 ショック無 1000 900 800 700 600 500 実質実効為替 Apr‐09 Apr‐16 Sep‐08 Feb‐15 Sep‐15 Jun‐10 Jul‐14 Mar‐12 Dec‐13 Aug‐11 Oct‐12 Nov‐09 Jan‐11 Nov‐16 May‐13 レート 確率5%の 実質GDP ショック GDPデフレータ 株式評価額シミュレーション 確率5%の TOPIX 株価 市場ベータ 株式評価損益 ショック 長期貸出金利 VARモデル 仮想銀行の株式100億円にショック 後1年で11.3億円の評価損
- 31. おまけ • 実際のレポートでは、今回行った保有株式評価額への ストレス以外に同じVARモデル結果から他に2つのストレ スを計算 • 今回は4つの銘柄しか保有していない仮想銀行一つで 計算を行ったが実際のレポートでは、大手行～地銀総 数118行を対象に計算 • 今回見せたのは実際のレポートの5種類のマクロストレ ステストのうち1種類 • マクロストレステストの章は「金融システムレポート」全 90ページ分の10ページくらい • 「金融システムレポート」は年2回出ている • 結論： 担当者の方乙です・・・ (；´Д｀)