türk bankacılık sstemnde aktf pasf yönetm ve pyasa rsk
türk bankacılık sstemnde aktf pasf yönetm ve pyasa rsk
türk bankacılık sstemnde aktf pasf yönetm ve pyasa rsk
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
171<br />
sağlayacak şekilde, getirilerin varyans kovaryans matrisine cholesky ayrıştırması <strong>ve</strong>ya<br />
singular value ayrıştırması uygulamak yoluyla bilgisayar ortamında çalıştırılması<br />
gerekir.<br />
Aşağıdaki formül, getiriler arasındaki korelasyonu da dikkate alarak getiri serisi<br />
yaratmaktadır 67 .<br />
• “k” yatırım aracının diğer yatırım araçlarıyla korelasyona sahip getirisini;<br />
• “i”ninci yatırım aracının karakteristik kökünü;<br />
• normal dağılıma sahip rassal fiyat değişimlerini;<br />
• “i”ninci yatırım aracının “k”nıncı karakteristik <strong>ve</strong>ktör elemanını;<br />
• “k”nıncı yatırım aracının volatilitesini (standart sapmasını) göstermektedir.<br />
Eğer senaryo setlerine sahip isek, senaryonun Monte Carlo’dan mı <strong>ve</strong>ya Tarihi<br />
Simülasyondan mı geldiği önem arz etmemektedir. Senaryoların elde edilmesinden<br />
sonra RMD hesaplaması her iki yöntem için de aynı olmaktadır.<br />
RMD tutarını simüle edilmiş kar <strong>ve</strong> zarar rakamlarını kullanarak<br />
hesaplayabiliriz. 1000 tane kar-zarar senaryosu ürettiğimizi <strong>ve</strong> %99 olasılıkla RMD<br />
hesaplamak istediğimizi varsayalım. Bu durumda RMD, kayıpların %1’i olarak ifade<br />
edildiğinden, RMD’yi basitçe en büyük 10 kayıp senaryosu olarak hesaplayabiliriz.<br />
67 ŞAHİN, H. (Kasım 2004) , Riske Maruz Değer Hesaplama Yöntemleri s.77
Change language