Expected Shortfall (ES) to średnia strata w najgorszym fragmencie rozkładu, wyznaczonym przez zadany poziom ufności. Dla poziomu 97,5% miara opisuje przeciętną stratę w najgorszych 2,5% scenariuszy. W odróżnieniu od Value at Risk nie zatrzymuje się na granicy ogona, lecz uwzględnia wielkość strat już po jej przekroczeniu.

ES nie jest jednak prognozą najgorszej możliwej straty. Nie wskazuje również, kiedy zdarzenie nastąpi ani ile razy może pojawić się w krótkim okresie. Wynik zależy od horyzontu, modelu, danych, wyceny pozycji i sposobu traktowania rzadkich obserwacji. Dlatego powinien być używany razem z testami warunków skrajnych, kontrolą płynności i analizą obsunięć.

Od progu VaR do średniej w ogonie

Value at Risk odpowiada na pytanie o kwantyl straty. Jeżeli jednodniowy VaR 97,5% wynosi 2 mln zł, model zakłada, że około 2,5% dni może zakończyć się stratą większą od tej kwoty. Nie mówi natomiast, czy przeciętne przekroczenie wynosi 2,1 mln zł, 4 mln zł czy więcej.

Expected Shortfall uzupełnia tę lukę. Dla ciągłego rozkładu można intuicyjnie zapisać:

ES przy poziomie α = przeciętna strata w scenariuszach, w których strata przekracza VaR przy poziomie α.

Przy rozkładach dyskretnych definicja wymaga większej ostrożności, ponieważ wiele scenariuszy może mieć dokładnie taką samą stratę na granicy kwantyla. Wtedy nie wystarcza mechaniczne uśrednienie wszystkich obserwacji większych od VaR. Trzeba dobrać odpowiednią część masy prawdopodobieństwa na granicy, aby ogon obejmował dokładnie wskazany udział rozkładu.

Prosty przykład liczbowy

Załóżmy, że model wygenerował 1000 porównywalnych jednodniowych scenariuszy wyniku portfela. Po uporządkowaniu strat od najmniejszej do największej VaR 97,5% znajduje się w pobliżu granicy 25 najgorszych obserwacji. Expected Shortfall 97,5% jest średnią z tej najgorszej części próby.

Jeżeli VaR wynosi 1,8 mln zł, a średnia 25 największych strat wynosi 2,7 mln zł, obie liczby opisują ten sam ogon, ale odpowiadają na inne pytania:

  • VaR 1,8 mln zł: próg, który oddziela najgorsze 2,5% scenariuszy;
  • ES 2,7 mln zł: przeciętna strata wewnątrz tych scenariuszy.

Jedna skrajna obserwacja może podnieść ES znacznie bardziej niż VaR. To pożądana wrażliwość na dotkliwość ogona, ale również źródło niestabilności estymacji. Im wyższy poziom ufności i krótsza historia, tym mniej obserwacji faktycznie tworzy wynik.

Expected Shortfall, CVaR i Tail VaR

W literaturze i systemach ryzyka występują nazwy Expected Shortfall, Conditional Value at Risk (CVaR), Average Value at Risk oraz Tail VaR. Dla ciągłych rozkładów często prowadzą do tej samej liczby. Nie zawsze są jednak idealnymi synonimami przy rozkładach z punktami masy, dyskretnych scenariuszach albo szczególnych konwencjach programistycznych.

Rockafellar i Uryasev rozwinęli metodę optymalizacji CVaR, która pozwala jednocześnie wyznaczać próg VaR i minimalizować średnią stratę ogonową w podejściu scenariuszowym. Acerbi i Tasche pokazali natomiast, że szczegóły definicji mają znaczenie dla spójności miary, zwłaszcza gdy rozkład strat nie jest ciągły. W praktyce dokumentacja modelu powinna podawać wzór, konwencję znaku i sposób traktowania obserwacji na progu, a nie tylko skrót „ES” lub „CVaR”.

Dlaczego ES lepiej opisuje dotkliwość ogona?

Dwa portfele mogą mieć identyczny VaR, mimo że po przekroczeniu progu zachowują się zupełnie inaczej. Portfel A może generować straty skupione tuż za granicą, a portfel B rzadkie, lecz wielokrotnie większe straty. Expected Shortfall rozróżni te przypadki, ponieważ wykorzystuje wielkość obserwacji w ogonie.

ES ma też ważną własność portfelową: przy właściwej definicji jest miarą spójną, w tym subaddytywną. Oznacza to, że oszacowane ryzyko połączonego portfela nie powinno przekraczać sumy ryzyka jego części. Ta własność wspiera analizę dywersyfikacji i alokację limitów, choć nie gwarantuje, że sam model zależności między aktywami jest poprawny.

Bazylejski Komitet definiuje ES jako średnią potencjalnych strat przekraczających VaR przy danym poziomie ufności. W podejściu modeli wewnętrznych dla ryzyka rynkowego wymaga codziennego obliczania ES przy jednostronnym poziomie 97,5%. Jest to standard regulacyjny dla określonego zastosowania, a nie uniwersalna rekomendacja parametru dla każdego portfela.

Trzy sposoby estymacji

1. Symulacja historyczna

Dzisiejszy portfel wycenia się pod wpływem historycznych zmian czynników ryzyka, a następnie uśrednia najgorszą część otrzymanych strat. Metoda zachowuje współzależności obecne w próbie i nie wymaga rozkładu normalnego. Nie tworzy jednak automatycznie zdarzeń, których nie było w wybranym okresie. Wynik silnie zależy od długości okna, jakości danych i tego, czy historia zawiera okres stresu.

2. Model parametryczny

ES można obliczyć z przyjętego rozkładu stóp zwrotu lub czynników ryzyka. W modelu normalnym istnieje zamknięty wzór, ale prostota pochodzi z mocnych założeń. Grube ogony, asymetria, skupiska zmienności i nieliniowe instrumenty mogą sprawić, że model normalny zaniży ryzyko właśnie tam, gdzie ES ma być najbardziej użyteczny.

3. Monte Carlo

Model generuje wiele scenariuszy zmian rynkowych, wycenia portfel w każdym z nich i uśrednia straty w wybranym ogonie. Symulacja Monte Carlo pozwala uwzględnić nieliniowość, zmienną zmienność i bardziej złożone zależności. Elastyczność zwiększa jednak ryzyko modelu: błędna dynamika lub korelacja daje dokładnie policzoną odpowiedź na źle postawione założenia.

Największy problem: mało danych w ogonie

Przy 250 obserwacjach dziennych i poziomie 97,5% najgorszy ogon tworzy zaledwie około sześciu obserwacji. Jedna zmiana może więc wyraźnie przesunąć wynik. Podwyższenie poziomu ufności jeszcze bardziej ogranicza efektywną próbę. Pozorna precyzja dwóch miejsc po przecinku nie oznacza stabilnej wiedzy o rzadkich stratach.

Także bardzo długa historia nie rozwiązuje problemu automatycznie. Starsze obserwacje mogą pochodzić z innego reżimu zmienności, struktury rynku lub składu portfela. Z kolei krótkie okno szybciej reaguje na zmianę warunków, ale zawiera mniej zdarzeń skrajnych. Dobór próby jest więc kompromisem, który należy pokazać w analizie wrażliwości.

Kontrola powinna obejmować co najmniej:

  • wrażliwość na długość okna i poziom ufności;
  • porównanie danych bieżących, ważonych i okresów stresowych;
  • przedziały niepewności lub bootstrap z zachowaniem zależności czasowych;
  • alternatywne założenia o grubych ogonach i korelacjach;
  • osobną analizę płynności oraz kosztu zamknięcia pozycji;
  • scenariusze historyczne i hipotetyczne poza próbą kalibracyjną.

Czy Expected Shortfall można backtestować?

VaR tworzy codzienny, obserwowalny test przekroczenia: strata albo przekroczyła próg, albo nie. Dla ES potrzebna jest dodatkowo ocena wielkości strat w rzadkim ogonie, więc informacja narasta wolniej. Proste porównanie jednej dziennej straty z jedną wartością ES nie stanowi pełnego testu jakości modelu.

Praktyczny proces powinien łączyć kilka warstw:

  1. Test pokrycia VaR: czy liczba przekroczeń odpowiada przyjętemu poziomowi?
  2. Test niezależności: czy wyjątki nie grupują się w okresach stresu?
  3. Ocena dotkliwości: czy średnia zrealizowanych strat ogonowych jest zgodna z prognozowanym ES w dostatecznie długim okresie?
  4. Porównanie wersji P&L: wynik faktyczny i hipotetyczny pomagają oddzielić jakość modelu od kosztów, zmian pozycji i egzekucji.
  5. Testy stabilności: jak wynik zmienia się przy alternatywnych oknach, wagach i scenariuszach?

W bazylejskim frameworku backtesting modeli ryzyka rynkowego nadal wykorzystuje jednodniowy VaR, mimo że wymóg kapitałowy w podejściu modeli wewnętrznych opiera się na ES. To pokazuje, że jedna miara nie musi być jednocześnie najlepszym narzędziem do opisu ogona, ustalania limitu i codziennego testu.

Jak wykorzystać ES w konstrukcji portfela?

Expected Shortfall może służyć jako limit całego portfela, cel optymalizacji albo miara wkładu pozycji w ryzyko ogonowe. Portfel minimalizujący ES nie musi być jednak „bezpieczny” w każdym sensie. Wynik zależy od scenariuszy, a optymalizator może skoncentrować ekspozycję w miejscach, które model uznaje za stabilne tylko dlatego, że brakuje tam danych o stresie.

Wdrożenie powinno więc nakładać limity koncentracji, płynności i dźwigni oraz kontrolować sąsiednie rozwiązania. Jeżeli niewielka zmiana danych całkowicie przestawia wagi, portfel jest wrażliwy na błąd estymacji. ES uzupełnia analizę drawdownu, ale jej nie zastępuje: jednodniowa średnia strata ogonowa nie opisuje długości obsunięcia ani sekwencji strat.

Najczęstsze błędy interpretacji

  • „ES to maksymalna strata”. Nie — to średnia w zdefiniowanym ogonie modelu.
  • „97,5% oznacza 97,5% bezpieczeństwa”. Nie — poziom określa granicę ogona, a nie gwarancję wyniku.
  • „ES zawsze jest stabilniejszy od VaR”. Nie — wykorzystuje wielkość bardzo niewielu skrajnych obserwacji.
  • „Niższy ES oznacza płynny portfel”. Nie — model może nie uwzględniać spreadu, wpływu na rynek i luk.
  • „Jedna liczba wystarczy do limitu”. Nie — potrzebne są również scenariusze, koncentracja, drawdown i procedury awaryjne.

Najważniejsze wnioski

Expected Shortfall odpowiada na pytanie, którego VaR nie rozwiązuje: jak duża jest przeciętna strata po wejściu w najgorszą część rozkładu. Dzięki temu lepiej różnicuje portfele o podobnym kwantylu, lecz odmiennej dotkliwości strat ogonowych.

Miara pozostaje jednak modelem, nie granicą rzeczywistości. Jej użyteczność zależy od liczby scenariuszy, jakości wyceny, opisu zależności, płynności i testów stabilności. Dojrzały proces zestawia ES z VaR, testami warunków skrajnych, drawdownem i limitami operacyjnymi — bez traktowania żadnej pojedynczej liczby jako obietnicy bezpieczeństwa.

Źródła

Źródła sprawdzono 13 listopada 2026 r. Parametry regulacyjne dotyczą określonych zastosowań bankowych i nie są uniwersalną konfiguracją każdego modelu inwestycyjnego.

Zastrzeżenie edukacyjne: materiał ma charakter wyłącznie edukacyjny i informacyjny. Nie stanowi rekomendacji inwestycyjnej, porady finansowej ani oferty nabycia lub sprzedaży instrumentów finansowych. Expected Shortfall jest estymacją zależną od danych i założeń; nie wyznacza maksymalnej przyszłej straty.