[論文レビュー] CoVaR under Asymptotic Independence

Zhaowen Wang, Yutao Liu+1 more|arXiv (Cornell University)|Feb 11, 2026

Financial Risk and Volatility Modeling被引用数 0

ひとこと要約

この論文は、XとYが漸近的に独立である場合のCoVaRに対する半パラメトリック推定量を開発し、一致性と漸近正規性を証明し、シミュレーションと米国株式データを用いて性能を示す。

ABSTRACT

Conditional value-at-risk (CoVaR) is one of the most important measures of systemic risk. It is defined as the high quantile conditional on a related variable being extreme, widely used in the field of quantitative risk management. In this work, we develop a semi-parametric methodology to estimate CoVaR for asymptotically independent pairs within the framework of bivariate extreme value theory. We use parametric modelling of the bivariate extremal structure to address data sparsity in the joint tail regions and prove consistency and asymptotic normality of the proposed estimator. The robust performance of the estimator is illustrated via simulation studies. Its application to the US stock returns data produces insightful dynamic CoVaR forecasts.

研究の動機と目的

• 尾部依存が漸近的に独立であるとき、系統リスクを測る必要性を動機付ける。
• 漸近的独立の下で二変量極値理論を用いたCoVaRの半パラメトリック推定量を提案する。
• 推定量の一致性と漸近正規性を確立する。
• シミュレーションを通じて有限サンプル性能を評価する。
• 方法を米国株式リターンへ適用し動的CoVaR予測を生成する。

提案手法

• Ledford–Tawnの正規変動性で特徴付けられる漸近的独立性を持つ二変量極値フレームワークを採用する。
• CoVaR_Y|X(p)をVaR_Y(p·eta_p*)に結びつける調整因子eta_p*を定義する、すなわちCoVaR_Y|X(p) ≈ VaR_Y(p·eta_p*)。
• 尾部指標γをHill推定量で、VaR_Y(p)を外挿によって推定する。
• 尾部依存関数c(x,y;θ)をパラメトリックにモデル化し、非パラメトリック代理Q̂_nを用いたモーメント法（M推定量）でθを推定する。
• c(1, η_p*; θ̂)=p^{2−1/η}を解いてη_p*を得し、次にCoVaR̂_Y|X(p) = (η_p*)^{−γ̂}·VaR̂_Y(p)を構成する。
• CoVaR(p,q)、CoVaR^{=}(p)およびさまざまな尾部依存性・条件付けスキームの下での対応推定量への拡張を提供する。

(a) AIG

実験結果

リサーチクエスチョン

• RQ1 XとYが漸近的に独立なとき、CoVaRはどう推定できるか？
• RQ2 二変量極値設定でパラメトリックなc(x,y;θ)を介して尾部依存性を正確に捉える半パラメトリックフレームワークは何か？
• RQ3 漸近的独立の枠組みの下で提案推定量は一致性と漸近正規性を持つか？
• RQ4 有限サンプルとモデル誤-specificationの下で提案推定量はナイーブな推定量と比べてどう性能があるか？
• RQ5 異なる条件付けや異なる尾部依存性定義に拡張できるか？

主な発見

• 漸近的独立の下でのCoVaR推定量は、シミュレーションでナイーブな推定量よりも誤差（バイアス・分散）が小さく、より正確である。
• 推定量は技術的仮定（Assumptions 1–7）を満たす範囲で一致性を持つ。
• 追加の正則性条件（Assumptions 8–9）によりCoVaR推定量の漸近正規性を確立。
• 有限サンプル性能は尾部モデルとkパラメータの選択に依存；より大きいkで分散が減少し、より小さいkでバイアスが低下する可能性がある。
• 米国株式リターンへの適用は動的CoVaR予測を得るが、モデル誤pecification（モデル2）の下では性能は低下するがナイーブ法より改善されたままである。
• この方法はCoVaR(p,q)およびCoVaR^{=}(p)への拡張と、それに対応する推定量をサポートする。

(b) ALL