[논문 리뷰] Body and Tail - Separating the distribution function by an efficient tail-detecting procedure in risk management

Ingo Hoffmann, Christoph J. Börner|arXiv (Cornell University)|2018. 05. 25.

Risk and Portfolio Optimization참고 문헌 28인용 수 6

한 줄 요약

이 논문은 위험 관리에서 알려지지 않은 분포의 몸통과 꼬리 부분을 분리하기 위한 파라미터가 없고 효율적인 절차를 제안한다. 가중 평균 제곱오차 기준을 사용하여 일반화된 페아토 분포(GPD) 모델링을 위한 꼬리 영역을 식별함으로써, 사전에 파라미터를 가정하지 않고 VaR 및 CVaR와 같은 극단적 위험 측정치의 정확한 분위수 추정이 가능하며, 시뮬레이션된 데이터와 실제 금융 데이터(예: MSCI 월드 인덱스 포함)를 통해 검증된다.

ABSTRACT

In risk management, tail risks are of crucial importance. The quality of a tail model, which is determined by data from an unknown distribution, depends critically on the subset of data used to model the tail. Based on a suitably weighted mean square error, we present a method that can separate the required subset. The selected data are used to determine the parameters of the tail model. Notably, no parameter specifications have to be made to apply the proposed procedure. Standard goodness of fit tests allow us to evaluate the quality of the fitted tail model. We apply the method to standard distributions that are usually considered in the finance and insurance industries. In addition, for the MSCI World Index, we use historical data to identify the tail model and to compute the quantiles required for a risk assessment.

연구 동기 및 목표

• 위험 관리에서 극단가치 분석의 임계값 선택 문제를 해결하기 위해.
• 분포의 파라미터에 대한 사전 가정 없이 최적의 꼬리 영역을 식별하는 방법을 개발하기 위해.
• 금융 및 보험 분야에서 VaR 및 CVaR와 같은 위험 측정치의 고분위수 추정 정확도를 향상시키기 위해.
• 모델 특화 파라미터화에 의존하지 않는 강건하고 자동화된 꼬리 탐지 절차를 제공하기 위해.
• 시뮬레이션된 데이터와 실제 금융 시계열(예: MSCI 월드 인덱스 포함)을 통해 방법을 검증하기 위해.

제안 방법

• 모든 데이터 범위에 걸쳐 후보 임계값을 평가하기 위해 적절히 가중된 평균 제곱오차(WMSE) 기준을 사용한다.
• 실제 꼬리와 피팅된 GPD 간의 WMSE를 최소화하는 임계값을 선택함으로써 최적의 꼬리 피팅을 보장한다.
• 이 절차는 완전히 자동화되어 있으며 GPD 파라미터나 분포 가정을 사전에 설정할 필요가 없다.
• 선택된 꼬리 데이터를 사용하여 최대우도추정법을 통해 GPD 파라미터(ξ, σ)를 추정한다.
• GPD 피팅의 적합도를 검증하기 위해 표준 적합도 검정(앤더슨-더링, 크라머-빈 메이즈, 워튼)을 적용한다.
• 실제 위험 모델링 응용을 위해 자유로운 Python 패키지로 구현되어 있다.

실험 결과

연구 질문

• RQ1 어떤 임계값이 알려지지 않은 분포의 몸통과 꼬리를 분리하여 극단가치 모델링의 정확도를 극대화하는가?
• RQ2 기본 분포나 GPD 파라미터에 대한 사전 가정에 의존하지 않고 꼬리 탐지를 어떻게 수행할 수 있는가?
• RQ3 제안된 방법이 VaR 및 CVaR와 같은 고분위수 추정 정밀도를 어느 정도 향상시키는가?
• RQ4 다양한 표본 크기와 분포 유형(중심 꼬리 및 가벼운 꼬리 분포 포함)에서 이 방법은 어떻게 성능을 발휘하는가?
• RQ5 MSCI 월드 인덱스와 같은 실제 금융 시계열에 대해 이 방법을 효과적으로 적용하여 규제 및 내부 위험 자본 계산을 지원할 수 있는가?

주요 결과

• MSCI 월드 인덱스의 경우, 최적의 임계값은 주간 수익률의 11.5% 수준(전체 n=2503 중 k*=289)으로 설정되었으며, 이에 따라 GPD 형태 파라미터 ξ̂=0.215와 척도 파라미터 σ̂=0.011를 도출하였다.
• 앤더슨-더링, 크라머-빈 메이즈, 워튼 통계량은 주간 데이터 기준으로 GPD가 선택된 꼬리에 잘 맞는 것으로 확인되었으며, 각각 p-값 0.965, 0.845, 0.932를 기록하였다.
• 99.9% 신뢰수준에서 주간 수익률 기준 VaR는 0.112(CVaR: 0.157)로 추정되었으며, 이는 인덱스 수준에서 주간 최대 11.2%의 손실 가능성을 시사한다.
• 이 방법은 다양한 데이터 빈도에서 강건성을 보였으며, 월간 데이터(k*=95, ξ̂=-0.040) 및 연간 데이터(k*=42, ξ̂=-0.128) 모두에서 일관된 모델 피팅과 신뢰할 수 있는 분위수 추정이 이루어졌다.
• 작은 표본에서도 꼬리 영역을 성공적으로 식별했으나, n < 25일 경우 통계적 변동성으로 인해 성능이 제한되었으며, 신뢰구간 수렴을 통해 이를 확인할 수 있었다.
• 주관적인 입력을 제거하고 통계적으로 타당하며 재현 가능한 임계값 탐지 절차를 제공함으로써, 전통적인 임계값 선택 방법보다 우수한 성능을 보였다.