[논문 리뷰] CoVaR under Asymptotic Independence

Zhaowen Wang, Yutao Liu외 1명|arXiv (Cornell University)|2026. 02. 11.

Financial Risk and Volatility Modeling인용 수 0

한 줄 요약

이 논문은 X와 Y가 점근적으로 독립적으로 수렴할 때 CoVaR에 대한 반모수 추정량을 개발하고, 일관성 및 점근적 정상성을 증명하며, 시뮬레이션 및 미국 주식 데이터로 성능을 입증합니다.

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.

연구 동기 및 목표

• Tail 종속성이 점근적으로 독립일 때 시스템 리스크를 측정해야 할 필요성에 대한 동기 부여.
• 이항극한값 이론에서 점근적으로 독립적인 상태에서 CoVaR를 위한 반모수 추정량을 제안합니다.
• 추정량의 일관성과 점근적 정상성을 확립합니다.
• 시뮬레이션을 통해 유한 샘플 성능을 평가합니다.
• 미국 주식 수익률에 이 방법을 적용하여 동적 CoVaR 예측을 생성합니다.

제안 방법

• Ledford–Tawn 정규 변화에 의해 특징지어지는 이변극한값 프레임워크를 채택합니다.
• CoVaR_Y|X(p)을 CoVaR_Y|X(p) ≈ VaR_Y(p·eta_p*)로 연결하는 보정 인수 eta_p*를 정의합니다.
• Hill 추정량으로 Y의 꼬리 지수 γ를 추정하고 extrapolation을 통해 VaR_Y(p)을 얻습니다.
• 꼬리 의존 함수 c(x,y;θ)를 모수화하고 비모수 프록시 Q̂_n을 이용한 모멘트 방식(M-estimator)으로 θ를 추정합니다.
• c(1, η_p*; θ̂)=p^{2−1/η}를 해결하여 η_p*를 얻고, 그 다음 CoVaR̂_Y|X(p) = (η_p*)^{−γ̂}·VaR̂_Y(p)를 구성합니다.
• 다양한 꼬리 의존성 및 조건부 스킴하에서 CoVaR(p,q), CoVaR^{=}(p) 및 해당 추정량으로의 확장을 제공합니다.

(a) AIG

실험 결과

연구 질문

• RQ1 X와 Y가 점근적으로 독립적일 때 CoVaR는 어떻게 추정될 수 있는가?
• RQ2 이변극한값 설정에서 모수화된 c(x,y;θ)를 통해 꼬리 의존성을 정확히 포착하는 반모수 프레임워크는 무엇인가?
• RQ3 제안된 CoVaR 추정량은 점근적 독립성 하에서 일관성과 점근적 정상성을 가지는가?
• RQ4 유한 샘플에서 제안된 추정량은 Naive 추정량에 비해 어떠한 성능을 보이며 모델 오적합하에서의 성능은 어떤가?
• RQ5 다양한 조건부 및/또는 다른 꼬리 의존성 정의에 대해 방법을 확장할 수 있는가?

주요 결과

• 점근적 독립성 하에서 제안된 CoVaR 추정량은 시뮬레이션에서 Naive 추정량보다 더 정확하며(편향과 분산이 작음).
• 일관성은 기술적 가정(가정 1–7) 하에서 CoVaR 추정량에 대해 성립한다.
• 추가적인 규칙성(가정 8–9) 하에서 CoVaR 추정량에 대한 점근적 정상성이 확립된다.
• 유한 샘플 성능은 꼬리 모델 및 k-매개변수의 선택에 의존하며, 더 큰 k는 분산을 줄이고, 더 작은 k는 편향을 줄일 수 있다.
• 미국 주식 수익률에의 적용은 동적 CoVaR 예측을 산출하며, 모델 오적합(Model 2) 하에서 시뮬레이션 성능은 나이브 방식에 비해 여전히 개선되지만 저하된다.
• 이 방법은 CoVaR(p,q) 및 CoVaR^{=}(p)와 관련 추정량으로의 확장을 지원한다.

(b) ALL