[논문 리뷰] Efficient calculation of risk measures by importance sampling -- the heavy tailed case

Henrik Hult, Jens Svensson|ArXiv.org|2009. 09. 17.

Financial Risk and Volatility Modeling참고 문헌 6인용 수 6

한 줄 요약

이 논문은 체중이 무거운 분포 하에서 꼬리 기반 위험 측도—예를 들어, Value-at-Risk와 기대손실—을 효율적으로 추정하기 위해 중요도 표본 추출 방법을 제안한다. 기존의 정규적으로 변화하는 꼬리에 맞춰진 희귀사건 중요도 표본 추출 알고리즘을 활용하여, 이러한 추정기의 점근적 상대오차가 작게 유지되는 조건을 수립함으로써, 체중이 무거운 설정에서 극단적 분위수와 기대손실에 대한 몬테카를로 효율성을 크게 향상시킨다.

ABSTRACT

Computation of extreme quantiles and tail-based risk measures using standard Monte Carlo simulation can be inefficient. A method to speed up computations is provided by importance sampling. We show that importance sampling algorithms, designed for efficient tail probability estimation, can significantly improve Monte Carlo estimators of tail-based risk measures. In the heavy-tailed setting, when the random variable of interest has a regularly varying distribution, we provide sufficient conditions for the asymptotic relative error of importance sampling estimators of risk measures, such as Value-at-Risk and expected shortfall, to be small. The results are illustrated by some numerical examples.

연구 동기 및 목표

• 체중이 무거운 분포에서 극단적 분위수와 꼬리 위험 측도를 추정하기 위한 몬테카를로 시뮬레이션의 계산 효율성을 향상시키기 위해.
• 분포의 꼬리에서 희귀사건을 추정할 때 표준 몬테카를로 방법의 비효율성을 해결하기 위해.
• 기존에 희귀사건 확률을 위한 목적을 가진 중요도 표본 추출 기법을, Value-at-Risk와 기대손실과 같은 위험 측도 추정으로 확장하기 위해.
• 체중이 무거운 경우에 중요도 표본 추출 추정기의 점근적 상대오차가 작게 유지되는 데 필요한 충분한 조건을 도출하기 위해.
• 파레토 분포를 가진 증분을 가진 랜덤 워크에 대한 수치 시뮬레이션을 통해 방법을 검증하기 위해.

제안 방법

• 손실 분포의 꼬리 영역에서 표본 추출 빈도를 높이기 위해 측도를 변경하는 중요도 표본 추출 기법을 사용한다.
• 분위수에 대한 중요도 표본 추출 추정기는 중요도 표본 추정 누적분포함수의 역함수를 통해 정의된다: $(1 - \overline{F}_{\nu,N})^{\leftarrow}(p)$.
• 기대손실의 경우 추정기는 $\gamma_p((1 - \overline{F}_{\nu,N})^{\leftarrow})$로 정의되며, 여기서 $\gamma_p$는 $[p,1]$에서 분위수 함수를 통합한다.
• 점근적 분산은 $p \to 1$으로 갈수록 분석되며, 꼬리가 정규적으로 변화하는 체중이 무거운 경우에 초점을 맞춘다.
• 기존의 희귀사건을 위한 중요도 표본 추출 알고리즘을 바탕으로 하되, 가능도 비율의 두 번째 모멘트 행동을 분석함으로써 위험 측도 추정에 적합하게 조정한다.
• 점근적 상대오차가 작게 유지되도록 보장하는 이론적 조건을 도출하였으며, 꼬리의 정규적 변화와 중요도 표본 추출 측도의 선택에 기반한다.

실험 결과

연구 질문

• RQ1 희귀사건 확률을 위한 목적을 가진 중요도 표본 추출 기법을, Value-at-Risk와 기대손실과 같은 꼬리 기반 위험 측도 추정에 효과적으로 재사용할 수 있는가?
• RQ2 체중이 무거운 경우에 극단적 분위수를 추정할 때, 중요도 표본 추출 측도에 어떤 조건이 점근적 상대오차를 작게 유지하는가?
• RQ3 점근적으로 $p \to 1$으로 갈수록 기대손실에 대한 중요도 표본 추출 추정기의 성능은 표준 몬테카를로 방법보다 어떻게 다를까?
• RQ4 꼬리 지수(예: $\alpha = 2$ 또는 $3$)는 위험 측도에 대한 중요도 표본 추출의 효율성에 어떤 영향을 미치는가?
• RQ5 정규적으로 변화하는 랜덤 변수의 합에 대한 수치 시뮬레이션을 통해 점근적 분산 행동 이론이 검증될 수 있는가?

주요 결과

• n=10이고 1-p=10^{-5}일 때, DLW 방법은 분위수 추정의 표준편차를 1.51로 도출하였으며, 표준 몬테카를로 방법의 1594와 비교해 정밀도가 극적으로 향상됨을 보였다.
• α=2인 경우 n=30이고 1-p=10^{-5}일 때, DLW 방법은 기대손실을 표준편차 59.8로 추정하였고, 표준 몬테카를로 방법은 표준편차 3671을 기록하여 분산이 60배 감소한 것으로 나타났다.
• DLW 방법은 특히 극단적 꼬리 영역에서 표준 몬테카를로 방법보다 진짜 값에 더 가까운 추정치를 일관되게 생성하였으며, 테스트된 모든 방법 중에서 가장 낮은 표준편차를 기록했다.
• α=3인 경우, n=30이고 1-p=10^{-5}일 때, DLW 방법은 분위수 추정의 표준편차를 0.273로 도출하였고, 표준 몬테카를로 방법은 28.53이었으며, 이는 우수한 안정성을 보여주었다.
• 평균 추정 시간은 DLW 방법이 항상 낮았으며(0.7–1.3초), 표준 몬테카를로 방법(최대 1.3초)보다 빠르며, 수렴 행동도 더 우수했다.
• 수치 결과는 점근적 이론이 유한 표본에서도 성립함을 확인한다: DLW 방법은 극단적 꼬리 수준에서도 낮은 분산과 편향을 유지하며, 정규적 변화와 중요도 표본 추출 설계에 대한 이론적 조건을 검증한다.