[논문 리뷰] Value-at-Risk: The Effect of Autoregression in a Quantile Process

Khizar Qureshi|arXiv (Cornell University)|2016. 03. 05.

Financial Risk and Volatility Modeling참고 문헌 3인용 수 3

한 줄 요약

이 논문은 조건부 자기회귀 VaR(CAViaR)를 제안하며, 과거 수익률과 정보를 바탕으로 미래 포지션 손실의 분위수를 모델링하여 시간에 따라 변화하는 변동성과 자기상관을 명시적으로 고려한다. 주요 기여는 꼬리 행동(극단적 손실)이 핵심 분포와 상당히 다름을 입증하고, 특히 시장 압력 상황에서 i.i.d. 및 GARCH 기반 모델보다 CAViaR가 이러한 역학을 더 잘 포착함을 보여준다.

ABSTRACT

Value-at-Risk (VaR) is an institutional measure of risk favored by financial regulators. VaR may be interpreted as a quantile of future portfolio values conditional on the information available, where the most common quantile used is 95%. Here we demonstrate Conditional Autoregressive Value at Risk, first introduced by Engle, Manganelli (2001). CAViaR suggests that negative/positive returns are not i.i.d., and that there is significant autocorrelation. The model is tested using data from 1986- 1999 and 1999-2009 for GM, IBM, XOM, SPX, and then validated via the dynamic quantile test. Results suggest that the tails (upper/lower quantile) of a distribution of returns behave differently than the core.

연구 동기 및 목표

• i.i.d. 수익률을 가정하는传통적 VaR 모델의 한계를 해결하기 위해, 시간에 따라 변화하는 변동성과 자기상관을 포착하지 못하는 문제를 해결하고자 한다.
• 과거 수익률과 정보를 함수로 하는 조건부 분위수 회귀 프레임워크인 CAViaR를 개발하여 VaR의 변화를 모델링하고 동적 위험 평가를 가능하게 하고자 한다.
• 미국 주식 및 시장 인덱스 데이터(GM, IBM, XOM, SPX)를 두 기간(1986–1999 및 1999–2009)에 걸쳐 실증적으로 검증하여 꼬리 위험 역학을 집중적으로 분석하고자 한다.
• 분포의 꼬리가 중심부와 다르게 행동함을 입증하고, 조건부이자 자기상관 모델링이 분위수에 필요함을 정당화하고자 한다.
• 약한 의존성과 조건부 이방성 조건 하에서 이론적으로 타당하고 일致하며 점근적으로 정규분포를 따르는 VaR 추정량을 제공하고자 한다.

제안 방법

• CAViaR를 조건부 자기상관 분위수 모델로 수식화: $ f_t(\beta) = \beta_0 + \sum_{i=1}^q \beta_i f_{t-i}(\beta) + \sum_{j=1}^r \beta_j l(x_{t-j}) $, 여기서 $ f_t(\beta) $ 는 시점 $ t $ 에서 예측된 VaR를 나타낸다.
• 모수 추정을 위해 경험적 위험을 최소화하는 데 사용되는 분위수 회귀 손실 함수 $ q_t(\beta) = [\theta - I(y_t < f_t(\beta))](y_t - f_t(\beta)) $ 를 적용한다.
• 잔차가 i.i.i.d.이고 조건부 분위수 성질을 만족하는지 확인하기 위해 동적 분위수(DQ) 검정을 사용하여 모델 적합도를 검증한다.
• 연속성, 오차의 stationarity, 유한한 조건부 밀도 등의 정규성 조건 하에서 일致성 및 점근 정규성 증명을 수행한다.
• 특히 i.i.d. 및 이방성 조건이 성립하지 않을 경우의 수치적 안정성과 수렴성을 확보하기 위해 헤시안 행렬 추정 및 국소 추론 기법을 활용한다.
• 고차원 매개변수 공간에서의 수치적 안정성과 수렴성을 향상시키기 위해 비용 정규화와 내부점 방법을 구현한다.

실험 결과

연구 질문

• RQ1 조건부 분위수 과정에 자기상관 동적 요소를 포함함으로써 i.i.d. 또는 GARCH 기반 모델 대비 VaR 예측 성능이 어떻게 향상되는가?
• RQ2 수익률 분포의 상하 꼬리 부분은 중심 영역과 비교해 보다 강한 지속성과 변동성 군집화를 보이는가?
• RQ3 약한 의존성과 비타원형 오차 분포 조건 하에서 조건부 자기상관 모델이 진정한 분위수를 일관되게 추정할 수 있는가?
• RQ4 백테스트 및 동적 분위수 검정을 통해 CAViaR 모델이 금융 위기 기간 동안 극단적 손실을 표준 모델보다 더 잘 포착하는가?
• RQ5 일반적인 조건부 이방성 하에서 CAViaR 추정량의 일관성 및 점근 정규성에 대한 이론적 근거는 무엇인가?

주요 결과

• CAViaR 모델은 수익률 꼬리의 자기상관을 성공적으로 포착하여 극단적 손실이 i.i.d.가 아니며 강한 지속성과 군집화를 보임을 입증한다.
• IBM, GM, XOM, SPX에 대한 실증 결과는 CAViaR가 i.i.d. 및 GARCH 기반 VaR 모델보다 백테스팅에서 유의미하게 뛰어난 성능을 보이며, 특히 1999–2009년의 변동성 높은 기간 동안 뚜렷하게 뛰어나다.
• 동적 분위수 검정 결과 CAViaR 잔차가 i.i.d.임을 확인하여 모델의 정확성과 조건부 분위수 제약 조건 $ P(y_t < \text{VaR}_t | \Omega_{t-1}) = \alpha $ 를 검증한다.
• 유한한 조건부 밀도 및 측정 가능하고 연속적인 함수 조건 하에서 모델의 일관성 및 점근 정규성이 확립된다.
• 분산-공분산 행렬 추정량은 $ \hat{c}_T / c_T \to 1 $ 확률 수렴 및 기울기의 4차 모멘트 유한성 조건을 만족할 경우 일관성 있음을 입증한다.
• 연구 결과 요인 및 포트폴리오 모델이 자기상관과 이방성 가정을 간과하여 시간 T 이후 VaR를 과소평가함을 발견하였으며, 특히 꼬리 영역에서 두드러진다.