[논문 리뷰] VaR-Efficient Portfolios for a Class of Super- and Sub-Exponentially Decaying Assets Return Distributions

Yannick Malevergne, Didier Sornette|RePEc: Research Papers in Economics|2003. 01. 06.

Risk and Portfolio Optimization인용 수 7

한 줄 요약

이 논문은 하위 및 초구형 감쇠를 가지는 자산 수익률을 모델링하기 위해 수정된 Weibull 분포를 사용하여 VaR 효율적 포트폴리오 프레임워크를 제안한다. 가우시안 코풀라를 활용하고 정확한 꼬리 渐近적 형태를 유도함으로써, 포트폴리오 수익률 분포가 자산 가중치와 변량 꼬리 행동에 따라 의존하는 특성 척도 χ를 가진 수정된 Weibull 형태를 물려받음을 보여주며, 비정규, 꼬리가 두꺼운 수익률에서 정확한 VaR 및 기대손실 최적화를 가능하게 한다.

ABSTRACT

Using a family of modified Weibull distributions, encompassing both sub-exponentials and super-exponentials, to parameterize the marginal distributions of asset returns and their multivariate generalizations with Gaussian copulas, we offer exact formulas for the tails of the distribution $P(S)$ of returns $S$ of a portfolio of arbitrary composition of these assets. We find that the tail of $P(S)$ is also asymptotically a modified Weibull distribution with a characteristic scale $χ$ function of the asset weights with different functional forms depending on the super- or sub-exponential behavior of the marginals and on the strength of the dependence between the assets. We then treat in details the problem of risk minimization using the Value-at-Risk and Expected-Shortfall which are shown to be (asymptotically) equivalent in this framework.

연구 동기 및 목표

• 비정규, 꼬리가 두꺼운 자산 수익률 분포를 고려한 리스크 최적화 포트폴리오 프레임워크를 개발하는 것.
• 수정된 Weibull 변량과 가우시안 코풀라를 기반으로 한 다변량 모델 하에서 포트폴리오 수익률의 꼬리 분포에 대한 정확한 해석적 표현을 도출하는 것.
• 이 프레임워크에서 Value-at-Risk (VaR)과 Expected-Shortfall (ES)의 渐近적 동치성을 확립하여 일관된 리스크 최소화를 가능하게 하는 것.
• 정규성과 다를 수 있는 현실적인 수익률 분포에서 계산이 용이한 포트폴리오 최적화 방법을 제공하는 것.
• 자산 가중치와 변량 꼬리 파ameters에 따라 의존하는 특성 척도 χ의 척도 행동을 특성화하는 것.

제안 방법

• 하위지수 및 초지수 감쇠를 가지는 수정된 Weibull 분포의 가족을 사용하여 변량 자산 수익률 분포를 모델링하고, 가우시안 코풀라를 통해 의존성을 캡처한다.
• 특성 함수에 대해 사다리점 및 라플라스 방법을 적용하여 포트폴리오 수익률 분포 P(S)의 정확한 渐近적 형태를 도출하며, 고차 수준의 누적모멘트를 고려한다.
• 위크의 정리를 적용하여 가우시안 및 고차 수준 누적모멘트 기여를 체계적으로 평가하며, 홀수 모멘트는 0이 되고 짝수 모멘트는 꼬리에서 지배적이지 않음을 보여준다.
• P(S)의 주요 순서 渐近적 행동이 자산 가중치와 변량 척도 파ameters에 따라 의존하는 특성 척도 χ를 가진 수정된 Weibull 분포임을 식별한다.
• 특성 척도 χ의 명시적 함수 형태를 유도하며, χ̂ = (∑ w_i χ_i σ_i)^((c−1)/c)로 표현되며, 여기서 c는 꼬리 감쇠를 제어하고 σ_i는 변량 척도 파ameters이다.
• 이 모델에서 VaR과 Expected-Shortfall이 渐近적으로 동치임을 보이며, 선형 프로그래밍 알고리즘을 통한 일관된 리스크 최소화가 가능하다.

실험 결과

연구 질문

• RQ1 개별 자산 수익률이 하위 또는 초구형 감쇠를 가지는 수정된 Weibull 분포를 따를 경우, 포트폴리오 수익률 분포의 꼬리는 어떻게 행동하는가?
• RQ2 포트폴리오 수익률 분포의 특성 척도 χ는 자산 가중치와 변량 파ameters에 대해 어떤 함수 형태로 표현되는가?
• RQ3 이 비정규 프레임워크에서 VaR과 Expected-Shortfall을 얼마나 정확히 渐近적으로 동치로 간주할 수 있는가?
• RQ4 가우시안 코풀라로 모델링된 의존성 구조는 포트폴리오 수익률 분포의 꼬리 행동에 어떤 영향을 미치는가?
• RQ5 정규분포나 안정형 파레토 분포에 의존하지 않고도 포트폴리오 리스크에 대한 정확한 해석적 표현을 도출할 수 있는가?

주요 결과

• 포트폴리오 수익률 분포 P(S)의 꼬리는 자산 가중치와 변량 척도 파ameters에 따라 의존하는 특성 척도 χ̂를 가진 수정된 Weibull 분포로 渐近적으로 따라간다.
• 특성 척도는 χ̂ = (∑ w_i χ_i σ_i)^((c−1)/c)로 주어지며, 여기서 c는 꼬리 감쇠를 제어한다 (c < 2일 경우 하위지수, c > 2일 경우 초지수).
• 이 프레임워크에서 VaR과 Expected-Shortfall은 渐近적으로 동치이며, 선형 프로그래밍 알고리즘을 통한 일관된 리스크 최소화가 가능하다.
• P(S)의 주요 순서 渐近적 형태는 P(S) ∝ |S|^{c/2−1} exp(−(|S|/χ̂)^c)로 표현되며, 보정항은 S의 거듭제곱에 의해 억제된다.
• 이 방법은 정규성과 다를 수 있는 비정규, 꼬리가 두꺼운 수익률 분포 하에서 포트폴리오 리스크에 대한 정확한 해석적 표현을 제공하며, 시뮬레이션 또는 근사 오류를 피한다.
• 유도된 척도 χ̂는 자산 가중치, 변량 꼬리 행동(파ameter c에 의해), 그리고 의존성 구조(σ_i 및 V_{kl}^{-1}을 통해)의 병합 효과를 반영하여 정밀한 리스크 최적화를 가능하게 한다.