[論文レビュー] There is a VaR beyond usual approximations

Marie Kratz|arXiv (Cornell University)|Nov 1, 2013

Financial Risk and Volatility Modeling参考文献 33被引用数 4

ひとこと要約

本稿では、重い尾を持つ金融・保険リスクモデルにおけるValue-at-Risk (VaR) の正確な推定を目的として、Normexを提案する。この手法は、リスクの集約分布の中央部には中心極限定理（CLT）を、極値部分には正確な順序統計量を組み合わせることで、標準的なCLT近似よりも顕著に高い精度を達成する。特に小標本および重尾（α < 2）の状況下で顕著な改善効果を示し、相対誤差はCLTに比べて最大13%低減される。また、尾指数や標本サイズの変動に対しても安定性を保つ。

ABSTRACT

Basel II and Solvency 2 both use the Value-at-Risk (VaR) as the risk measure to compute the Capital Requirements. In practice, to calibrate the VaR, a normal approximation is often chosen for the unknown distribution of the yearly log returns of financial assets. This is usually justified by the use of the Central Limit Theorem (CLT), when assuming aggregation of independent and identically distributed (iid) observations in the portfolio model. Such a choice of modeling, in particular using light tail distributions, has proven during the crisis of 2008/2009 to be an inadequate approximation when dealing with the presence of extreme returns; as a consequence, it leads to a gross underestimation of the risks. The main objective of our study is to obtain the most accurate evaluations of the aggregated risks distribution and risk measures when working on financial or insurance data under the presence of heavy tail and to provide practical solutions for accurately estimating high quantiles of aggregated risks. We explore a new method, called Normex, to handle this problem numerically as well as theoretically, based on properties of upper order statistics. Normex provides accurate results, only weakly dependent upon the sample size and the tail index. We compare it with existing methods.

研究の動機と目的

• 重い尾を持つ金融・保険リスクにおけるVaR推定において、正規近似（CLTを用いたもの）の不適切さ、特に中程度または重い尾（α < 2）の状況下での問題を解決すること。
• 任意の標本サイズ n および尾指数 α に対して、高次モーメントに依存せずに、集約リスク分布の鋭い正確な近似を提供する手法を開発すること。
• CLTの収束が遅く、集約（例：日次リターンから年次リターンへの変換）に伴い尾の可視性が失われる（極値リスクが低く見積もられる）という問題を克服すること。
• リスクマネージャーや規制当局が、バセルIIおよびソルベンシーIIにおける資本要件計算を改善できる、実用的で一般化可能なソリューションを提供すること。
• 経験的データに混合分布をフィットさせることで、Normexを未教師学習的手法として尾指数推定に応用する可能性を検討すること。

提案手法

• Normexは、非極値リスクの和に対してCLTによる正規近似を用い、標本からのk個の最大順序統計量に対しては正確な分布を組み合わせる。
• 尾指数 α および既存するモーメントの数 p に基づいて、k の上位順序統計量を選択することで、標本サイズや尾の重さに対して安定性を確保する。
• 形状母数 α のi.i.d. パレート分布リスクの和を、中央部（正規分布で近似）と尾部（正確な極値分布）に分解してモデル化する。
• α の範囲に対して、k の選択をアルゴリズム的に決定することで、データ駆動型で未教師学習可能な尾モデル化が可能となる。
• 理論的分析では、洗練されたBerry-Esséen不等式と一般化された中心極限定理を用いて、近似誤差の上限を導出する。
• 数値的妥当性検証では、さまざまな α および n に対して、シミュレートされたパレート標本を用いてNormexをCLT、GCLT、およびEVTベースの手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 標準的なCLT近似は、重い尾を持つ集約リスク（例：α < 2 のパレート分布）のVaR推定において、どの程度の性能を示すか。収束速度の遅さと尾の低減推定という点で、どのような限界を有するか。
• RQ2 分布の中央部にCLTを、極値部分に正確な順序統計量を組み合わせたハイブリッド手法は、既存の手法に比べ、より正確で安定した集約リスク分布の近似を達成できるか。
• RQ3 特に小標本および低尾指数（α < 2）の状況下で、NormexはCLTに比べて相対誤差をどの程度低減できるか。
• RQ4 Normexの性能は、尾指数 α および標本サイズ n の変化にどのように影響を受けるか。また、尾の重さの変動に対して安定性を保っているか。
• RQ5 経験的データに混合分布をフィットさせることで、Normexを未教師学習的手法として尾指数 α を推定するのに応用可能か。また、従来のしきい値ベースの手法と比較して、どのような差異を示すか。

主な発見

• CLT法は、α < 2 の場合に顕著にVaRを低く見積もる。特に小標本（n）の状況下で相対誤差が最大13%に達し、αが小さくなるほど低減度が悪化する。
• α ≥ 2 の場合でも、CLTに基づくVaRは常にNormex推定値を下回り、特に小nおよび低αの状況で差が顕著になる。これは、バセルIIおよびソルベンシーII下での体系的資本不足を示唆する。
• Normexは、CLT、GCLT、および既存のEVT手法に比べ、特に尾領域において真の集約リスク分布の近似がより正確である。
• この手法の精度は、標本サイズや尾指数 α に対して弱い依存性を示し、多様な金融・保険データのシナリオにわたって安定性を保つ。
• Fat tails下ではVaRよりも一貫性のあるリスク指標である予想ショートフォールド（ES）は、CLTとNormexの推定値の差がさらに顕著になるため、尾のモデリングの改善の必要性を強化する。
• Normexは、従属リスクモデルへの応用が可能であり、経験的データに混合分布をフィットさせることで、未教師学習による尾指数推定ツールとしても利用可能であり、しきい値ベースの手法に対する新たな代替手段を提供する。