[论文解读] Bayesian inference for CoVaR

Mauro Bernardi, Ghislaine Gayraud+1 more|arXiv (Cornell University)|Jun 12, 2013

Financial Risk and Volatility Modeling参考文献 37被引用 4

一句话总结

本文提出了一种贝叶斯分位数回归框架，用于估计条件风险价值（CoVaR），以评估金融机构之间的系统性风险溢出。通过使用状态空间方法对时变尾部依赖进行建模，并利用MCMC方法借助非对称拉普拉斯分布，该方法能够捕捉动态的系统性风险贡献。实证结果表明，在美国标普500公司处于压力状况下，CoVaR估计值在不同机构之间存在显著差异。

ABSTRACT

Recent financial disasters emphasised the need to investigate the consequence associated with the tail co-movements among institutions; episodes of contagion are frequently observed and increase the probability of large losses affecting market participants' risk capital. Commonly used risk management tools fail to account for potential spillover effects among institutions because they provide individual risk assessment. We contribute to analyse the interdependence effects of extreme events providing an estimation tool for evaluating the Conditional Value-at-Risk (CoVaR) defined as the Value-at-Risk of an institution conditioned on another institution being under distress. In particular, our approach relies on Bayesian quantile regression framework. We propose a Markov chain Monte Carlo algorithm exploiting the Asymmetric Laplace distribution and its representation as a location-scale mixture of Normals. Moreover, since risk measures are usually evaluated on time series data and returns typically change over time, we extend the CoVaR model to account for the dynamics of the tail behaviour. Application on U.S. companies belonging to different sectors of the Standard and Poor's Composite Index (S&P500) is considered to evaluate the marginal contribution to the overall systemic risk of each individual institution

研究动机与目标

• 解决传统VaR在捕捉金融压力期间系统性风险溢出方面的局限性。
• 通过CoVaR建模一个机构风险对另一机构压力的条件尾部依赖关系。
• 开发一种贝叶斯分位数回归方法，以适应极端风险行为中的时变动态。
• 利用美国真实股票数据，评估单个机构对整体系统性风险的边际贡献。
• 提供一种稳健、分布无关的CoVaR估计框架，能够考虑偏度、厚尾和异方差性。

提出的方法

• 采用贝叶斯分位数回归方法，将CoVaR估计为在另一家机构发生压力时，该机构损失的条件分位数。
• 使用非对称拉普拉斯分布表示似然函数，通过正态分布的尺度混合实现MCMC抽样。
• 引入状态空间模型以允许时变系数，捕捉尾部风险暴露的动态变化。
• 应用马尔可夫链蒙特卡洛（MCMC）算法，估计参数的后部分布和可信区间。
• 使用线性分位数回归设定建模CoVaR：$ q^\tau(\mathbf{x}) = \mathbf{x}^T \boldsymbol{\theta} $，协变量包括市场收益、信用利差和公司特定基本面。
• 对所有参数估计95%最高后密度（HPD）区间，以量化CoVaR估计中的不确定性。

实验结果

研究问题

• RQ1 如何以一种能够捕捉金融机构之间时变系统性风险溢出的方式估计CoVaR？
• RQ2 在市场压力时期，单个机构对系统性风险的边际贡献是什么？
• RQ3 贝叶斯分位数回归框架在多大程度上优于经典参数与非参数CoVaR估计方法？
• RQ4 公司特定基本面和市场整体指标在多大程度上影响尾部风险依赖？
• RQ5 在模型不确定性下，CoVaR估计的稳健性如何？风险贡献的后部分布是什么？

主要发现

• 动态CoVaR模型成功捕捉了时变的尾部风险依赖关系，估计值在不同机构和时间段之间表现出显著波动。
• 3M和AT&T等公司对市场压力表现出高CoVaR敏感性，95% HPD区间表明其具有显著的系统性风险贡献（例如，3M在τ=0.05时为0.031–0.063）。
• 模型识别出信用利差（CREDSPR）和市场风险（DJUSRE）是系统性风险的关键驱动因素，其中CREDSPR在τ=0.05时表现出正向且显著的影响（后验均值：0.037，HPD区间：0.018–0.066）。
• 杠杆率（LEV）和公司规模（SIZE）表现出高度可变且常具反直觉的影响，极端后验估计值（如LEV：-35.741，HPD区间：-38.175至-34.204）表明存在复杂的非线性风险动态。
• 模型的MCMC抽样收敛良好，后验标准差（σk）在0.068至0.126之间，表明对全部19只资产的推断均稳定。
• 引入期限利差（TERMSPR）和市场动量（MM）等外生变量可改善模型拟合度，其中MM表现出正向但不确定的影响（后验均值：3.734，HPD区间：-3.442至6.773）。