[论文解读] Body and Tail - Separating the distribution function by an efficient tail-detecting procedure in risk management

Ingo Hoffmann, Christoph J. Börner|arXiv (Cornell University)|May 25, 2018

Risk and Portfolio Optimization参考文献 28被引用 6

一句话总结

本文提出了一种无需参数、高效的程序，用于在风险管理中检测分离未知分布的主体与尾部的最优阈值。基于加权均方误差准则，该方法识别广义帕累托分布（GPD）建模的尾部区域，从而在无需事先假设参数的情况下，实现对极端风险度量（如VaR和CVaR）的精确分位数估计，并在模拟数据和真实金融数据（包括MSCI世界指数）上进行了验证。

ABSTRACT

In risk management, tail risks are of crucial importance. The quality of a tail model, which is determined by data from an unknown distribution, depends critically on the subset of data used to model the tail. Based on a suitably weighted mean square error, we present a method that can separate the required subset. The selected data are used to determine the parameters of the tail model. Notably, no parameter specifications have to be made to apply the proposed procedure. Standard goodness of fit tests allow us to evaluate the quality of the fitted tail model. We apply the method to standard distributions that are usually considered in the finance and insurance industries. In addition, for the MSCI World Index, we use historical data to identify the tail model and to compute the quantiles required for a risk assessment.

研究动机与目标

• 解决风险管理中极端值分析阈值选择的关键挑战。
• 开发一种无需事先假设分布参数即可识别最优尾部区域的方法。
• 提高金融与保险领域VaR和CVaR等高分位数风险度量的估计精度。
• 提供一种对模型特定参数化不敏感的稳健、自动化尾部分位检测程序。
• 通过模拟数据和真实世界金融时间序列（包括MSCI世界指数）验证该方法。

提出的方法

• 该方法采用适当的加权均方误差（WMSE）准则，评估数据范围内候选阈值的表现。
• 选择能使经验尾部与拟合的GPD之间WMSE最小的阈值，以确保最优尾部拟合。
• 该程序完全自动化，无需事先指定GPD参数或分布假设。
• 使用所选的尾部数据通过最大似然估计法估计GPD参数（ξ, σ）。
• 应用标准的拟合优度检验（Anderson-Darling、Cramér-von Mises、Watson）验证所选尾部与GPD的拟合程度。
• 该方法已实现为一个免费提供的Python软件包，便于在风险建模中实际应用。

实验结果

研究问题

• RQ1 如何确定未知分布的主体与尾部之间的最优阈值，以最大化极端值建模的准确性？
• RQ2 如何在不依赖底层分布或GPD参数先验假设的前提下实现尾部分位检测？
• RQ3 所提出的方法在多大程度上提升了VaR和CVaR等风险度量的高分位数估计精度？
• RQ4 该方法在不同样本大小和分布类型（包括重尾和轻尾分布）下的表现如何？
• RQ5 该方法能否有效应用于真实金融时间序列（如MSCI世界指数），以支持监管和内部风险资本计算？

主要发现

• 对于MSCI世界指数，最优阈值被确定为周收益率的11.5%（n=2503中k*=289），对应的GPD形状参数ξ̂=0.215，尺度参数σ̂=0.011。
• Anderson-Darling、Cramér-von Mises和Watson统计量确认了GPD对所选尾部的良好拟合，周度数据的p值分别为0.965、0.845和0.932。
• 在99.9%置信水平下，周度收益率的VaR估计为0.112（CVaR：0.157），表明指数水平可能面临最高达11.2%的周度损失。
• 该方法在不同数据频率下表现出稳健性：月度数据（k*=95，ξ̂=-0.040）和年度数据（k*=42，ξ̂=-0.128）均显示一致的模型拟合与可靠的分位数估计。
• 即使在小样本中，该程序也能成功识别尾部区域，但当n < 25时性能受限，因统计波动导致置信区间收敛性下降。
• 该方法通过消除主观判断并提供统计基础、可复现的阈值检测流程，优于传统阈值选择方法。