[论文解读] Minimizing volatility increases large risks

Didier Sornette, Jørgen Vitting Andersen+1 more|ArXiv.org|Nov 19, 1998

Financial Risk and Volatility Modeling参考文献 3被引用 7

一句话总结

本文表明，最小化投资组合波动率——常用于降低小风险——由于更高的尾部依赖性和高阶累积量，反而可能无意中增加极端损失等大风险。通过使用功能积分和费曼图等高级统计物理技术，作者证明，最优方差最小化投资组合通常表现出更大的尾部风险，如通过风险价值（VaR）和归一化累积量衡量的那样，这挑战了传统风险管理中认为较低波动率即更安全投资组合的假设。

ABSTRACT

We introduce a faithful representation of the heavy tail multivariate distribution of asset returns, as parsimonous as the Gaussian framework. Using calculation techniques of functional integration and Feynman diagrams borrowed from particle physics, we characterize precisely, through its cumulants of high order, the distribution of wealth variations of a portfolio composed of an arbitrary mixture of assets. The portfolio which minimizes the variance, i.e. the relatively small risks, often increases larger risks as measured by higher normalized cumulants and by the Value-at-risk.

研究动机与目标

• 研究波动率最小化与金融投资组合中大风险出现之间的关系。
• 挑战传统假设，即最小化方差可降低整体风险。
• 开发一个能够捕捉重尾收益分布的高阶累积量的统计框架。
• 量化为实现低方差而进行的投资组合优化如何影响尾部风险指标（如风险价值）。
• 提供一种简洁但准确的多变量资产收益分布表示方法，超越高斯模型。

提出的方法

• 作者采用统计物理中的功能积分和费曼图技术，计算投资组合财富变动的高阶累积量。
• 通过使用保持高斯框架简洁性的重尾多变量分布，对资产收益的联合分布进行建模。
• 通过累积量（特别是归一化的高阶累积量）表征投资组合收益分布，以评估尾部风险。
• 该方法可对任意资产组合配置下的风险度量（如风险价值）进行解析计算。
• 该框架可比较不同方差最小化优化投资组合的风险特征。
• 通过解析推导和多种资产配置下的数值示例对方法进行验证。

实验结果

研究问题

• RQ1 传统假设认为最小化投资组合方差可降低极端大风险，这一假设是否成立？
• RQ2 高阶累积量（特别是与重尾相关的累积量）如何影响方差最小化投资组合的风险特征？
• RQ3 高斯假设在捕捉尾部风险方面失败的程度如何？能否通过更忠实的重尾模型加以修正？
• RQ4 能否有效应用来自物理学的功能积分和费曼图技术来建模复杂的金融风险分布？
• RQ5 当收益具有重尾特征时，最小化方差如何影响投资组合的风险价值（VaR）？

主要发现

• 最小化投资组合方差通常会增加归一化的高阶累积量，表明极端损失的可能性更高。
• 最优方差最小化投资组合的尾部风险（以风险价值衡量）显著高于其他配置。
• 使用重尾多变量分布表明，低方差投资组合在大风险方面并不一定更安全。
• 功能积分技术成功捕捉了资产收益的非高斯特征，实现了尾部风险度量的精确计算。
• 该模型表明，当未考虑高阶矩和尾部依赖性时，仅基于方差的风险分散策略可能具有误导性。
• 研究结果挑战了现代投资组合理论中的基础假设，即最小化方差等同于最小化整体风险。