[论文解读] Model-free bounds on Value-at-Risk using partial dependence information

Thibaut Lux, Antonis Papapantoleon|arXiv (Cornell University)|Oct 1, 2016

Risk and Portfolio Optimization参考文献 36被引用 8

一句话总结

本文通过增强标准 Fréchet-Hoeffding 上界并应用优化技术，利用部分依赖信息（如极值数据、部分拷贝知识或与参考拷贝的接近程度）开发了在聚合风险下无需模型的在险价值（VaR）边界。关键贡献在于，当存在依赖信息时，相比仅基于边缘分布的方法，该方法可显著获得更紧致的 VaR 边界。

ABSTRACT

We derive bounds on the distribution function, therefore also on the Value-at-Risk, of $\varphi(\mathbf X)$ where $\varphi$ is an aggregation function and $\mathbf X = (X_1,\dots,X_d)$ is a random vector with known marginal distributions and partially known dependence structure. More specifically, we analyze three types of available information on the dependence structure: First, we consider the case where extreme value information, such as the distributions of partial minima and maxima of $\mathbf X$, is available. In order to include this information in the computation of Value-at-Risk bounds, we establish a reduction principle that relates this problem to an optimization problem over a standard Fr\'echet class, which can then be solved by means of the well-known standard bounds or the rearrangement algorithm. Second, we assume that the copula of $\mathbf X$ is known on a subset of its domain, and finally we consider the case where the copula of $\mathbf X$ lies in the vicinity of a reference copula as measured by a statistical distance. In order to derive Value-at-Risk bounds in the latter situations, we first improve the \FH bounds on copulas so as to include this additional information on the dependence structure. Then, we translate the improved \FH bounds to bounds on the Value-at-Risk using the so-called improved standard bounds. In numerical examples we illustrate that the additional information typically leads to a considerable improvement of the bounds compared to the marginals-only case.

研究动机与目标

• 在仅知边缘分布但缺乏完整依赖结构信息的情况下，推导更紧致的无模型在险价值（VaR）边界。
• 将极值信息（如部分最小值和最大值的分布）纳入 VaR 边界计算中。
• 通过整合部分拷贝知识或与参考拷贝的统计距离，扩展标准 Fréchet-Hoeffding 上界。
• 通过利用超越边缘分布的结构化依赖信息，提升风险管理系统中 VaR 估计的准确性。
• 通过数值实验表明，部分依赖信息相比仅基于边缘分布的边界可带来显著改进。

提出的方法

• 建立一种约化原理，将包含极值信息的 VaR 边界计算问题转化为标准 Fréchet 类上的优化问题。
• 改进标准 Fréchet-Hoeffding 上界，以整合在定义域子集上的部分拷贝信息。
• 通过改进的标准上界方法，将改进后的拷贝边界转化为更紧致的 VaR 边界。
• 使用统计距离量化真实拷贝与参考拷贝之间的接近程度，并将其嵌入边界推导框架中。
• 应用重排算法求解在 Fréchet 类上的优化问题。
• 通过真实依赖结构的数值示例验证方法，并对比包含与不包含部分依赖信息的边界。

实验结果

研究问题

• RQ1 当可获得部分依赖信息（如极值分布）时，如何进一步收紧 VaR 边界？
• RQ2 与完全缺乏拷贝信息相比，在定义域子集上掌握部分拷贝知识在多大程度上能改善 VaR 边界？
• RQ3 当真实拷贝与参考拷贝之间的统计距离较近时，如何提升 VaR 边界精度？
• RQ4 在边缘分布之外引入依赖结构信息对 VaR 边界紧致性有何影响？
• RQ5 能否系统性地改进标准 Fréchet-Hoeffding 上界，以纳入结构化依赖信息？

主要发现

• 包含极值信息（如部分最小值和最大值的分布）可使 VaR 边界显著优于仅基于边缘分布的边界。
• 即使完整拷贝未知，对定义域子集上的部分拷贝知识也能显著提升 VaR 边界紧致性。
• 当真实拷贝在统计距离上接近参考拷贝时，所得 VaR 边界相比无模型的仅基于边缘分布的情形显著更紧。
• 所提方法通过改进的边界公式整合结构化依赖信息，始终优于标准 Fréchet-Hoeffding 上界。
• 数值示例证实，额外的依赖信息可缩小 VaR 边界宽度，表明风险评估精度得到提升。
• 约化原理使得可利用如重排算法等成熟工具求解在部分依赖约束下的复杂优化问题。