[论文解读] Multivariate Markov-Switching models and tail risk interdependence

Mauro Bernardi, Antonello Maruotti+1 more|arXiv (Cornell University)|Dec 22, 2013

Financial Risk and Volatility Modeling参考文献 44被引用 6

一句话总结

本文提出了一种多变量马尔可夫区制转换 t 分布模型，以捕捉金融收益中的时变非线性依赖关系与厚尾特征，通过广义 CoVaR 和 CoES 实现前瞻性系统性风险度量。该模型通过考虑机构间同时陷入困境的情形，提升了危机期间尾部风险依存关系的评估能力。

ABSTRACT

Markov switching models are often used to analyze financial returns because of their ability to capture frequently observed stylized facts. In this paper we consider a multivariate Student-t version of the model as a viable alternative to the usual multivariate Gaussian distribution, providing a natural robust extension that accounts for heavy-tails and time varying non-linear correlations. Moreover, these modelling assumptions allow us to capture extreme tail co-movements which are of fundamental importance to assess the underlying dependence structure of asset returns during extreme events such as financial crisis. For the considered model we provide new risk interdependence measures which generalize the existing ones, like the Conditional Value-at-Risk (CoVaR). The proposed measures aim to capture interconnections among multiple connecting market participants which is particularly relevant during period of crisis when several institutions may contemporaneously experience distress instances. Those measures are analytically evaluated on the predictive distribution of the modes in order to provide a forward-looking risk quantification. Application on a set of U.S. banks is considered to show that the right specification of the model conditional distribution along with a multiple risk interdependence measure may help to better understand how the overall risk is shared among institutions.

研究动机与目标

• 为解决基于高斯分布的模型在系统性危机期间难以捕捉厚尾与极端共动性的局限性。
• 将 CoVaR 和 CoES 风险度量扩展至多个机构同时处于压力状态的情形，突破单一条件事件框架的限制。
• 构建一个能够捕捉金融市场依赖关系中时变非线性相关性与状态转换的稳健建模框架。
• 为多变量 t 分布与混合分布下的尾部条件期望（TCE）提供解析可计算的表达式，以支持风险量化。
• 通过真实金融数据实证验证该模型在评估美国银行间系统性风险分担方面的优越能力。

提出的方法

• 采用具有状态依赖 t 分布创新项的多变量马尔可夫区制转换模型（MSM），以捕捉厚尾与时变依赖结构。
• 采用专家混合方法（mixture-of-experts），利用状态依赖参数建模金融收益中的非线性动态与状态持续性。
• 通过尺度混合与标准正态近似，推导多变量 t 分布与正态分布下尾部条件期望（TCE）的解析表达式。
• 通过在 MSM 框架下计算预测分布，将 CoVaR 与 CoES 扩展至多个条件机构的情形。
• 将该模型应用于美国银行收益面板数据，评估不同市场状态下的系统性风险贡献。
• 利用 MSM 的预测分布计算前瞻性风险度量，实现在压力时期对依存关系的动态评估。

实验结果

研究问题

• RQ1 多变量马尔可夫区制转换模型结合 t 分布创新项，相较于高斯模型，在捕捉金融收益中的尾部共动性与时变依赖关系方面有何优势？
• RQ2 在金融危机期间，对厚尾分布进行建模对系统性风险度量（如 CoVaR 与 CoES）的准确性有何影响？
• RQ3 当多个机构同时处于困境时，所提出的模型如何改进风险依存关系的评估？
• RQ4 多变量 t 分布混合下的 TCE 解析可计算性是否能实现更可靠的前瞻性系统性风险监控？
• RQ5 该模型在捕捉现实银行部门极端共动性方面，相较于标准高斯 MSM 模型，其表现优越程度如何？

主要发现

• 多变量 t 分布 MSM 在捕捉极端共动性与尾部依存关系方面显著优于高斯对应模型，尤其在危机状态中表现更优。
• 该模型通过捕捉厚尾特征与状态依赖相关性，相较于传统高斯模型，能提供更准确且稳健的系统性风险估计。
• 基于该模型推导的广义 CoVaR 与 CoES 度量显示，在高波动率状态中，系统性风险贡献更高且更具持续性。
• 多变量 t 分布混合下的 TCE 解析表达式可实现无需模拟的高效前瞻性风险度量计算。
• 对美国银行的实证应用表明，风险依存关系在压力状态中显著增强，当多个同行同时承压时，机构对系统性风险的贡献尤为突出。
• 该模型识别出银行间的风险分担并非对称，且高度依赖于当前市场状态，在流动性较低状态下观察到更强的溢出效应。