[论文解读] There is a VaR beyond usual approximations

Marie Kratz|arXiv (Cornell University)|Nov 1, 2013

Financial Risk and Volatility Modeling参考文献 33被引用 4

一句话总结

本文提出 Normex，一种新颖的方法，通过将中心极限定理（CLT）用于聚合风险的主体部分，结合极端值的精确顺序统计量，以更准确地估计重尾金融与保险风险模型中的风险价值（VaR）。与标准 CLT 近似相比，Normex 在小样本和重尾（α < 2）情况下显著提升了 VaR 估计的准确性——相对误差较 CLT 降低高达 13%，且在不同尾指数和样本大小下均保持稳健。

ABSTRACT

Basel II and Solvency 2 both use the Value-at-Risk (VaR) as the risk measure to compute the Capital Requirements. In practice, to calibrate the VaR, a normal approximation is often chosen for the unknown distribution of the yearly log returns of financial assets. This is usually justified by the use of the Central Limit Theorem (CLT), when assuming aggregation of independent and identically distributed (iid) observations in the portfolio model. Such a choice of modeling, in particular using light tail distributions, has proven during the crisis of 2008/2009 to be an inadequate approximation when dealing with the presence of extreme returns; as a consequence, it leads to a gross underestimation of the risks. The main objective of our study is to obtain the most accurate evaluations of the aggregated risks distribution and risk measures when working on financial or insurance data under the presence of heavy tail and to provide practical solutions for accurately estimating high quantiles of aggregated risks. We explore a new method, called Normex, to handle this problem numerically as well as theoretically, based on properties of upper order statistics. Normex provides accurate results, only weakly dependent upon the sample size and the tail index. We compare it with existing methods.

研究动机与目标

• 为解决在中等或重尾（α < 2）条件下，基于 CLT 的正态近似在估计重尾金融与保险风险 VaR 时的不足。
• 开发一种方法，可在任意样本大小 n 和尾指数 α 下，提供对聚合风险分布的精确近似，且无需依赖高阶矩。
• 克服 CLT 收敛缓慢以及聚合过程中尾部信息丢失（如日度收益聚合为年度收益）的问题，从而避免对极端风险的低估。
• 为风险管理者和监管机构提供一种实用且可推广的解决方案，以改进巴塞尔 II 和偿付能力 II 框架下的资本金要求计算。
• 探索 Normex 作为无监督方法用于尾指数估计的潜力，通过将混合分布拟合到实证数据中。

提出的方法

• Normex 将 CLT 对非极端风险之和的正态近似，与样本中 k 个最大顺序统计量的精确分布相结合。
• 通过尾指数 α 和现有矩的阶数 p 确定上尾顺序统计量的数量 k，确保对样本大小和尾部厚重程度的鲁棒性。
• 通过将 i.i.d. 帕累托分布风险（形状参数为 α）的总和分解为一个中心部分（由正态分布近似）和一个尾部部分（由精确极值分布建模），实现对总和的建模。
• 针对给定的 α 范围，算法化地确定 k 的取值，从而实现一种数据驱动的、无监督的尾部分析方法。
• 理论分析采用改进的 Berry-Esséen 不等式和广义中心极限定理，以界定近似误差的上界。
• 数值验证通过在不同 α 和 n 下模拟的帕累托样本，将 Normex 与 CLT、GCLT 及基于 EVT 的方法进行比较。

实验结果

研究问题

• RQ1 标准 CLT 近似在估计聚合重尾风险（如 α < 2 的帕累托分布）的 VaR 时表现如何？其在收敛速度和尾部低估方面的局限性是什么？
• RQ2 结合 CLT 对分布主体部分的近似与精确极值顺序统计量的混合方法，是否能比现有方法更准确、更稳健地近似聚合风险分布？
• RQ3 与 CLT 相比，Normex 在小样本和低尾指数（α < 2）情况下，能将 VaR 估计的相对误差降低多少？
• RQ4 Normex 的性能如何随尾指数 α 和样本大小 n 变化？其在不同尾部厚重程度下是否具有鲁棒性？
• RQ5 能否将 Normex 用作无监督方法，通过将混合分布拟合到实证数据中来估计尾指数 α？与现有基于阈值的方法相比表现如何？

主要发现

• 当 α < 2 时，CLT 方法显著低估 VaR，小样本（n）下相对误差最高可达 13%，且随着 α 减小，低估程度加剧。
• 当 α ≥ 2 时，基于 CLT 的 VaR 始终低于 Normex 估计值，且在小 n 和低 α 情况下差异最为显著，表明在巴塞尔 II 和偿付能力 II 框架下存在系统性资本不足。
• 与 CLT、GCLT 及现有极值理论（EVT）方法相比，Normex 对真实聚合风险分布的近似更为准确，尤其在尾部区域表现更优。
• 该方法的准确性对样本大小和尾指数 α 的依赖性极弱，使其在各类金融与保险数据场景中均具有鲁棒性。
• 在重尾条件下，相较于 VaR，预期短缺（ES）作为更一致的风险度量，其 CLT 与 Normex 估计值之间的差异甚至更大，进一步凸显了改进尾部分析的必要性。
• Normex 可扩展至依赖风险模型，并可通过将混合分布拟合到实证数据，用作无监督尾指数估计工具，为基于阈值的方法提供了新的替代方案。