Stabile Verteilungen und unendliche Varianz im Finanzwesen
Verstehen Sie alpha-stabile Verteilungen, den verallgemeinerten zentralen Grenzwertsatz, unendliche Varianz, Schwanzparameter, Aggregation, frühe finanzwissenschaftliche Evidenz und die Diagnostik, die vor der Verwendung stabiler Modelle nötig ist
Kurzantwort
Eine stabile Verteilung bleibt nach einer Anpassung von Lage und Skala unter Summen unabhängiger Kopien innerhalb ihrer Familie. Nicht-Gaußsche α-stabile Verteilungen haben Potenzschwänze und unendliche Varianz, sodass die Skalierung mit √n, konventionelle Volatilität und gewöhnliche varianzbasierte Schlussfolgerungen versagen können. Stabilität ist mathematisch schlüssig, aber weiterhin eine empirische Modellentscheidung
Stabilität ist eine Eigenschaft unter Addition
Eine Verteilung ist stabil, wenn für unabhängige Kopien X_1 und X_2 und positive a,b die Größe aX_1+bX_2 dasselbe Gesetz hat wie cX+d für geeignete Werte c>0 und d
Diese Abgeschlossenheit macht die Familie für Aggregation natürlich, weil Summen innerhalb derselben Klasse von Verteilungsformen bleiben
Die Normalverteilung ist das stabile Mitglied mit α=2; stabil bedeutet nicht automatisch schwere Schwänze oder unendliche Varianz
Vier Parameter beschreiben eine univariate stabile Verteilung
Der Stabilitätsexponent α liegt in (0,2], die Schiefe β in [−1,1], während Skala und Lage unter einer angegebenen Parametrisierung Größe und Zentrum bestimmen
Für α<2 haben die Schwänze unter nichtdegenerierten Bedingungen reguläre Variation mit Exponent α, und Extremwerte sind wesentlich wahrscheinlicher als bei einer Normalverteilung
Stabile Dichten besitzen meist keine elementaren geschlossenen Formen, und Parametrisierungen unterscheiden sich besonders nahe α=1. Daher sind Softwarekonventionen wichtig
Die Existenz von Momenten verändert die Bedeutung von Risiko
Eine nicht-Gaußsche stabile Verteilung mit α<2 hat eine unendliche Populationsvarianz, obwohl jede endliche Stichprobe eine endliche Stichprobenvarianz besitzt
Das absolute erste Moment ist nur für α>1 endlich; für α≤1 existiert im Allgemeinen auch kein konventioneller Populationsmittelwert
Eine zunehmende Stichprobenvarianz oder ein instabiler Mittelwert ist mit schweren Schwänzen vereinbar, aber allein kein Beweis für ein unendliches Moment
Der verallgemeinerte zentrale Grenzwertsatz erklärt die Familie
Wenn normalisierte Summen unabhängiger und identisch verteilter Zufallsvariablen gegen einen nichtdegenerierten Grenzwert konvergieren, sind die möglichen Grenzwerte stabile Verteilungen
Eingaben mit endlicher Varianz führen zum Gaußschen Fall α=2, während geeignete Eingaben mit regulärer Variation zu stabilen Grenzwerten mit α<2 führen können
Die Aggregationsskalierung ist n^(1/α) und nicht √n; die Zentrierung hängt von α und der Parametrisierung ab
Stabile Verteilungen haben eine lange Finanzgeschichte
Mandelbrot schlug stabile Paretische Verteilungen für spekulative Preisänderungen vor, nachdem er wesentlich mehr große Bewegungen beobachtet hatte, als ein Gaußsches Modell zulässt
Fama untersuchte die Portfolioanalyse unter stabilen Paretischen Renditen und die Wirkung der Diversifikation ohne endliche Varianz
Spätere Evidenz für Volatilitätscluster, abgeschnittene Schwänze und wechselnde Regime zeigt, dass exakte iid-Stabilität nicht die einzige Erklärung für schwere Renditeschwänze ist
Unendliche Varianz ist eine starke strukturelle Aussage
Ein exaktes Modell mit α<2 impliziert bei jedem Zeithorizont keine endliche Populationsvarianz und nicht bloß eine große oder schwer zu schätzende Varianz
Getrimmte stabile, abgeschnittene stabile, Mischungs-, Sprung-, GARCH- und stochastische-Volatilitätsmodelle können schwere endliche Stichproben nachbilden und gleichzeitig endliche Momente behalten
Endliche Datensätze unterscheiden einen echten unendlichen Schwanz nur selten von einer sehr großen endlichen Abschneidegrenze. Daher sollte die Behauptung nicht auf einem geraden Log-Log-Abschnitt beruhen
Die Validierung muss Aggregation und Schwänze untersuchen
Schätzen Sie α mit Unsicherheit anhand mehrerer Methoden und prüfen Sie die Anpassung der charakteristischen Funktion, Quantile, Überschreitungen und Parameterstabilität
Prüfen Sie, ob sich Summen über verschiedene Horizonte wie vorhergesagt skalieren und ob nach der Anpassung noch Abhängigkeiten oder Volatilitätscluster verbleiben
Vergleichen Sie die Abdeckung der vorhergesagten Schwänze und Entscheidungen mit Alternativen endlicher Varianz und berichten Sie, welche Momente das angepasste Modell als nicht existent bezeichnet
Häufige Fragen
Was ist eine stabile Verteilung?
Sie ist eine Wahrscheinlichkeitsfamilie, deren unabhängige Kopien sich nach einer Anpassung von Lage und Skala zu einem weiteren Mitglied derselben Familie summieren
Haben alle stabilen Verteilungen unendliche Varianz?
Nein. Das Gaußsche Mitglied α=2 hat endliche Varianz; jede nicht-Gaußsche stabile Verteilung mit α<2 hat unendliche Varianz
Warum bleibt die Stichprobenvarianz endlich?
Jede endliche Liste endlicher Beobachtungen hat eine endlich berechnete Varianz, auch wenn das zweite Populationsmoment des Modells unendlich ist
Sind Finanzrenditen wirklich alpha-stabil?
Sie können über bestimmte Bereiche stabilen schweren Schwänzen ähneln, aber Abschneidung, Volatilitätscluster, Mischungen und Regimewechsel können ähnliche Daten erklären