כל מדריכי האופציות
לומדים מהתצפיות שכמעט לעולם אינן מתרחשות15 דקות קריאה

תורת הערכים הקיצוניים ואינדקס הזנב

הבינו גבולות של ערכים קיצוניים, מחלקות זנב GEV, אינדקס זנב, אמידת סף, התקבצות וכיצד EVT מחצינה VaR ו-Expected Shortfall מעבר להפסדים שנצפו

הוכן על ידי Mark · המקורות הראשוניים למטה

תשובה ישירה

תורת הערכים הקיצוניים חוקרת את ההתנהגות הגבולית של תצפיות גדולות או קטנות במיוחד במקום להתאים את מרכז ההתפלגות. אינדקס הזנב שלה מתאר באיזו מהירות הסתברויות קיצוניות דועכות, אך שימוש מהימן תלוי בנתוני זנב מספיקים, בספים יציבים, בטיפול בתלות ובאבחונים

קיצונים דורשים אסימפטוטיקה משלהם

היגיון של משפט הגבול המרכזי מתאר סכומים מנורמלים, בעוד EVT חוקרת מקסימום, מינימום או חריגות מעל סף גבוה

מודל שמתאים היטב לתשואות רגילות עדיין יכול להקצות הסתברויות שגויות מאוד לקריסות, מפני שהמרכז מכיל מעט מידע על הזנב הרחוק

EVT מצמצמת את צורות הזנב הגבוליות האפשריות, אך אינה הופכת מדגם סופי לקיצוני מספיק ואינה מסירה אי-סטציונריות של השוק

משפחת GEV מאחדת גבולות מקסימום

עבור מקסימות בלוקים M_n, כל גבול מנורמל לא-מנוון חייב להשתייך למשפחת הערכים הקיצוניים המוכללת בתנאי תחום המשיכה הקלאסיים

אפשר לכתוב את ההתפלגות G(z)=exp{−[1+ξ(z−μ)/σ]^(−1/ξ)} כאשר הסוגריים חיוביים, עם גבול Gumbel רציף ב-ξ=0

מיקום μ קובע את הרמה, קנה מידה σ קובע את הפיזור וצורה ξ קובעת את מחלקת הזנב הגבולית

אינדקס הזנב שולט באקסטרפולציה

כאשר ξ>0, מחלקת Fréchet היא זנב כבד בחוק חזקה; ξ=0 נותן את מחלקת Gumbel; ξ<0 נותן נקודת קצה עליונה סופית במחלקת Weibull

בסימון זנב כבד, מעריך החזקה הוא לעיתים קרובות α=1/ξ, ולכן "אינדקס זנב" יכול להתייחס ל-ξ או ל-α בהתאם לתחום

יש לציין את המוסכמה הזו מפני ש-ξ גדול יותר פירושו זנב כבד יותר, בעוד ש-α גדול יותר פירושו זנב של חוק חזקה קל יותר

האמידה משתמשת בתצפיות זנב נדירות

אומדי Hill, Pickands, מומנטים משוקללי הסתברות ואומדי נראות משתמשים בחלקים או בסיכומים שונים של התצפיות הגדולות ביותר

שימוש במעט מדי קיצונים יוצר שונות גבוהה; שימוש ביותר מדי מכניס תצפיות מרכזיות שיכולות להטות את קירוב הזנב

אומדן אינדקס זנב בלי סטטיסטיקות הסדר שנבחרו, כלל סף, מרווח אי-ודאות ומסלול יציבות אינו שלם

תלות יכולה לקבץ הפסדים קיצוניים

תשואות פיננסיות אינן בלתי תלויות וזהות בהתפלגות: משטרי תנודתיות יכולים להציב כמה הפסדים גדולים בסמיכות

האינדקס הקיצוני מסכם התקבצות תחת תלות סטציונרית מתאימה, כאשר ערכים מתחת לאחת מצביעים על פחות קיצונים בלתי תלויים אפקטיבית

סינון תנודתיות או הסרת התקבצויות עשויים לעזור, אך שניהם מוסיפים הנחות ויכולים למחוק התמדה אמיתית של משבר אם מיישמים אותם מכנית

EVT מרחיבה מדדי סיכון מעבר למדגם

לאחר שאומדים מודל זנב וקצב חריגות, קוונטילים גבוהים יכולים להרחיב את VaR מעבר להפסד השגרתי הגדול ביותר שנצפה

Expected Shortfall דורש תוחלת זנב סופית; עבור זנב Pareto מוכלל דרוש ξ<1, ומומנטים מסדר גבוה יותר דורשים מגבלות מחמירות יותר

אי-ודאות האקסטרפולציה גדלה במהירות ככל שמתרחקים מהסף, ולכן דיווח על יותר ספרות אחרי הנקודה אינו יוצר יותר מידע

אבחונים עדיפים על מספר מותאם יחיד

בדקו גרפי עודף ממוצע, יציבות פרמטרים, קוונטילים, הסתברות ורמת חזרה על פני ספים או גדלי בלוק סבירים

חזרו על אומדנים בחלונות, מסננים, כללי הסרת התקבצויות, אומדים והחרגות משבר שונים תוך שמירת מסלול ביקורת של כל בחירה

השתמשו ב-EVT לצד ניתוח תרחישים ומבחני לחץ מבניים, מפני שמנגנונים חסרי תקדים אינם חייבים להידמות לגרסה מוגדלת של קיצונים היסטוריים

שאלות נפוצות

מהי תורת הערכים הקיצוניים?

זו התאוריה האסימפטוטית של מקסימות, מינימות וחריגות מעל ספים גבוהים במדגם, המשמשת למידול תוצאות זנב נדירות

מה מודד אינדקס הזנב?

הוא מתאר דעיכת זנב ואקסטרפולציה קיצונית; תמיד בדקו אם מקור משתמש ב-ξ או במעריך החזקה ההופכי שלו α

האם אינדקס זנב חיובי פירושו יותר סיכון?

עבור צורת EVT ‏ξ, ערכים חיוביים מצביעים על זנב כבד ולא חסום, וערכים גדולים יותר מצביעים על דעיכה איטית יותר ועל אקסטרפולציה חמורה יותר

האם EVT יכולה לחזות את קריסת השוק הבאה?

לא. היא אומדת הסתברויות זנב תחת משטר והנחות מותאמים, לא את התזמון, הסיבה או הגודל המדויק של הקריסה הבאה

מקורות וקריאה נוספת

בדיקה מהירה

סיימת לקרוא? בדוק את עצמך ב־3 שאלות

1 / 3

שאלה 01

איזו אמירה מתאימה ביותר למדריך הזה — קיצונים דורשים אסימפטוטיקה משלהם?

בחר תשובה כדי לראות את ההסבר

מילון מונחי אופציות