Копулы и хвостовая зависимость в финансах

У каждого актива есть маргинальное распределение его собственных исходов, а структура зависимости определяет, как их вероятностные ранги возникают вместе

Два портфеля могут иметь одинаковые индивидуальные распределения потерь и линейные корреляции, но существенно разные вероятности совместного обвала

Копулы делают это разделение явным, однако выбранные маргинальные распределения и копулу всё равно нужно оценивать достаточно согласованно, чтобы ошибки одного слоя не скрывали ошибки другого

Для совместного распределения F с маргинальными распределениями F_1,…,F_d теорема Склара записывается как F(x_1,…,x_d)=C(F_1(x_1),…,F_d(x_d))

Если маргинальные распределения непрерывны, копула C единственна и не меняется при строго возрастающих преобразованиях переменных

Эта инвариантность делает естественной зависимость на основе рангов, но не означает, что зависимость постоянна во времени или полностью определяется ограниченными данными

Корреляция Пирсона суммирует линейное совместное движение вокруг всего распределения и чувствительна к масштабу маргинальных распределений и выбросам

Даже τ Кендалла или ρ Спирмена, хотя для непрерывных маргинальных распределений они основаны на копуле, усредняют зависимость, а не описывают только самый дальний угол

Поэтому модель может хорошо описывать обычное совместное движение и при этом приписывать слишком малую вероятность одновременным тяжёлым потерям

Верхняя хвостовая зависимость равна λ_U=lim_{q→1}P(V>q|U>q), а нижняя — λ_L=lim_{q→0}P(V≤q|U≤q), если пределы существуют

Для переменных потерь важный угол зависит от соглашения о знаке: обвалы доходностей акций обычно находятся в нижнем хвосте, а положительные величины потерь — в верхнем

Нулевой коэффициент означает асимптотическую независимость в хвосте, а не независимость при каждом высоком, но конечном пороге

Невырожденная гауссовская копула имеет нулевую асимптотическую хвостовую зависимость даже при положительной корреляции, тогда как t-копула имеет симметричную положительную хвостовую зависимость при конечном числе степеней свободы

Копула Клейтона усиливает зависимость в нижнем хвосте, а копула Гумбеля — в верхнем, поэтому поворот или преобразование переменных меняет представленный финансовый угол

Выбор знакомого семейства незаметно задаёт геометрию кризиса, включая симметрию, концентрацию и условное экстремальное поведение

При необходимости отфильтруйте серийную динамику и волатильность, преобразуйте калиброванные остатки в вероятностные ранги и проверьте, близки ли эти ранги к равномерным

Оценивайте параметры копулы с учётом неопределённости и сравнивайте семейства по диагностике с повышенным весом хвостов, отложенному правдоподобию и графикам условных превышений

В коротких выборках очень мало совместных экстремумов, а объединение длинной истории может смешать несовместимые режимы и создать ложную точность

Пересчитывайте VaR портфеля, Expected Shortfall, стрессовые потери и диверсификацию при альтернативных правдоподобных маргинальных распределениях, копулах и спецификациях, меняющихся во времени

Проводите бэктест совместных превышений и условных сбоев, а не проверяйте только каждый актив отдельно и не подгоняйте одну матрицу корреляций

Отчитывайтесь о зависимости при конечных порогах вместе с асимптотическими коэффициентами, поскольку практические решения о капитале принимаются до математического предела