Finansta Kopulalar ve Kuyruk Bağımlılığı
Kopulaların marjinal dağılımları bağımlılıktan nasıl ayırdığını, korelasyonun ortak uçları neden kaçırdığını, kopula ailelerinde kuyruk bağımlılığının nasıl değiştiğini ve risk birleştirmenin nasıl doğrulanacağını öğrenin
Doğrudan yanıt
Bir kopula marjinal dağılımları ortak bir dağılımda birleştirir ve bağımlılık yapısını ayırır. Kuyruk bağımlılığı, eşik dışarı taşınırken uç sonuçların birlikte olma olasılığının sürüp sürmediğini ölçer. Bu nedenle yalnızca olağan korelasyonu eşleştirmek portföy riskine hakim olan ortak kayıpları kaçırabilir
Ortak riskin iki ayrı bileşeni vardır
Her varlığın kendi sonuçlarını açıklayan bir marjinal dağılımı vardır; bağımlılık yapısı ise olasılık sıralarının birlikte nasıl gerçekleştiğini belirler
İki portföy aynı bireysel kayıp dağılımlarını ve doğrusal korelasyonları paylaşırken ortak çöküş olasılıkları maddi biçimde farklı olabilir
Kopulalar bu ayrımı açık eder; ancak her iki katmandaki hataları gizlememek için seçilen marjinaller ile kopula yine yeterince birlikte tahmin edilmelidir
Sklar teoremi bağlantıyı sağlar
F ortak dağılımı ve F_1,…,F_d marjinalleri için Sklar teoremi F(x_1,…,x_d)=C(F_1(x_1),…,F_d(x_d)) yazar
Marjinaller sürekli olduğunda kopula C tektir ve değişkenlerin kesin artan dönüşümleri altında değişmez
Bu değişmezlik sıra tabanlı bağımlılığı doğal kılar; ancak bağımlılığın zaman boyunca sabit olduğu veya sınırlı veriden tamamen belirlendiği anlamına gelmez
Korelasyon ortak kuyrukları belirlemez
Pearson korelasyonu tüm dağılım çevresindeki doğrusal birlikte hareketi özetler ve marjinal ölçeğe ve aykırılara duyarlıdır
Sürekli marjinaller için kopula tabanlı olan Kendall tau veya Spearman rho bile bağımlılığı ortalar; yalnızca uzak köşeyi açıklamaz
Bu nedenle bir model olağan birlikte hareketi iyi uydururken eş zamanlı ağır kayıplara çok az olasılık atayabilir
Kuyruk bağımlılığı köşeye odaklanır
Üst kuyruk bağımlılığı λ_U=lim_{q→1}P(V>q|U>q), alt kuyruk bağımlılığı ise limitler varsa λ_L=lim_{q→0}P(V≤q|U≤q) şeklindedir
Kayıp değişkenleri için ilgili köşe işaret konvansiyonuna bağlıdır; hisse getirisi çöküşleri genellikle alt kuyrukta, pozitif kayıp büyüklükleri üst kuyrukta bulunur
Sıfır katsayı asimptotik kuyruk bağımsızlığı demektir; her yüksek ama sonlu eşikte bağımsızlık demek değildir
Kopula aileleri farklı krizler ima eder
Dejenere olmayan bir Gauss kopulası pozitif korelasyona rağmen sıfır asimptotik kuyruk bağımlılığına sahiptir; t kopulası sonlu serbestlik derecelerinde simetrik pozitif kuyruk bağımlılığına sahiptir
Clayton alt kuyruk bağımlılığını, Gumbel üst kuyruk bağımlılığını vurgular; dolayısıyla değişkenleri döndürmek veya dönüştürmek temsil edilen finansal köşeyi değiştirir
Tanıdık olduğu için bir aile seçmek, simetri, yoğunlaşma ve koşullu uç davranışı dahil olmak üzere bir kriz geometrisini sessizce seçer
Tahmin marjinalleri ve rejimi içermelidir
Uygun olduğunda seri dinamikleri ve volatiliteyi filtreleyin, kalibre edilmiş artıkları olasılık sıralarına dönüştürün ve bu sıraların uniforme yakın olup olmadığını kontrol edin
Kopula parametrelerini belirsizlikle tahmin edin; kuyruk ağırlıklı tanılamalar, ayrılmış olabilirlik ve koşullu aşım grafikleriyle aileleri karşılaştırın
Kısa örneklemler çok az ortak uç içerir; uzun geçmişleri birleştirmek ise uyumsuz rejimleri karıştırıp sahte kesinlik yaratabilir
Risk birleştirme model çeşitliliği ister
Portföy VaR’ını, Beklenen Kaybı, stres kayıplarını ve çeşitlendirmeyi alternatif makul marjinaller, kopulalar ve zamanla değişen özellikler altında yeniden hesaplayın
Yalnızca her varlığı ayrı ayrı doğrulamak veya korelasyon matrisini eşleştirmek yerine ortak aşımları ve koşullu başarısızlıkları geri test edin
Pratik sermaye kararları matematiksel limitten önce alındığı için asimptotik katsayılarla birlikte sonlu eşik bağımlılığını da raporlayın
Sık sorulan sorular
Finansta kopula nedir?
Bireysel varlık dağılımlarını çok değişkenli bir dağılımda birleştirirken bağımlılık yapılarını temsil eden bir fonksiyondur
Kuyruk bağımlılığı nedir?
Bir değişken seçilen kuyrukta uçken diğerinin de uç olmasına ilişkin limit koşullu olasılıktır
Portföy riski için korelasyon neden yeterli değildir?
Farklı bağımlılık yapıları aynı korelasyonu paylaşabilir; ancak eş zamanlı aşırı kayıplara çok farklı olasılıklar atayabilir
Gauss kopulasının çöküş bağımlılığı yok mudur?
Korelasyon birin altında olduğunda asimptotik kuyruk bağımlılığı sıfırdır; yine de sonlu eşiklerde anlamlı bağımlılık gösterebilir