📊 statistics

Assessing Extreme Risk using Stochastic Simulation of Extremes

تتناول هذه الورقة تحدي ندرة البيانات في إدارة المخاطر متعددة المتغيرات من خلال تطوير خوارزميتي محاكاة غير معلميتين تعتمدان على نظرية القيم المتطرفة متعددة المتغيرات لتوسيع عينات القيم المتطرفة ذات الاعتماد التقاربي، مما يؤدي إلى تحسين دقة تقدير مقاييس المخاطر أحادية المتغير.

المؤلفون الأصليون: Nisrine Madhar, Juliette Legrand, Maud Thomas

نُشر 2026-01-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Nisrine Madhar, Juliette Legrand, Maud Thomas

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مدير مخاطر تحاول التنبؤ بأسوأ عاصفة ممكنة، أو أكبر انهيار في السوق، أو أكثر فيضان شدة. المشكلة هي أن هذه الأحداث "المتطرفة" نادرة للغاية. قد تمتلك 20 عاماً من البيانات، ولكن لم تحدث الأمور بشكل كارثي حقاً سوى ثلاث أو أربع مرات فقط. محاولة التنبؤ بما يحدث خلف تلك الأحداث النادرة القليلة تشبه محاولة تخمين ارتفاع موجة تسونامي بناءً على بركة ماء. ببساطة، لا تملك بيانات كافية لرؤية الصورة الكاملة.

هذه الورقة البحثية، بعنوان "تقييم المخاطر المتطرفة باستخدام المحاكاة العشوائية للقيم المتطرفة"، من إعداد نسرين مدهار، جوليت ليجراند، ومود توماس، تقترح حلاً ذكياً: بدلاً من انتظار وقوع المزيد من العواصف النادرة، دعونا نستخدم الرياضيات لتوليدها.

إليك تفصيل لمنهجهم باستخدام تشبيهات بسيطة.

المشكلة: "صحراء البيانات"

في إدارة المخاطر، عادة ما تنظر إلى البيانات التاريخية لتخمين المستقبل. ولكن بالنسبة للأحداث المتطرفة (مثل فيضان يحدث مرة كل 100 عام)، لا تملك سوى عدد قليل من الأمثلة.

التشبيه: تخيل أنك تحاول التنبؤ بسرعة سيارة لم يسبق قيادتها بسرعة تزيد عن 50 ميلاً في الساعة. لديك بعض السجلات التي تظهر أنها سارت بسرعة 45، 48، و49 ميلاً في الساعة. إذا حاولت تخمين ما سيحدث عند سرعة 100 ميل في الساعة، فأنت مجرد تخمن في الظلام. الطرق التقليدية غالباً ما تفشل هنا لأنه لا توجد بيانات لـ "ترسيخ" التنبؤ.

الحل: "مولدان سحريان"

طوّر المؤلفون خوارزميتين غير معلميتين (بمعنى أنهما لا يجبران البيانات على اتخاذ شكل محدد مسبقاً) تعتمدان على نظرية القيم المتطرفة متعددة المتغيرات. فكر في هذين المولدين كنوعين مختلفين من "مولدات الأحداث المتطرفة".

1. المحاكي المشترك (الخوارزمية 1): "مصنع العواصف"

صُممت هذه الأداة لإنشاء كمية هائلة من البيانات المتطرفة الجديدة التي تشبه تماماً الأحداث النادرة التي رأيتها بالفعل، ولكن مع مزيد من التنوع والشدة.

كيف تعمل: تأخذ عيّنتك الصغيرة من الأحداث المتطرفة (على سبيل المثال، المرات القليلة التي كانت فيها سرعة الرياح وارتفاع الأمواج مرتفعين معاً) وتستخدم "وصفة" رياضية لإعادة مزجها. تقوم بتوليد الآلاف من السيناريوهات المتطرفة الافتراضية الجديدة.
الاستعارة: تخيل أن لديك جرة صغيرة من الكرات الملونة النادرة (بياناتك الحقيقية). تضعها في آلة تفهم القواعد التي تحكم سلوك تلك الكرات معاً. تقوم الآلة بإخراج 10,000 كرة جديدة تتبع نفس القواعد تماماً، لكنها تستكشف تركيبات جديدة من الألوان والأحجام التي لم ترها بعد.
ما تحققه: إنها تملأ "صحراء البيانات". الآن، بدلاً من امتلاك 5 أمثلة متطرفة، أصبح لديك 10,000. هذا يسمح لك بحساب مقاييس المخاطر (مثل "العجز المتوقع"، وهو متوسط الخسارة إذا ساءت الأمور حقاً) بدقة أعلى بكثير.

2. المحاكي الشرطي (الخوارزمية 2): "آلة ماذا لو"

تجيب هذه الأداة على سؤال محدد: "إذا حدث X، فماذا سيفعل Y؟"

كيف تعمل: أحياناً تعرف أن جزءاً معيناً من النظام يتعرض لضغط (على سبيل المثال، "الرياح تهب بسرعة 100 ميل في الساعة"). تريد معرفة ارتفاع الموجة بناءً على سرعة الرياح تلك. تقوم هذه الخواروة بمحاكاة سلوك متغير واحد بناءً على الظروف المتطرفة للمتغيرات الأخرى.
الاستعارة: تخيل أنك متنبئ بالطقس. أنت تعلم أن إعصاراً يضرب الساحل (الشرط). تريد معرفة مدى ارتفاع مستوى الماء بسبب هذا الإعصار تحديداً. تقوم هذه الأداة بمحاكاة مستوى الماء لهذا السيناريو الإعصاري المحدد، بدلاً من مجرد التخمين بناءً على الطقس المعتاد.
ما تحققه: تساعد في تقدير "المخاطر الشرطية". على سبيل المثال، في التمويل، تساعد في الإجابة على: "إذا انهار البنك (أ) والبنك (ب) في وقت واحد، فكم سيخسر البنك (ج)؟"

النتائج: لماذا يهم هذا؟

اختبر المؤلفون أدواتهم على كل من البيانات الوهمية (حيث عرفوا الإجابة "الحقيقية") والبيانات المالية الحقيقية (عائدات الأسهم الأسبوعية لبنوك المملكة المتحدة مثل HSBC و Lloyds).

النتيجة: عندما استخدموا "مصنع العواصف" الخاص بهم لتوليد المزيد من البيانات، أصبحت تقديرات المخاطر لديهم أكثر استقراراً ودقة.
المقارنة: قارنوا طريقتهم بـ الانحدار الخطي (أداة إحصائية قياسية).
- الاستعارة: الانحدار الخطي يشبه رسم خط مستقيم عبر نقاط قليلة. إنه يعمل جيداً في الأيام العادية، ولكن عندما تصل إلى "الأطراف المتطرفة" للرسم البياني، فإن الخط المستقيم غالباً ما يخطئ المنحنى تماماً.
- النتيجة: تعاملت طريقة المحاكاة الخاصة بهم مع "منحنيات" الأحداث المتطرفة بشكل أفضل بكثير. في بيانات البنوك الحقيقية، قدمت طريقتهم تقديرات موثوقة للسيناريوهات التي فشلت فيها الطرق التقليدية تماماً بسبب عدم وجود بيانات كافية لحساب النتيجة.

الملخص

لا تدعي الورقة البحثية التنبؤ بالمستقبل بيقين "البلورة السحرية". بدلاً من ذلك، تقدم وسيلة لتوسيع نطاق البيانات المحدودة التي نملكها لرؤية أبعد في ذيل المخاطر المتطرفة.

من خلال استخدام خوارزميات المحاكاة هاتين، يمكن لمديري المخاطر:

توليد المزيد من البيانات لجعل حساباتهم أقل تذبذباً (المحاكاة المشتركة).
طرح أسئلة محددة من نوع "ماذا لو" حول كيفية تفاعل المخاطر المختلفة أثناء الأزمات (المحاكاة الشرطية).

إنها تحول "صحراء البيانات" إلى "حديقة بيانات"، مما يسمح باتخاذ قرارات أكثر أماناً ومعلوماتية عندما تكون المخاطر في أعلى مستوياتها.

ملخص تقني: تقييم المخاطر القصوى باستخدام المحاكاة العشوائية للقيم المتطرفة

بيان المشكلة

تعتمد إدارة المخاطر عبر قطاعات مثل علم المناخ والتمويل بشكل كبير على تقييم مخاطر الذيل (tail risks)—وهي الأحداث ذات الاحتمالية المنخفضة ولكنها شديدة الخطورة. ويتمثل التحدي الرئيسي في هذا المجال في ندرة البيانات، لا سيية في السياقات متعددة المتغيرات حيث تكون الأحداث المتطرفة نادرة. غالبًا ما تواجه النهج البارامترية التقليدية القائمة على نظرية القيم المتطرفة (EVT) قيودًا في الإعدادات متعددة المتغيرات لأن التوزيع المحدود للمتطرفات متعددة المتغيرات ليس بارامتريًا بطبيعته، مما يستلزم اختيار نماذج معقدة وافتراضات مقيدة حول هياكل الاعتماد (مثل الاعتماد الموحد عبر الكوبولا/copulas). علاوة على ذلك، غالبًا ما تكون التقديرات التجريبية لمقاييس مخاطر الذيل (TRMs) غير مستقرة أو مستحيلة الحساب عندما يكون عدد التجاوزات المرصودة فوق عتبة عالية غير كافٍ. كما أن الطرق غير البارامترية الموجودة للاستدلال الشرطي على الذيل محدودة بتوفر البيانات والأبعاد.

المنهجية

يقترح البحث خوارزميتين للمحاكاة غير البارامترية مصممتين لتوسيع عينات المتطرفات متعددة المتغيرات، وبالتالي معالجة ندرة البيانات. وتستند هاتان الخوارزميتان إلى التمثيل العشوائي لتوزيعات "البارامتر العام متعدد المتغيرات" (Multivariate Generalised Pareto - MGP)، وتحديدًا باستخدام التفكيك المستمد من Rootzén et al. (2018).

الأساس النظري

يفترض النهج أن متجه التجاوزات فوق عتبة عالية يتقارب نحو توزيع MGP معياري. يمكن تفكيك متجه MGP معياري $Z$ إلى $Z = E + T - \max(T)$ ، حيث $E$ هو متغير أسي وحدة و $T$ هو متجه عشوائي ذو $d$ من الأبعاد ومستقل عن $E$ . يسمح هذا التفكيك بتمثيل مكونات المتجه من خلال الفروقات $\Delta_{j,k} = T_j - T_k$ .

الخوارزمية 1: محاكاة MGP المشتركة غير البارامترية

تقوم هذه الخوارزمية بتوليد عينات جديدة مستقلة ومتماثلة التوزيع (i.i.d.) لمتجه MGP معياري لتوسيع مجموعة البيانات لتقييم المخاطر المشتركة.

التحويل: يتم توحيد البيانات المرصودة إلى هوامش أسية وتحويلها إلى متجه $Z$ من نوع MGP معياري.
حساب الفرق: تحسب الخوارمة متجه الفروقات $\Delta^{(1)}$ بناءً على المكون الأول.
المحاكاة:
- يتم توليد متغيرات أسية جديدة للوحدة $E_\ell$ .
- يتم توليد تحققات جديدة لمتجه الفرق $\Delta^{(1)}$ عبر إعادة أخذ العينات (bootstrapping) غير البارامترية (إعادة أخذ العينات من الفروقات المرصودة).
- يتم إعادة بناء متجهات $\tilde{Z}$ جديدة من MGP باستخدام العلاقة العشوائية $Z_j = E + \sum \Delta_{j,k} \prod \mathbb{1}_{\Delta_{\ell,k}<0}$ .
المخرجات: يتم إسقاط المتجهات المحاكات مرة أخرى إلى الفضاء الأصلي لتقدير مقاييس المخاطر.

الخوارزمية 2: محاكاة MGP الشرطية غير البارامترية

تقوم هذه الخوارزمية بتوليد عينات لعامل خطر محدد $X_j$ مشروطًا بوجود عوامل خطر أخرى $X_{-j}$ عند مستويات متطرفة. وهذا يسهل الاستدلال على توزيعات الذيل الشرطية.

اشتقاق التوزيع الشرطي: تشتق الخوارزمية الكثافة الشرطية لمتغير الفرق $\Delta_{q,j}$ $Δ_{q, j}$ بشرط $Z_{-j} = z_{-j}$ $Z_{- j} = z_{- j}$ . ويتم التمييز بين ثلاث حالات بناءً على القيمة القصوى لمتجه الشرط $z^* = \max(z_{-j})$ $z^{*} = max (z_{- j})$ :
- الحالة 1: $z^* > 0$ و $z^* = z_q$ .
- الحالة 2: $z^* > 0$ و $z^* \neq z_q$ .
- الحالة 3: $z^* \leq 0$ .
أخذ العينات:
- في الحالتين 1 و 3، حيث يكون التوزيع الشرطي مستقلًا عن القيم المحددة لـ $z_{-j}$ ، تُستخدم طريقة إعادة أخذ العينات (bootstrapping) مباشرة.
- في الحالة 2، حيث يعتمد التوزيع على $z_{-j}$ ، يتم استخدام طريقة أخذ عينات الرفض (rejection sampling)، والتي تجمع بين إعادة أخذ العينات وخوارزمية الرفض لضمان أخذ الكثافة الشرطية الصحيحة.
المخرجات: يتم توليد تحققات جديدة لـ $Z_j$ شرطيًا على $Z_{-j}$ ، مما يسمح بتقدير التوقعات الشرطية.

المساهمات الرئيسية

التوسع إلى الأبعاد متعددة المتغيرات: قام المؤلفون بتعميم خوارزميات المحاكاة ثنائية المتغير المقترحة من قبل Legand et al. (2023) إلى أبعاد تعسفية ( $d > 2$ )، مما يسمح بتحليل عوامل الخطر المعقدة وعالية الأبعاد.
المرونة غير البارامترية: من خلال الاعتماد على إعادة أخذ العينات (bootstrapping) والتمثيل العشوائي لمتجهات MGP، يتجنب النهج الافتراضات البارامترية المقيدة التي غالبًا ما تتطلبها نظرية القيم المتطرفة متعددة المتغيرات، مثل عائلات كوبولا محددة.
مخططات محاكاة مزدوجة: يوفر البحث إطارًا موحدًا لكل من المحاكاة المشتركة (لتقدير مقاييس مخاطر الذيل غير الشرطية) والمحاكاة الشرطية (للاستدلال على الكميات المتعلقة بتوزيعات الذيل الشرطية).
التحقق النظري: يتضمن البحث براهين نظرية صارمة (الافتراضات 7.1–7.6) تثبت أن العينات المحاكات تتقارب نحو توزيع MGP معياري صحيح وأن طريقة أخذ عينات الرفض في الخوارزمية الشرطية هي طريقة صالحة.

النتائج

تم تقييم أداء الخوارزميات باستخدام كل من البيانات الاصطناعية (عائدات مالية تم نمذجتها باستخدام توزيعات Student's $t$ وكوبولا Gumbel) والبيانات المالية الحقيقية (العائدات السلبية الأسبوعية لأسهم HSBC و Lloyds و RBS).

تقدير مقياس مخاطر الذيل (TRM):
- حسنت خوارزمية المحاكلة المشتركة بشكل كبير تقدير القيمة المعرضة للخطر (VaR)، والعجز المتوقع (ES)، والعجز المتوقع الهامشي (MES)، والتوقع الذيلي الشرطي المعتمد (DCTE).
- مقارنة باستخدام العينة الأصلية فقط، قللت العينات المحاكات والموسعة من أخطاء التقريب النسبية والانتشار، خاصة عند مستويات الثقة العالية ( $\alpha \in \{0.9975, 0.999, 0.9997\}$ ).
- نجحت الطريقة في تقدير مقاييس مخاطر الذيل (TRMs) في السيناريوهات التي احتوت فيها العينة الأصلية على صفر أو عدد قليل جدًا من التجاوزات (على سبيل المثال، كان تقدير DCTE لبعض الأسهم مستحيلاً بالبيانات الأصلية ولكنه أصبح ممكنًا بالمحاكاة).
تقدير التوقع الشرطي:
- تم اختبار خوارزمية المحاكاة الشرطية مقابل الانحدار الخطي لتقدير $\mu(x_{-j}) = E[X_j | X_{-j} = x_{-j}]$ .
- في البيانات الاصطناعية، حقق نهج المحاكاة الشرطية أخطاء أقل من الانحدار الخطي، مع زيادة الميزة كلما أصبحت ملاحظات الشرط أكثر تطرفًا.
- في تطبيقات البيانات الحقيقية، وفر نهج المحاكاة تقديرات للصدمات كانت مشابهة أو أكثر قوة من الانحدار الخطي، خاصة بالنسبة للأصول ذات الذيول الأثقل (Lloyds و RBS) حيث يُعرف أن الانحدار الخطي أقل ملاءمة لها.

الأهمية والادعاءات

يدعي البحث أن مخططات المحاكاة غير البارامترية المقترحة تعالج بفعالية مسألة ندرة البيانات الحرجة في إدارة المخاطر القصوى. ومن خلال توسيع مجموعة البيانات المتاحة عبر المحاكاة العشوائية، يوضح المؤلفون أنه من الممكن:

الاستقراء إلى ما وراء نطاق البيانات التاريخية المرصودة.
الحصول على تقديرات أكثر موثوقية واستقرارًا لمقاييس مخاطر الذيل (ES, MMES, DCTE) حتى عندما يكون عدد المتطرفات المرصودة محدودًا للغاية.
إجراء الاستدلال على توزيعات الذيل الشرطية في الإعدادات عالية الأبعاد حيث تعاني طرق الانحدار التقليدية أو البارامترية.

يضع المؤلفون هذه الخوارزميات كأدوات عملية لمديري المخاطر الذين يحتاجون إلى تحديد الكميات تحت ظروف استثنائية حيث تكون البيانات التاريخية غير كافية. ويشيرون إلى أنه بينما يستخدم التنفيذ الحالي المقدرات التجريبية على البيانات المحاكات، يمكن للعمل المستقبلي دمج هذه النهج المحاكات مع تقنيات تقدير أكثر تطورًا. ويخلص البحث إلى أن هذه الطرق تعزز كمية الملاحظات في المناطق المتطرفة، مما يؤدي إلى مقاييس مخاطر أكثر موثوقية دون فرض نماذج بارامترية مقيدة على هيكل الاعتماد.