📊 statistics

CoVaR under Asymptotic Independence

تقترح هذه الورقة منهجية شبه معلمية قائمة على نظرية القيم المتطرفة ثنائية المتغير لتقدير قيمة المخاطر المشروطة (CoVaR) للأزواج المستقلة تقاربيًا بشكل متسق وفعال، مع إثبات فعاليتها من خلال عمليات المحاكاة وبيانات عوائد الأسهم الأمريكية.

المؤلفون الأصليون: Zhaowen Wang, Yutao Liu, Deyuan Li

نُشر 2026-02-12

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zhaowen Wang, Yutao Liu, Deyuan Li

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 طبيب يراقب مريضاً في مستشفى. أنت لا تشعر بالقلق حيال صحة المريض نفسه فحسب، بل أنت قلق بشأن كيفية تأثير أزمة مفاجئة في شبكة كهرباء المستشفى أو إمدادات الأكسجين على هذا المريض تحديداً.

هذه الورقة البحثية تتحدث عن طريقة رياضية لقياس "أثر التتابع" هذا — كيف يتسبب وقوع كارثة في جزء واحد من النظام (مثل بنك كبير) في وقوع كارثة لجزء آخر (مثل سوق الأوراق المالية بأكمله).

إليك تفصيل الورقة باستخدام مفاهيم من الحياة اليومية.

١. المفهوم: "تأثير الدومينو" (CoVaR)

في عالم التمويل، هناك مقياس يسمى CoVaR.

VaR (القيمة المعرضة للمخاطر) تشبه السؤال التالي: "ما هو أسوأ سيناريو ممكن لهذا الشخص بمفرده؟"
CoVaR (القيمة المشروطة المعرضة للمخاطر) تشبه السؤال: "إذا فقد الحي بأكمله الكهرباء، ما مدى سوء الوضع بالنسبة لهذا الشخص تحديداً؟"

إنه يقيس المخاطر "المشروطة". فهو لا ينظر إلى البنك بمعزل عن غيره؛ بل ينظر إلى البنك باعتبار أن النظام المالي بأكمله يمر حالياً بحالة انهيار.

٢. المشكلة: "الشبح في الذيل" (الاستقلال التقاربي)

تفترض معظم النماذج الرياضية القديمة أنه عندما تقع كارثة كبرى، فإن كل شيء ينكسر في وقت واحد — مثل موجة عملاقة تضرب رصيفاً بحرياً حيث تنكسر كل الألواح الخشبية في آن واحد. وهذا ما يسمى "التبعية التقاربية" (Asymptotic Dependence).

ومع ذلك، يشير المؤلفون إلى أن الأمور في العالم الحقيقي (خاصة في سوق الأوراق المالية) غالباً ما تكون أكثر دقة وتدرجاً. فأحياناً، حتى عند حدوث انهيار هائل، قد تضعف الروابط بين شيئين محددين أو تظل "نحيفة" عند الأطراف القصوى جداً. وهذا ما يسمى "الاستقلال التقاربي" (Asymptotic Independence).

التشبيه: تخيل عاصفة مطرية غزيرة.

التبعية تشبه الفيضان: إذا ارتفع منسوب النهر، فمن المؤكد أن القبو سيغرق.
الاستقلال التقاربي يشبه عاصفة رعدية محلية: حتى لو كانت هناك عاصفة ضخمة في المدينة، فقد يظل فناء منزلك جافاً نسبياً لأن العلاقة بين "العاصفة على مستوى المدينة" و"فناء منزلك" ليست ضماناً بنسبة ١ إلى ١ عند المستويات القصوى.

إذا استخدمت رياضيات "الفيضان" للتنبؤ بسيناريو "العاصفة الرعدية"، فستكون رياضياتك خاطئة. ستكون إما متفائلة للغاية أو غير دقيقة بشكل صارخ.

٣. الحل: "التلسكوب الذكي" (المُقدِّر الجديد)

طور الباحثون أداة رياضية جديدة ("منهجية شبه معلمية") لإصلاح هذا الأمر.

ولأن الكوارث القصوى (التي تمثل "ذيول" البيانات) تحدث نادراً جداً، فلا توجد بيانات كثيرة للنظر إليها. الأمر يشبه محاولة دراسة كسوف نادر من خلال النظر فقط إلى بضع صور ضبابية. إذا حاولت تخمين شكل الكسوف بناءً على تلك الصور القليلة فقط، فمن المرجح أن تفشل.

تعمل طريقة المؤلفين كـ تلسكوب ذكي. فبدلاً من مجرد النظر إلى الصور القليلة الضبابية (البيانات الشحيحة)، يستخدمون "نموذجاً معلماً" — وهو مخطط رياضي لكيفية سلوك الأشكال عادةً — لملء الفجوات. وهذا يسمح لهم بـ "التركيز" على تلك اللحظات النادرة والمتطرفة بدقة وثقة أعلى بكثير.

٤. الإثبات: "هل يعمل هذا حقاً؟"

للتأكد من أن "تلسكوبهم" لم يكن يظهر لهم فقط ما يريدون رؤيته، قاموا بشيئين:
١. المحاكاة (محاكي الطيران): أنشأوا عوالم مالية "وهمية" يعرفون فيها بالضبط ما هي الحقيقة. واختبروا رياضياتهم مقابل هذه العوالم الوهمية ووجدوا أن أداتهم كانت أكثر دقة وأقل "تحيزاً" من الطرق القديمة.
٢. العالم الحقيقي (تجربة القيادة): طبقوا رياضياتهم على بيانات حقيقية من سوق الأسهم الأمريكي (مؤشر S&P 500 و١٥ بنكاً رئيسياً). ووجدوا أن طريقتهم نجحت في التنبؤ بمدى قفزة مخاطر البنك عندما ينهار السوق.

ملخص لغير المتخصصين

المشكلة: تفترض الرياضيات القديمة أنه عندما ينهار الاقتصاد، فإن كل شيء ينهار معاً بطريقة متوقعة وثقيلة. لكن في بعض الأحيان، تكون الروابط أكثر تعقيداً و"نحافة".

الابتكار: طور المؤلفون صيغة رياضية جديدة مصممة خصيصاً لهذه الروابط "النحيفة". وهي تستخدم طريقة ذكية لـ "ملء الفراغات" عندما تكون البيانات المتعلقة بالانهيارات الضخمة شحيحة.

النتيجة: نظام إنذار مبكر أكثر موثوقية للمنظمين لرؤية كيف يمكن لفشل بنك واحد أن يمتد أثره عبر الاقتصاد العالمي بأكه.

تتناول هذه الورقة البحثية، بعنوان "CoVaR في ظل الاستقلال التقاربي" (CoVaR under Asymptotic Independence) من إعداد وانغ وليو ولي، فجوة حرجة في قياس المخاطر النظامية ضمن إطار نظرية القيم المتطرفة متعددة المتغيرات (EVT).

١. المشكلة: قصور نماذج CoVaR الحالية

يقيس "الـ CoVaR" (القيمة المعرضة للمخاطر المشروطة) مخاطر نظام ما (أو مؤشر بديل له) في حال تعرض مؤسسة معينة لضائقة. تعتمد المنهجيات الحالية لتقدير الـ CoVaR (مثل تلك التي وضعها نولد وآخرون، ٢٠٢٢) بشكل أساسي على افتراض الاعتماد التقاربي (Asymptotic Dependence). في حالة الاعتماد التقاربي، يكون معامل اعتماد الذيل $\eta = 1$ ، مما يعني أن الأحداث المتطرفة في متغير ما من المرجح جداً أن تتزامن مع أحداث متطرفة في متغير آخر.

ومع ذلك، تشير الأدلة التجريبية في القطاع المالي (مثل أسعار الأسهم اليومية) إلى أن العديد من أزواج المتغيرات تظهر استقلالاً تقاربياً ( $0 < \eta < 1$ ). في هذه الحالات، كلما تعمقنا في ذيول التوزيع، تتلاشى احتمالية وقوع أحداث متطرفة متزامنة لتصل إلى الصفر. تفشل مقدرات الـ CoVaR القياسية في ظل هذا الشرط لأنها لا تستطيع مراعاة احتمالية الذيل المشتركة "المتلاشية" بشكل صحيح، مما يؤدي إلى تقييمات للمخاطر متحيزة أو غير متسقة.

٢. المنهجية: نهج نظرية القيم المتطرفة شبه المعلمي (Semi-Parametric EVT)

قام المؤلفون بتطوير مقدر شبه معلمي مصمم خصيصاً للحالة التي يكون فيها $1/2 < \eta < 1$ (أي استقلال تقاربي مع وجود ارتباط إيجابي). يتبع نهجهم الخطوات التقنية التالية:

الإطار الاحتمالي: يربطون الـ CoVaR بالقيمة المعرضة للمخاطر (VaR) غير المشروطة لمؤشر النظام $Y$ باستخدام عامل تعديل $\eta_p$ . ويقومون بتعريف تقريب تقاربي $\eta^*_p$ من خلال دالة اعتماد الذيل $c(x, y)$ ، بحيث أن:
$c(1, \eta^*_p) = p^{2-1/\eta}$
المقدر: يتم بناء المقدر المقترح لـ $\text{CoVaR}_{Y|X(p)}$ $CoVaR_{Y ∣ X (p)}$ من خلال الجمع بين ثلاثة مكونات:
1. مؤشر الذيل ( $\hat{\gamma}$ ): يتم تقديره عبر مقدر هيل (Hill estimator) لالتقاط طبيعة الذيول الثقيلة لمؤشر النظام.
2. الـ VaR غير المشروط ( $\text{VaR}_Y(p)$ ): يتم تقديره باستخدام طريقة الاستقراء (extrapolation method) للذيول ذات التباين المنتظم.
3. عامل التعديل ( $\hat{\eta}^*_p$ ): بما أن دالة اعتماد الذيل $c(x, y)$ غير معروفة والبيانات شحيحة في الذيول، فقد استخدموا مقدر M معلمي (Parametric M-estimator) (طريقة العزوم). يفترضون أن $c(x, y)$ تنتمي إلى عائلة معلمية ويقومون بحل المعلمات $\theta$ التي تناسب احتمالات التجاوز المشتركة التجريبية بأفضل شكل.
الإطار الديناميكي: لتطبيق ذلك على البيانات السلاسل الزمنية، استخدموا نموذج Bivariate DCC-GARCH لتصفية البيانات، واستخراج البواقي المعيارية التي تُستخدم بعد ذلك في مقدر الـ EVT الساكن لإنتاج توقعات ديناميكية للـ CoVaR.

٣. المساهمات الرئيسية

إطار نظري جديد: قاموا بتوسيع نطاق تقدير الـ CoVaR ليشمل نظام الاستقلال التقاربي، وهو مجال تم إهماله سابقاً في أدبيات المخاطر النظامية.
المتانة شبه المعلمية: من خلال استخدام افتراض معلمي لهيكل الاعتماد $c(x, y)$ مع البقاء في إطار شبه معلمي للتوزيعات الهامشية، تمكنوا من التغلب على مشكلة "شح البيانات" في الذيول المشتركة.
الدقة الرياضية: تقدم الورقة براهين رسمية على الاتساق (النظرية ١) والتوزيع الطبيعي التقاربي (النظرية ٢) للمقدر المقترح تحت مجموعة من تسعة افتراضات تقنية.
التعميم: قاموا بتوسيع المنهجية للتعامل مع الحالات التي تختلف فيها مستويات المئينات للمؤسسة ( $p$ ) والنظام ( $q$ )، وكذلك لتعريف الـ CoVaR الأصلي لآدريان وبرونرمير (٢٠١١).

٤. النتائج والأهمية

نتائج المحاكاة: أظهر المؤلفون أن مقدرهم أكثر دقة (انحياز أقل وتباين أقل) من مقدرات الإحصاء الرتبي "الساذجة". والجدير بالذكر أنه حتى عندما تنتهك الافتراضات النموذجية بشكل طفيف، يظل المقدر متيناً.
التطبيق التجريبي: عند تطبيق النموذج على بيانات مؤشر S&P 500 و١٥ مؤسسة مالية كبرى، وجدوا أن معظم المؤسسات (مثل AIG وJPM وWFC) تظهر في الواقع استقلالاً تقاربياً عن مؤشر السوق. وقد تفوق نموذجهم على النماذج الحالية في دقة التنبؤ خارج العينة (مقاسة بـ quantile scores).
الأهمية: هذا العمل ذو أهمية بالغة للمنظمين الماليين ومديري المخاطر؛ فهو يوفر أداة أكثر رصانة رياضياً وتجريبياً لمراقبة المخاطر النظامية، مما يضمن أن "ضعف" الاعتماد في الذيول في ظروف سوق معينة لا يؤدي إلى التقليل من تقدير احتمالات العدوى.