📊 statistics

Assessing Extreme Risk using Stochastic Simulation of Extremes

Diese Arbeit adressiert die Herausforderung knapper Daten im multivariaten Risikomanagement, indem sie zwei nicht-parametrische Simulationsalgorithien auf Basis der multivariaten Extremwerttheorie entwickelt, um Stichproben asymptotisch abhängiger Extreme zu erweitern und dadurch die Genauigkeit der univariaten Schätzung von Risikokennzahlen zu verbessern.

Ursprüngliche Autoren: Nisrine Madhar, Juliette Legrand, Maud Thomas

Veröffentlicht 2026-01-15

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Nisrine Madhar, Juliette Legrand, Maud Thomas

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Risikomanager, der versucht, den schlimmsten Sturm, den größten Börsencrash oder die schwerste Überschwemmung vorherzusagen. Das Problem ist, dass diese „extremen“ Ereignisse unglaublich selten sind. Sie haben vielleicht 20 Jahre an Daten, aber nur drei oder vier Mal kam es zu wirklich katastrophalen Ereignissen. Zu versuchen, das vorherzusagen, was jenseits dieser wenigen seltenen Ereignisse liegt, ist so, als würde man versuchen, die Höhe eines Tsunamis basierend auf einer Pfütze zu erraten. Man hat einfach nicht genug Daten, um das volle Bild zu sehen.

Dieses Paper mit dem Titel „Assessing Extreme Risk using Stochastic Simulation of Extremes“ von Nisrine Madhar, Juliette Legrand und Maud Thomas schlägt eine clevere Lösung vor: Anstatt darauf zu warten, dass mehr seltene Stürme auftreten, lassen Sie uns die Mathematik nutzen, um sie zu generieren.

Hier ist eine Aufschlüsselung ihres Ansatzes unter Verwendung einfacher Analogien.

Das Problem: Die „Datenwüste“

Im Risikomanagement nutzt man normalerweise historische Daten, um die Zukunft zu erraten. Aber für extreme Ereignisse (wie eine 1-in-100-Jahre-Überschwemmung) hat man jedoch nur eine Handvoll Beispiele.

Die Analogie: Stellen Sie sich vor, Sie versuchen, die Geschwindigkeit eines Autos vorherzusagen, das noch nie schneller als 50 mph gefahren ist. Sie haben einige Aufzeichnungen, dass es 45, 48 und 49 mph schnell war. Wenn Sie versuchen zu erraten, was bei 100 mph passiert, raten Sie im Dunkeln. Traditionelle Methoden scheitern hier oft, weil es keine Daten gibt, die die Vorhersage „verankern“ könnten.

Die Lösung: Zwei „magische Generatoren“

Die Autoren haben zwei nicht-parametrische (das bedeutet, sie pressen die Daten nicht in eine starre, vorgegebene Form) Algorithmen entwickelt, die auf der multivariaten Extremwerttheorie basieren. Betrachten Sie dies als zwei verschiedene Arten von „Extremereignis-Generatoren“.

1. Der Joint Simulator (Algorithmus 1): „Die Sturmfabrik“

Dieses Werkzeug ist darauf ausgelegt, eine massive Menge an neuen extremen Daten zu erstellen, die genau so aussehen wie die seltenen Ereignisse, die Sie bereits gesehen haben, jedoch mit mehr Vielfalt und Intensität.

Wie es funktioniert: Es nimmt Ihre kleine Stichprobe extremer Ereignisse (z. B. die wenigen Male, in denen Windgeschwindigkeit und Wellenhöhe beide hoch waren) und nutzt ein mathematisches „Rezept“, um diese neu zu mischen. Es generiert tausende von neuen, hypothetischen Extremszenarien.
Die Metapher: Stellen Sie sich vor, Sie haben ein kleines Glas mit seltenen, bunten Murmeln (Ihre echten Daten). Sie geben diese in eine Maschine, die die Regeln versteht, nach denen diese Murmeln zusammen agieren. Die Maschine spuckt 10.000 neue Murmeln aus, die exakt denselben Regeln folgen, aber neue Kombinationen von Farben und Größen erkunden, die Sie bisher noch nicht gesehen haben.
Was es erreicht: Es füllt die „Datenwüste“. Jetzt haben Sie statt 5 extremen Beispielen 10.000. Dies ermöglicht es Ihnen, Risikokennzahlen (wie den „Expected Shortfall“, also den durchschnittlichen Verlust, wenn die Dinge wirklich schiefgehen) mit viel höherer Genauigkeit zu berechnen.

2. Der Conditional Simulator (Algorithmus 2): „Die Was-wäre-wenn-Maschine“

Dieses Werkzeug beantwortet eine spezifische Frage: „Wenn X passiert, was wird Y tun?“

Wie es funktioniert: Manchmal weiß man, dass ein bestimmter Teil des Systems unter Stress steht (z. B. „Der Wind weht mit 100 mph“). Man möchte wissen, wie hoch die Wellenhöhe sein wird, gegeben dass diese Windgeschwindigkeit herrscht. Dieser Algorithmus simuliert das Verhalten einer Variablen basierend auf den extremen Bedingungen der anderen.
Die Metapher: Stellen Sie sich vor, Sie sind ein Wetterprognostiker. Sie wissen, dass ein Hurrikan auf die Küste trifft (die Bedingung). Sie wollen wissen, wie hoch der Wasserstand speziell aufgrund dieses Hurrikans steigen wird. Dieses Werkzeug simuliert den Wasserstand für dieses spezifische Hurrikan-Szenario, anstatt nur basierend auf dem Durchschnittswetter zu raten.
Was es erreicht: Es hilft, das „bedingte Risiko“ zu schätzen. In der Finanzwelt hilft es beispielsweise bei der Frage: „Wenn Bank A und Bank B gleichzeitig kollabieren, wie viel wird Bank C verlieren?“

Die Ergebnisse: Warum es wichtig ist

Die Autoren haben ihre Werkzeuge sowohl an künstlichen Daten (bei denen sie die „wahre“ Antwort kannten) als als auch an realen Finanzdaten (wöchentliche Aktienrenditen britischer Banken wie HSBC und Lloyds) getestet.

Die Erkenntnis: Als sie ihre „Sturmfabrik“ nutzten, um mehr Daten zu generieren, wurden ihre Risikoabschätzungen wesentlich stabiler und genauer.
Der Vergleich: Sie verglichen ihre Methode mit der Linearen Regression (einem Standard-Statistikwerkzeug).
- Die Metapher: Lineare Regression ist wie das Zeichnen einer geraden Linie durch ein paar Punkte. Sie funktioniert bei normalen Tagen ganz gut, aber wenn man zu den „extremen“ Rändern des Graphen gelangt, verfehlt die gerade Linie die Kurve oft völlig.
- Das Ergebnis: Ihre Simulationsmethode konnte mit den „Kurven“ extremer Ereignisse viel besser umgehen. In den echten Bankendaten lieferte ihre Methode zuverlässige Schätzungen für Szenarien, bei denen traditionelle Methoden völlig versagten, weil es schlichtweg keine Daten gab, um ein Ergebnis zu berechnen.

Zusammenfassung

Das Paper behauptet nicht, die Zukunft mit der Gewissheit eines Hellsehens vorherzusagen. Stattdessen bietet es einen Weg, die begrenzten Daten, die wir haben, zu dehnen, um weiter in den extremen Randbereich des Risikos zu blicken.

Durch die Verwendung dieser zwei Simulationsalgorithmen können Risikomanager:

Mehr Daten generieren, um ihre Berechnungen weniger wackelig zu machen (Joint Simulation).
Spezifische „Was-wäre-wenn“-Fragen stellen, wie verschiedene Risiken während einer Krise miteinander interagieren (Conditional Simulation).

Es verwandelt eine „Datenwüste“ in einen „Datengarten“ und ermöglicht so sicherere und fundiertere Entscheidungen, wenn der Einsatz am höchsten ist.

Technisches Resümee: Bewertung extremer Risiken mittels stochastischer Simulation von Extremen

Problemstellung

Das Risikomanagement in Sektoren wie der Klimatologie und dem Finanzwesen stützt sich maßgeblich auf die Bewertung von Tail-Risiken (Endrisiken) – Ereignisse mit geringer Wahrscheinlichkeit, aber hoher Schwere. Eine primäre Herausforderung in diesem Bereich ist die Datenknappheit, insbesondere in multivariaten Kontexten, in denen extreme Ereignisse selten auftreten. Traditionelle parametrische Ansätze basierend auf der Extremwerttheorie (Extreme Value Theory, EVT) stehen in multivariaten Settings oft vor Einschränkungen, da die Grenzwertverteilung multivariater Extreme nicht inhärent parametrisch ist, was komplexe Modellwahl und restriktive Annahmen über die Abhängigkeitsstrukturen (z. B. uniforme Abhängigkeit via Copulas) erforderlich macht. Bestehende nicht-parametrische Methoden für die bedingte Tail-Inferenz sind ebenfalls durch die Datenverfügbarkeit und Dimensionalität begrenzt.

Methodik

Die Arbeit schlägt zwei nicht-parametrische Simulationsalgorithmen vor, die darauf abzielen, Stichproben multivariater Extreme zu erweitern, um so die Datenknappheit zu adressieren. Diese Algorithmen basieren auf der stochastischen Repräsentation von multivariaten Generalisierten Pareto-Verteilungen (MGP), unter Verwendung der von Rootzén et al. (2018) hergeleiteten Zerlegung.

Theoretische Grundlage

Der Ansatz geht davon aus, dass der Vektor der Überschreitungen über einen hohen Schwellenwert gegen eine standardisierte MGP-Verteilung konvergiert. Ein standardisierter MGP-Vektor $Z$ kann als $Z = E + T - \max(T)$ zerlegt werden, wobei $E$ eine standardmäßige Exponentialvariable ist und $T$ ein $d$ -dimensionaler Zufallsvektor ist, der unabhängig von $E$ ist. Diese Zerlegung ermöglicht die Darstellung der Vektor-Komponenten durch Differenzen $\Delta_{j,k} = T_j - T_k$ .

Algorithmus 1: Nicht-parametrische gemeinsame MGP-Simulation

Dieser Algorithmus generiert neue, identisch und unabhängig verteilte (i.i.d.) Stichproben eines standardisierten MGP-Vektors, um den Datensatz für die gemeinsame Risikobewertung zu erweitern.

Transformation: Die beobachteten Daten werden auf exponentielle Marginale standardisiert und in einen standardisierten M%GP-Vektor $Z$ transformiert.
Differenzenberechnung: Der Algorithmus berechnet den Vektor der Differenzen $\Delta^{(1)}$ basierend auf der ersten Komponente.
Simulation:
- Es werden neue unit-exponentielle Variablen $E_\ell$ generiert.
- Neue Realisierungen des Differenzvektors $\Delta^{(1)}$ werden mittels nicht-parametrisches Bootstrapping (Resampling aus den beobachteten Differenzen) generiert.
- Neue MGP-Vektoren $\tilde{Z}$ werden unter Verwendung der stochastischen Beziehung $Z_j = E + \sum \Delta_{j,k} \prod \mathbb{1}_{\Delta_{\ell,k}<0}$ rekonstruiert.
Output: Die simulierten Vektoren werden in den ursprünglichen Raum zurückprojiziert, um Risikometriken zu schätzen.

Algorithmus 2: Nicht-parametrische bedingte MGP-Simulation

Dieser Algorithmus generiert Stichproben eines spezifischen Risikofaktors $X_j$ , unter der Bedingung, dass andere Risikofaktoren $X_{-j}$ extreme Werte annehmen. Dies erleichtert die Inferenz bedingter Tail-Verteilungen.

Ableitung der bedingten Verteilung: Der Algorithmus leitet die bedingte Dichte der Differenzvariable $\Delta_{q,j}$ $Δ_{q, j}$ gegeben $Z_{-j} = z_{-j}$ $Z_{- j} = z_{- j}$ ab. Dabei werden drei Fälle unterschieden, basierend auf dem Maximalwert des Konditionierungsvektors $z^* = \max(z_{-j})$ $z^{*} = max (z_{- j})$ :
- Fall 1: $z^* > 0$ und $z^* = z_q$ .
- Fall 2: $z^* > 0$ und $z^* \neq z_q$ .
- Fall 3: $z^* \leq 0$ .
Sampling:
- In den Fällen 1 und 3, in denen die bedingte Verteilung unabhängig von den spezifischen Werten von $z_{-j}$ ist, wird direkt Bootstrapping verwendet.
- In Fall 2, in dem die Verteilung von $z_{-j}$ abhängt, wird eine Rejection-Sampling-Methode angewandt, die Bootstrapping mit einem Rejection-Algorithmus kombiniert, um sicherzustellen, dass die korrekte bedingte Dichte gesampelt wird.
Output: Neue Realisierungen von $Z_j$ werden bedingt auf $Z_{-j}$ generiert, was die Schätzung bedingter Erwartungswerte ermöglicht.

Zentrale Beiträge

Erweiterung auf multivariate Dimensionen: Die Autoren generalisieren die von Legrand et al. (2023) vorgeschlagenen bivariaten Simulationsalgorithmen auf beliebige Dimensionen ( $d > 2$ ), was die Analyse komplexer, hochdimensionaler Risikofaktoren ermöglicht.
Nicht-parametrische Flexibilität: Durch die Nutzung von Bootstrapping und der stochastischen Repräsentation von MGP-Vektoren vermeidet die Methode die restriktiven parametrischen Annahmen, die oft in der multivariaten EVT erforderlich sind, wie etwa spezifische Copula-Familien.
Duale Simulationsschemata: Die Arbeit liefert ein vereinheitlichtes Framework sowohl für die gemeinsame Simulation (zur Schätzung unbedingter Tail-Risikometriken) als auch für die bedingte Simulation (zur Inferenz von Größen im Zusammenhang mit bedingten Tail-Verteilungen).
Theoretische Validierung: Die Arbeit enthält rigorose theoretische Beweise (Propositionen 7.1–7.6), die zeigen, dass die simulierten Stichproben gegen die korrekte standardisierte MGP-Verteilung konvergieren und dass die Rejection-Sampling-Methode im bedingten Algorithmus valide ist.

Ergebnisse

Die Leistungsfähigkeit der Algorithmen wurde sowohl mit synthetischen Daten (Finanzrenditen, modelliert mit Student's $t$ -Verteilungen und Gumbel-Copulas) als auch mit realen Finanzdaten (wöchentliche negative Renditen von HSBC, Lloyds und RBS) evaluiert.

Schätzung von Tail-Risiko-Metriken (TRM):
- Der Algorithmus zur gemeinsamen Simulation verbesserte die Schätzung von Value at Risk (VaR), Expected Shortfall (ES), Marginal Expected Shortfall (MES) und Dependent Conditional Tail Expectation (DCTE) signifikant.
- Im Vergleich zur Verwendung nur der Originalstichprobe reduzierten die simulierten und erweiterten Stichproben die relativen Approximationsfehler und die Dispersion, insbesondere bei hohen Konfidenzniveaus ( $\alpha \in \{0,9975, 0,999, 0,9997\}$ ).
- Die Methode konnte TRMs erfolgreich in Szenarien schätzen, in denen die Originalstichprobe null oder sehr wenige Überschreitungen enthielt (z. B. war die DCTE-Schätzung für bestimmte Aktien mit den Originaldaten unmöglich, aber mit der Simulation machbar).
Schätzung bedingter Erwartungswerte:
- Der Algorithmus zur bedingten Simulation wurde gegen die lineare Regression getestet, um $\mu(x_{-j}) = E[X_j | X_{-j} = x_{-j}]$ zu schätzen.
- In synthetischen Daten lieferte der bedingte Simulationsansatz geringere Fehler als die lineare Regression, wobei sich der Vorteil vergrößerte, je extremer die Konditionierungsobjekte wurden.
- In realen Finanzanwendungen lieferte der Simulationsansatz Schock-Schätzungen, die vergleichbar oder robuster als die lineare Regression waren, insbesondere für Assets mit schwereren Tails (Lloyds und RBS), bei denen die lineare Regression bekanntermaßen weniger geeignet ist.

Bedeutung und Ansprüche

Die Arbeit behauptet, dass die vorgeschlagenen nicht-parametrischen Simulationsschemata das kritische Problem der Datenknappheit im extremen Risikomanagement effektiv adressieren. Durch die Erweiterung des verfügbaren Datensatzes mittels stochastischer Simulation zeigen die Autoren, dass es möglich ist:

Über den Bereich der beobachteten historischen Daten hinaus zu extrapolieren.
Zuverlässigere und stabilere Schätzungen von Tail-Risiko-Metriken (ES, MMES, DCTE) zu erhalten, selbst wenn die Anzahl der beobachteten Extreme extrem begrenzt ist.
Inferenz auf bedingten Tail-Verteilungen in hochdimensionalen Settings durchzuführen, in denen traditionelle Regression oder parametrische Methoden Schwierigkeiten haben.

Die Autoren positionieren diese Algorithmen als praktische Werkzeuge für Risikomanager, die Risiken unter außergewöhnlichen Umständen quantifizieren müssen, in denen historische Daten unzureichend sind. Sie merken an, dass die aktuelle Implementierung empirische Schätzer auf den simulierten Daten verwendet, zukünftige Arbeiten jedoch diese Simulationsansätze mit anspruchsvolleren Schätztechniken integrieren könnten. Die Arbeit kommt zu dem Schluss, dass diese Methoden die Anzahl der Beobachtungen in extremen Regionen erhöhen, was zu vertrauenswürdigeren Risikometriken führt, ohne restriktive parametrische Modelle für die Abhängigkeitsstruktur aufzuerlegen.