VaR at Its Extremes: Impossibilities and Conditions for One-Sided Random Variables

Die Arbeit zeigt, dass die Subadditivität des Value-at-Risk für nicht-negative Zufallsvariablen nur im degenerierten Fall der perfekten Komonotonie möglich ist, und charakterisiert gleichzeitig Bedingungen für die vollständige Superadditivität durch negative Simplex-Abhängigkeit und Simplex-Dominanz.

Das Wesentliche

Stellen Sie sich vor, Sie sind der Kapitän eines riesigen Schiffes, das durch ein stürmisches Meer der Finanzmärkte segelt. Ihre Aufgabe ist es, genug Rettungsringe (Kapital) an Bord zu haben, damit das Schiff auch bei den schlimmsten Wellen nicht untergeht.

In der Welt der Risikoanalyse gibt es ein Werkzeug namens VaR (Value-at-Risk). Man könnte es sich wie eine „Wettervorhersage für Katastrophen" vorstellen: „Mit 99% Wahrscheinlichkeit wird der Verlust heute nicht höher als X Euro sein."

Die große Frage, die sich diese Wissenschaftler stellen, lautet: Was passiert, wenn wir viele verschiedene Risiken zusammenlegen?

• Die Hoffnung (Sub-Additivität): Wenn ich 10 verschiedene Risiken habe, sollte die Summe ihrer Gefahren kleiner sein als die Summe der Einzelgefahren. Das ist das Prinzip der Diversifikation: „Setze nicht alle Eier in einen Korb." Wenn die Eier in verschiedenen Körben sind, fällt nicht alles gleichzeitig runter.
• Die Realität (Super-Additivität): Manchmal passiert das Gegenteil. Wenn man Risiken zusammenlegt, wird die Gefahr größer als die Summe der Einzelteile. Das ist wie ein Dominoeffekt, bei dem ein umfallender Stein alle anderen mitreißt, obwohl sie eigentlich weit voneinander entfernt stehen.

Dieses Papier untersucht genau dieses Phänomen für Risiken, die nur in eine Richtung gehen können (z. B. Verluste, die immer positiv sind, wie bei Versicherungen). Hier ist die einfache Zusammenfassung der Entdeckungen:

1. Die unmögliche Hoffnung: Wenn alles perfekt zusammenpasst

Die Autoren zeigen eine harte Wahrheit auf: Für Risiken, die nur nach oben gehen können (wie Verluste), ist es unmöglich, dass die Risikoverteilung (VaR) durch Diversifikation kleiner wird, es sei denn, alles ist extrem langweilig.

• Die Analogie: Stellen Sie sich vor, Sie haben 100 Wettervorhersagen. Wenn die Vorhersage für „Regen" bei allen 100 Orten immer genau gleichzeitig eintrifft (wenn es in Berlin regnet, regnet es auch in München, Rom und Tokio), dann bringt es nichts, die Vorhersagen zu addieren. Das Risiko ist einfach die Summe aller Einzelrisiken.
• Das Ergebnis: Wenn Sie eine „sichere" Risikomessung wollen, bei der das Zusammenlegen von Risiken das Gesamtrisiko senkt, müssen Sie sich in einer Welt befinden, in der alle Risiken perfekt synchronisiert sind (man nennt das „co-monoton"). Das ist aber in der echten Welt fast nie der Fall. In der Welt der schweren Verluste (wie bei Naturkatastrophen) ist die Hoffnung auf eine Risikoreduktion durch einfaches Addieren oft eine Illusion.

2. Die überraschende Gefahr: Wenn das Ganze mehr ist als die Summe seiner Teile

Das Spannendere ist die andere Seite der Medaille: Super-Additivität. Das bedeutet, dass das Gesamtrisiko größer ist als die Summe der Einzelrisiken. Das passiert oft bei extremen, seltenen Ereignissen (schwere Tails).

Die Autoren haben zwei neue Werkzeuge entwickelt, um zu erkennen, wann diese „Explosion" des Risikos passiert:

• Werkzeug A: Der „Negative Einfache-Abhängigkeits"-Test (NSD)

  • Die Metapher: Stellen Sie sich vor, Sie haben eine Gruppe von Leuten. Normalerweise denken wir: „Wenn Person A traurig ist, ist Person B vielleicht glücklich." Das ist negative Abhängigkeit. Aber hier geht es um eine spezielle Form: Wenn alle gleichzeitig an einem extremen Punkt sind (z. B. alle haben einen sehr hohen Verlust), dann ist die Wahrscheinlichkeit, dass alle gleichzeitig einen extremen Verlust haben, kleiner als wenn man die Einzelwahrscheinlichkeiten einfach multipliziert.
  • Es ist wie ein Tanz, bei dem die Tänzer versuchen, sich gegenseitig auszuweichen. Wenn sie sich perfekt ausweichen, ist die Wahrscheinlichkeit, dass alle gleichzeitig auf der Bühne stehen (ein Extremereignis), geringer als erwartet. Aber paradoxerweise führt diese „Ausweichbewegung" dazu, dass die Summe der Risiken in der Spitze explodiert.

• Werkzeug B: Der „Einfache-Dominanz"-Test (SD)

  • Die Metapher: Dies ist eine Eigenschaft der einzelnen Risiken selbst. Es geht darum, wie „schwer" die Schwänze der Verteilung sind. Wenn die Risiken so beschaffen sind, dass sie bei großen Werten „schwerer" werden (z. B. Pareto-Verteilungen, die in der Versicherungswelt üblich sind), dann neigen sie dazu, sich gegenseitig aufzustacheln, wenn man sie zusammenlegt.
  • Die Autoren zeigen, dass bestimmte Verteilungen (wie die Pareto-Verteilung, die oft für extrem seltene, aber katastrophale Ereignisse genutzt wird) diese Eigenschaft haben. Wenn man solche Risiken kombiniert, entsteht ein „Risiko-Monster", das größer ist als die Summe seiner Teile.

3. Die große Erkenntnis: Es kommt auf das Zusammenspiel an

Das Wichtigste an diesem Papier ist die Erkenntnis, dass man nicht nur auf die Art der Risiken (die Verteilung) oder nur auf die Beziehung zwischen ihnen (die Abhängigkeit) schauen darf.

• Die Analogie: Stellen Sie sich vor, Sie backen einen Kuchen.
  • Die Zutaten sind die einzelnen Risiken (z. B. schwere Tails).
  • Der Rezept ist die Art, wie sie miteinander verbunden sind (die Abhängigkeit).
  • Das Papier sagt: Selbst wenn Sie die besten Zutaten (schwere Risiken) haben, passiert das „Explosions-Phänomen" nur, wenn das Rezept (die Abhängigkeit) genau richtig ist. Und umgekehrt: Selbst wenn Sie ein perfektes Rezept haben, braucht es die richtigen Zutaten, damit es funktioniert.

Zusammenfassung für den Alltag

1. Diversifikation ist nicht immer der Heilige Gral: Bei extremen Risiken (wie Naturkatastrophen oder Finanzkrisen) kann das Zusammenlegen von Risiken das Problem verschlimmern, statt es zu lösen.
2. Keine Magie: Es gibt keine einfache Formel, die garantiert, dass das Risiko sinkt, es sei denn, alles bewegt sich im Takt (was unrealistisch ist).
3. Neue Werkzeuge: Die Autoren haben eine Art „Checkliste" entwickelt, mit der man prüfen kann, ob ein Portfolio aus Risiken gefährlich „aufbläht" (Super-Additivität). Diese Checkliste funktioniert auch, wenn die Risiken unterschiedlich groß sind und nicht alle gleich verteilt sind.

Fazit: In der Welt der extremen Risiken ist Vorsicht geboten. Das Zusammenlegen von Risiken ist kein Zaubertrick, der alles sicher macht. Manchmal macht es die Gefahr sogar noch größer, und dieses Papier hilft uns zu verstehen, wann genau das passiert.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papiers auf Deutsch:

Titel: VaR an ihren Extremen: Unmöglichkeiten und Bedingungen für einseitige Zufallsvariablen

Autor: Nawaf Mohammed

---

1. Problemstellung

Die Arbeit untersucht das Aggregationsverhalten des Value-at-Risk (VaR) für Summen von Zufallsvariablen, die auf einem einseitigen Intervall (insbesondere $[0, \infty)$) definiert sind. Im Risikomanagement ist die Frage entscheidend, ob das Risiko eines Portfolios ($S = \sum X_i$) kleiner oder größer ist als die Summe der Einzelrisiken ($\sum \text{VaR}(X_i)$).

• Sub-Additivität: $\text{VaR}(S) \leq \sum \text{VaR}(X_i)$. Dies ist eine wünschenswerte Eigenschaft, die Diversifikationseffekte widerspiegelt.
• Super-Additivität: $\text{VaR}(S) \geq \sum \text{VaR}(X_i)$. Dies tritt auf, wenn Diversifikation versagt, insbesondere bei schweren Verteilungsschwänzen (heavy tails).

Bisherige Literatur hat sich oft auf asymptotische Regime oder spezifische Verteilungsklassen (z. B. elliptische Verteilungen) beschränkt. Das Ziel dieses Papers ist es, notwendige und hinreichende Bedingungen für das Auftreten von Sub- oder Super-Additivität über alle Konfidenzniveaus $p \in (0, 1)$ hinweg zu identifizieren, ohne Annahmen über endliche Erwartungswerte zu machen.

2. Methodik und theoretischer Rahmen

Der Autor verwendet eine analytische Herangehensweise, die auf der Untersuchung der Verteilungsfunktionen (CDF) und der Überlebensfunktionen (DDF) basiert.

• Definitionen:
  • $\text{VaR}_p[Z]$ wird als linksseitiges Quantil definiert.
  • Co-Monotonie: Die extremste Form positiver Abhängigkeit, bei der die gemeinsame Verteilungsfunktion die Fréchet-Obergrenze ist.
• Hauptansatz:
  • Für den Fall der Sub-Additivität wird ein Unmöglichkeitstheorem bewiesen, indem das Ergebnis von Imamura und Kato (2025) (das endliche Erwartungswerte voraussetzte) auf den allgemeinen Fall unendlicher Erwartungswerte erweitert wird. Dies geschieht durch eine Approximation mittels abgeschnittener Zufallsvariablen und Anwendung des Monotonen Konvergenzsatzes.
  • Für den Fall der Super-Additivität wird ein neues strukturelles Framework eingeführt, das zwei Bedingungen kombiniert: eine Bedingung für die gemeinsame Verteilung (Abhängigkeit) und eine Bedingung für die Randverteilungen (Marginalverteilungen).

3. Schlüsselbeiträge und Ergebnisse

A. Unmöglichkeit der VaR-Sub-Additivität (Theorem 2.2)

Für nicht-negative Zufallsvariablen ($X_i \geq 0$) gilt:

• Ergebnis: VaR-Sub-Additivität ist unmöglich, es sei denn, sie liegt in der degenerierten Form der exakten Additivität vor.
• Bedingung: Exakte Additivität tritt genau dann auf, wenn der Zufallsvektor co-monoton ist.
• Implikation: Innerhalb der Klasse nicht-negativer Risiken gibt es keine Abhängigkeitsstruktur, die eine echte Diversifikation (Sub-Additivität) ermöglicht, außer den Komponenten bewegen sich perfekt synchron. Dies gilt unabhängig davon, ob die Erwartungswerte endlich oder unendlich sind.

B. Charakterisierung der VaR-Super-Additivität (Theorem 3.5)

Um Bedingungen für eine vollständige Super-Additivität zu finden, führt der Autor zwei neue Konzepte ein:

1. Negative Simplex-Abhängigkeit (NSD - Negative Simplex Dependence):
   Eine Bedingung für die gemeinsame Verteilungsfunktion $F_S$ der Summe:
   $$F_S(t) \leq \prod_{i=1}^n F_{X_i}(t) \quad \forall t \in [0, \infty)$$
   Dies ist eine schwächere Bedingung als die Negative Lower Orthant Dependence (NLOD), aber stärker als andere negative Abhängigkeitskonzepte.
2. Simplex-Dominanz (SD - Simplex Dominance):
   Eine strukturelle Bedingung für eine marginabhängige Aggregationsfunktion $\Phi$. Für die Funktion $\Phi(x_1, \dots, x_n) = \sum x_i \log F_{X_i}(x_i)$ muss gelten:
   $$\Phi(x_1, \dots, x_n) \geq \Phi(s, \dots, s) \quad \text{mit } s = \sum x_i$$

• Haupttheorem: Wenn $X$ NSD ist und die Funktion $\Phi$ (definiert durch die Randverteilungen) SD ist, dann ist $X$ VaR-super-additiv.
• Erweiterung: Dies umfasst heterogene Randverteilungen und eine breite Klasse negativer Abhängigkeitsstrukturen, die über die in der Literatur bisher behandelten (wie NLOD oder Unabhängigkeit) hinausgehen.

C. Notwendigkeit unendlicher Erwartungswerte (Proposition 3.12)

Es wird gezeigt, dass für eine echte Super-Additivität mindestens eine der Randverteilungen einen unendlichen Erwartungswert haben muss. Wenn alle $X_i$ integrierbar sind, degeneriert Super-Additivität wieder zu exakter Additivität (Co-Monotonie).

D. Verifizierbare Bedingungen und Beispiele

• Der Autor leitet hinreichende Bedingungen ab, die die Überprüfung erleichtern:
  • NSD wird durch NLOD impliziert.
  • SD wird erfüllt, wenn die Funktionen $\phi_i(x) = x \log F_X(x)$ monoton fallend sind.
• Anwendbare Verteilungen: Es werden mehrere Verteilungen identifiziert, die diese Bedingungen erfüllen (z. B. Pareto II/Lomax mit Formparameter $\alpha \leq 1$, Fréchet, Lévy, Inverse-Gamma).
• Gegenbeispiele: Es wird demonstriert, dass weder reine negative Abhängigkeit noch reine "Heavy Tails" allein ausreichen; das Zusammenspiel von Abhängigkeit und Randverteilung ist entscheidend.

E. Verallgemeinerungen (Abschnitt 4)

Die Ergebnisse werden auf Zufallsvariablen mit beliebigen endlichen unteren ($a_i$) oder oberen ($b_i$) Endpunkten erweitert:

• Untere Schranke ($X_i \geq a_i$): Sub-Additivität ist weiterhin unmöglich (außer bei Co-Monotonie), während Super-Additivität unter den entsprechenden verschobenen Bedingungen möglich bleibt.
• Obere Schranke ($X_i \leq b_i$): Hier kehrt sich das Verhalten um. Super-Additivität ist unmöglich (außer bei Co-Monotonie), während Sub-Additivität unter analogen Bedingungen (Spiegelung der Ergebnisse) auftreten kann.

4. Signifikanz und Bedeutung

1. Theoretische Klarheit: Das Papier schließt eine Lücke in der Literatur, indem es zeigt, dass für nicht-negative Risiken (typisch für Versicherungsverluste) Diversifikation im Sinne einer Sub-Additivität des VaR strukturell unmöglich ist, es sei denn, die Risiken sind perfekt korreliert.
2. Neues Framework: Die Einführung von NSD und SD bietet ein einheitliches und leicht überprüfbares Kriterium, das heterogene Portfolios und komplexe Abhängigkeitsstrukturen abdeckt, die von früheren Modellen (die oft Unabhängigkeit oder identische Verteilungen voraussetzten) nicht erfasst wurden.
3. Praktische Relevanz: Die Ergebnisse warnen Risikomanager davor, auf Diversifikationseffekte bei VaR-Messungen in Portfolios mit schweren Verteilungsschwänzen zu vertrauen. Stattdessen liefert das Papier Kriterien, um Szenarien zu identifizieren, in denen das aggregierte Risiko das Summe der Einzelrisiken übersteigt (Super-Additivität), was für die Kapitalunterlegung und Stresstests entscheidend ist.
4. Robustheit: Die Ergebnisse gelten auch für Transformationen der Zufallsvariablen (unter bestimmten konvexen Bedingungen) und für verschobene Verteilungen, was die Anwendbarkeit in der Praxis (z. B. bei Selbstbeteiligungen/Franchise-Deductibles) erhöht.

Zusammenfassend liefert die Arbeit eine scharfe Dichotomie: In untere-begrenzten Settings ist VaR strukturell unvereinbar mit Sub-Additivität, zeigt aber unter geeigneten Bedingungen natürlich Super-Additivität. In obere-begrenzten Settings ist das Muster genau umgekehrt.