📊 statistics

CoVaR under Asymptotic Independence

Diese Arbeit entwickelt eine semiparametrische Methode zur Schätzung des Conditional Value-at-Risk (CoVaR) für asymptotisch unabhängige Variablen unter Verwendung der bivariaten Extremwerttheorie, wobei die Konsistenz und Normalverteilung des Schätzers theoretisch belegt und durch Simulationen sowie die Anwendung auf US-Aktienrenditen validiert werden.

Ursprüngliche Autoren: Zhaowen Wang, Yutao Liu, Deyuan Li

Veröffentlicht 2026-02-12

📖 3 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Zhaowen Wang, Yutao Liu, Deyuan Li

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

Der „Domino-Effekt“ im Finanzmarkt: Warum ein einzelner Stein das ganze Haus zum Einsturz bringen kann

Stellen Sie sich vor, Sie beobachten ein riesiges, hochmodernes Casino. In diesem Casino gibt es viele verschiedene Spieler: kleine Glücksritter, mittelgroße Profis und die absoluten High-Roller (die großen Banken).

Normalerweise läuft alles glatt. Aber manchmal passiert etwas Schlimmes: Ein High-Roller verliert plötzlich eine astronomische Summe. Die große Frage für die Aufseher des Casinos ist nun: „Wenn dieser eine große Spieler pleitegeht, wie sehr wird dann das gesamte Casino ins Wanken geraten?“

Genau das ist das Thema dieses Forschungspapiers. In der Fachsprache nennt man das „Systemisches Risiko“ und das Maß dafür „CoVaR“.

1. Das Problem: Die unsichtbare Verbindung (Asymptotische Unabhängigkeit)

Bisher dachten viele Experten: „Wenn ein großer Spieler verliert, bricht das System zusammen, weil alle wie Dominosteine miteinander verbunden sind.“ Das nennt man asymptotische Abhängigkeit.

Die Autoren dieses Papers sagen aber: „Moment mal! Das ist zu einfach gedacht.“

Sie führen ein neues Konzept ein: die „asymptotische Unabhängigkeit“. Stellen Sie sich das wie zwei Menschen vor, die in einem Raum tanzen. Meistens bewegen sie sich völlig unabhängig voneinander. Aber wenn plötzlich ein Erdbeben kommt (eine extreme Finanzkrise), bewegen sie sich vielleicht doch in eine ähnliche Richtung – nicht, weil sie sich absichtlich abstimmen, sondern weil die Schwerkraft (der Markt) beide gleichzeitig beeinflusst.

Das Problem für Mathematiker ist: Wenn die Verbindung zwischen zwei Ereignissen im extremen Bereich (also bei totalem Chaos) sehr schwach ist, haben herkömmliche Rechenmodelle kaum „Datenpunkte“, um das zu berechnen. Es ist, als würde man versuchen, das Wetter für einen Jahrhundertsturm vorherzusagen, obwohl man nur Daten von sonnigen Tagen hat.

2. Die Lösung: Der „Extremwert-Detektiv“

Die Forscher haben eine neue Methode entwickelt, um dieses Risiko zu berechnen, selbst wenn die Datenlage in den extremen Krisenmomenten sehr dünn ist.

Sie nutzen die sogenannte „Extreme Value Theory“ (Extremwerttheorie). Man kann sich das wie einen Detektiv vorstellen, der nicht nach dem Durchschnitt sucht, sondern nach den „Ausreißern“. Anstatt zu fragen: „Wie viel Geld verliert ein Spieler im Durchschnitt?“, fragt der Detektiv: „Wenn der schlimmste Sturm des Jahrzehnts kommt, wie hoch wird die Flutwelle sein?“

Was sie neu gemacht haben:

Die Brücke bauen: Sie haben eine mathematische Formel (den „Adjustment Factor“) erfunden, die berechnet, wie sehr das Risiko des Gesamtsystems „hochgeschraubt“ werden muss, wenn ein einzelner Akteur in den Abgrund stürzt.
Präzision im Chaos: Sie nutzen ein Modell, das auch dann noch funktioniert, wenn die Verbindung zwischen den Banken im Normalbetrieb fast null ist, aber im Krisenfall plötzlich eine ganz spezifische, schwache Struktur zeigt.

3. Der Praxistest: Der S&P 500

Um zu beweisen, dass ihre Methode kein bloßes theoretisches Gedankenspiel ist, haben sie sie auf echte Daten angewendet: die US-Aktienmärkte (S&P 500) und 15 große Finanzinstitute.

Das Ergebnis: Ihre Methode konnte die Dynamik des Marktes besser vorhersagen als die alten Modelle. Sie haben gezeigt, dass man das Risiko für das gesamte System viel genauer einschätzen kann, indem man die „extremen Ausreißer“ mathematisch klug verknüpft.

Zusammenfassung für den Stammtisch

Das Papier liefert ein neues, schärferes Werkzeug für die Finanzaufsicht. Es hilft zu berechnen: „Wie sehr brennt die Hütte, wenn eine bestimmte Bank Feuer fängt?“ – und zwar auch in Situationen, in denen die Banken scheinbar kaum miteinander zu tun haben, aber durch die unsichtbaren Kräfte des Marktes im Ernstfall doch gemeinsam untergehen könnten.

Technische Zusammenfassung: CoVaR unter asymptotischer Unabhängigkeit

1. Problemstellung

Das Papier adressiert die Messung des systemischen Risikos im Finanzsektor. Eine der zentralen Kennzahlen hierfür ist das Conditional Value-at-Risk (CoVaR). CoVaR quantifiziert das Risiko eines Gesamtsystems (oder eines Proxys), wenn eine spezifische Institution ein extremes Verlustereignis (ihren Value-at-Risk, VaR) erleidet.

Die mathematische Herausforderung, die dieses Paper löst, liegt in der Art der Abhängigkeit zwischen den Variablen $X$ (Institution) und $Y$ (System). Bestehende Methoden (wie die von Nolde et al., 2022) basieren auf der Annahme der asymptotischen Abhängigkeit ( $\eta = 1$ ). In der Realität – insbesondere bei Aktienrenditen – weisen Paare jedoch häufig eine asymptotische Unabhängigkeit ( $0 < \eta < 1$ ) auf. Das bedeutet, dass die Wahrscheinlichkeit, dass beide Variablen gleichzeitig extreme Werte annehmen, schneller gegen Null geht, als es bei starker Abhängigkeit der Fall wäre. Bestehende Modelle versagen in diesem Szenario, da sie die Datenknappheit in den extremen Randbereichen (Tails) nicht korrekt modellieren können.

2. Methodik

Die Autoren entwickeln eine semi-parametrische Methodik im Rahmen der bivariaten Extremwerttheorie (EVT). Der Ansatz lässt sich in folgende Schritte unterteilen:

Probabilistischer Rahmen: Anstatt direkt die bedingte Verteilung zu schätzen, nutzen die Autoren einen Korrekturfaktor $\eta_p$ . Sie zeigen, dass CoVaR als ein Quantil der unbedingten Verteilung von $Y$ mit einem angepassten Konfidenzniveau $p\eta^*_p$ ausgedrückt werden kann.
Parametrisierung der Extremstruktur: Um das Problem der Datensparsamkeit in den Tails zu lösen, wird die Funktion $c(x, y)$ (die die Abhängigkeitsstruktur beschreibt) einer parametrischen Familie $\{c(\cdot, \cdot; \theta)\}$ unterstellt. Die Schätzung der Parameter $\theta$ erfolgt über ein Momenten-Schätzverfahren (M-Estimator).
Der Schätzer: Der vorgeschlagene CoVaR-Schätzer $\widehat{\text{CoVaR}}_{Y|X(p)}$ $CoVaR_{Y ∣ X (p)}$ kombiniert drei Komponenten:
1. Einen Hill-Schätzer zur Bestimmung des Extremwertindex $\gamma$ der Verteilung von $Y$ .
2. Eine Extrapolationsmethode zur Schätzung des unbedingten $\text{VaR}_Y(p)$ .
3. Eine Lösung für den angepassten Koeffizienten $\eta^*_p$ , der die asymptotische Unabhängigkeit berücksichtigt.
Dynamische Anwendung: Für Zeitreihen wird ein DCC-GARCH-Modell (Dynamic Conditional Correlation) verwendet, um die Residuen zu filtern, auf die dann der statische EVT-Schätzer angewendet wird.

3. Zentrale Beiträge

Erweiterung der EVT-Anwendung: Das Paper schließt die Lücke in der CoVaR-Literatur, indem es explizit Modelle für den Fall $0 < \eta < 1$ (asymptotische Unabhängigkeit) entwickelt.
Semi-parametrischer Ansatz: Die Kombination aus parametrischer Modellierung der Abhängigkeitsstruktur und semi-parametrischer Schätzung der Randverteilungen ermöglicht eine robuste Schätzung trotz geringer Datenpunkte in den Extrembereichen.
Theoretische Fundierung: Die Autoren liefern umfassende Beweise für die Konsistenz und die asymptotische Normalität des Schätzers unter moderaten Regularitätsbedingungen.

4. Ergebnisse

Simulationsstudien: In Monte-Carlo-Simulationen (Modelle mit Pareto- und Inverted-Hüsler-Reiss-Verteilungen) zeigt der vorgeschlagene Schätzer eine deutlich höhere Genauigkeit (geringerer Bias und geringere Varianz) als naive Schätzer, die lediglich auf Ordnungsstatistiken basieren. Selbst wenn Modellannahmen leicht verletzt werden, bleibt die Performance stabil.
Empirische Anwendung (S&P 500): Die Anwendung auf US-Aktienrenditen bestätigt die Theorie. Ein statistischer Test (TQCC-Test) zeigt, dass die Mehrheit der untersuchten Finanzinstitute (z. B. AIG, JPM, WFC) eine asymptotische Unabhängigkeit zum S&P 500 aufweist. Der neue Schätzer liefert bessere Out-of-Sample-Vorhersagen (gemessen am Quantile Score) als herkömmliche Modelle.

5. Signifikanz

Die Arbeit ist von hoher Bedeutung für das Risikomanagement und die Finanzregulierung. Da das CoVaR ein Instrument zur Überwachung systemischer Risiken ist, ermöglicht die Berücksichtigung der asymptotischen Unabhängigkeit eine präzisere und realistischere Einschätzung der Ansteckungsgefahr (Contagion) zwischen Institutionen und dem Markt. Die Tatsache, dass der Schätzer tendenziell konservativere (höhere) Werte liefert, bietet zudem einen Sicherheitsspielraum für Regulatoren.