Resumen Técnico: Evaluación del Riesgo Extremo mediante Simulación Estocástica de Extremos

Planteamiento del Problema

La gestión de riesgos en sectores como la climatología y las finanzas depende en gran medida de la evaluación de los riesgos de cola —eventos de baja probabilidad pero alta severidad—. Un desafío primordial en este dominio es la escasez de datos, particularmente en contextos multivariantes donde los eventos extremos son raros. Los enfoques paramétricos tradicionales basados en la Teoría de Valores Extremos (EVT) suelen enfrentar limitaciones en entornos multivariantes porque la distribución límite de los extremos multivariantes no es inherentemente paramétrica, lo que requiere una selección de modelos compleja y supuestos restrictivos sobre las estructuras de dependencia (por ejemplo, dependencia uniforme mediante cópulas). Además, las estimaciones empíricas de las métricas de riesgo de cola (TRM) suelen ser inestables o imposibles de calcular cuando el número de excedencias observadas por encima de un umbral alto es insuficiente. Los métodos no paramétricos existentes para la inferencia de colas condicionales también están limitados por la disponibilidad de datos y la dimensionalidad.

Metodología

El artículo propone dos algoritmos de simulación no paramétricos diseñados para extender las muestras de extremos multivariantes, abordando así la escasez de datos. Estos algoritmos se fundamentan en la representación estocástica de las distribuciones de Pareto Generalizado Multivariante (MGP), utilizando específicamente la descomposición derivada de Rootzén et al. (2018).

Fundamento Teórico

El enfoque asume que el vector de excesos por encima de un umbral alto converge a una distribución MGP estándar. Un vector MGP estándar $Z$ puede descomponerse como $Z = E + T - \max(T)$, donde $E$ es una variable exponencial unitaria y $T$ es un vector aleatorio de $d$ dimensiones independiente de $E$. Esta descomposición permite la representación de los componentes del vector a través de las diferencias $\Delta_{j,k} = T_j - T_k$.

Algoritmo 1: Simulación MGP Conjunta No Paramétrica

Este algoritmo genera nuevas muestras independientes e idénticamente distribuidas (i.i.d.) de un vector MGP estándar para ampliar el conjunto de datos para la evaluación conjunta del riesgo.

1. Transformación: Los datos observados se estandarizan a márgenes exponenciales y se transforman en un vector M de un vector MGP estándar $Z$.
2. Cálculo de Diferencias: El algoritmo calcula el vector de diferencias $\Delta^{(1)}$ basado en el primer componente.
3. Simulación:
   • Se generan nuevas variables exponenciales unitarias $E_\ell$.
   • Se generan nuevas realizaciones del vector de diferencias $\Delta^{(1)}$ mediante bootstrapping no paramétrico (remuestreo de las diferencias observadas).
   • Se reconstruyen nuevos vectores MGP $\tilde{Z}$ utilizando la relación estocástica $Z_j = E + \sum \Delta_{j,k} \prod \mathbb{1}_{\Delta_{\ell,k}<0}$.
4. Salida: Los vectores simulados se proyectan de nuevo al espacio original para estimar las métricas de riesgo.

Algoritmo 2: Simulación MGP Condicional No Paramétrica

Este algoritmo genera muestras de un factor de riesgo específico $X_j$ condicionado a que otros factores de riesgo $X_{-j}$ se encuentren en niveles extremos. Esto facilita la inferencia de las distribuciones de cola condicionales.

1. Derivación de la Distribución Condicional: El algoritmo deriva la densidad condicional de la variable de diferencia $\Delta_{q,j}$ dado $Z_{-j} = z_{-j}$. Se distinguen tres casos basados en el valor máximo del vector de condicionamiento $z^* = \max(z_{-j})$:
   • Caso 1: $z^* > 0$ y $z^* = z_q$.
   • Caso 2: $z^* > 0$ y $z^* \neq z_q$.
   • Caso 3: $z^* \leq 0$.
2. Muestreo:
   • En los Casos 1 y 3, donde la distribución condicional es independiente de los valores específicos de $z_{-j}$, se utiliza el bootstrapping directamente.
   • En el Caso 2, donde la distribución depende de $z_{-j}$, se emplea un método de muestreo de rechazo, combinando el bootstrapping con un algoritmo de rechazo para asegurar que se muestree la densidad condicional correcta.
3. Salida: Se generan nuevas realizaciones de $Z_j$ condicionalmente a $Z_{-j}$, permitiendo la estimación de expectativas condicionales.

Contribuciones Clave

1. Extensión a Dimensiones Multivariantes: Los autores generalizan los algoritmos de simulación bivariante propuestos por Legrand et al. (2023) a dimensiones arbitrarias ($d > 2$), permitiendo el análisis de factores de riesgo complejos y de alta dimensión.
2. Flexibilidad No Paramétrica: Al apoyarse en el bootstrapping y en la representación estocástica de los vectores MGP, el método evita los restrictivos supuestos paramétricos que a menudo se requieren en la EVT multivariante, tales como familias de cópulas específicas.
3. Esquemas de Simulación Duales: El artículo proporciona un marco unificado tanto para la simulación conjunta (para estimar métricas de riesgo de cola incondicionales) como para la simulación condicional (para inferir cantidades relacionadas con las distribuciones de cola condicionales).
4. Validación Teórica: El trabajo incluye pruebas teóricas rigurosas (Proposiciones 7.1–7.6) que demuestran que las muestras simuladas convergen a la distribución MGP estándar correcta y que el método de muestreo de rechazo en el algoritmo condicional es válido.

Resultados

El rendimiento de los algoritmos fue evaluado utilizando tanto datos sintéticos (rendimientos financieros modelados con distribuciones Student's $t$ y cópulas Gumbel) como datos financieros reales (rendimientos semanales negativos de HSBC, Lloyds y RBS).

• Estimación de la Métrica de Riesgo de Cola (TRM):

  • El algoritmo de simulación conjunta mejoró significativamente la estimación del Valor en Riesgo (VaR), el Expected Shortfall (ES), el Marginal Expected Shortfall (MES) y el Dependent Conditional Tail Expectation (DCTE).
  • En comparación con el uso de solo la muestra original, las muestras simuladas y extendidas redujeron los errores de aproximación relativa y la dispersión, particularmente en niveles de confianza altos ($\alpha \in \{0.9975, 0.999, 0.9997\}$).
  • El método estimó con éxito las TRM en escenarios donde la muestra original contenía cero o muy pocas excedencias (por ejemplo, la estimación del DCTE para ciertas acciones era imposible con los datos originales, pero factible con la simulación).

• Estimación de la Esperanza Condicional:

  • El algoritmo de simulación condicional fue probado contra la regresión lineal para estimar $\mu(x_{-j}) = E[X_j | X_{-j} = x_{-j}]$.
  • En los datos sintéticos, el enfoque de simulación condicional produjo errores menores que la regresión lineal, con una ventaja que aumenta a medida que las observaciones de condicionamiento se vuelven más extremas.
  • En aplicaciones de datos reales, el enfoque de simulación proporcionó estimaciones de choque que fueron comparables o más robustas que la regresión lineal, particularmente para activos con colas más pesadas (Lloyds y RBS) donde la regresión lineal es conocida por ser menos adecuada.

Significación y Reivindicaciones

El artículo sostiene que los esquemas de simulación no paramétricos propuestos abordan eficazmente el problema crítico de la escasez de datos en la gestión de riesgos extremos. Al expandir el conjunto de datos disponible mediante la simulación estocástica, los autores demuestran que es posible:

• Extrapolar más allá del rango de los datos históricos observados.
• Obtener estimaciones más fiables y estables de las métricas de riesgo de cola (ES, MES, DCTE) incluso cuando el número de excedencias observadas es extremadamente limitado.
• Realizar inferencias sobre distribuciones de cola condicionales en entornos de alta dimensión donde los métodos de regresión tradicionales o paramétricos tienen dificultades.

Los autores posicionan estos algoritmos como herramientas prácticas para los gestores de riesgos que necesitan cuantificar riesgos bajo circunstancias extraordinarias donde los datos históricos son insuficientes. Señalan que, si bien la implementación actual utiliza estimadores empíricos sobre los datos simulados, el trabajo futuro podría integrar estos enfoques de simulación con técnicas de estimación más sofisticadas. El artículo concluye que estos métodos mejoran la cantidad de observaciones en las regiones extremas, lo que conduce a métricas de riesgo más confiables sin imponer modelos paramétricos restrictivos sobre la estructura de dependencia.