On a multivariate extension for Copula-based Conditional Value at Risk

Resumen Técnico: Extensión Multivariante para el Valor Condicional en Riesgo Basado en Cópulas

Planteamiento del Problema
El artículo aborda las limitaciones de las medidas de riesgo clásicas, específicamente el Valor en Riesgo (VaR) y el Valor Condicional en Riesgo (CVaR), en contextos multivariantes. Aunque el VaR es ampliamente utilizado, carece de subaditividad y no captura adecuadamente el riesgo de cola. El CVaR (o Shortfall Esperado) mejora esto al medir la pérdida esperada más allá del umbral del VaR, pero tradicionalmente se define para carteras univariantes. Las extensiones multivariantes existentes, como el CVaR Multivariante (MCVaR), a menudo resultan en medidas vectoriales o dependen de conjuntos de nivel complejos que son difíciles de agregar. Además, aunque el CVaR basado en cópulas (CCVaR) ofrece una forma flexible de modelar la dependencia, investigaciones anteriores (por ejemplo, Krzemienowski y Szymczyk, 2016; Molina Barreto e Ishimura, 2023) se han restringido en gran medida a casos bivariados o carecido de expresiones de forma cerrada para dimensiones superiores. La brecha específica identificada es la ausencia de una expresión generalizada, casi de forma cerrada, para el CCVaR en dimensiones $d \ge 2$ bajo cópulas arquimedianas, las cuales son comúnmente utilizadas en finanzas por su manejabilidad.

Metodología
Los autores proponen una extensión multivariante del CCVaR definida como la pérdida ponderada esperada de una cartera dado que la distribución conjunta cae en un "conjunto desfavorable" definido por la cópula.

1. Marco Teórico:
   • El estudio utiliza el Teorema de Sklar para separar las distribuciones marginales de la estructura de dependencia (cópula).
   • Se centra en cópulas arquimedianas, las cuales son generadas por una única función generadora $\varphi$. Estas cópulas son simétricas (intercambiables), una suposición simplificadora considerada aceptable para carteras de activos dentro de industrias similares.
   • El CCVaR se define como la esperanza condicional de la pérdida de la cartera $\lambda^T X$ dado que el valor de la cópula $C(U_1, \dots, U_d) \ge \beta$, donde $\beta$ es el nivel de confianza.
2. Derivación:
   • La contribución metodológica central es la derivación de una expresión casi de forma cerrada para el CCVaR bajo cópulas arquimedianas.
   • Esta derivación se basa en la función de distribución de Kendall y su densidad, utilizando las propiedades de la función generadora $\varphi$ y su inversa $\varphi^{-1}$.
   • Los autores expresan la medida de riesgo como una integral que involucra las derivadas de la generadora inversa (hasta el orden $d-1$) y funciones auxiliares $f_i(t)$, las cuales se definen recursivamente basándose en la generadora.
   • La fórmula permite el cálculo del CCVaR sin recurrir a métodos puramente basados en simulación, siempre que se conozcan las derivadas de la generadora inversa (las cuales están disponibles para familias comunes como Clayton, Gumbel, Frank, Joe y Ali-Mikhail-Haq).

Contribuciones Clave

1. Generalización a Dimensiones Multivariantes: El artículo extiende la definición del CCVaR desde el caso bivariado hasta dimensiones arbitrarias $d \ge 2$ bajo cópulas arquimedianas.
2. Expresión Casi de Forma Cerrada: Los autores derivan una fórmula integral específica (Teorema 3) que expresa el CCVaR en términos de la función generadora, sus derivadas y la distribución de Kendall. Esto facilita el análisis teórico y la implementación numérica.
3. Coherencia y Propiedades: El artículo examina las propiedades de coherencia de la medida propuesta. Establece que el CCVaR satisface la homogeneidad positiva, la invariancia traslacional y la monotonía. Se demuestra que la subaditividad se cumple bajo condiciones específicas (por ejemplo, independencia), aunque el artículo señala que la subaditividad no está garantizada en todos los casos multivariantes generales, lo cual es consistente con la literatura existente sobre MCVaR.
4. Análisis Conductual: El estudio analiza cómo se comporta el CCVaR con respecto al nivel de confianza $\beta$ y al parámetro de dependencia $\theta$. Demuestra que el CCVaR es no decreciente en $\beta$ e investiga su monotonía con respecto a $\theta$ para familias específicas de cópulas (por ejemplo, decreciente para Clayton y Frank bajo ciertas condiciones).

Resultados
El artículo presenta experimentos numéricos utilizando datos reales de siete acciones del sector maquinaria listadas en el índice Nikkei 225.

1. Datos y Modelado: Los retornos logarítmicos negativos diarios se modelaron utilizando procesos AR(1)-GARCH(1,1) con distribuciones Normal Estándar, Student-t y t Asimétrica. Se ajustaron cópulas arquimedianas (Clayton, Frank, Gumbel, Joe, AMH) utilizando el método de Funciones de Inferencia para las Marginales (IFM).
2. Rendimiento Comparativo:
   • Conservadurismo: Los resultados numéricos muestran consistentemente que el CCVaR produce valores más altos que tanto el VaR clásico como el CVaR en todas las cópulas probadas y niveles de confianza ($\beta = 0.95, 0.99$). Los autores interpretan esto como que el CCVaR es una medida de riesgo más conservadora porque condiciona a todos los eventos conjuntos desfavorables (todo el conjunto $\mathcal{U}_\beta$) en lugar de solo a que la suma ponderada supere un umbral.
   • Sensibilidad a la Elección de la Cópula: A diferencia del VaR y el CVaR, que muestran una variación significativa dependiendo de la familia de cópula elegida (por ejemplo, Gumbel y Joe producen valores más altos), los valores del CCVaR exhiben poca variabilidad a través de diferentes especificaciones de cópula.
   • Sensibilidad a la Cola: El estudio confirma que las distribuciones marginales de colas pesadas (Student-t, t Asimétrica) resultan en estimaciones de riesgo más altas en comparación con las distribuciones Normales.
   • Evolución Temporal: El análisis con ventanas móviles demuestra que el CCVaR reacciona a períodos de alta volatilidad y mantiene su posición como la medida más conservadora en relación con el VaR y el CVaR a lo largo del tiempo.

Significado y Afirmaciones
El artículo afirma que el CCVaR multivariante propuesto ofrece una alternativa robusta para la gestión de riesgos de carteras, particularmente al tratar con activos que comparten estructuras de dependencia similares (intercambiabilidad).

• Valor Teórico: La derivación de la expresión casi de forma cerrada llena una brecha en la literatura, permitiendo el estudio analítico de las medidas de riesgo en dimensiones superiores sin depender exclusivamente de simulaciones de Monte Carlo computacionalmente intensivas.
• Implicación Práctica: Los resultados sugieren que condicionar a la ocurrencia conjunta de eventos desfavorables (como lo hace el CCVaR) proporciona un colchón más conservador y potencialmente más seguro contra pérdidas extremas en comparación con condicionar a que la pérdida agregada de la cartera supere un umbral.
• Limitaciones y Trabajo Futuro: Los autores reconocen modestamente que la suposición de intercambiabilidad de las cópulas arquimedianas limita la aplicabilidad del modelo a carteras altamente diversificadas con dependencias heterogéneas. Señalan que el comportamiento del CCVaR con respecto al parámetro de dependencia $\theta$ en dimensiones mayores a dos requiere una caracterización formal adicional, ya que la evidencia numérica sugiere monotonía pero una prueba rigurosa es esquiva. Se propone investigación futura para explorar cópulas arquimedianas jerárquicas y cópulas en red (vine) para capturar estructuras de dependencia más complejas.