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

Este artículo demuestra que la subaditividad del Valor en Riesgo (VaR) es imposible para variables aleatorias no degeneradas en $[0,\infty)$ y establece condiciones estructurales de dependencia negativa y dominancia del simplex que garantizan su superaditividad completa, ofreciendo un marco unificado para variables con colas pesadas y dependencias no idénticas.

Lo esencial

Imagina que eres el capitán de un barco de seguros. Tu trabajo es calcular cuánto dinero (capital) necesitas guardar en la bodega para que, si ocurre una tormenta muy fuerte, tu barco no se hunda.

En el mundo de las finanzas, esta "cantidad de dinero de seguridad" se llama VaR (Value-at-Risk o Valor en Riesgo). La pregunta que este paper intenta responder es muy sencilla pero profunda:

"Si tengo varios riesgos diferentes (como tormentas en diferentes océanos), ¿es más seguro guardar el dinero por separado o juntarlos todos en una sola bodega?"

Normalmente, creemos en la diversificación: "No pongas todos los huevos en la misma canasta". Si mezclas riesgos, deberían cancelarse un poco y necesitar menos dinero de seguridad. Esto se llama sub-aditividad (el todo es menor que la suma de las partes).

Sin embargo, este artículo descubre que, con ciertos tipos de riesgos "extremos" (como pérdidas financieras gigantes o catástrofes naturales), la realidad es muy diferente. Aquí te explico los hallazgos principales con analogías sencillas:

1. La Regla de Oro: "Si quieres que se sumen, deben ir juntos"

El primer gran descubrimiento del paper es una imposibilidad.

Imagina que tienes dos amigos, Juan y María, que siempre pierden dinero al mismo tiempo (si Juan pierde, María pierde). Ellos están "co-monótonos" (se mueven en perfecta sincronía). En este caso, el riesgo total es exactamente la suma de sus riesgos individuales.

El paper demuestra algo sorprendente: Para riesgos que solo pueden ir hacia arriba (como pérdidas que empiezan en cero y suben), es IMPOSIBLE que la diversificación funcione (que el riesgo total sea menor que la suma) a menos que los riesgos estén perfectamente sincronizados.

• La analogía: Imagina que intentas apagar un incendio con dos mangueras. Si el agua de una manguera nunca ayuda a la otra (no hay "diversificación"), la única forma de que el cálculo sea exacto es si ambas mangueras están conectadas al mismo grifo y abren al mismo tiempo. Si intentas mezclar mangueras que funcionan de forma independiente o opuesta, el cálculo de seguridad se vuelve impredecible y, a menudo, peor de lo que pensabas.

Conclusión 1: Si tus riesgos son "positivos" (pérdidas que van de 0 a infinito), no puedes esperar que la diversificación reduzca tu riesgo total, a menos que todos los riesgos sean idénticos y se muevan juntos.

2. El Efecto "Tormenta Perfecta": Cuando 1 + 1 = 3

El paper se centra en lo contrario: ¿Cuándo el riesgo total es mucho mayor que la suma de las partes? Esto se llama super-aditividad.

Esto ocurre cuando tienes riesgos "pesados" (colas pesadas, como en la distribución de Pareto, donde hay una pequeña probabilidad de una pérdida inmensa) y están conectados de una manera específica.

• La analogía de la "Tormenta Perfecta": Imagina que tienes dos barcos. Si uno se hunde, el otro tiene una probabilidad muy alta de hundirse también, pero no por estar atados, sino porque las condiciones del mar (la dependencia negativa) hacen que cuando uno se inclina, el otro se inclina en la dirección opuesta de tal forma que el sistema completo se desestabiliza.
• El paper introduce dos conceptos clave para explicar esto:
  1. Dependencia del Simplex Negativo (NSD): Es como decir que la probabilidad de que todos los barcos se hundan al mismo tiempo es menor de lo que esperarías si fueran independientes, pero la forma en que interactúan crea un "efecto dominó" en los extremos.
  2. Dominancia del Simplex (SD): Es una propiedad matemática de las "colas" de las pérdidas. Imagina que las pérdidas son olas. Si las olas son lo suficientemente altas y "pesadas" (tienen una cola larga), y se combinan de cierta forma, la ola resultante es mucho más gigante que la suma de las olas individuales.

Conclusión 2: Si tienes riesgos con "colas pesadas" (posibilidad de catástrofes enormes) y una estructura de dependencia específica (no necesariamente negativa, sino compleja), la diversificación puede fallar estrepitosamente. En lugar de protegerse, los riesgos se potencian mutuamente en los peores escenarios.

3. El Secreto de la "Infiniteza"

Un hallazgo crucial es que para que ocurra este efecto de "super-aditividad" (donde el riesgo explota), al menos uno de los riesgos debe tener un "peso infinito" esperado.

• La analogía: Imagina que intentas calcular el peso total de una caja. Si todos los objetos dentro tienen un peso finito (una manzana, una piedra), la suma siempre será finita. Pero si metes un objeto que pesa "infinito" (o tan grande que no se puede medir), la suma total se vuelve incontrolable.
• El paper dice: Si tus riesgos tienen un "peso medio" finito (esperanza matemática finita), no puedes tener esta explosión de riesgo. Necesitas riesgos "locos" (con medias infinitas) para que la diversificación se rompa y el riesgo total se dispare.

4. ¿Qué pasa si cambiamos las reglas del juego?

El paper también explora qué pasa si los riesgos no empiezan en cero, sino en un número positivo (como un deducible de seguro) o si tienen un límite máximo (como un pago máximo de una póliza).

• La analogía: Si tienes un "techo" en tus pérdidas (no puedes perder más de X), el comportamiento se invierte. La diversificación nunca puede ser "peor" que la suma; de hecho, si hay un techo, la diversificación siempre ayuda o es neutra.
• Pero si tienes un "suelo" (pérdidas mínimas), el comportamiento es el mismo que antes: la diversificación rara vez reduce el riesgo total a menos que todo esté sincronizado.

Resumen para el Capitán del Barco

Este artículo nos dice que el VaR (nuestra herramienta de seguridad) es muy caprichoso:

1. No confíes ciegamente en la diversificación si tienes riesgos extremos (colas pesadas). A veces, juntar riesgos hace que el desastre sea mucho peor de lo que calculaste.
2. La única forma de reducir el riesgo en estos casos extremos es si todos los riesgos se mueven exactamente igual (lo cual es raro en la vida real).
3. Para que la diversificación falle estrepitosamente, necesitas riesgos "gigantes" (con medias infinitas) y una conexión específica entre ellos.
4. El papel de la matemática: Los autores crearon un "filtro" (las condiciones NSD y SD) para que los bancos y aseguradoras puedan verificar fácilmente si sus carteras de riesgos están en peligro de explotar o si son seguras.

En esencia, el paper es una advertencia: En el mundo de los riesgos extremos, la intuición de "mezclar para proteger" puede ser una ilusión peligrosa. A veces, la suma de los riesgos es mucho más aterradora que la suma de sus partes.

Resumen técnico

Resumen Técnico: Comportamiento Extremo del VaR en Variables Aleatorias Unilaterales

1. Planteamiento del Problema

El Valor en Riesgo (VaR) es una herramienta fundamental en la gestión de riesgos financieros y actuariales, definida como el cuantil izquierdo de la distribución de pérdidas. Una propiedad deseable para cualquier medida de riesgo coherente es la subaditividad (la idea de que la diversificación reduce el riesgo: $VaR(S) \leq \sum VaR(X_i)$). Sin embargo, el VaR es conocido por violar esta propiedad, especialmente en colas pesadas, donde puede exhibir superaditividad ($VaR(S) > \sum VaR(X_i)$), indicando que la diversificación falla.

El problema central de este trabajo es caracterizar rigurosamente bajo qué condiciones el VaR de una suma de variables aleatorias unilaterales (soportadas en $[0, \infty)$ o con extremos finitos) es subaditivo o superaditivo para todos los niveles de probabilidad $p \in (0, 1)$, no solo en el límite asintótico. El autor busca responder: ¿Es posible tener subaditividad estricta? ¿Qué estructuras de dependencia y comportamiento marginal garantizan la superaditividad completa?

2. Metodología

El autor emplea un enfoque analítico basado en la teoría de la probabilidad y la dependencia estocástica, utilizando las siguientes herramientas:

• Truncamiento y Convergencia Monótona: Para abordar el caso de variables no integrables (con media infinita), el autor construye familias truncadas de variables aleatorias integrables, aplica resultados existentes (Imamura y Kato, 2025) y recupera el comportamiento original mediante límites.
• Definición de Nuevas Estructuras de Dependencia: Se introducen dos conceptos clave para generalizar los resultados más allá de la dependencia de orden inferior negativo (NLOD):
  1. Dependencia de Simplex Negativa (NSD): Una condición sobre la función de distribución conjunta en la diagonal.
  2. Dominancia de Simplex (SD): Una condición estructural sobre un funcional dependiente de los márgenes.
• Análisis de Funciones de Distribución y Tasas de Riesgo: Se estudian las propiedades de las funciones de distribución acumulada (CDF) y las tasas de riesgo inversas (reverse hazard rates) para determinar la monotonía de ciertos funcionales.
• Dualidad y Transformaciones: Se extiende el análisis mediante transformaciones de traslación (para extremos inferiores finitos) y reflexión (para extremos superiores finitos), estableciendo una dualidad entre los regímenes de subaditividad y superaditividad.

3. Contribuciones Clave

El artículo ofrece tres contribuciones principales a la literatura de gestión de riesgos:

1. Teorema de Imposibilidad para la Subaditividad: Se demuestra que, para variables aleatorias no negativas (soportadas en $[0, \infty)$), la subaditividad del VaR es imposible a menos que se dé el caso degenerado de aditividad exacta. Esto ocurre exclusivamente bajo co-monotonicidad (la forma extrema de dependencia positiva). Esto extiende resultados previos que requerían momentos finitos a un marco general que incluye colas pesadas con media infinita.
2. Caracterización de la Superaditividad Completa: Se introduce un marco unificado basado en dos condiciones estructurales (NSD y SD) que garantiza la superaditividad del VaR. A diferencia de trabajos anteriores que se limitaban a variables idénticamente distribuidas o dependencias específicas, este marco permite:
   • Márgenes no idénticos (heterogéneos).
   • Una amplia gama de estructuras de dependencia negativa (más allá del NLOD).
   • Leyes con colas pesadas.
3. Generalización a Extremos Finitos: Se demuestra que los resultados se extienden a variables con extremos inferiores o superiores finitos, revelando una dicotomía estricta: la subaditividad es imposible en variables acotadas inferiormente, mientras que la superaditividad es imposible en variables acotadas superiormente, a menos que se trate de aditividad exacta.

4. Resultados Principales

• Teorema 2.2 (Imposibilidad de Subaditividad): Para variables $X_i \geq 0$, $VaR_p[\sum X_i] \leq \sum VaR_p[X_i]$ para todo $p$ si y solo si el vector $X$ es co-monotónico. En este caso, la desigualdad se convierte en una igualdad. Esto implica que, en el dominio de riesgos no negativos, buscar subaditividad del VaR es equivalente a aceptar que no hay diversificación posible.
• Teorema 3.5 (Condición Suficiente para Superaditividad): Si el vector aleatorio $X$ es NSD (la CDF conjunta en la diagonal está acotada superiormente por el producto de las CDFs marginales) y la función $\Phi(x_1, \dots, x_n) = \sum x_i \log F_{X_i}(x_i)$ es SD (dominante en el simplex), entonces $X$ es VaR superaditivo.
  • Corolario: Si las variables son NLOD y las funciones $\phi_i(x) = x \log F_{X_i}(x)$ son no crecientes, se cumple la superaditividad.
• Condiciones de No Integrabilidad: Se demuestra (Proposición 3.12) que si $\phi_i(x)$ es no creciente, entonces $E[X_i] = \infty$. Esto establece que la superaditividad del VaR en este contexto está intrínsecamente ligada a la no integrabilidad de las variables (colas pesadas).
• Ejemplos y Contraejemplos:
  • Se presentan distribuciones específicas (Fréchet, Pareto II, Lévy, Beta Prima) donde se verifica la condición de monotonía de $\phi_i$.
  • Se muestra que la superaditividad puede ocurrir incluso si no se cumple la condición de no crecencia global de $\phi_i$, siempre que se mantenga la propiedad SD.
  • Se ilustra que la dependencia negativa por sí sola no garantiza superaditividad; es necesaria la interacción específica entre la dependencia conjunta y el comportamiento de las colas marginales.
• Propiedades de Transformación (Proposición 3.16): La superaditividad se preserva bajo transformaciones estrictamente crecientes, convexas y que fijan el origen ($\xi(0)=0$).

5. Significado e Implicaciones

• Para la Gestión de Riesgos y Regulación: El trabajo refuerza la idea de que el VaR no es una medida coherente en entornos de colas pesadas y dependencia negativa. Proporciona criterios precisos para identificar cuándo la diversificación fallará (superaditividad), lo cual es crucial en seguros (riesgos de catástrofe) y finanzas.
• Avance Teórico: El marco de NSD y SD supera las limitaciones de la literatura anterior (como los trabajos de Chen & Shneer o Ibragimov) al no requerir que las variables sean idénticamente distribuidas ni que la dependencia sea estrictamente NLOD. Ofrece una condición verificable y unificada.
• Dicotomía Estructural: El artículo establece una distinción clara: en el mundo de los riesgos no negativos (pérdidas), el VaR es inherentemente "averso a la diversificación" (tiende a la superaditividad) a menos que los riesgos estén perfectamente correlacionados. Por el contrario, en variables acotadas superiormente (como precios de activos con techo), el patrón se invierte.
• Aplicabilidad Práctica: Las condiciones derivadas (como la monotonía de $x \log F(x)$ o el comportamiento de la tasa de riesgo inversa) son verificables para distribuciones comunes en la industria, permitiendo a los analistas evaluar rápidamente el comportamiento agregado del riesgo sin necesidad de simulaciones costosas en todos los niveles de confianza.

En conclusión, el artículo cierra la brecha teórica sobre el comportamiento extremal del VaR, demostrando que la subaditividad es una anomalía estructural en riesgos positivos, mientras que la superaditividad es la norma bajo ciertas configuraciones de dependencia negativa y colas pesadas, proporcionando las herramientas matemáticas necesarias para identificar y gestionar estos escenarios.