Extreme Value Analysis for Finite, Multivariate and Correlated Systems with Finance as an Example

Este artículo propone un marco práctico para el análisis de valores extremos en sistemas multivariados, finitos y correlacionados, que mediante la rotación de series temporales financieras a su base de autovectores y el uso del enfoque de picos sobre umbral, permite estimar riesgos de cola no estacionarios a nivel de mercado y sectorial sin necesidad de analizar máximos de bloques.

Lo esencial

Imagina que el mercado de valores es como un océano gigante y tormentoso. A veces las olas son pequeñas y predecibles, pero de repente, surgen "tsunamis" (crisis financieras) que pueden hundir barcos enteros.

El objetivo de este artículo es aprender a predecir y medir el tamaño de esos tsunamis en un sistema donde miles de barcos (acciones) están todos conectados entre sí. Si un barco se hunde, a menudo arrastra a otros.

Aquí tienes la explicación de cómo los autores resolvieron este problema, usando analogías sencillas:

1. El Problema: El Caos de las Olas Conectadas

En el mundo de las finanzas, las acciones no se mueven solas. Si el precio del petróleo sube, muchas acciones relacionadas con energía suben o bajan juntas. Además, el mercado cambia de humor constantemente (es "no estacionario"): lo que es una ola normal por la mañana, puede ser un tsunami por la tarde.

Los métodos antiguos para medir el riesgo intentaban mirar las olas más grandes de cada día (como mirar solo la ola más alta de cada hora). Pero esto desperdicia mucha información y es como intentar entender una tormenta mirando solo un segundo de video.

2. La Solución: El "Gimnasio de Descompresión" (Rotación de Datos)

Los autores proponen una idea brillante: no mirar las acciones individuales, sino mirar los "grupos de energía" del mercado.

Imagina que tienes un grupo de 479 personas bailando en una sala llena de humo. Todos se mueven de forma caótica y conectada. Es imposible entender el baile mirando a cada persona por separado.

• El truco: Imagina que pones a todos en un "gimnasio de descompresión" (la descomposición en autovalores).
• La Magia: De repente, el baile se separa en tres movimientos claros:
  1. El movimiento del Mercado: Todos se mueven hacia adelante y atrás al mismo tiempo (como una marea general).
  2. El movimiento del Sector: Un grupo específico (ej. energía) gira en una dirección, mientras otro (ej. tecnología) gira en otra.
  3. El movimiento Individual: Cada persona hace sus propios pasos extraños y únicos.

Al hacer esto, los autores transforman el caos en cintas de música separadas. Ahora pueden analizar el "riesgo de tsunami" de cada cinta por separado, usando herramientas simples que antes solo servían para una sola acción.

3. La Herramienta: El "Filtro de Umbral" (POT)

En lugar de esperar a que termine el día para ver cuál fue la ola más alta (lo cual es lento y pierde datos), usan un filtro de umbral.

• La analogía: Imagina un río. En lugar de esperar a ver la ola más grande del día, colocas un sensor a 2 metros de altura. Cada vez que una ola supera los 2 metros, el sensor hace "clic" y registra el dato.
• La ventaja: Esto captura todas las olas peligrosas, no solo la más grande. Es como tener una cámara de alta velocidad que graba cada vez que el agua salpica por encima de un nivel de peligro, dándote miles de datos en lugar de uno solo.

4. El Reto Final: El Reloj del Mercado (No Estacionariedad)

Aquí está la parte más inteligente. El mercado tiene un "reloj interno".

• La analogía: Imagina que el mercado es un corredor. Por la mañana, cuando abre, corre muy rápido y hace muchos giros bruscos (alta volatilidad). Al mediodía, camina tranquilo. Por la tarde, vuelve a correr.
• El error común: Si usas una regla fija para medir "carrera rápida", te dirá que el corredor está corriendo muy rápido a las 10:00 AM (porque es normal) y muy lento a las 2:00 PM (porque es normal). Pero si el corredor da un salto repentino a las 2:00 PM, ¡eso es un peligro real!
• La solución de los autores: En lugar de usar una regla fija, usan una regla que se estira y se encoge según la hora del día.
  • A las 10:00 AM, el "umbral de peligro" es alto (porque es normal que haya mucho movimiento).
  • A las 2:00 PM, el "umbral de peligro" es bajo.
  • Así, detectan el verdadero peligro (el salto repentino) independientemente de la hora.

¿Qué descubrieron?

1. El Mercado y la Energía son los "Gigantes": El movimiento general del mercado y el sector de la energía son los que más tienden a crear "tsunamis" agrupados. Si uno se descontrola, arrastra a muchos otros.
2. El Riesgo Real es Diferente: Cuando ajustan el reloj del mercado (quitan la rutina diaria), descubren que el riesgo "puro" y aleatorio es diferente al que se ve si solo miramos los datos crudos.
3. Funciona en segundos: Su método es tan rápido que puede analizar datos cada segundo, algo que antes era imposible de hacer con tanta precisión.

En Resumen

Este paper nos dice: "Para predecir el desastre financiero, no mires solo el caos de las acciones individuales. Separa el ruido del mercado en sus movimientos principales (el mercado general, los sectores, lo individual), y usa reglas flexibles que se adapten a la hora del día."

Es como pasar de intentar adivinar el clima mirando una sola hoja que cae, a tener un radar que separa el viento, la lluvia y la temperatura para predecir la tormenta con precisión.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Extreme Value Analysis for Finite, Multivariate and Correlated Systems with Finance as an Example", estructurado según los puntos solicitados.

1. Planteamiento del Problema

La estimación de eventos extremos (magnitud, frecuencia y dinámica temporal) es fundamental para la gestión de riesgos en sistemas complejos, como los mercados financieros. Sin embargo, existen desafíos significativos al aplicar la Teoría de Valores Extremos (EVT) a sistemas reales:

• Multivariante y Correlación: Los sistemas financieros no son conjuntos de variables independientes; presentan fuertes correlaciones cruzadas entre activos. La teoría clásica de EVT se desarrolló principalmente para series univariadas independientes o débilmente dependientes.
• No Estacionariedad: Los sistemas dinámicos, especialmente en finanzas, cambian drásticamente con el tiempo (ej. crisis de mercado, cambios de régimen). La mayoría de los métodos asumen estacionariedad, lo que puede llevar a una subestimación grave del riesgo.
• Datos de Alta Frecuencia: El análisis de datos a escala de segundos introduce efectos de discretización (tamaño del tick) y asincronía (efecto Epps), que complican la medición de correlaciones y la distribución de colas.
• Limitaciones de los Métodos Actuales: El enfoque tradicional de "Máximos de Bloque" (Block Maxima, BM) es ineficiente en el uso de datos y arbitrario en la elección del tamaño del bloque. Además, ignorar la estructura de dependencia multivariada puede ocultar riesgos sistémicos.

El objetivo del artículo es desarrollar un marco práctico para analizar valores extremos en un gran número de series temporales correlacionadas y finitas, abordando explícitamente la no estacionariedad y la estructura de correlación.

2. Metodología

Los autores proponen un marco de cuatro pasos que transforma el problema multivariante en un conjunto de series univariadas interpretables:

A. Transformación a la Base de Autovectores (Rotación)

En lugar de analizar las rentabilidades de las acciones individuales ($K$ acciones), se calcula la matriz de correlación de Pearson ($C$) y se realiza una descomposición espectral:
$$C = U \Lambda U^\dagger$$
Donde $\Lambda$ son los autovalores y $U$ los autovectores. Las rentabilidades normalizadas se transforman en "modos" (series temporales rotadas):
$$R = \Lambda^{-1/2} U^\dagger M$$

• Interpretación: Esta transformación (similar al Análisis de Componentes Principales o PCA) descorrelaciona las series.
  • El primer modo ($R_1$) corresponde al mercado en su conjunto (riesgo sistemático).
  • Los modos subsiguientes ($R_2, R_3...$) capturan comportamientos sectoriales (ej. energía, servicios públicos).
  • Los modos restantes representan ruido o combinaciones lineales sin estructura específica.
• Ventaja: Permite aplicar herramientas de EVT univariada a series que ahora son mutuamente no correlacionadas, separando efectos colectivos de características idiosincrásicas.

B. Enfoque "Peaks-Over-Threshold" (POT)

Se evita el método de Máximos de Bloque. En su lugar, se utiliza el enfoque POT basado en el Teorema de Pickands-Balkema-de Haan:

• Se selecciona un umbral $u$ y se modelan los excesos sobre este umbral utilizando la Distribución Generalizada de Pareto (GPD):
  $$GPD_{\gamma, \sigma}(x) = 1 - (1 + \gamma x / \sigma)^{-1/\gamma}$$
• Se estiman los parámetros de forma $\gamma$ (índice de cola) y escala $\sigma$ mediante Máxima Verosimilitud.
• Índice Extremal ($\Theta$): Se estima el índice extremal (inverso del tamaño medio de los cúmulos de extremos) para cuantificar la agrupación (clustering) de eventos extremos en el tiempo, utilizando el método de Ferro y Segers.

C. Manejo de la No Estacionariedad y Estacionalidad

Para datos de alta frecuencia (segundos), la volatilidad presenta patrones intradiarios predecibles (abertura, cierre, anuncios).

1. Perfil de Volatilidad Intradiaria: Se calcula el perfil medio de volatilidad $V_k(t_{intra})$ alineando todos los días de negociación.
2. Residuos Desestacionalizados: Se dividen las rentabilidades rotadas por su perfil de volatilidad para obtener series residuales $\tilde{R}_k(t)$, eliminando la estacionalidad determinista.
3. Umbral Dinámico Local: En lugar de un umbral fijo $u$, se utiliza un umbral dinámico $u(t)$ estimado mediante cuantiles locales en una ventana deslizante (ej. 10,000 segundos). Esto adapta la definición de "extremo" al estado actual del mercado, eliminando el agrupamiento espurio causado por cambios de régimen.

3. Contribuciones Clave

1. Marco Unificado para Sistemas Correlacionados: Propone una metodología rigurosa para aplicar EVT univariada a sistemas multivariados finitos y correlacionados mediante la rotación a la base de autovectores.
2. Separación de Riesgos Colectivos y Sectoriales: Demuestra que la rotación permite aislar el riesgo de mercado (primer modo) del riesgo sectorial (modos subsiguientes), revelando que diferentes sectores tienen comportamientos de cola distintos.
3. Superación del Método de Máximos de Bloque: Valida empíricamente que el enfoque POT, cuando se aplica correctamente, puede inferir la estadística de los máximos de bloque sin necesidad de definir bloques de tiempo arbitrarios, utilizando toda la información de la cola de la distribución.
4. Tratamiento de No Estacionariedad en Alta Frecuencia: Introduce una metodología para distinguir entre el riesgo residual estocástico y el riesgo sistemático predecible (estacionalidad), utilizando umbrales locales dinámicos para obtener una medida de riesgo adaptativa al estado del mercado.

4. Resultados Principales

El estudio se basa en datos de 479 acciones del NYSE en 2014, con una resolución de 1 segundo.

• Comportamiento de las Colas (Fréchet): Los modos rotados exhiben colas pesadas, ajustándose principalmente a la distribución de Fréchet ($\gamma > 0$), lo que indica un comportamiento de ley de potencia en los extremos.
• Diferencias entre Modos:
  • El primer modo (mercado global) y el segundo modo (sector energético en 2014) muestran los índices extremos ($\Theta$) más bajos, indicando una fuerte agrupación de eventos extremos (clustering).
  • El sector energético mostró un comportamiento extremal distinto, cruzando hacia dominios Gumbel o Weibull en ciertas condiciones, sugiriendo una dinámica de riesgo diferente al resto del mercado.
• Agrupación de Extremos: El índice extremal $\Theta$ es significativamente menor que 1 en todos los modos, confirmando que los extremos no son eventos de Poisson independientes, sino que ocurren en cúmulos debido a la persistencia de la volatilidad.
• Efecto de la No Estacionariedad:
  • Al usar umbrales fijos, la estacionalidad intradiaria crea agrupamientos artificiales de extremos.
  • Al aplicar umbrales locales dinámicos sobre los residuos desestacionalizados, el índice extremal aumenta (se acerca a 1), indicando que gran parte del agrupamiento observado inicialmente se debía a cambios de régimen predecibles y no a dependencia serial pura.
  • Sin embargo, persiste una dependencia serial significativa en escalas de tiempo más largas, incluso después de eliminar la estacionalidad.
• Validación: Se demostró que los parámetros de la distribución de valores extremos (GEV) inferidos a partir del ajuste GPD en la cola coinciden con las densidades empíricas de los máximos diarios reales, validando teórica y empíricamente el enfoque POT.

5. Significado e Impacto

Este trabajo es pionero en la aplicación sistemática de la teoría de valores extremos a modos de rentabilidad derivados de una descomposición espectral en datos de alta frecuencia (segundos).

• Gestión de Riesgos Financieros: Proporciona una herramienta para cuantificar el riesgo tail (riesgo de cola) no solo para carteras diversificadas, sino para exposiciones sectoriales específicas, permitiendo una gestión de riesgos más granular.
• Generalidad del Método: Aunque se aplica a finanzas, el marco es general y puede aplicarse a cualquier sistema complejo multivariante con correlaciones (climatología, redes de infraestructura, etc.).
• Superación de Limitaciones Técnicas: Resuelve el problema de la no estacionariedad en datos de alta frecuencia, ofreciendo una métrica de riesgo que se adapta dinámicamente al estado del mercado, lo cual es crucial para estrategias de trading de alta frecuencia y gestión de crisis.
• Validación Teórica: Cierra la brecha entre los métodos POT y BM, demostrando que la información sobre los máximos está contenida en la cola de la distribución y puede extraerse sin pérdida de información mediante el uso correcto de umbrales.

En resumen, el artículo ofrece un marco robusto para entender la dinámica de los eventos extremos en sistemas interconectados, destacando que la estructura de correlación y la no estacionariedad deben ser modeladas explícitamente para evitar una subestimación catastrófica del riesgo.