Importance Sampling Enhanced with the COS Method for the Portfolio Risk Allocation

En el mundo de las finanzas, los bancos y las firmas de inversión gestionan vastas colecciones de préstamos, conocidas como carteras. La mayor parte del tiempo, estas carteras funcionan bien y el dinero fluye sin problemas. Pero ocasionalmente, una tormenta perfecta golpea: una recesión, un colapso repentino del mercado o una cascada de impagos que provoca que la cartera pierda una cantidad masiva de dinero de una sola vez. Estos son eventos raros, pero son los que pueden destruir a un banco. Para mantenerse seguros, los reguladores exigen que los bancos sepan exactamente cuánto dinero deben mantener en reserva para sobrevivir a tales desastres. El problema es que estos desastres ocurren con tanta poca frecuencia que, si intentas simularlos en una computadora utilizando métodos estándar, podrías ejecutar la simulación un millón de veces y nunca ver un solo desastre. Es como intentar predecir una inundación de una vez cada siglo observando un río durante una sola tarde; simplemente no verás el agua subir lo suficiente como para que importe.

Para resolver esto, los matemáticos utilizan una técnica llamada muestreo de importancia. En lugar de observar el río normalmente, cambian artificialmente el clima en su simulación para que la inundación ocurra con más frecuencia. Luego, utilizan una corrección matemática para ajustar los resultados de vuelta a la realidad, asegurando que la respuesta final sea precisa. Sin embargo, este método tiene un inconveniente: si el clima artificial se cambia demasiado, la corrección se vuelve inestable y los resultados se vuelven ruidosos. Si el clima se cambia muy poco, la inundación sigue ocurriendo rara vez y la simulación sigue siendo inútil. La clave para hacer que esto funcione es encontrar el equilibrio perfecto para cómo se altera la simulación. Este es el desafío que los investigadores Fang Fang, Xiaoyu Shen y Qinling Wang abordaron en su reciente trabajo sobre el riesgo de carteras de crédito.

Los investigadores se centraron en un tipo específico de modelo financiero donde la salud de muchos prestatarios diferentes está vinculada por unos pocos factores subyacentes comunes, como el estado general de la economía. Cuando la economía sufre, muchos prestatarios sufren al mismo tiempo. Para estimar el riesgo de una pérdida masiva, necesitaban averiguar cómo sería la economía si un desastre estuviera a punto de ocurrir. Su objetivo era calibrar la simulación para que derivara naturalmente hacia estos estados económicos peligrosos sin romper las reglas matemáticas.

Durante años, la forma estándar de hacer esta calibración era ejecutar un conjunto preliminar de simulaciones y simplemente contar cuántas veces ocurría un desastre. Si un escenario económico específico provocaba un desastre, recibía un voto de "sí"; si no, recibía un voto de "no". El problema con este enfoque es que, en los niveles extremos de riesgo que les interesan a los bancos, los desastres son tan raros que en una ejecución preliminar de un cuarto de millón de escenarios, podrías obtener solo unos pocos cientos de votos de "sí". Con tan pocos puntos de datos, el ajuste resultante es inestable y poco fiable, muy parecido a intentar adivinar la altura promedio de una población midiendo solo a tres personas.

El equipo propuso un nuevo método, que llaman ISCOS, para reemplazar estos votos toscos de sí o no por algo mucho más suave. En lugar de preguntar: "¿Este escenario causó un desastre?", preguntaron: "¿Cuál es la probabilidad de que este escenario cause un desastre?". Utilizaron una herramienta matemática sofisticada, basada en una técnica llamada método Fourier-coseno, para calcular esta probabilidad directamente desde la estructura del modelo. Esta herramienta les permitió estimar la posibilidad de un desastre para cada uno de los escenarios que simularon, incluso si ese escenario específico no resultó en un desastre real en la ejecución preliminar. Al utilizar estas estimaciones de probabilidad suaves en lugar de respuestas binarias de sí o no, pudieron recopilar mucha más información útil de la misma cantidad de simulaciones por computadora.

Cuando probaron este nuevo método contra el anterior, la diferencia fue sorprendente. En sus experimentos, que involucraban una cartera de cien prestatarios y once factores económicos diferentes, el nuevo método produjo resultados mucho más estables. Específicamente, cuando analizaron cuánto contribuía cada prestatario individual al riesgo total de un desastre, el nuevo método dio respuestas mucho más claras. El método antiguo producía rangos amplios e inciertos para estas contribuciones, mientras que el nuevo método redujo esos rangos significativamente. En una prueba, el nuevo método redujo la incertidumbre en las estimaciones de riesgo en más de un veinte por ciento. Esto significa que un banco que utilice este método podría tener una imagen mucho más nítida de dónde residen sus vulnerabilidades, permitiendo mejores decisiones sobre cuánto capital mantener.

Los investigadores también comprobaron si su nuevo método era matemáticamente sólido. Demostraron que, al utilizar las estimaciones de probabilidad suaves, estaban eliminando esencialmente una capa de ruido aleatorio que afectaba al método antiguo. Esto hizo que sus nuevas estimaciones fueran estadísticamente más eficientes, lo que significa que obtuvieron resultados más precisos con la misma potencia de cómputo. Probaron esto en dos tipos diferentes de modelos financieros: uno que asumía que los factores económicos seguían una distribución de campana estándar, y otro que permitía eventos más extremos de cola pesada. En ambos casos, el nuevo método superó al anterior, ofreciendo asignaciones de riesgo más fiables sin requerir significativamente más tiempo de computación.

Uno de los hallazgos más importantes fue que el nuevo método no solo mejoró la cifra de riesgo general, sino que mejoró el desglose de ese riesgo. Los bancos necesitan saber no solo que están en riesgo, sino qué préstamos específicos están impulsando ese riesgo. El método antiguo a menudo tenía dificultades para señalar estas contribuciones individuales con precisión cuando el umbral del desastre era muy alto. El nuevo método, sin embargo, proporcionó un mapa mucho más claro de estos riesgos individuales. Esto es crucial para los gestores de riesgos que necesitan decidir si vender un préstamo específico o comprar un seguro contra él. La capacidad de ver estos detalles con mayor precisión, sin esperar una simulación más larga, es una ventaja práctica significativa.

El estudio se llevó a cabo utilizando una cartera de referencia específica con cien prestatarios, divididos en diez grupos con diferentes tamaños de pérdidas potenciales. Los investigadores fijaron el nivel de confianza en el 99,9 por ciento, un estándar para la regulación financiera de alto nivel, y buscaron escenarios donde la pérdida total excediera un umbral específico y elevado. Ejecutaron sus simulaciones en una configuración de computadora estándar, comparando su nuevo enfoque directamente con el método establecido. Los resultados mostraron que, si bien el nuevo método requería un pequeño tiempo adicional para calcular las probabilidades suaves, este costo era insignificante en comparación con el tiempo ahorrado al obtener resultados precisos más rápido. El tiempo total para ejecutar la simulación completa fue solo un cuatro por ciento más largo, pero la calidad de la evaluación del riesgo fue sustancialmente mejor.

Los investigadores fueron cuidadosos al señalar que sus hallazgos se basan en simulaciones y casos de prueba específicos. No afirmaron que su método resolvería todos los problemas en todos los posibles mercados financieros, ni sugirieron que fuera una solución mágica que eliminara toda la incertidumbre. Las mejoras se midieron en términos de cuánto variaban sus estimaciones de una ejecución a otra, y qué tan estrechos eran los intervalos de confianza alrededor de los números finales. En las pruebas que realizaron, el nuevo método produjo consistentemente intervalos más estrechos y estimaciones más estables, particularmente para las contribuciones de riesgo de cola que son más difíciles de calcular.

En última instancia, este trabajo demuestra que, al cambiar la forma en que miramos los datos durante la fase de calibración, podemos hacer que las simulaciones de eventos raros sean mucho más potentes. En lugar de depender de la suerte de encontrar un desastre en una ejecución preliminar, el nuevo método utiliza la visión matemática para comprender el potencial de desastre en cada escenario. Este cambio de contar eventos raros a estimar su probabilidad permite una evaluación más robusta y fiable del riesgo financiero. Para las instituciones que dependen de estos cálculos para proteger la economía global, la capacidad de ver el peligro con mayor claridad, con menos ruido y menos incertidumbre, es un paso vital hacia la gestión de lo desconocido.