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

Il lavoro propone un quadro pratico per l'analisi dei valori estremi in sistemi multivariati, finiti e correlati, applicato al settore finanziario, che ruota i rendimenti azionari ad alta frequenza nella base degli autovettori della matrice di correlazione per isolare gli effetti collettivi e stimare il rischio di coda utilizzando un approccio basato sulle eccedenze di soglia che tiene conto della non stazionarietà.

L'essenziale

Immagina il mercato finanziario come un'enorme orchestra di 479 musicisti (le azioni di diverse aziende) che suonano tutti insieme. A volte, un singolo strumento si stona (un'azienda va male), ma spesso, quando c'è una tempesta, tutti gli strumenti suonano forte e stonati allo stesso tempo.

Il problema per chi gestisce i soldi (o per chi cerca di capire i rischi) è: come prevedere il disastro? Come si fa a capire quando un "note" (un evento estremo) diventerà un urlo che distrugge l'orchestra?

Questo articolo, scritto da tre ricercatori tedeschi, propone un nuovo modo per ascoltare questa orchestra, specialmente quando si guarda il mercato secondo per secondo (alta frequenza). Ecco la spiegazione semplice, passo dopo passo.

1. Il Problema: Il Rumore di Fondo e le Onde

Nella vita reale, i dati finanziari sono caotici.

• Correlazione: Se il mercato scende, quasi tutte le azioni scendono insieme. Non sono indipendenti.
• Non-stazionarietà: Il mercato cambia umore. A volte è calmo, a volte è frenetico. Inoltre, c'è un "ritmo" giornaliero: il mercato è più volatile all'apertura e alla chiusura, proprio come un negozio che è più caotico quando si apre e quando chiude.
• Il rischio: Se usi vecchi metodi statistici che assumono che il mercato sia sempre uguale e che le azioni siano indipendenti, sottovaluterai enormemente il rischio. È come guidare in una tempesta pensando di essere in una giornata di sole.

2. La Soluzione: Scomporre l'Orchestra (La Rotazione)

I ricercatori dicono: "Non ascoltiamo i singoli musicisti uno per uno, è troppo confuso".
Invece, usano una tecnica matematica (chiamata decomposizione in autovalori) per trasformare il suono dell'orchestra in canali separati.

Immagina di avere un mixer audio con molti canali:

1. Canale 1 (Il Mercato): Questo canale cattura tutto ciò che succede a tutti insieme. Se il mercato crolla, questo canale esplode. È come il "basso" dell'orchestra che tiene il ritmo generale.
2. Canale 2, 3, 4... (I Settori): Questi canali catturano gruppi specifici. Ad esempio, un canale potrebbe essere solo per le aziende energetiche (petrolio, gas), un altro per le utilities, ecc.
3. Canale "Rumore": Tutto il resto, che è solo rumore casuale.

L'analogia: È come se invece di ascoltare il caos di una folla, potessi isolare la voce del leader della folla, poi la voce del gruppo di tifosi della squadra di calcio, poi quella dei venditori di hot-dog. Ora puoi studiare il "leader" separatamente dal "gruppo di tifosi".

3. Il Metodo: Non guardare il picco, guarda la coda

I metodi tradizionali guardano il "massimo giornaliero" (es. "Qual è stata l'azione che è scesa di più oggi?"). Ma questo è inefficiente: ti perdi tutte le informazioni tra un massimo e l'altro.

I ricercatori usano un approccio chiamato POT (Peaks Over Threshold):

• Invece di guardare solo il picco, fissiamo una "soglia" (un livello di allarme).
• Contiamo tutti i momenti in cui il valore supera questa soglia.
• Analizziamo la "coda" della distribuzione (i casi rari ma estremi).

Metafora: Invece di contare solo le onde che hanno rotto il muro della spiaggia una volta all'anno, misuriamo quante volte l'acqua ha superato una certa altezza ogni giorno. Questo ci dà un quadro molto più preciso di quanto sia pericoloso il mare.

4. Il Trucco Finale: Rimuovere il "Ritmo Giornaliero"

Qui sta la vera genialità. Sappiamo che il mercato è sempre più volatile alle 9:30 del mattino e alle 16:00 del pomeriggio. Se guardiamo i dati grezzi, pensiamo che ci siano "eventi estremi" solo perché è l'ora di apertura.

I ricercatori fanno questo:

1. Misurano il "ritmo" medio di volatilità di ogni giorno (l'orario in cui il mercato è sempre più agitato).
2. Dividono i dati reali per questo ritmo.
3. Il risultato è un dato "residuo": è il mercato pulito dal ritmo giornaliero.

L'analogia: Immagina di guardare un video di una festa. Se la musica è alta alle 22:00 e bassa alle 10:00, e tu vuoi studiare le urla della gente, devi prima togliere il volume della musica di sottofondo. Se non lo fai, penserai che le urla alle 22:00 siano "estreme" solo perché la musica era alta. Togliendo la musica (la stagionalità), vedi chi sta davvero urlando per il panico, indipendentemente dall'ora.

5. Cosa hanno scoperto?

• Il Mercato è "Grasso": Le code delle distribuzioni sono "grasse" (distribuzione di Fréchet). Significa che gli eventi estremi sono molto più probabili di quanto pensino i modelli classici (quelli che usano la curva a campana).
• I Settori sono diversi: Il settore energetico (nel 2014) aveva un comportamento estremo molto diverso e più "aggregato" rispetto al mercato generale.
• Il Clustering: Gli eventi estremi tendono ad arrivare in gruppi (se ne succede uno, è probabile che ne succeda un altro subito dopo). Questo è vero anche dopo aver rimosso il ritmo giornaliero, il che significa che c'è una vera instabilità di fondo, non solo un effetto orologio.

In Sintesi

Questo studio ci insegna che per capire il rischio in un sistema complesso (come la finanza, ma anche il clima o il traffico), non dobbiamo guardare i singoli pezzi isolati. Dobbiamo:

1. Separare il segnale collettivo (il mercato) dai segnali di gruppo (i settori).
2. Ascoltare tutte le piccole eccedenze, non solo i massimi.
3. Pulire i dati dal "ritmo" prevedibile della giornata per vedere il vero caos residuo.

È come passare da una mappa approssimativa a una mappa 3D ad alta risoluzione: ti permette di vedere dove sono davvero le crepature nel terreno, prima che il terremoto arrivi.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del paper "Extreme Value Analysis for Finite, Multivariate and Correlated Systems with Finance as an Example" di Köhler, Heckens e Guhr, redatta in italiano.

1. Il Problema

L'analisi dei valori estremi (Extreme Value Analysis - EVA) è fondamentale per quantificare e mitigare i rischi in sistemi complessi, come i mercati finanziari. Tuttavia, l'applicazione dell'EVA a sistemi multivariati, correlati e finanziariamente limitati (un numero finito di serie temporali) presenta sfide significative:

• Correlazioni: Le dipendenze tra le serie temporali (es. azioni diverse) complicano l'analisi, poiché i modelli classici spesso assumono indipendenza o stazionarietà.
• Non-stazionarietà: I sistemi finanziari sono intrinsecamente non stazionari; la dinamica del sistema cambia drasticamente nel tempo (es. crash di mercato, clustering della volatilità).
• Limiti dei metodi attuali: I metodi tradizionali si basano spesso su "massimi di blocchi" (Block Maxima - BM), che sono inefficienti nell'uso dei dati e arbitrari nella scelta della dimensione del blocco. Inoltre, l'analisi diretta delle serie temporali ad alta frequenza (secondi) è ostacolata da effetti di discretizzazione e dalla struttura di correlazione complessa.
• Obiettivo: Sviluppare un quadro pratico per analizzare un gran numero di serie temporali correlate, separando gli effetti collettivi (di mercato o settoriali) dalle caratteristiche idiosincratiche, gestendo al contempo la non-stazionarietà.

2. Metodologia

Gli autori propongono un framework innovativo che combina la teoria dei valori estremi univariata con tecniche di riduzione della dimensionalità e gestione della non-stazionarietà.

A. Rotazione nello Spazio degli Autovettori (PCA)

Partendo da una matrice di dati normalizzata ($M$) contenente i rendimenti di $K$ azioni, viene calcolata la matrice di correlazione di Pearson $C$.

• Viene eseguita una decomposizione spettrale: $C = U \Lambda U^\dagger$.
• I rendimenti vengono ruotati e ridimensionati nello spazio degli autovettori: $R = \Lambda^{-1/2} U^\dagger M$.
• Risultato: Le serie temporali originali correlate vengono trasformate in "modi" ($R_k$) mutuamente non correlati e con varianza normalizzata.
  • Il primo modo ($k=1$) corrisponde al mercato nel suo insieme (rischio sistematico).
  • I modi successivi corrispondono a settori specifici (es. Energia, Utility).
  • I modi rimanenti rappresentano il "rumore" o combinazioni lineari casuali.
• Questo passaggio permette di applicare strumenti di EVA univariata a ciascun modo, trattando le dipendenze multivariate come una somma di componenti indipendenti.

B. Approccio Peaks-Over-Threshold (POT)

Invece di utilizzare i massimi di blocchi (BM), gli autori adottano l'approccio POT basato sulla Distribuzione di Pareto Generalizzata (GPD).

• Si definisce una soglia $u$ e si analizzano tutti i valori che la superano.
• Si stimano i parametri di forma ($\gamma$) e di scala ($\sigma$) della GPD tramite massima verosimiglianza.
• Questo metodo è più efficiente nell'uso dei dati rispetto al BM e permette di evitare la scelta arbitraria della dimensione del blocco temporale.

C. Gestione della Non-Stazionarietà e della Stagionalità

Per affrontare la non-stazionarietà tipica dei dati finanziari ad alta frequenza (es. volatilità intraday, clustering):

1. Profilo di Volatilità Intraday: Viene calcolato il profilo medio di volatilità $V_k(t)$ per ogni modo, allineando i giorni di trading e mediando i rendimenti assoluti.
2. Serie Residuale: I rendimenti vengono normalizzati dividendo per il profilo di volatilità: $\tilde{R}_k(t) = R_k(t) / V_k(t)$. Questo rimuove gli effetti stagionali deterministici (es. picchi di apertura/chiusura).
3. Soglie Dinamiche: Invece di una soglia fissa $u$, viene utilizzata una soglia locale $u(t)$ stimata tramite finestre scorrevoli (rolling window) di quantili locali. Questo adatta la definizione di "estremo" allo stato corrente del mercato.

D. Stima dell'Indice Estremo ($\Theta$)

Viene utilizzato il metodo di Ferro e Segers per stimare l'indice estremo $\Theta$, che misura il grado di clustering degli eventi estremi (inverso della dimensione media del cluster).

3. Risultati Chiave

L'analisi è stata condotta su dati NYSE del 2014 (479 azioni, risoluzione di 1 secondo).

• Comportamento delle Code (Tail Behavior):
  • I rendimenti ruotati (modi) mostrano code pesanti, tipicamente di tipo Fréchet ($\gamma > 0$), confermando la natura a "coda lunga" dei rendimenti finanziari ad alta frequenza.
  • I parametri di coda differiscono tra i modi: il mercato globale e il settore energetico mostrano un comportamento estremo distinto rispetto alla media.
• Clustering e Dipendenza:
  • L'indice estremo $\Theta$ è significativamente inferiore a 1 per tutti i modi, indicando un forte clustering degli eventi estremi (volatilità clustering).
  • Il settore energetico (secondo modo) mostra il clustering più forte e una persistenza di autocorrelazione superiore rispetto al mercato generale.
• Convalida del Metodo POT vs BM:
  • Gli autori dimostrano empiricamente che i parametri stimati tramite POT (sulla coda della distribuzione) permettono di ricostruire con alta precisione le distribuzioni dei massimi giornalieri (Block Maxima), confermando la validità teorica dell'approccio POT senza dover calcolare esplicitamente i massimi di blocco.
• Impatto della Non-Stazionarietà:
  • L'uso di soglie fisse porta a un clustering artificiale degli estremi dovuto ai cambiamenti di regime (es. volatilità mattutina vs pomeridiana).
  • L'uso di soglie dinamiche sui dati residui rimuove il clustering indotto dalla stagionalità, rivelando che la dipendenza seriale residua è dovuta a dinamiche su scale temporali più lunghe e non-stazionarietà della volatilità, non alla semplice stagionalità intraday.
  • Con soglie locali, la suscettibilità relativa dei modi agli eventi estremi cambia, offrendo una visione più accurata del rischio residuo.

4. Contributi Principali

1. Framework Unificato: Sviluppo di un metodo pratico per l'analisi dei valori estremi in sistemi multivariati finiti e correlati, riducendo il problema a una serie di analisi univariate su "modi" interpretabili.
2. Separazione dei Rischi: Capacità di isolare e analizzare separatamente il rischio sistematico (mercato), il rischio settoriale e il rischio idiosincratico attraverso la rotazione nello spazio degli autovettori.
3. Superamento dei Limiti del BM: Dimostrazione che l'approccio POT, combinato con la rotazione PCA, è superiore ai metodi tradizionali a blocchi, specialmente per dati ad alta frequenza.
4. Gestione della Non-Stazionarietà: Introduzione di un protocollo robusto che combina la rimozione della stagionalità intraday e l'uso di soglie locali per ottenere una stima del rischio condizionata allo stato attuale del mercato.

5. Significato e Implicazioni

Questo lavoro ha un impatto significativo sia per la teoria statistica che per la pratica finanziaria:

• Gestione del Rischio: Offre agli investitori e ai regolatori strumenti più precisi per stimare il rischio di coda (tail risk) e la probabilità di eventi estremi in portafogli diversificati, tenendo conto delle correlazioni settoriali e della volatilità dinamica.
• Generalità: Sebbene applicato alla finanza, il framework è generale e può essere esteso ad altri sistemi complessi correlati (es. idrologia, reti di infrastrutture, sistemi climatici).
• Nuova Prospettiva sui Dati ad Alta Frequenza: Dimostra che è possibile e utile analizzare dati a risoluzione di secondi, superando gli ostacoli della discretizzazione e della non-stazionarietà, aprendo la strada a strategie di trading e gestione del rischio più sofisticate.
• Validazione Teorica: Fornisce una delle prime verifiche empiriche approfondite della corrispondenza tra le distribuzioni GPD (POT) e GEV (Block Maxima) in contesti finanziari reali e non stazionari.

In sintesi, il paper propone un avanzamento metodologico cruciale per comprendere la stabilità dei sistemi complessi, trasformando un problema multivariato intrattabile in una serie di problemi univariati gestibili, con un'attenzione rigorosa alla dinamica temporale e alle correlazioni strutturali.