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

金融の世界では、銀行や投資会社はローンと呼ばれる膨大なコレクションを管理しており、これらはポートフォリオと呼ばれます。多くの場合、これらのポートフォリオは良好に機能し、資金はスムーズに流れます。しかし、時として「完璧な嵐」が襲来することがあります。景気後退、突然の市場暴落、あるいは連鎖的なデフォルト（債務不履行）によって、一度に莫大な金額の損失が発生するのです。これらは稀な出来事ですが、銀行を破滅させかねない出来事でもあります。安全を確保するため、規制当局は、こうした災難を生き延явきるために、銀行がどれだけの準備金を保持しておく必要があるかを正確に把握することを求めています。問題は、これらの災難は非常に稀にしか起こらないため、標準的な手法でコンピュータを使ってシミュレーションを行おうとしても、100万回シミュレーションを実行しても一度も災難を目にすることさえない可能性があるということです。それは、川を午後のひとときだけ眺めて、100年に一度の大洪水を予測しようとするようなものです。水位が上昇して重要となる場面を、単に見逃してしまうのです。

これを解決するために、数学者は「重要度サンプリング（importance sampling）」と呼ばれる手法を用います。通常の川の観察を行う代わりに、シミュレーションの中で人工的に天候を変え、洪水がより頻繁に起こるようにします。そして、最終的な答えが正確であることを保証するために、数学的な補正を用いて結果を現実へと調整します。しかし、この手法には落とし穴があります。人工的な天候の変化が大きすぎると、補正が不安定になり、結果にノイズが混じります。逆に、天候の変化が小さすぎると、洪水が依然として稀なままとなり、シミュレーションは役に立ちません。これを成功させる鍵は、シミュレーションをどのように変更するかという「完璧なバランス」を見つけることにあります。これが、ファン・ファン、シャオユ・シェン、そしてチンリン・ワンの研究者たちが、最近のクレジット・ポートフォリオのリスクに関する研究で取り組んだ課題でした。

研究者たちは、多くの異なる借り手の健全性が、経済の全体的な状態といったいくつかの共通の潜在的要因によって結びついている、特定の種類の金融モデルに焦点を当てました。経済が苦境に立たされると、多くの借り手が同時に苦境に立たされます。大規模な損失のリスクを推定するためには、災害が起こりそうになった場合、経済がどのような状態にあるかを正確に把握する必要がありました。彼らの目標は、数学的なルールを破ることなく、シミュレーションを自然にこれらの危険な経済状態へとドリフト（偏向）させるように校正することでした。

長年、これを行うための標準的な方法は、予備的な一連のシミュレーションを実行し、単に災害が何回発生したかをカウントするというものでした。特定の経済シナリオが災害を引き起こした場合、それは「イエス」の票を得て、そうでなければ「ノー」を得ます。研究者たちは、これらの「イエスかノーか」の投票を用いてシミュレーションを調整してきました。このアプローチの問題点は、銀行が懸念する極端なリスクレベルにおいては、災害があまりに稀であるため、25万件のシナリオを含む予備実行において、わずか数百件の「イエス」の票しか得られない可能性があることです。これほど少ないデータポイントでは、結果としての調整は不安定で信頼性に欠けます。これは、わずか3人の身長を測るだけで、人口全体の平均身長を推測しようとするようなものです。

チームは、これらの無骨な「イエスかノーか」の投票に代わる、より滑らかな手法として、「ISCOS」と呼ぶ新しい手法を提案しました。この手法は、「このシナリオは災害を引き起こしたか？」と問う代わりに、「このシナリオが災害を引き起こす確率はどのくらいか？」と問いかけます。彼らは、フーリエ・コサイン法と呼ばれる手法に基づいた高度な数学的ツールを用い、モデルの構造から直接、その確率を算出しました。このツールにより、たとえ予備実行においてその特定のシナリオが実際に災害をもたらさなかったとしても、シミュレートされたすべてのシナリオに対して、災害が発生する確率を推定することが可能になりました。これらの二値的な「イエスかノーか」の回答ではなく、滑らかな確率推定値を使用することで、同じ数のコンピュータ・シミュレーションから、より有用な情報を収集することができたのです。

彼らがこの新手法を旧手法と比較した際、その差は顕著でした。100人の借り手と11の異なる経済的要因を含むポートフォリオを用いた実験において、新手法はより安定した結果を生み出しました。具体的には、各個別の借り手が総リスクの発生にどのように寄与しているかを調査した際、新手法はより明確な回答を提供しました。旧手法は、これらの寄与度について幅広く不確実な範囲を示しましたが、新手法はそれらの範囲を大幅に絞り込みました。あるテストでは、新手法はリスク推定における不確実性を20パーセント以上減少させました。これは、この手法を用いる銀行が、自らの脆弱性がどこにあるのかについて、より鮮明なイメージを持つことができ、資本をどの程度保持すべきかについてより良い意思決定ができることを意味します。

研究者たちはまた、この新手法が数学的に健全であるかどうかを確認しました。彼らは、滑らかな確率推定値を使用することで、旧手法を悩ませていたランダムなノイズの一層を取り除いていることを証明しました。これにより、彼らの推定値は統計的に効率的になり、つまり、同じ計算能力でより正確な結果を得られるようになりました。彼らはこれを、経済的要因が標準的なベルカーブ（正規分布）に従うと仮定したモデルと、より極端なヘビーテイル（厚い尾）の事象を許容するモデルという、2種類の異なる金融モデルでテストしました。どちらの場合も、新手法は旧手法を上回り、計算時間を大幅に増やすことなく、より信頼性の高いリスク配分を実現しました。

最も重要な発見の一つは、この新手法が単に全体のリスク数値を改善しただけでなく、そのリスクの内訳をも改善したことです。銀行は、単にリスクがあることを知るだけでなく、どの特定のローンがそのリスクを駆動しているのかを知る必要があります。旧手法は、災害の閾値が非常に高い場合、これらの個別の寄与度を正確に特定することにしばしば苦戦しました。しかし、新手法は、これらの個別のリスクに関するより明確なマップを提供しました。これは、特定のローンを売却すべきか、あるいはそれに対して保険を購入すべきかを判断する必要があるリスクマネージャーにとって極めて重要です。より長いシミュレーションを待つことなく、これらの詳細をより高い精度で把握できる能力は、大きな実用的利点となります。

研究は、異なる潜在的損失の規模を持つ10のグループに分けられた、100人の借り手による特定のベンチマーク・ポートフォリオを用いて行われました。研究者たちは、高度な規制における標準である99.9パーセントの信頼水準を設定し、総損失が特定の高い閾値を超えるシナリオを調査しました。彼らは標準的なコンピュータ構成でシミュレーションを実行し、彼らの新しいアプローチを確立された手法と直接比較しました。結果は、新手法が滑らかな確率を計算するためにわずかな追加時間を要するものの、正確な結果をより早く得ることで節約される時間と比較すれば、そのコストは無視できる程度であることを示しました。フル・シミュレーションを実行する総時間はわずか4パーセント長くなっただけでしたが、リスク評価の質は大幅に向上していました。

研究者たちは、彼らの知見がシミュレーションと特定のテストケースに基づいていることを慎重に注記しました。彼らは、この手法があらゆる可能性のあるあらゆる金融市場の問題を解決すると主張したわけでも、すべての不確実性を排除する魔法の杖であると示唆したわけでもありません。改善は、推定値が実行ごとにどの程度変動するか、および最終的な数値の周囲の信頼区間がいかにタイトであるかという観点で測定されました。実施されたテストにおいて、新手法は、特に計算が最も困難なテールリスクの寄与について、一貫してよりタイトな区間と、より安定した推定値を生み出しました。

結局のところ、この研究は、校正フェーズにおけるデータの見方を変えることで、稀なイベントのシミュレーションをより強力にできることを実証しています。予備実行で災害に遭遇するという「運」に頼る代わりに、新手法は数学的な洞察を用いて、あらゆるシナリオにおける災害の可能性を理解します。災害の回数を数えることから、その発生確率を推定することへの転換は、より堅牢で信頼性の高いリスク評価を可能にします。世界の経済を守るための計算に依拠している機関にとって、ノイズや不確実性を減らし、危険をより鮮明に捉える能力は、未知のリスクを管理するための極めて重要な前進なのです。