📊 statistics

Assessing Extreme Risk using Stochastic Simulation of Extremes

이 논문은 다변량 극치 이론(multivariate extreme value theory)에 기반한 두 가지 비모수적 시뮬레이션 알고리즘을 개발하여 점근적으로 의존적인 극치(asymptotically dependent extremes)의 표본을 확장함으로써, 데이터가 부족한 다변량 리스크 관리의 문제를 해결하고 단변량 리스크 지표 추정의 정확도를 향상시키는 것을 다룬다.

원저자: Nisrine Madhar, Juliette Legrand, Maud Thomas

게시일 2026-01-15

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nisrine Madhar, Juliette Legrand, Maud Thomas

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 최악의 폭풍, 가장 큰 시장 붕괴, 또는 가장 심각한 홍수를 예측하려는 리스크 관리자라고 상상해 보십시오. 문제는 이러한 "극단적인" 사건들이 믿기지 않을 정도로 드물다는 것입니다. 20년 치의 데이터를 가지고 있을 수도 있지만, 정말로 파멸적인 상황은 고작 서너 번뿐이었을 수도 있습니다. 이 몇 안 되는 희귀한 사건들을 넘어서는 일이 무엇인지 예측하려고 노력하는 것은, 웅덩이의 물을 보고 쓰나미의 높이를 추측하려는 것과 같습니다. 전체 그림을 볼 수 있을 만큼의 데이터가 충분하지 않은 것입니다.

Nisrine Madhar, Juliette Legand, Maud Thomas가 작성한 **"극한값의 확률론적 시뮬레이션을 이용한 극단적 리스크 평가(Assessing Extreme Risk using Stochastic Simulation of Extremes)"**라는 제목의 이 논문은 영리한 해결책을 제안합니다. 더 많은 희귀한 폭풍이 발생하기를 기다리는 대신, 수학을 사용하여 그 폭풍들을 직접 만들어내자는 것입니다.

다음은 이들의 접근 방식을 쉬운 비유를 사용하여 정리한 내용입니다.

문제점: "데이터 사막 (The Data Desert)"

리스크 관리에서는 보통 미래를 예측하기 위해 과거의 데이터를 살펴봅니다. 하지만 극단적인 사건(예: 100년에 한 번 발생하는 홍수)의 경우, 사례가 손에 꼽을 정도입니다.

비유: 당신이 한 번도 시속 50마일 이상으로 달려본 적이 없는 자동차의 속도를 예측하려 한다고 가정해 봅시다. 당신은 이 차가 45, 48, 49마일로 달렸던 몇 개의 기록만을 가지고 있습니다. 만약 시속 100마일에서는 어떤 일이 벌어질지 추측하려 한다면, 그것은 그저 어둠 속에서 짐작하는 것에 불과합니다. 전통적인 방식은 예측을 "고정"할 데이터가 없기 때문에 여기서 자주 실패합니다.

해결책: 두 가지 "마법 생성기 (Magic Generators)"

저자들은 **다변량 극단값 이론(Multivariate Extreme Value Theory)**에 기반한 두 가지 비모수적(데이터를 경직되거나 미리 정해진 형태에 강제로 맞추지 않는 방식) 알고리즘을 개발했습니다. 이것들을 두 가지 유형의 "극단적 사건 생성기"라고 생각하십시오.

1. 결합 시뮬레이터 (Joint Simulator - 알고리즘 1): "폭풍 공장 (The Storm Factory)"

이 도구는 이미 목격한 희귀한 사건들과 똑같이 생겼으면서도, 더 다양한 종류와 강도를 가진 방대한 양의 새로운 극단적 데이터를 만들어내도록 설계되었습니다.

작동 원 원리: 이 도구는 극단적인 사건들의 작은 샘플(예: 풍속과 파고가 모두 높았던 몇 번의 사례)을 가져와서, 그것들을 재조합하는 수학적 "레시피"를 사용합니다. 그리고 수천 개의 새로운 가상의 극단적 시나리오를 생성합니다.
비유: 당신에게 희귀하고 알록달록한 구슬이 담긴 작은 병(실제 데이터)이 있다고 상상해 보십시오. 이 구슬들을, 구슬들이 함께 어떻게 움직이는지에 대한 규칙을 이해하는 기계에 넣습니다. 그러면 기계는 기존의 규칙을 정확히 따르면서도, 아직 보지 못한 새로운 색상과 크기의 조합을 탐색하는 10,000개의 새로운 구슬을 뱉어냅니다.
성과: 이는 "데이터 사막"을 채워줍니다. 이제 당신은 5개의 극단적 사례 대신 10,000개를 갖게 됩니다. 이를 통해 리스크 지표(예: 상황이 정말 나빠졌을 때의 평균 손실인 "Expected Shortfall")를 훨씬 더 높은 정확도로 계산할 수 있습니다.

2. 조건부 시뮬레이터 (Conditional Simulator - 알고리즘 2): "만약의 기계 (The What-If Machine)"

이 도구는 다음과 같은 특정 질문에 답합니다. "X가 발생한다면, Y는 어떻게 될 것인가?"

작동 원리: 때때로 시스템의 특정 부분이 스트레스를 받고 있다는 것을 알 수 있습니다(예: "풍속이 시속 100마일로 불고 있다"). 이때 당신은 그 풍속이 주어졌을 때 파고가 어떻게 될지를 알고 싶어 합니다. 이 알고-리즘은 다른 변수들의 극단적인 조건 하에서 하나의 변수가 보이는 행동을 시뮬레이션합니다.
비유: 당신이 기상 예보관이라고 가정해 봅시다. 허리케인이 해안을 강타하고 있다는 것을 알고 있습니다(조건). 당신은 그 허리케인 때문에 구체적으로 수위가 얼마나 높아질지를 알고 싶어 합니다. 이 도구는 단순히 평균적인 날씨를 바탕으로 추측하는 것이 아니라, 그 특정 허리케인 시나리오에 따른 수위를 시뮬레이션합니다.
성과: 이는 "조건부 리스크"를 추정하는 데 도움을 줍니다. 예를 들어 금융 분야에서는 다음과 같은 질문에 답할 수 있습니다. "은행 A와 은행 B가 동시에 무너진다면, 은행 C는 얼마나 손실을 입을 것인가?"

결과: 왜 중요한가?

저자들은 이 도구들을 가짜 데이터(정답을 알고 있는 데이터)와 실제 금융 데이터(HSBC, Lloyds와 같은 영국 은행의 주간 주식 수익률)에 대해 테스트했습니다.

발견: 저자들이 이 "폭풍 공장"을 사용하여 더 많은 데이터를 생성했을 때, 리스크 추정치는 훨씬 더 안정적이고 정확해졌습니다.
비교: 그들은 이 방법을 선형 회귀(Linear Regression)(표준 통계 도구)와 비교했습니다.
- 비유: 선형 회귀는 몇 개의 점을 통과하는 직선을 그리는 것과 같습니다. 일반적인 날에는 괜찮지만, 그래프의 "극단적인" 가장자리에 도달하면 직선은 곡선을 완전히 놓치기 쉽습니다.
- 결과: 저자들의 시뮬레이션 방식은 극단적 사건의 "곡선"을 훨씬 더 잘 처리했습니다. 실제 은행 데이터에서, 그들의 방식은 데이터가 아예 없어서 전통적인 방식으로는 결과를 계산할 수조차 없었던 시나리오에서도 신뢰할 수 있는 추정치를 제공했습니다.

요약

이 논문은 미래를 수정구슬처럼 확실하게 예측한다고 주장하는 것이 아닙니다. 대신, 우리가 가진 제한된 데이터를 확장하여 리스크의 극단적인 꼬리 부분을 더 멀리 내다볼 수 있는 방법을 제시합니다.

이 두 가지 시뮬레이션 알고리즘을 사용함으로써 리스크 관리자는 다음을 수행할 수 있습니다:

더 많은 데이터를 생성하여 계산의 불확실성을 줄입니다 (결합 시뮬레이션).
위기 상황에서 서로 다른 리스크들이 어떻게 상호작용하는지에 대해 특정한 "만약의(What-If)" 질문을 던집니다 (조건부 시뮬레이션).

이것은 "데이터 사막"을 "데이터 정원"으로 바꾸어, 리스크가 가장 높은 순간에 더 안전하고 정보에 기반한 결정을 내릴 수 있게 해줍니다.

기술 요약: 극단적 사건의 확률적 시뮬레이션을 이용한 극단적 위험 평가

문제 정의

기후학 및 금융과 같은 분야의 리스크 관리는 낮은 확률을 가지지만 심각성이 높은 사건인 꼬리 위험(tail risks)을 평가하는 데 크게 의존한다. 이 영역의 주요 과제는 데이터 희소성, 특히 다변량 맥락에서 극단적인 사건이 드물게 발생하는 현상이다. 극단치 이론(Extreme Value Theory, EVT)에 기반한 전통적인 모수적 접근 방식은 다변량 설정에서 한계에 직면하는 경우가 많은데, 이는 다변량 극단치의 극한 분포가 본질적으로 모수적이지 않기 때문이다. 이로 인해 복잡한 모델 선택과 제한적인 의존 구조(예: 코퓰라를 통한 균일한 의존성)에 대한 가정이 필요하게 된다. 또한, 임계값을 초과하는 관측된 초과치의 수가 불충분할 경우, 경험적 꼬리 위험 지표(TRM) 추정치는 불안정하거나 계산이 불가능할 수 있다. 조건부 꼬리 추론을 위한 기존의 비모수적 방법들 또한 데이터 가용성과 차원의 문제로 인해 한계가 있다.

방법론

본 논문은 다변량 극단의 샘플을 확장하여 데이터 희소성 문제를 해결하기 위해 설계된 두 가지 비모수적 시뮬레이션 알고리즘을 제안한다. 이 알고리즘들은 Rootzén 등(2018)에 의해 도출된 분해를 활용하여 다변량 일반화 파레토(Multivariate Generalised Pareto, MGP) 분포의 확률적 표현에 근거한다.

이론적 기초

이 접근 방식은 높은 임계값 이상의 벡터가 표준 MGP 분포로 수렴한다고 가정한다. 표준 MGP 벡터 $Z$ 는 $Z = E + T - \max(T)$ 로 분해될 수 있으며, 여기서 $E$ 는 단위 지수 변수이고 $T$ 는 $E$ 와 독립적인 $d$ -차원 랜덤 벡터이다. 이 분해를 통해 벡터 성분들을 차이 $\Delta_{j,k} = T_j - T_k$ 를 통해 표현할 수 있다.

알고리즘 1: 비모수적 결합 MGP 시뮬레이션

이 알고리즘은 공동 위험 평가를 위해 데이터셋을 확장할 수 있도록 새로운 독립 항등 분포(i.i.d.) 샘플의 표준 MGP 벡터를 생성한다.

변환: 관측된 데이터를 지수 마진으로 표준화하고 이를 표준 MGP 벡터 $Z$ 로 변환한다.
차이 계산: 첫 번째 성분을 기준으로 차이 벡터 $\Delta^{(1)}$ 을 계산한다.
시뮬레이션:
- 새로운 단위 지수 변수 $E_\ell$ 을 생성한다.
- 관측된 차이들을 재표집(bootstrapping)하여 새로운 차이 벡터 $\Delta^{(1)}$ 의 실현값을 생성한다.
- 확률적 관계식 $Z_j = E + \sum \Delta_{j,k} \prod \mathbb{1}_{\Delta_{\ell,k}<0}$ 를 사용하여 새로운 MGP 벡터 $\tilde{Z}$ 를 재구성한다.
출력: 생성된 벡터들을 원래의 공간으로 투영하여 위험 지표를 추정한다.

알고리즘 2: 비모수적 조건부 MGP 시뮬레이션

이 알고리즘은 다른 위험 요인들 $X_{-j}$ 가 극단적인 수준에 있을 때의 특정 위험 요인 $X_j$ 의 샘플을 생성한다. 이는 조건부 꼬리 분포의 추론을 용이하게 한다.

조건부 분포 도출: 조건부 벡터 $z^* = \max(z_{-j})$ $z^{*} = max (z_{- j})$ 의 값에 따라 세 가지 경우로 구분하여, 차이 변수 $\Delta_{q,j}$ $Δ_{q, j}$ 의 조건부 밀도를 도출한다.
- 경우 1: $z^* > 0$ 이고 $z^* = z_q$ 인 경우.
- 경우 2: $z^* > 0$ 이고 $z^* \neq z_q$ 인 경우.
- 경우 3: $z^* \leq 0$ 인 경우.
샘플링:
- $z_{-j}$ 의 구체적인 값에 관계없이 조건부 분포가 결정되는 경우 1과 경우 3에서는 부트스트래핑을 직접 사용한다.
- $z_{-j}$ 에 따라 분포가 달라지는 경우 2에서는, 올바른 조건부 밀도가 샘플링되도록 부트스트래핑과 거절 알고리즘(rejection algorithm)을 결합한 거절 샘플링법을 채택한다.
출력: $Z_{-j}$ 에 대한 $Z_j$ 의 새로운 실현값을 생성하여 조건부 기댓값 추론을 가능하게 한다.

주요 기여

다변량 차원으로의 확장: 저자들은 Legrand 등(2023)이 제안한 이변량 시뮬레이션 알고리즘을 임의의 차원( $d > 2$ )으로 일반화하여, 복잡하고 고차원적인 위험 요인 분석을 가능하게 했다.
비모수적 유연성: 부트스트래핑과 MGP 벡터의 확률적 표현에 의존함으로써, 특정 코퓰라 패밀리와 같이 다변량 EVT에서 흔히 요구되는 제한적인 모수적 가정을 피한다.
이중 시뮬레이션 체계: 본 논문은 무조건적 꼬리 위험 지표(joint simulation) 추정과 조건부 꼬리 분포 관련 양(conditional simulation)의 추론을 위한 통합된 프레 framework를 제공한다.
이론적 검증: 본 논문은 생성된 샘플이 올바른 표준 MGP 분포로 수렴한다는 것과 조건부 알고리즘의 거절 샘플링 방법이 유효하다는 것을 입증하는 엄격한 이론적 증명(Proposition 7.1–7.6)을 포함한다.

결과

알고리즘의 성능은 합성 데이터(Student's $t$ -분포와 Gumbel 코퓰라로 모델링된 금융 수익률)와 실제 금융 데이터(HSBC, Lloyds, RBS의 주간 음의 수익률)를 모두 사용하여 평가되었다.

꼬리 위험 지표(TRM) 추정:
- 결합 시뮬레이션 알고리즘은 VaR, ES, MES, DCTE의 추정 성능을 크게 향상시켰다.
- 원본 샘플만을 사용했을 때와 비교하여, 시뮬레이션 및 확장된 샘플은 특히 높은 신뢰 수준( $\alpha \in \{0.9975, 0.999, 0.9997\}$ )에서 상대적 근사 오차와 분산을 감소시켰다.
- 본 방법론은 원본 샘플에 초과치가 없거나 매우 적은 시나리오(예: 특정 주식의 DCTE 추정이 원본 데이터로는 불가능했으나 시뮬레이션으로는 가능했던 경우)에서도 TRM을 성공적으로 추정하였다.
조건부 기댓값 추정:
- 조건부 시뮬레이션 알고리즘은 $\mu(x_{-j}) = E[X_j | X_{-j} = x_{-j}]$ 를 추정하기 위한 선형 회귀와 비교 테스트되었다.
- 합성 데이터에서 조건부 시뮬레이션 접근 방식은 선형 회귀보다 낮은 오차를 보였으며, 조건부 관측치가 더 극단적으로 변할수록 그 이점이 커졌다.
- 실제 데이터 적용 시, 시뮬레이션 접근 방식은 선형 회귀가 덜 적합한 것으로 알려진 헤비 테일(heavy tails) 자산(Lloyds 및 RBS)에 대해 선형 회귀와 비슷하거나 더 견고한 충격(shock) 추정치를 제공했다.

의의 및 주장

본 논문은 제안된 비모수적 시뮬레이션 체계가 극단적 위험 관리에서의 핵심적인 문제인 데이터 희소성을 효과적으로 해결한다고 주장한다. 확률적 시뮬레이션을 통해 데이터셋을 확장함으로써 저자들은 다음과 같은 작업이 가능함을 입증하였다:

관측된 역사적 데이터의 범위를 넘어서는 외삽(extrapolation).
관측된 극단치가 매우 제한적인 상황에서도 더 신뢰할 수 있고 안정적인 꼬리 위험 지표(ES, MES, DCTE) 추정.
전통적인 회귀 분석이나 모수적 방법이 어려움을 겪는 고차원 환경에서의 조건부 꼬리 분포에 대한 추론.

저자들은 이 알고리즘들을 역사적 데이터가 불충분한 비상 상황에서 위험을 정량화해야 하는 리스크 관리자들을 위한 실용적인 도구로 제시한다. 저자들은 현재 구현에서 시뮬레이션된 데이터에 경험적 추정치를 사용하고 있지만, 향후 작업에서 이러한 시뮬레이션 접근 방식을 더 정교한 추정 기법과 통합할 수 있다고 언급한다. 결론적으로, 이 방법들은 의존 구조에 대한 제한적인 모수적 모델을 부과하지 않으면서도 극단 영역에서의 관측치 수량을 늘려 더욱 신뢰할 수 있는 위험 지표를 생성한다.