📊 statistics

Assessing Extreme Risk using Stochastic Simulation of Extremes

Dit artikel behandelt de uitdaging van schaarse data in multivariat risicobeheer door twee niet-parametrische simulatiealgoritmen te ontwikkelen op basis van multivariabele extreme waarde-theorie om steekproeven van asymptotisch afhankelijke extremen uit te breiden, waardoor de nauwkeurigheid van univariate risicometriek-schattingen wordt verbeterd.

Oorspronkelijke auteurs: Nisrine Madhar, Juliette Legrand, Maud Thomas

Gepubliceerd 2026-01-15

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nisrine Madhar, Juliette Legrand, Maud Thomas

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een risicomanager bent die probeert de ergste storm, de grootste beurscrash of de meest hevige overstroming te voorspellen. Het probleem is dat deze "extreme" gebeurtenissen ongelooflijk zeldzaam zijn. Je hebt misschien 20 jaar aan gegevens, maar slechts drie of vier keer ging het echt catastrofaal mis. Proberen te voorspellen wat er gebeurt voorbij die paar zeldzame gebeurtenissen, is als proberen de hoogte van een tsunami in te schatten op basis van een plas water. Je hebt simpelweg niet genoeg gegevens om het volledige plaatje te zien.

Dit artikel, getiteld "Assessing Extreme Risk using Stochastic Simulation of Extremes," door Nisrine Madhar, Juliette Legrand en Maud Thomas, stelt een slimme oplossing voor: in plaats van te wachten tot er meer zeldzame stormen plaatsvinden, laten we wiskunde gebruiken om ze te genereren.

Hieronder volgt een uiteenzetting van hun aanpak met behulp van eenvoudige analogieën.

Het Probleem: De "Datawoestijn"

In risicomanagement kijk je meestal naar historische gegevens om de toekomst te voorspellen. Maar voor extreme gebeurtenissen (zoals een 1-op-100-jaar overstroming) heb je slechts een handvol voorbeelden.

De Analogie: Stel je voor dat je probeert de snelheid te voorspellen van een auto die nog nooit sneller dan 50 mph heeft gereden. Je hebt enkele records waarbij de auto 45, 48 en 49 mph ging. Als je probeert te raden wat er gebeurt bij 100 mph, tast je in het duister. Traditionele methoden falen hier vaak omdat er geen gegevens zijn om de voorspelling te "verankeren".

De Oplossing: Twee "Magische Generatoren"

De auteurs hebben twee niet-parametrische (wat betekent dat ze de gegevens niet in een rigide, vooraf ingestelde vorm dwingen) algoritmen ontwikkeld die gebaseerd zijn op Multivariate Extreme Value Theory. Beschouw dit als twee verschillende soorten "extreme gebeurtenis-generatoren".

1. De Joint Simulator (Algoritme 1): "De Stormfabriek"

Dit hulpmiddel is ontworpen om een enorme hoeveelheid nieuwe extreme gegevens te creëren die precies lijken op de zeldzame gebeurtenissen die je al hebt gezien, maar dan met meer variatie en intensiteit.

Hoe het werkt: Het neemt je kleine steekproef van extreme gebeurtenissen (bijvoorbeeld de weinige keren dat de windsnelheid en de golfhoogte beide hoog waren) en gebruikt een wiskundig "recept" om ze opnieuw te mixen. Het genereert duizenden nieuwe hypothetische extreme scenario's.
De Metafoor: Stel je voor dat je een klein potje met zeldzame, kleurrijke knikkers hebt (je echte gegevens). Je stopt ze in een machine die begrijpt hoe die knikkers samen gedragen. De machine spuugt 10.000 nieuwe knikkers uit die exact dezelfde regels volgen, maar die nieuwe combinaties van kleuren en groottes verkennen die je nog niet hebt gezien.
Wat het bereikt: Het vult de "Datawoestijn". Nu heb je, in plaats van 5 extreme voorbeelden, 10.000 extreme voorbeelden. Dit stelt je in staat om risicometrieken (zoals "Expected Shortfall", wat het gemiddelde verlies is als het echt misgaat) met veel hogere nauwkeurigheid te berekenen.

2. De Conditional Simulator (Algoritme 2): "De Wat-als-Machine"

Dit hulpmiddel beantwoordt een specifieke vraag: "Als X gebeurt, wat doet Y dan?"

Hoe het werkt: Soms weet je dat een specifiek deel van het systeem onder druk staat (bijvoorbeeld: "De wind waait met 100 mph"). Je wilt weten wat de golfhoogte zal zijn gegeven die windsnelheid. Dit algoritme simuleert het gedrag van één variabele op basis van de extreme condities van de andere variabelen.
De Metafoor: Stel je voor dat je een weervoorspeller bent. Je weet dat een orkaan de kust raakt (de conditie). Je wilt weten hoe hoog het water zal stijgen specifiek vanwege die orkaan. Dit hulpmiddel simuleert het waterniveau voor dat specifieke orkaanscenario, in plaats van alleen te gokken op basis van gemiddeld weer.
Wat het bereikt: Het helpt bij het schatten van "conditioneel risico". In de financiële wereld helpt het bijvoorbeeld bij de vraag: "Als Bank A en Bank B gelijktijdig crashen, hoeveel zal Bank C verliezen?"

De Resultaten: Waarom het ertoe doet

De auteurs hebben deze instrumenten getest op zowel fictieve gegevens (waarbij ze het "ware" antwoord kenden) als op echte financiële gegevens (wekelijkse aandelenrendementen van Britse banken zoals HSBC en Lloyds).

De Bevinding: Wanneer ze hun "Stormfabriek" gebruikten om meer gegevens te genereren, werden hun risatieschattingen veel stabieler en nauwkeuriger.
De Vergelijking: Ze vergeleken hun methode met Lineaire Regressie (een standaard statistisch hulpmiddel).
- De Metafoor: Lineaire regressie is als het trekken van een rechte lijn door een paar punten. Het werkt redelijk voor normale dagen, maar wanneer je bij de "extreme" randen van de grafiek komt, mist de rechte lijn de curve vaak volledig.
- Het Resultaat: Hun simulatiemethode kon veel beter omgaan met de "curves" van extreme gebeurtenissen. In de echte bankgegevens leverde hun methode betrouwbare schattingen voor scenario's waar traditionele methoden volledig faalden omdat er simpelweg geen gegevens waren om een resultaat te berekenen.

Samenvatting

Het artikel beweert niet de toekomst te kunnen voorspellen met de zekerheid van een glazen bol. In plaats daarvan biedt het een manier om de beperkte gegevens die we hebben uit te rekken om verder in de extreme staart van het risico te kijken.

Door deze twee simulatie-algoritmen te gebruiken, kunnen risicomanagers:

Meer gegevens genereren om hun berekeningen minder wankel te maken (Joint Simulation).
Specifieke "Wat-als"-vragen stellen over hoe verschillende risico's tijdens een crisis met elkaar interageren (Conditional Simulation).

Het verandert een "Datawoestijn" in een "Datatuin", waardoor veiligere en beter geïnformeerde beslissingen mogelijk zijn wanneer de belangen het grootst zijn.

Technische Samenvatting: Het beoordelen van extreem risico middels stochastische simulatie van extremen

Probleemstelling

Risicobeheer in sectoren zoals klimatologie en financiën leunt zwaar op de beoordeling van tail-risico's (staartrisico's)—gebeurtenissen met een lage waarschijnlijkheid maar een hoge ernst. Een primaire uitdaging in dit domein is databeschikbaarheid, met name in multivariate contexten waar extreme gebeurtenissen zeldzaam zijn. Traditionele parametrische benaderingen gebaseerd op Extreme Value Theory (EVT) kampen vaak met beperkingen in multivariate settings omdat de limietverdeling van multivariate extremen niet inherent parametrisch is, wat complexe modelselectie en restrictieve aannames over afhankelijkheidsstructuren (bijv. uniforme afhankelijkheid via copula's) noodzakelijk maakt. Bestaande niet-parametrische methoden voor conditionele staartinferentie worden ook beperkt door de beschikbaarheid van data en dimensionaliteit.

Methodologie

Het artikel stelt twee niet-parametrische simulatiealgoritmen voor die ontworpen zijn om steekproeven van multivariate extremen uit te breiden, waardoor dataschaarste wordt aangepakt. Deze algoritmen zijn gebaseerd op de stochastische representatie van Multivariate Generalised Pareto (MGP) verdelingen, specifiek gebruikmakend van de decompositie afgeleid door Rootzén et al. (2018).

Theoretische Fundering

De benadering gaat ervan uit dat de vector van excessen boven een hoge drempel convergeert naar een standaard MGP-verdeling. Een standaard MGP-vector $Z$ kan worden gedecomponeerd als $Z = E + T - \max(T)$ , waarbij $E$ een eenheids-exponentiële variabele is en $T$ een $d$ -dimensionale willekeurige vector die onafhankelijk is van $E$ . Deze decompositie maakt het mogelijk om de componenten van de vector weer te geven via verschillen $\Delta_{j,k} = T_j - T_k$ .

Algoritme 1: Niet-parametrische Joint MGP Simulatie

Dit algoritme genereert nieuwe, onafhankelijk en identiek verdeelde (i.i.d.) steekproeven van een standaard MGP-vector om de dataset uit te breiden voor gezamenlijke risicobeoordeling.

Transformatie: Geobserveerde data wordt gestandaardiseerd naar exponentiële marges en getransformeerd naar een standaard MGP-vector $Z$ .
Berekening van verschillen: Het algoritme berekent de vector van verschillen $\Delta^{(1)}$ op basis van de eerste component.
Simulatie:
- Nieuwe eenheids-exponentiële variabelen $E_\ell$ worden gegenereerd.
- Nieuwe realisaties van de verschilvector $\Delta^{(1)}$ worden gegenereerd via niet-parametrische bootstrapping (resampling van geobserveerde verschillen).
- Nieuwe MGP-vectoren $\tilde{Z}$ worden gereconstrueerd met behulp van de stochastische relatie $Z_j = E + \sum \Delta_{j,k} \prod \mathbb{1}_{\Delta_{\ell,k}<0}$ .
Output: De gesimuleerde vectoren worden teruggeprojecteerd naar de oorspronkelijke ruimte om risicometrieken te schatten.

Algoritme 2: Niet-parametrische Conditionele MGP Simulatie

Dit algoritme genereert steekproeven van een specifieke risicofactor $X_j$ onder de conditie dat andere risicofactoren $X_{-j}$ zich op extreme niveaus bevinden. Dit vergemakkelijkt de inferentie van conditionele staartverdelingen.

Afleiding van de conditionele verdeling: Het algoritme leidt de conditionele dichtheid van de verschilvariabele $\Delta_{q,j}$ $Δ_{q, j}$ af gegeven $Z_{-j} = z_{-j}$ $Z_{- j} = z_{- j}$ . Hierbij worden drie gevallen onderscheiden op basis van de maximale waarde van de conditionele vector $z^* = \max(z_{-j})$ $z^{*} = max (z_{- j})$ :
- Geval 1: $z^* > 0$ en $z^* = z_q$ .
- Geval 2: $z^* > 0$ en $z^* \neq z_q$ .
- Geval 3: $z^* \leq 0$ .
Sampling:
- In de gevallen 1 en 3, waar de conditionele verdeling onafhankelijk is van de specifieke waarden van $z_{-j}$ , wordt bootstrapping direct toegepast.
- In geval 2, waar de verdeling afhankelijk is van $z_{-j}$ , wordt een rejection sampling-methode toegepast, waarbij bootstrapping wordt gecombineerd met een rejection-algoritme om ervoor te zorgen dat de juiste conditionele dichtheid wordt gesampled.
Output: Nieuwe realisaties van $Z_j$ worden gegenereerd conditioneel op $Z_{-j}$ , wat de schatting van conditionele verwachtingen mogelijk maakt.

Belangrijkste Bijdragen

Uitbreiding naar Multivariate Dimensies: De auteurs generaliseren de bivariate simulatiealgoritmen voorgesteld door Legrand et al. (2023) naar willekeurige dimensies ( $d > 2$ ), wat analyse van complexe, hoog-dimensionale risicofactoren mogelijk maakt.
Niet-parametische Flexibiliteit: Door te vertrouwen op bootstrapping en de stochastische representatie van MGP-vectoren, vermijdt de methode de restrictieve parametrische aannames die vaak vereist zijn in multivariate EVT, zoals specifieke copula-families.
Duale Simulatieschema's: Het artikel biedt een verenigd kader voor zowel gezamenlijke simulatie (om onconditionele tail-risicometrieken te schatten) als conditionele simulatie (om grootheden gerelateerd aan conditionele staartverdelingen te infereren).
Theoretische Validatie: Het artikel bevat rigoureuze theoretische bewijzen (Proposities 7.1–7.6) die aantonen dat de gesimuleerde steekproeven convergeren naar de correcte standaard MGP-verdeling en dat de rejection sampling-methode in het conditionele algoritme geldig is.

Resultaten

De prestaties van de algoritmen werden geëvalueerd met zowel synthetische data (financiële rendementen gemodelleerd met Student's $t$ -verdelingen en Gumbel copula's) als echte financiële data (wekelijkse negatieve rendementen van HSBC, Lloyds en RBS).

Schatting van Tail Risk Metrics (TRM):
- Het gezamenlijke simulatiealgoritme verbeterde de schatting van Value at Risk (VaR), Expected Shortfall (ES), Marginal Expected Shortfall (MES) en Dependent Conditional Tail Expectation (DCTE) aanzienlijk.
- Vergeleken met het gebruik van enkel de oorspronkelijke steekproef, verminderden de gesimuleerde en uitgebreide steekproeven de relatieve benaderingsfouten en dispersie, met name bij hoge betrouwbaarheidsniveaus ( $\alpha \in \{0.9975, 0.999, 0.9997\}$ ).
- De methode slaagde erin TRM's te schatten in scenario's waar de oorspronkelijke steekproef nul of zeer weinig excessen bevatte (bijv. de DCTE-schatting voor bepaalde aandelen was onmogelijk met de oorspronkelijke data, maar wel haalbaar met simulatie).
Schatting van Conditionele Verwachtingen:
- Het conditionele simulatiealgoritme werd getest tegen lineaire regressie voor het schatten van $\mu(x_{-j}) = E[X_j | X_{-j} = x_{-j}]$ .
- In synthetische data leverde de conditionele simulatiebenadering lagere fouten op dan lineaire regressie, waarbij het voordeel toenam naarmate de conditionele observaties extremer werden.
- In toepassingen met echte data leverde de simulatiebenadering schokschattingen die vergelijkbaar met of robuuster waren dan lineaire regressie, vooral voor activa met zwaardere staarten (Lloyds en RBS) waar lineaire regressie bekend staat als minder geschikt.

Betekenis en Claims

Het artikel claimt dat de voorgestelde niet-parametische simulatieschema's effectief de kritieke kwestie van dataschaarste in extreem risicobeheer aanpakken. Door de beschikbare dataset uit te breiden via stochastische simulatie, demonstreren de auteurs dat het mogelijk is om:

Te extrapoleren buiten het bereik van de geobserveerde historische data.
Betrouwbaardere en stabielere schattingen van tail-risicometrieken (ES, MES, DCTE) te verkrijgen, zelfs wanneer het aantal geobserveerde extremen uiterst beperkt is.
Inferentie te verrichten op conditionele staartverdelingen in hoog-dimensionale settings waar traditionele regressie of parametrische methoden moeite hebben.

De auteurs positioneren deze algoritmen als praktische instrumenten voor risicomanagers die risico's moeten kwantificeren onder buitengewone omstandigheden waar historische data onvoldoende is. Zij merken op dat hoewel de huidige implementatie empirische estimators gebruikt op de gesimuleerde data, toekomstig werk deze simulatiebenaderingen zou kunnen integreren met meer geavanceerde schattingsmethoden. Het artikel concludeert dat deze methoden de hoeveelheid observaties in extreme regio's vergroten, wat leidt tot meer betrouwbare risicometrieken zonder restrictieve parametrische modellen op de afhankelijkheidsstructuur op te leggen.