Persistence-Robust Break Detection in Predictive CoVaR Regressions

Dit artikel ontwikkelt structurele breuktesten op basis van zelfnormalisatie voor predictieve quantiel- en CoVaR-regressies die geldig zijn voor zowel stationaire als bijna-stationaire predictoren en waarmee veranderingen in de voorspellende kracht van covariaten kunnen worden gedetecteerd.

De kern

Stel je voor dat je een weersvoorspelling doet voor de volgende maand. Je kijkt naar de lucht, de wind en de temperatuur. Maar wat als de regels van het weer plotseling veranderen? Wat als de wind vandaag plotseling niet meer de regen voorspelt die hij gisteren wel deed? Dan is je oude voorspelling ineens waardeloos.

Dit is precies het probleem waar deze wetenschappelijke paper over gaat, maar dan in de wereld van geld en banken.

Het Grote Probleem: De "Weer" van de Financiële Wereld Verandert

In de financiële wereld proberen economen te voorspellen hoe groot het risico is dat alle banken tegelijk in de problemen komen. Dit noemen ze systemisch risico. Een bekende manier om dit te meten is met een maatstaf die CoVaR heet (een soort "Gevaarlijke Waarde").

Om dit risico te voorspellen, kijken ze naar andere factoren, zoals de VIX (een index die de angst op de beurs meet, vaak de "vrees-index" genoemd). De theorie is simpel: als de angst (VIX) stijgt, stijgt het risico dat banken in de problemen komen.

Maar hier zit de hak:
Deze paper stelt dat we niet zomaar kunnen aannemen dat deze relatie altijd hetzelfde blijft. Soms werkt de "vrees-index" als een goede voorspeller, en soms niet meer. Misschien was het tijdens de crisis van 2008 anders dan in 2012. Als je een voorspelling maakt met een oude kaart die niet meer klopt, beland je in de problemen.

De Oplossing: Een Nieuwe "Stabiliteits-Test"

De auteur, Yannick Hoga, heeft een nieuwe test ontwikkeld. Je kunt dit zien als een kwaliteitscontrole voor je voorspellingen.

Stel je voor dat je een touw hebt dat je gebruikt om een brug te bouwen. Je wilt weten: Is dit touw de hele tijd even sterk, of is er ergens een zwakke plek waar het begint te slijten?

Deze paper biedt een test die precies dat kan zien:

1. Detectie: Hij kan zien of er een punt in de tijd is waarop de relatie tussen de voorspeller (zoals de VIX) en het risico (CoVaR) is veranderd.
2. Robuustheid: Dit is het belangrijkste stukje. Veel oude tests werken alleen als de data "rustig" is (zoals een kalme zee). Maar financiële data is vaak "rusteloos" of zelfs "opwindend" (ze noemen dit near-stationary of persistent). Het is alsof je probeert een touw te testen terwijl het in een storm waait.
   • De oude tests faalden vaak in deze storm.
   • De nieuwe test van Hoga werkt ongeacht of het stormt of niet. Hij is "stormbestendig".

Hoe Werkt Het? (De "Zelf-Normaliserende" Magie)

De paper gebruikt een slimme wiskundige truc die ze zelf-normalisatie noemen.

• De Oude Manier: Stel je voor dat je de sterkte van je touw meet met een liniaal. Maar als de storm de liniaal zelf ook laat bewegen, krijg je een verkeerde meting. Je moet dan eerst weten hoe hard de storm waait om je meting te corrigeren. Dat is lastig en vaak onmogelijk.
• De Nieuwe Manier (Zelf-Normalisatie): In plaats van een externe liniaal te gebruiken, meet je het touw tegen zichzelf. Je vergelijkt hoe het touw zich gedraagt in het begin van de periode versus het einde. Omdat je alles tegen elkaar afzet, maakt het niet uit hoe hard de storm waait; de verhouding blijft kloppen. Je hebt geen extra informatie nodig over de "storm" om je meting te doen.

Wat Vonden Ze in de Praktijk?

De auteur heeft deze test toegepast op de Amerikaanse banken en de VIX (de vrees-index).

• Het Resultaat: De test liet zien dat de relatie tussen angst en bankrisico niet stabiel is.
• Het Moment: Vooral tijdens de Grote Financiële Crisis (2008) veranderde de manier waarop angst het risico voorspelde. De "vrees" werd plotseling een veel sterkere voorspeller voor rampen dan daarvoor.
• De Les: Als je denkt dat de regels van het spel altijd hetzelfde zijn, mis je de waarschuwingssignalen. Je moet weten wanneer de regels veranderen.

Een Tweede Voorbeeld: De Beurskoers

In de appendix van de paper kijkt hij ook naar het voorspellen van de winst van aandelen (de "equity premium") op basis van verhoudingen zoals de koers-winstverhouding.

• Ook hier vond hij dat de voorspellende kracht van deze cijfers in de loop der tijd veranderde.
• Soms was een hoge koers een teken dat de beurs zou dalen, en soms niet.
• De oude tests zouden hier misschien fouten hebben gemaakt omdat ze niet konden omgaan met de "rusteloze" aard van deze data. De nieuwe test zag de veranderingen duidelijk.

Samenvatting in Eén Zin

Deze paper geeft economen en banken een onverwoestbare kompas om te zien of hun voorspellingen over financiële risico's nog wel kloppen, zelfs als de economische omstandigheden (de "storm") veranderen en de data onrustig is. Het waarschuwt ons: "Kijk niet alleen naar de cijfers, check ook of de regels van het spel nog steeds gelden."

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Persistence-Robust Break Detection in Predictive CoVaR Regressions" van Yannick Hoga, geschreven in het Nederlands.

Titel: Persistentie-robuste breukdetectie in voorspellende CoVaR-regressies

1. Probleemstelling

Het voorspellen van systemisch risico, gemeten via de Conditional Value-at-Risk (CoVaR) van Adrian en Brunnermeier (2016), is cruciaal in de financiële econometrie. CoVaR regressies modelleren de relatie tussen een "noodlijdende" variabele (bijv. een bank) en het bredere financiële systeem, vaak met behulp van voorspellers zoals de VIX (volatiliteitsindex) of macro-economische variabelen.

Een fundamenteel probleem in de bestaande literatuur is dat deze voorspellende relaties niet noodzakelijk stabiel zijn in de tijd. Er bestaan echter geen methoden om structurele breuken (veranderingen in de voorspellende kracht van covariaten) te testen in CoVaR-regressies. Bestaande tests voor structurele breuken in regressies hebben vaak te kampen met twee beperkingen:

1. Ze vereisen kennis van de persistentie-eigenschappen van de voorspellers (stationair vs. niet-stationair).
2. Ze zijn vaak niet geldig als voorspellers "near-stationary" (licht geïntegreerd) zijn, wat vaak het geval is bij financiële tijdreeksen (zoals rentes of volatiliteit).

Als voorspellers persistentie vertonen die niet correct wordt gemodelleerd, kunnen standaard tests leiden tot vertekende conclusies (foute afwijzingen van de nulhypothese of gebrek aan power).

2. Methodologie

De auteur ontwikkelt een nieuw raamwerk voor het testen van structurele breuken in zowel voorspellende kwantielregressies (QR) als CoVaR-regressies. De kern van de methodologie is gebaseerd op het principe van zelfnormalisatie (Self-Normalization, SN), geïntroduceerd door Shao en Zhang (2010).

Kernkenmerken van de methode:

• Zelfnormalisatie (SN): In plaats van de asymptotische variantie van de regressiecoëfficiënten te schatten (wat lastig is bij persistentie), wordt de teststatistiek genormaliseerd door een functie van de recursief geschatte coëfficiënten zelf. Dit elimineert de noodzaak om de lange-termijnvariantie te schatten.
• Persistentie-robustheid: De tests zijn geldig ongeacht of de voorspellers stationair zijn ($I(0)$) of near-stationary ($NS$, ook wel "mildly integrated" genoemd). De auteur toont aan dat de limietverdeling van de teststatistiek een Brownse beweging is, waarbij de covariantiematrix van de data-genererende processen wegvalt door de zelfnormalisatie.
• Substeekproef-schattingen: De tests vergelijken schattingen van regressiecoëfficiënten over verschillende substeekproeven (van $t=1$ tot $s$ en van $t=s$ tot $n$).
• Onbewaakte (Unsupervised) tests: Naast tests voor één breukpunt, worden ook tests ontwikkeld die consistent zijn zelfs bij een willekeurig groot aantal breuken, zonder dat het aantal breuken vooraf bekend hoeft te zijn.

Formele kader:
De regressiemodellen worden geschat via convex minimaliseren van pinball-loss functies (voor QR) en een aangepaste loss-functie voor CoVaR (waarbij alleen observaties worden gebruikt waar de distress-variabele boven het geschatte kwantiel ligt). De asymptotische theorie maakt gebruik van resultaten van Magdalinos en Phillips (2020) voor near-stationaire variabelen en Kato (2009) voor de convergentie van kwantiel-schattingen.

3. Belangrijkste Bijdragen

1. Eerste theorie voor CoVaR-breuken: Dit is het eerste artikel dat structurele breuktests formuleert specifiek voor CoVaR-regressies.
2. Unificatie van stationaire en near-stationaire gevallen: De tests vereisen geen voorafgaande test op de persistentie van de voorspellers. Dit is een grote verbetering ten opzichte van bestaande methoden (zoals die van Qu, 2008) die alleen geldig zijn voor stationaire covariaten.
3. Lokale power-analyse: De auteur leidt de power van de tests onder lokale alternatieven af. Een verrassende bevinding is dat de power hoger is wanneer de voorspellers near-stationair zijn dan wanneer ze strikt stationair zijn. Dit komt doordat de "signaalsterkte" in regressies met hoog persistente variabelen groter is, wat een preciezere schatting van parameters mogelijk maakt en breuken makkelijker detecteerbaar maakt.
4. Praktische toepasbaarheid: De tests zijn eenvoudig te implementeren en vereisen alleen recursief geschatte coëfficiënten. Ze vermijden het probleem van "non-monotonic power" (waarbij power daalt naarmate de breuk verder van het nulpunt ligt), een bekend probleem bij tests die lange-termijnvarianties schatten.

4. Resultaten

Simulaties (Monte Carlo):

• Kleinstek (Size): De tests vertonen goede finite-sample eigenschappen. De afwijzingsfrequentie onder de nulhypothese ligt dicht bij het nominale niveau (bijv. 5%), zelfs bij steekproefgroottes van $n=1000$.
• Robustheid: Zelfs bij zeer persistente voorspellers (waarbij de autoregressieve parameter $r$ dicht bij 1 ligt) blijven de vertekeningen verwaarloosbaar.
• Power: De tests hebben hoge power om afwijkingen van een stabiele relatie te detecteren. De power neemt toe bij near-stationaire voorspellers en bij grotere steekproeven.
• Vergelijking: In vergelijking met de test van Qu (2008) (die alleen voor stationaire data geldt) vertoont de SN-test veel minder vertekening bij persistente data, terwijl de test van Qu vaak te liberaal is (te vaak onterecht afwijzing).

Empirische Toepassing 1: VIX als voorspeller voor systemisch risico (VS):

• De auteur test de stabiliteit van de relatie tussen de VIX en het systemisch risico van Amerikaanse G-SIB's (Global Systemically Important Banks).
• Vindst: De voorspellende kracht van de VIX is niet stabiel. Er zijn duidelijke breuken geconstateerd, vooral tijdens de Global Financial Crisis (GFC).
• Nuance: De instabiliteit is sterker in de "Standard CoVaR" (impact van een bank op het systeem) dan in de "Exposure CoVaR" (impact van het systeem op een bank). Dit suggereert dat de transmissiekanalen van individuele banken naar het systeem gevoeliger zijn voor veranderingen (bijv. door instortingen zoals Lehman Brothers) dan de omgekeerde richting.

Empirische Toepassing 2: Kwantielvoorspelbaarheid van het Equity Premium:

• De tests worden toegepast op voorspellende kwantielregressies voor het Amerikaanse equity premium (excess return van aandelen), gebruikmakend van een breed scala aan voorspellers (zoals dividend-price ratio, boekwaarde-marktwaarde, rentes).
• Vindst: Veel voorspellende modellen, vooral die gebaseerd op waardering ratios (zoals $dp$, $dy$, $bm$), vertonen significante structurele breuken.
• Belangrijk: De traditionele tests (zoals SW$\tau$ van Qu) wijzen vaak onterecht op breuken bij persistente variabelen, terwijl de persistentie-robuste test van de auteur een betrouwbaarder beeld geeft. De resultaten bevestigen dat de voorspellende kracht van deze variabelen in de tijd varieert ("pockets of predictability").

5. Betekenis en Conclusie

Dit artikel vult een belangrijke leemte in de literatuur over financieel econometrie en risicomanagement. Het biedt economen en beleidsmakers een robuust instrument om de stabiliteit van systemisch risicomodellen te toetsen zonder dat ze zich hoeven te bekommeren over de exacte persistentie-eigenschappen van hun data.

De belangrijkste implicaties zijn:

• Betrouwbare Voorspelling: Instabiele modellen moeten met voorzichtigheid worden gebruikt voor voorspellingen. Het detecteren van breuken kan leiden tot betere modellen en inzicht in de onderliggende oorzaken van instabiliteit (bijv. regelgeving, marktschokken).
• Methodologische Vooruitgang: De zelfnormalisatie-benadering biedt een elegante oplossing voor het probleem van inferentie bij near-stationaire tijdreeksen, een gebied waar eerdere methoden vaak faalden.
• Beleid: Voor toezichthouders is het cruciaal te weten of de relatie tussen marktindicatoren (zoals VIX) en systemisch risico stabiel blijft. De bevindingen tonen aan dat deze relaties dynamisch zijn en perioden van hoge volatiliteit of crisis kunnen veranderen.

Samenvattend biedt dit papier een theoretisch onderbouwde en empirisch gevalideerde methode om de stabiliteit van complexe risicomodellen te testen, wat essentieel is voor het verbeteren van macroprudentieel toezicht en risicobeheer.