Diversification and Stochastic Dominance: When All Eggs Are Better Put in One Basket

Each language version is independently generated for its own context, not a direct translation.

De Gouden Regel van de Eieren: Waarom "Alles in één mand" soms slimmer is dan "Verspreid je risico"

Stel je voor dat je een boodschappenmand vol met eieren hebt. De ultieme wijsheid zegt: "Zet niet al je eieren in één mand, want als die valt, ben je alles kwijt." We spreken dit altijd aan als diversificatie: verspreid je risico's over verschillende manden om veilig te zijn.

Maar deze paper, geschreven door Léonard Vincent, vertelt een verrassend verhaal. Hij laat zien dat er een heel specifieke, extreme situatie bestaat waarin deze regel precies andersom werkt. In dat geval is het eigenlijk veiliger om al je eieren in één mand te doen, en die mand willekeurig te kiezen, dan om ze te verspreiden.

Hier is de uitleg in simpele taal, met wat creatieve metaforen.

1. Het probleem: De "Onmogelijke" Eieren

Normaal gesproken werken eieren (risico's) goed als je ze verspreidt. Als één mand valt, heb je nog steeds de rest. Maar Vincent kijkt naar een heel speciaal soort eieren: eieren die oneindig zwaar kunnen zijn.

In de echte wereld zijn dit zeldzame maar catastrofale gebeurtenissen, zoals:

Een kernramp.
Een enorme cyberaanval.
Een wereldwijde pandemie.

Deze gebeurtenissen zijn zo zeldzaam dat ze bijna nooit gebeuren, maar als ze wel gebeuren, zijn de kosten zo gigantisch dat het gemiddelde verlies oneindig wordt. Wiskundig noemen we dit "heavy-tailed" (zware staart) risico's met een oneindig gemiddelde.

2. De Twee Strategieën: De Verspreider vs. De "Alles-in-één" Speler

Vincent vergelijkt twee manieren om met deze gevaarlijke eieren om te gaan:

De Verspreider (Diversificatie): Je neemt je eieren en verdeelt ze over $n$ $n$ verschillende manden. Je hebt nu een klein beetje van elk risico in elke mand.
- Voorbeeld: Je hebt 100 manden, en in elke mand zit 1% van elk risico.
De "Alles-in-één" Speler (De Benchmark): Je doet al je eieren in één mand, maar je kiest die mand willekeurig.
- Voorbeeld: Je gooit een munt op. Als het kop is, heb je Mand A met al je risico's. Als het staart is, heb je Mand B met al je risico's. Je hebt nooit een mix; je hebt altijd één volledig risico, maar je weet niet welke.

3. De Verrassende Conclusie: De "One-Basket Theorem"

In de normale wereld (waar risico's een eindig gemiddelde hebben, zoals gewone auto-ongevallen), wint de Verspreider altijd. De variatie wordt kleiner, en je bent veiliger.

Maar bij die extreme, oneindig zware risico's gebeurt er iets raars:
De Verspreider loopt vaak meer kans op een ramp dan de Alles-in-één Speler.

Waarom? De Metafoor van de "Grote Slag"
Stel je voor dat je risico's zijn als enorme, onvoorspelbare golven.

Bij de Verspreider (de mix) probeer je de golven te middelen. Maar omdat de golven zo extreem groot kunnen zijn (oneindig), "verpletteren" ze de gemiddeling. De kans dat je minstens één van die enorme golven in je mix krijgt, is groot. En omdat je alles verspreid hebt, raak je overal een beetje kwijt, maar de totale schade kan enorm zijn.
Bij de Alles-in-één Speler heb je een "alles-of-niets" situatie. Of je krijgt een kleine golf (en bent veilig), of je krijgt één enorme tsunami. Maar omdat je maar één kans hebt om die tsunami te krijgen (afhankelijk van je willekeurige keuze), is de kans dat je overal tegelijkertijd een enorme schade hebt, juist kleiner dan bij de verspreider.

Kortom: Bij extreme risico's is het "verwateren" van je risico (diversificatie) juist gevaarlijk, omdat het de kans vergroot dat je ergens in je portfolio een enorme klap krijgt.

4. Wanneer werkt dit? (De Sub-schaalbaarheid)

Vincent geeft een wiskundige regel om te weten wanneer dit gebeurt. Hij noemt het sub-schaalbaarheid.
Stel je voor dat je een risico halveert (je deelt het door 2).

Bij normale risico's: Als je het risico halveert, halveert de kans op een ramp ook ongeveer.
Bij deze extreme risico's: Als je het risico halveert, daalt de kans op een ramp minder dan de helft. Het risico "weert" tegen het verkleinen.

Als een risico zich zo gedraagt (het is "sub-schaalbaar"), dan is het beter om het risico niet te verspreiden, maar te concentreren in één willekeurige mand.

Voorbeelden uit de paper:

Discrete Pareto-verdeling: Een wiskundig model dat lijkt op de verdeling van rijkdom of aardbevingen.
De St. Petersburg Loterij: Een beroemd kansspel waarbij je theoretisch oneindig veel geld kunt winnen, maar de kans op die winst zo klein is dat het gemiddelde oneindig is.

5. Wat betekent dit voor ons?

Dit klinkt als een paradox, maar het is een belangrijke waarschuwing voor risicomanagers, verzekeraars en beleggers:

Niet alles is veilig door verspreiding: De regel "verspreid je risico" werkt niet altijd. Als je te maken hebt met "zwarte zwaan"-gebeurtenissen (extreem zeldzaam, extreem groot), kan het verspreiden van je portefeuille je juist kwetsbaarder maken voor grote verliezen.
Kies je manden slim: Soms is het beter om je blootstelling te concentreren op één willekeurig risico (met de wetenschap dat je het misschien helemaal niet treft) dan om te proberen alles een beetje te hebben.
De "Lokale" Waarheid: Vincent laat ook zien dat diversificatie altijd goed is voor heel kleine risico's (kleine golven). Het wordt pas gevaarlijk bij de enorme, extreme golven. De paper laat zien dat de "One-Basket" theorie eigenlijk de uiterste grens is van een algemeen fenomeen: diversificatie verhoogt de kans op kleine verliezen, maar bij extreme risico's verhoogt het ook de kans op de grootste rampen.

Samenvattend:
De oude wijsheid "zet niet al je eieren in één mand" is waar voor normale dagen. Maar als je te maken hebt met een wereld die kan instorten door één enkele, onvoorspelbare catastrofe, kan het juist slimmer zijn om al je eieren in één mand te doen, en die mand willekeurig te kiezen. Soms is het risico van "alles een beetje hebben" groter dan het risico van "alles of niets".

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het artikel "Diversification and Stochastic Dominance: When All Eggs Are Better Put in One Basket" van Léonard Vincent, geschreven in het Nederlands.

Titel: Diversificatie en Stochastische Dominantie: Wanneer alle eieren beter in één mandje worden gelegd

Auteur: Léonard Vincent
Datum: 11 maart 2026

1. Probleemstelling

In de risicomanagementpraktijk wordt diversificatie (het spreiden van blootstelling over meerdere onafhankelijke risico's) traditioneel gezien als een betrouwbare methode om risico te verminderen. Dit wordt onderbouwd door klassieke theorieën zoals de Wet van de Grote Getallen en de Moderne Portefeuilletheorie, die aantonen dat diversificatie de volatiliteit verlaagt bij gelijke verwachte rendementen.

Het artikel daagt deze gevestigde opvatting uit door te onderzoeken onder welke omstandigheden diversificatie juist het risico verhoogt. Specifiek richt de auteur zich op zwaarstaartige verliezen met een oneindig gemiddelde (infinite mean), zoals Pareto-verdelingen met een vormparameter $\alpha \in (0, 1]$ . In deze context kan het samenvoegen van onafhankelijke verliezen leiden tot een toename van de staartrisico's op elk drempelniveau, in plaats van een afname.

Het centrale vraagstuk is: onder welke voorwaarden is een gediversifieerde portefeuille (een gewogen gemiddelde van risico's) stochastisch groter dan een "concentratiemodel" waarbij de volledige blootstelling op één willekeurig gekozen component wordt geconcentreerd?

2. Methodologie en Kader

De auteur hanteert een wiskundig kader gebaseerd op stochastische ordening en overlevingsfuncties.

Definitie van Portefeuilles:
- Gediversifieerde portefeuille ( $P_D$ ): Een gewogen som van $n$ onafhankelijke risico's $X_1, \dots, X_n$ met gewichten $\theta = (\theta_1, \dots, \theta_n)$ , waarbij $\sum \theta_i = 1$ .
  $P_D = \sum_{i=1}^n \theta_i X_i$
- Concentratiemodel ("One-basket" benchmark, $P_C$ ): Een mengselmodel waarbij precies één risico $X_i$ wordt geselecteerd met kans $\theta_i$ , en de rest nul is. Dit representeert het idee "alle eieren in één mandje", maar dan probabilistisch.
  $P_C = \sum_{i=1}^n I_i X_i$
  waarbij $(I_1, \dots, I_n)$ een categorische verdeling volgt met parameters $\theta$ .
Stochastische Dominantie:
De vergelijking wordt gemaakt in termen van eerste-orde stochastische dominantie ( $\leq_{st}$ ). $X \leq_{st} Y$ betekent dat $P(X > x) \leq P(Y > x)$ voor alle $x$ . Als $P_C \leq_{st} P_D$ , betekent dit dat de gediversifieerde portefeuille een hogere kans heeft om elke drempel te overschrijden dan de geconcentreerde portefeuille, en dus "gevaarlijker" is voor een beslissingsnemer die kleine verliezen prefereert.
Subschaalbaarheid (Subscalability):
De kern van de analyse ligt in de eigenschap van de overlevingsfunctie $F(x) = P(X > x)$ . De auteur introduceert het concept van $\theta$ -subschaalbaarheid: een risico $X$ is $\theta$ -subschalabel als $\theta F(x) \leq F(x/\theta)$ voor alle $x \geq 0$ . Dit impliceert dat het schalen van het risico met een factor $\theta < 1$ de overschrijdingskans minder dan evenredig verlaagt.

3. Belangrijkste Bijdragen en Resultaten

A. De "One-Basket" Stelling (The Main Theorem)

De hoofdbevinding is de One-Basket Theorem (Stelling 4.2). Deze geeft voldoende voorwaarden voor de stochastische dominantie $P_C \leq_{st} P_D$ in het geval van onafhankelijke (niet noodzakelijk identiek verdeelde) risico's.

Voorwaarde: Voor elke index $i$ en elke deelverzameling $K$ van de indices met $\{i\} \subseteq K \subsetneq [n]$ , moet de volgende ongelijkheid gelden voor de overlevingsfuncties $F_i$ :
$\theta_K F_i(x) \leq F_i(x/\theta_K) \quad \text{voor alle } x \geq 0$
waarbij $\theta_K = \sum_{j \in K} \theta_j$ de som van de gewichten in de deelverzameling is.
Conclusie: Als aan deze voorwaarden wordt voldaan, dan geldt:
$I_1 X_1 + \dots + I_n X_n \leq_{st} \theta_1 X_1 + \dots + \theta_n X_n$
Dit betekent dat diversificatie het risico verhoogt in de sterkst mogelijke zin (eerste-orde dominantie).

B. Toepassingen op Specifieke Verdelingen

De stelling wordt toegepast op verschillende klassen van verdelingen:

Discrete Pareto-verdelingen: De auteur toont aan dat voor discrete Pareto-verdelingen met oneindig gemiddelde, de gelijk-gewogen portefeuille ( $\theta_i = 1/n$ ) stochastisch dominant is over een enkel risico, zelfs al geldt dit niet voor alle mogelijke gewichtsverdelingen. Dit is een doorbraak, omdat eerdere resultaten vaak vereisten dat de dominantie uniform gold voor alle gewichten.
St. Petersburg Loterijen: Er wordt een alternatief bewijs geleverd voor de stochastische ordening van gemiddelden van St. Petersburg loterijen, waarbij wordt aangetoond dat de dominantie geldt voor specifieke verhoudingen van het aantal risico's (krachten van 2).
Completely Subscalable Risks: De auteur definieert een klasse van risico's waarbij de ongelijkheid geldt voor alle $\theta \in (0,1)$ . Dit omvat verdelingen zoals Fréchet(1) en super-Fréchet verdelingen, en breidt de resultaten van eerdere auteurs (zoals Chen & Shneer) uit door de eis van een gemeenschappelijke essentiële infimum (die vaak 0 moet zijn) te verwijderen.

C. Lokale naar Globale Effecten

Een cruciaal inzicht is dat diversificatie altijd het risico verhoogt voor kleine drempels (dicht bij nul).

Lokaal effect: Voor elke positieve verdeling en elk gewicht $\theta$ geldt de ongelijkheid $\theta F(x) \leq F(x/\theta)$ op een interval $[0, \epsilon)$ . Hierdoor is de gediversifieerde portefeuille altijd waarschijnlijker om kleine drempels te overschrijden.
Globaal effect: De One-Basket Theorem beschrijft precies het geval waarin dit lokale effect zich uitbreidt naar alle drempels ( $x \to \infty$ ). Als de sub-schaalbaarheid voorwaarde globaal geldt, wordt het lokale fenomeen een globale stochastische dominantie.

4. Significatie en Implicaties

Herinterpretatie van Diversificatie: Het artikel ondermijnt de algemene wijsheid dat diversificatie altijd veilig is. Voor extreme, zwaarstaartige risico's (zoals cyber-risico's, kernongevallen of pandemische verliezen) kan het samenvoegen van risico's leiden tot een portefeuille die in elke zin slechter is dan het houden van één enkel risico.
Praktische Toepassingen:
- Verzekering: In het kader van gerandomiseerde herverzekering (waarbij een herverzekeraar een verlies volledig dekt met een bepaalde kans), kan het tonen dat zowel de verzekeraar als de herverzekeraar beter af zijn met een gerandomiseerd contract dan met een vast quota-share contract, mits de verdeling voldoet aan de sub-schaalbaarheid voorwaarden.
- Risicobeheer: Voor verdelingen met oneindig gemiddelde moet voorzichtigheid worden betracht bij het spreiden van blootstellingen. Het kan rationeel zijn om risico te concentreren in plaats van te spreiden.
Wiskundige Innovatie: De paper introduceert de concepten $\theta$ -subschalabel en volledig subschalabel, die een nieuwe taal bieden om de eigenschappen van zwaarstaartige verdelingen te analyseren. Het lost ook het probleem op dat eerdere resultaten vaak vereisten dat risico's identiek verdeeld waren of een gemeenschappelijke ondersteuning hadden; de nieuwe stelling werkt met specifieke gewichtsconfiguraties en onafhankelijke, niet-identieke verdelingen.

Conclusie

Léonard Vincent demonstreert dat voor een specifieke klasse van extreme risico's (oneindig gemiddelde, zwaarstaartige verdelingen), diversificatie kan leiden tot een verhoging van het risico in de sterkst mogelijke zin. De "One-Basket Theorem" biedt een wiskundig onderbouwde methode om dit te verifiëren voor specifieke portefeuilles en toont aan dat dit fenomeen het globale resultaat is van een universeel lokaal effect: diversificatie verhoogt altijd de kans op het overschrijden van kleine drempels. Dit heeft diepgaande gevolgen voor de theorie van risicopooling en de modellering van extreme gebeurtenissen.