📊 statistics

CoVaR under Asymptotic Independence

Dit artikel presenteert een semi-parametrische methode op basis van bivariate extreme waarde-theorie om de CoVaR voor paren met asymptotische onafhankelijkheid te schatten, waarbij de consistentie en nauwkeurigheid van de estimator worden aangetoond via simulaties en de toepassing op Amerikaanse aandelenrendementen.

Oorspronkelijke auteurs: Zhaowen Wang, Yutao Liu, Deyuan Li

Gepubliceerd 2026-02-12

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Zhaowen Wang, Yutao Liu, Deyuan Li

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 de wereldwijde financiële markt een gigantisch, verbonden web is van duizenden spinnen. De meeste spinnen zijn rustig en doen hun eigen ding. Maar soms is er één spin die plotseling in de problemen komt—misschien omdat hij een prooi mist of in een val loopt.

De grote vraag voor economen is: "Als die ene specifieke spin in de problemen komt, hoe groot is dan de kans dat het hele web begint te trillen en alle andere spinnen ook in paniek raken?"

Dit wetenschappelijke artikel gaat precies over het meten van dat "trillen". In de financiële wereld noemen we dat Systemic Risk (systeemrisico), en de specifieke maatstaf die ze gebruiken heet CoVaR.

Hier is de uitleg van hun onderzoek in begrijpelijke taal:

1. Het probleem: De "stille" verbindingen

Eerder dachten onderzoekers vaak dat als twee banken tegelijkertijd grote problemen kregen, ze wel "sterk verbonden" moesten zijn (zoals twee spinnen die aan hetzelfde draadje zitten). Maar dit onderzoek richt zich op iets veel lastiger: Asymptotische Onafhankelijkheid.

De metafoor: Denk aan twee mensen in een drukke trein. Ze zitten niet aan elkaar vast, ze praten niet met elkaar en ze kennen elkaar niet. Ze lijken totaal onafhankelijk. Maar als de trein plotseling een noodstop maakt, vallen ze beiden om. Ze zijn niet direct verbonden, maar ze delen wel hetzelfde lot door de omgeving.

In de financiële wereld betekent dit dat banken niet direct geld aan elkaar lenen, maar dat ze door de algemene economie toch tegelijkertijd geraakt kunnen worden. De oude rekenmethodes werkten niet goed voor dit soort "stille" verbindingen; ze zagen de connectie simpelweg niet.

2. De oplossing: Een nieuwe rekenmachine

De auteurs van dit paper hebben een nieuwe, slimme manier bedacht om dit risico te berekenen. Ze gebruiken een wiskundige techniek genaamd Extreme Value Theory.

De metafoor: Stel je voor dat je wilt voorspellen hoe groot een zeldzame tsunami zal zijn. Je kunt niet wachten tot er een tsunami komt om te leren; je moet kijken naar de kleinste rimpelingen in de oceaan en die met een heel speciaal vergrootglas analyseren om te begrijpen hoe de "extreme" golven eruitzien.

De onderzoekers gebruiken dit "wiskundige vergrootglas" om naar de uiterste randen van de financiële markt te kijken (de momenten dat alles misgaat). Ze hebben een formule gemaakt die de "trilling" van de rest van het systeem kan voorspellen, zelfs als de banken op het eerste gezicht onafhankelijk lijken.

3. Wat hebben ze bewezen? (De test)

Om te kijken of hun nieuwe methode werkt, hebben ze het getest met echte data van de Amerikaanse aandelenmarkt (de S&P 500) en grote banken.

Het resultaat: Hun methode was veel nauwkeuriger dan de oude methoden.
De les: Ze ontdekten dat veel banken die we dachten "veilig" te zijn van directe verbindingen, toch een verborgen risico delen met het hele systeem.

Samenvatting in één zin

Dit onderzoek geeft toezichthouders een betere "stormradar" om te voorspellen hoe de paniek van één enkele bank kan uitgroeien tot een storm die de hele wereldwijde economie omver blaast, zelfs als die banken op het eerste gezicht niets met elkaar te maken lijken te hebben.

Technische Samenvatting: CoVaR onder Asymptotische Onafhankelijkheid

1. Het Probleem (Problem Statement)

Het onderzoek richt zich op het meten van systemisch risico in financiële markten. Een cruciale maatstaf hiervoor is de Conditional Value-at-Risk (CoVaR). CoVaR kwantificeert het risico van een systeem (bijv. de gehele aandelenmarkt) onder de conditie dat een specifieke instelling (bijv. een grote bank) zich in een staat van extreme stress bevindt.

De kern van het probleem in dit paper is de beperking van bestaande methodologieën. Veel huidige modellen voor CoVaR gaan uit van asymptotische afhankelijkheid (waarbij de staarten van de verdelingen van twee variabelen samen bewegen in extreme scenario's). Echter, er is groeiend bewijs dat veel financiële variabelen in de uiterste staarten juist asymptotisch onafhankelijk zijn (de afhankelijkheid neemt af naarmate de extremen extremer worden). Bestaande methoden falen wanneer deze onafhankelijkheid optreedt, wat leidt tot onnauwkeurige risicovoorspellingen.

2. Methodologie (Methodology)

De auteurs ontwikkelen een semi-parametrische methode binnen het kader van de bivariate Extreme Value Theory (EVT) om CoVaR te schatten voor paren die asymptotisch onafhankelijk zijn.

De methodologie omvat de volgende stappen:

Aanpassing van de Quantile-niveaus: In plaats van een directe schatting, introduceren de auteurs een "adjustment factor" $\eta_p$ . De CoVaR wordt benaderd als een kwantiel van de onvoorwaardelijke verdeling van de systeemvariabele $Y$ , maar op een aangepast niveau $p\eta^*_p$ .
Parametrische Modellering van de Staartstructuur: Om de schaarste aan data in de uiterste staarten (joint tails) aan te pakken, wordt de staartafhankelijkheidsfunctie $c(x, y)$ gemodelleerd met behulp van een parametrische familie. De parameters worden geschat via de Method-of-Moments (M-estimator).
Schatting van de Componenten:
- De Extreme Value Index ( $\gamma$ ) van de verdeling van $Y$ wordt geschat met de Hill-estimator.
- De Value-at-Risk (VaR) van $Y$ wordt geschat via extrapolatiemethoden voor regular varying tails.
- De asymptotische afhankelijkheidscoëfficiënt ( $\eta$ ) wordt afgeleid uit de geschatte parametrische functie $c(x, y; \theta)$ .
Dynamische Setting: Voor financiële tijdreeksen wordt een DCC-GARCH-model gebruikt om de residuals te filteren, waarna de EVT-methode wordt toegepast op de gestandaardiseerde innovaties.

3. Belangrijkste Bijdragen (Key Contributions)

Nieuw Theoretisch Kader: Het is een van de eerste werken die een consistente en asymptotisch normale schatter biedt voor CoVaR specifiek voor het geval van asymptotische onafhankelijkheid ( $0 < \eta < 1$ ).
Robuustheid tegen Data-schaarste: Door de combinatie van semi-parametrische technieken en parametrische modellering van de staartstructuur, lost het paper het probleem op van het gebrek aan observaties in de uiterste staarten.
Generalisatie: Het paper biedt uitbreidingen voor verschillende definities van CoVaR, inclusief situaties waarbij de kwantielniveaus van de instelling ( $p$ ) en het systeem ( $q$ ) verschillen.

4. Resultaten (Results)

Simulatiestudies: De simulaties tonen aan dat de voorgestelde estimator nauwkeuriger is dan de "naïeve" estimator (gebaseerd op orderstatistieken), zowel wat betreft de bias (verkenning) als de variantie. Zelfs wanneer de modelveronderstellingen niet perfect worden nageleefd, presteert de methode superieur.
Empirische Toepassing (S&P 500): Bij de analyse van 15 financiële instellingen en de S&P 500 index werd met de Tail Quotient Correlation Coefficient (TQCC) test aangetoond dat de meeste instellingen inderdaad een structuur van asymptotische onafhankelijkheid vertonen. De voorgestelde methode leverde betere out-of-sample voorspellingen (lagere quantile scores) dan traditionele modellen.
Wiskundige Bewijzen: De auteurs bewijzen de consistentie (Theorem 1) en de asymptotische normaliteit (Theorem 2) van de estimator onder een reeks technische aannames.

5. Betekenis (Significance)

Dit werk is van groot belang voor kwantitatieve risicobeheerders en toezichthouders. Het biedt een wetenschappelijk onderbouwde methode om het risico van besmetting (contagion) in financiële systemen beter te begrijpen en te voorspellen, vooral in scenario's waar de traditionele aanname van sterke staartafhankelijkheid niet langer standhoudt. Het biedt een meer conservatieve en daarmee veiligere schatting van het systemische risico.