Extreme Value Analysis for Finite, Multivariate and Correlated Systems with Finance as an Example

Deze paper presenteert een praktisch raamwerk voor extreme waarde-analyse in eindige, multivariate en gecorreleerde systemen, zoals financiële markten, waarbij hoogfrequente aandelenrendementen via een rotatie in de eigenbasis van de correlatiematrix worden ontleed om collectieve en idiosyncratische effecten te scheiden en staartrisico's te schatten met behulp van een peaks-over-threshold-benadering die rekening houdt met non-stationariteit.

De kern

Het Voorspellen van Extreme Stormen: Een Nieuwe Manier om Risico's te Meten

Stel je voor dat je een weervoorspeller bent, maar dan voor de financiële wereld. Je wilt weten: Hoe groot kan de volgende storm worden? In de wereld van geld noemen we die stormen "extreme gebeurtenissen" (zoals een beurscrash).

De auteurs van dit artikel, Benjamin Köhler, Anton Heckens en Thomas Guhr, hebben een nieuwe manier bedacht om deze stormen te voorspellen, zelfs als het weer (de markt) erg onvoorspelbaar en chaotisch is.

Hier is hoe ze dat doen, stap voor stap:

1. Het Probleem: Een Orkest dat niet in de pas loopt

Stel je een groot orkest voor met 479 muzikanten (de aandelen). Als één muzikant een noot mist, kan dat invloed hebben op de hele groep. In de financiële wereld zijn aandelen vaak met elkaar verbonden: als de ene auto-onderneming crasht, crasht vaak de hele sector.

• Het oude probleem: Traditionele methoden kijken naar elke muzikant apart of nemen alleen de "ergste noot" van elke dag. Dat is als kijken naar één instrument per dag en hopen dat je de hele symfonie begrijpt. Het werkt niet goed als de muzikanten continu van tempo veranderen (dat noemen ze niet-stationair of onvoorspelbaar).
• De oplossing: De auteurs zeggen: "Laten we het orkest niet als losse muzikanten zien, maar als groepen die samen spelen."

2. De Oplossing: De "Zichtbare" Groepen vinden (Rotatie)

De auteurs gebruiken een wiskundige truc (eigenwaarde-analyse) om het geluid van het orkest te herschikken. Ze draaien het geluid zo dat ze de "collectieve" geluiden kunnen horen.

• De Analogie: Stel je voor dat je door een ruisend bos loopt. Je hoort duizenden geluiden: bladeren, vogels, wind. De auteurs "draaien" dit geluid zodat je ineens drie duidelijke geluiden hoort:
  1. De Wind: Dit is de hele markt (als alles tegelijk stijgt of daalt).
  2. De Sectoren: Dit zijn specifieke groepen, zoals de energiebedrijven of de gezondheidszorg.
  3. Het Ruis: Dit is het geluid van individuele bedrijven dat niet met anderen meegaat.

Door deze "modi" (de wind, de sectoren) apart te bekijken, kunnen ze de extreme gebeurtenissen veel beter begrijpen dan door naar losse aandelen te kijken.

3. De "Piek-over-Drempel" Methode (POT)

Oude methoden kijken vaak naar het "hoogste punt" van elke maand of week (blokmaxima). De auteurs zeggen: "Wacht even, dat is te veel data weggegooid!"

• De Analogie: Stel je een dam voor die water moet opvangen.
  • Oude methode: Je kijkt alleen naar het waterpeil op het einde van de maand. Was het die maand extreem hoog?
  • Nieuwe methode (POT): Je kijkt naar elk moment dat het water boven een bepaalde lijn (de drempel) komt. Je telt alle overstromingen, niet alleen de ergste van de maand.
  • Waarom is dit beter? Je krijgt veel meer data om te analyseren. Het is alsof je elke druppel regen telt die over de rand stroomt, in plaats van alleen te kijken of de emmer vol was aan het einde van de dag.

4. Het Grote Geheim: Het weer verandert (Niet-stationariteit)

Dit is het belangrijkste deel van het artikel. De markt is niet statisch. Soms is het rustig, soms is het een chaos.

• De Analogie: Stel je voor dat je een auto rijdt.
  • 's Ochtends vroeg is het druk (veel verkeer, hoge volatiliteit).
  • 's Middags is het rustig.
  • 's Avonds is het weer druk.
    Als je een snelheidslimiet van 100 km/u stelt die de hele dag geldt, krijg je 's ochtends veel boetes (valse alarmen) en 's middags geen enkele (geen waarschuwing).

De auteurs maken een dynamische snelheidslimiet. Ze kijken naar het verkeer op dat specifieke moment. Als het 's ochtends druk is, is een snelheid van 120 km/u "normaal". Als het 's middags rustig is, is 120 km/u een "extreme" gevaarlijke snelheid.

Ze passen dit toe op de beurs:

1. Ze meten de normale drukte van de dag (seizoenspatroon).
2. Ze halen dit "normale" patroon weg.
3. Wat overblijft, is de echte, onverwachte chaos. Alleen die echte chaos tellen ze als een "extreme gebeurtenis".

5. Wat hebben ze ontdekt?

Door deze nieuwe methode toe te passen op de beurs van New York (NYSE) in 2014, zagen ze interessante dingen:

• De hele markt (de "Wind") en de energiesector hebben de neiging om in kluwens te crashen. Als één energiebedrijf crasht, volgen er direct nog twee of drie.
• Door de "normale" dagelijkse drukte weg te halen, zagen ze dat de echte risico's anders zijn dan we dachten. Sommige sectoren lijken veiliger, maar blijken juist heel gevoelig voor plotselinge schokken als je kijkt naar de echte achtergrondruis.

Samenvatting in één zin

In plaats van te kijken naar losse aandelen en te hopen op een gelijke dag, hebben de auteurs een slimme manier bedacht om de "collectieve stemmen" van de markt te horen en te filteren op de echte, onverwachte stormen, terwijl ze rekening houden met het feit dat de markt overdag van karakter verandert.

Waarom is dit belangrijk?
Voor beleggers en banken betekent dit dat ze hun risico's veel nauwkeuriger kunnen inschatten. Ze weten niet alleen dat er een storm komt, maar ook wanneer en hoe hevig die storm zal zijn, gebaseerd op de huidige situatie in plaats van op oude, statische regels.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Extreme Value Analysis for Finite, Multivariate and Correlated Systems with Finance as an Example" van Köhler et al., weergegeven in het Nederlands.

Probleemstelling

Het kwantificeren en mitigeren van risico's in complexe systemen, zoals financiële markten, vereist een nauwkeurige analyse van extreme waarden (de "staarten" van kansverdelingen). Traditionele methoden voor extreme waarde-analyse (Extreme Value Theory, EVT) hebben echter beperkingen wanneer ze worden toegepast op grote, multivariate systemen met sterke correlaties en non-stationariteit:

1. Correlatie: De meeste EVT-methoden zijn ontwikkeld voor univariate (één variabele) of onafhankelijke tijdreeksen. In financiële markten zijn activa echter sterk onderling gecorreleerd. Het negeren van deze correlaties leidt tot een onderschatting van het systeemrisico.
2. Non-stationariteit: Financiële tijdreeksen vertonen vaak veranderende dynamieken, zoals intraday seizoenspatronen (bijv. hogere volatiliteit bij opening/sluiting) en volatiliteitsclustering. Veel klassieke EVT-methoden gaan uit van stationariteit, wat in de praktijk niet geldt.
3. Data-efficiëntie: De gebruikelijke "Block Maxima" (BM) methode, waarbij tijdreeksen in blokken worden verdeeld en alleen het maximum per blok wordt gebruikt, gooit veel data weg. Dit is inefficiënt voor zeldzame gebeurtenissen.
4. Hoge frequentie: Bij zeer hoge frequenties (seconden) compliceren discretisatie-effecten (zoals tick-size) en asynchroniteit de analyse van correlaties en staartgedrag.

Methodologie

De auteurs stellen een nieuw raamwerk voor dat univariate EVT-tools toepast op een gereduceerde, grotendeels onafhankelijke representatie van een multivariaat systeem. De aanpak bestaat uit de volgende stappen:

1. Data Voorbereiding:

   • Gebruik van hoge-frequentie data (1 seconde resolutie) van 479 liquid stocks van de NYSE uit 2014.
   • Berekening van logaritmische rendementen en normalisatie naar gemiddelde 0 en variantie 1.
   • Uitsluiting van de eerste 10 en laatste 15 minuten van de handelsdag om effecten van de openings- en sluitingsveilingen te minimaliseren.

2. Rotatie naar Eigenbasis (PCA-Whitening):

   • Berekening van de Pearson-correlatiematrix $C$ van de genormaliseerde rendementen.
   • Spectrale decompositie van $C$ om eigenwaarden ($\Lambda$) en eigenvectoren ($U$) te vinden.
   • Rotatie van de data naar de eigenbasis: $R = \Lambda^{-1/2}U^\dagger M$.
   • Doel: Deze transformatie (bekend als PCA-whitening) verwijdert de lineaire correlaties tussen de activa. De resulterende "modes" ($R_k$) vertegenwoordigen collectieve dynamieken:
     • De eerste mode correspondeert met de totale markt.
     • De volgende modes corresponderen met specifieke sectoren (bijv. Energie, Utilities).
     • De overige modes vertegenwoordigen ruis (idiosyncratisch gedrag).

3. Extreme Waarde Analyse (Peaks-Over-Threshold - POT):

   • In plaats van Block Maxima, gebruiken de auteurs de POT-methode. Hierbij worden alle waarden boven een bepaalde drempel $u$ geanalyseerd.
   • De excessen worden gefit met de Generalized Pareto Distribution (GPD) om de staartvormparameter $\gamma$ en de schaalparameter $\sigma$ te schatten.
   • Schatting van de Extremal Index ($\Theta$) om de clustering van extreme waarden in de tijd te kwantificeren (waarbij $\Theta < 1$ aangeeft dat extremen in clusters voorkomen).

4. Behandeling van Non-stationariteit:

   • Seizoenspatronen: Berekening van een gemiddeld intraday volatiliteitsprofiel $V_k(t)$. De tijdreeksen worden gedeeld door dit profiel om residu's ($\tilde{R}_k$) te verkrijgen die de deterministische seizoenseffecten verwijderen.
   • Dynamische Drempels: In plaats van een vaste drempel $u$, wordt een lokale, rollende drempel $u(t)$ gebruikt (bepaald via kwantielen over een rollend venster van 10.000 seconden). Dit past de definitie van "extreem" aan aan de huidige marktomstandigheden.

Belangrijkste Bijdragen

1. Raamwerk voor Multivariate Correlaties: Het bewijzen dat het roteren van gecorreleerde tijdreeksen naar de eigenbasis van de correlatiematrix het probleem reduceert tot een reeks onafhankelijke univariate problemen, waarbij toch collectieve systemische risico's (markt en sectoren) behouden blijven.
2. Integratie van POT en Non-stationariteit: Een praktische methode om non-stationariteit (seizoenspatronen en veranderende volatiliteit) te behandelen door middel van residualisatie en lokale drempels, zonder de complexiteit van volledige multivariate EVT-theorie te hoeven hanteren.
3. Validatie van POT vs. Block Maxima: Het empirisch aantonen dat de POT-methode, gecombineerd met de GPD-GEV correspondentie, dezelfde statistieken voor blokmaxima kan afleiden als de traditionele BM-methode, maar dan met veel efficiënter data-gebruik.
4. Analyse op Seconden-niveau: Toepassing van deze methoden op data met een resolutie van 1 seconde, waarbij de "Epps-effecten" en tick-size discretisatie worden opgelost door de rotatie (lineaire combinatie) van de data.

Resultaten

• Staartgedrag: De geroote modes vertonen zware staarten die passen bij de Fréchet-verdeling ($\gamma > 0$), wat typisch is voor financiële rendementen. De vormparameter $\gamma$ varieert echter per mode.
• Clustering: De extremal index $\Theta$ is significant kleiner dan 1 voor alle modes, wat bevestigt dat extreme waarden in clusters voorkomen (volatiliteitsclustering).
• Sectorale Verschillen: De tweede mode (geassocieerd met de energiesector) vertoonde een uniek gedrag met sterkere clustering en een overgang naar Gumbel/Weibull-gedrag bij zeer hoge drempels, wat suggereert dat deze sector in 2014 een ander extremal gedrag had dan de algemene markt.
• Effect van Non-stationariteit:
  • Zonder correctie voor intraday seizoenspatronen lijken extremen sterk te clusteren door de vaste drempel die niet past bij de veranderende volatiliteit (bijv. hoge volatiliteit bij opening).
  • Na toepassing van de lokale rollende drempel en residualisatie, blijft er nog steeds significante seriële correlatie over, wat aangeeft dat clustering ook wordt veroorzaakt door langetermijndynamieken en niet alleen door intraday patronen.
  • De volgorde van de modes op basis van hun kwantitatieve risico (staartvorm) verandert wanneer non-stationariteit wordt meegenomen, wat aantoont dat een statische analyse misleidend kan zijn.

Betekenis en Conclusie

Dit artikel biedt een robuust en algemeen toepasbaar raamwerk voor risicomanagement in complexe, gecorreleerde systemen. De belangrijkste implicaties zijn:

• Efficiëntie: Het vermijden van het "weggooien" van data door de Block Maxima-methode te vervangen door POT.
• Realisme: Het expliciet meenemen van non-stationariteit is cruciaal voor een correcte risicoschatting, vooral in de financiële sector waar marktomstandigheden dynamisch zijn. Een "extreem" event moet worden gedefinieerd ten opzichte van de huidige marktomstandigheid, niet ten opzichte van een jaarlijkse gemiddelde.
• Toepasbaarheid: Hoewel getest op financiële data, is de methode (rotatie naar eigenbasis + univariate POT) breed toepasbaar op andere multivariate systemen zoals weer, klimaat of infrastructuurnetwerken waar collectieve gedragingen en correlaties een rol spelen.

De auteurs concluderen dat hun aanpak het mogelijk maakt om collectieve en sectorale risico-bronnen te ontrafelen en een adaptief beeld van extreme gebeurtenissen te krijgen dat essentieel is voor het ontwerpen van robuuste risicobeheerstrategieën.