Importance Sampling Enhanced with the COS Method for the Portfolio Risk Allocation

In de wereld van de financiën beheren banken en beleggingsondernemingen enorme collecties leningen, bekend als portefeuilles. Meestal presteren deze portefeuilles goed en stroomt het geld soepel. Maar af en toe slaat een perfecte storm toe: een recessie, een plotselinge beurscrash of een cascade van wanbetalingen die ervoor zorgt dat de portefeuille in één klap een enorm bedrag verliest. Dit zijn zeldzame gebeurtenissen, maar het zijn juist de gebeurtenissen die een bank kunnen vernietigen. Om veilig te blijven, eisen toezichthouders dat banken precies weten hoeveel geld ze in reserve moeten houden om een dergelijke ramp te overleven. Het probleem is dat deze rampen zo zelden voorkomen dat als u probeert ze op een computer te simuleren met standaardmethoden, u de simulatie misschien een miljoen keer kunt draaien zonder een enkele ramp te zien. Het is alsoals proberen een eens in de honderd jaar voorkomende overstroming te voorspellen door een rivier een middag lang in de gaten te houden; u zult simpelweg niet zien dat het water hoog genoeg stijgt om ertoe te doen.

Om dit op te lossen, gebruiken wiskundigen een techniek genaamd importance sampling (belangrijkheidssteekproef). In plaats van de rivier normaal te observeren, veranderen ze het weer in hun simulatie kunstmatig om de overstroming vaker te laten plaatsvinden. Vervolgens gebruiken ze een wiskundige correctie om de resultaten terug te brengen naar de realiteit, zodat het uiteindelijke antwoord nauwkeurig is. Deze methode heeft echter een addertje onder het gras: als het kunstmatige weer te veel wordt veranderd, wordt de correctie instabiel en worden de resultaten ruizig. Als het weer te weinig wordt veranderd, vindt de overstroming nog steeds zelden plaats en blijft de simulatie nutteloos. De sleutel tot succes is het vinden van de perfecte balans voor hoe de simulatie wordt aangepast. Dat is de uitdaging waar onderzoekers Fang Fang, Xiaoyu Shen en Qinling Wang aanpakten in hun recente werk over kredietportefeuillerisico.

De onderzoekers richtten zich op een specifiek type financieel model waarbij de gezondheid van veel verschillende leners gekopperd is aan een paar gemeenschappelijke onderliggende factoren, zoals de algemene staat van de economie. Wanneer de economie moeite heeft, hebben veel leners tegelijkertijd problemen. Om het risico op een massaal verlies in te schatten, moesten ze precies uitzoeken hoe de economie eruit zou zien als er een ramp dreigt te gebeuren. Hun doel was om de simulatie te kalibreren zodat deze van nature richting deze gevaarlijke economische toestanden drijft zonder de wiskundige regels te breken.

Jarenlang was de standaardmanier om deze kalibratie te doen het draaien van een voorlopige reeks simulaties en simpelweg tellen hoe vaak een ramp voorkwam. Als een specifiek economisch scenario leidde tot een ramp, kreeg het een "ja"-stem; als niet, kreeg het een "nee". De onderzoekers gebruikten deze ja-of-nee-stemmen vervolgens om de simulatie aan te passen. Het probleem met deze aanpak is dat bij de extreme risiconiveaus waar banken om geven, rampen zo zeldzaam zijn dat je in een voorlopige run van een kwart miljoen scenario's misschien slechts enkele honderden "ja"-stemmen krijgt. Met zo weinig datapunten is de resulterende aanpassing wankel en onbetrouwbaar, vergelijkbaar met het proberen te raden van de gemiddelde lengte van een populatie door slechts drie mensen te meten.

Het team stelde een nieuwe methode voor, die zij ISCOS noemen, om deze botte ja-of-nee-stemmen te vervangen door iets veel vloeienders. In plaats van te vragen: "Veroorzaakte dit scenario een ramp?", vroegen ze: "Wat is de kans dat dit scenario een ramp zou veroorzaken?". Ze gebruikten een geavanceerd wiskundig instrument, gebaseerd op een techniek genaamd de Fourier-cosine-methode, om deze waarschijnlijkheid direct uit de structuur van het model te berekenen. Dit instrument stelde hen in staat om de kans op een ramp voor elk gesimuleerd scenario te schatten, zelfs als dat specifieke scenario niet daadwerkelijk tot een ramp leidde in de voorlopige run. Door deze vloeiende waarschijnlijkheidsschattingen te gebruiken in plaats van binaire ja-of-nee-antwoorden, konden ze veel meer bruikbare informatie verzamelen uit hetzelfde aantal computerberekeningen.

Toen ze deze nieuwe methode testten tegenover de oude, was het verschil opvallend. In hun experimenten, die een portefeuille van honderd leners en elf verschillende economische factoren omvatten, produceerde de nieuwe methode veel stabielere resultaten. Specifiek, toen ze keken naar de mate waarin elke individuele lener bijdroeg aan het totale risico van een ramp, gaf de nieuwe methode veel duidelijkere antwoorden. De oude methode produceerde brede, onzekere bereiken voor deze bijdragen, terwijl de nieuwe methode die bereiken aanzienlijk verkleinde. In één test verminderde de nieuwe methode de onzekerheid in de risicoschattingen met meer dan twintig procent. Dit betekent dat een bank die deze methode gebruikt, een veel scherper beeld kan hebben van waar haar kwetsbaarheden liggen, wat leidt tot betere beslissingen over hoeveel kapitaal zij moet aanhouden.

De onderzoekers controleerden ook of hun nieuwe methode wiskundig solide was. Ze bewezen dat het door het gebruik van de vloeiende waarschijnlijkheidsschattingen in essentie het verwijderen was van een laag willekeurige ruis die de oude methode teisterde. Dit maakte hun schattingen statistisch efficiënter, wat betekent dat ze nauwkeurigere resultaten behaalden met dezelfde hoeveelheid rekenkracht. Ze testten dit op twee verschillende soorten financiële modellen: één die ervan uitging dat economische factoren een standaard klokvormige verdeling volgden, en een andere die extremere, 'heavy-tailed' gebeurtenissen toeliet. In beide gevallen presteerde de nieuwe methode beter dan de oude, waarbij ze betrouwbaardere risicoallocaties leverden zonder dat daar aanzienlijk meer computertijd voor nodig was.

Een van de belangrijkste bevindingen was dat de nieuwe methode niet alleen het algemene risiconummer verbeterde, maar ook de uitsplitsing van dat risico verbeterde. Banken moeten niet alleen weten dat ze een risico lopen, maar ook welke specifieke leningen dat risico drijven. De oude methode had vaak moeite om deze individuele bijdragen nauwkeurig aan te wijzen wanneer de rampdrempel zeer hoog was. De nieuwe methode bood echter een veel duidelijker kaart van deze individuele risico's. Dit is cruciaal voor risicomanagers die moeten beslissen of ze een specifieke lening moeten verkopen of verzekering tegen die lening moeten kopen. Het vermogen om deze details met grotere precisie te zien, zonder te hoeven wachten op een langere simulatie, is een aanzienlijk praktisch voordeel.

De studie werd uitgevoerd met behulp van een specifieke benchmark-portefeuille met honderd leners, verdeeld in tien groepen met verschillende groottes van potentiële verliezen. De onderzoekers stelden het betrouwbaarheidsniveau in op 99,9 procent, een standaard voor hoogwaardige financiële regulering, en zoch evenar scenario's waarbij het totale verlies een specifieke hoge drempel overschreed. Ze voerden hun simulaties uit op een standaard computeropstelling en vergeleken hun nieuwe aanpak direct met de gevestigde methode. De resultaten toonden aan dat hoewel de nieuwe methode een kleine hoeveelheid extra tijd vereiste om de vloeiende waarschijnlijkheden te berekenen, deze kosten verwaarloosbaar waren in vergelijking met de tijd die werd bespaard door sneller nauwkeurige resultaten te krijgen. De totale tijd om de volledige simulatie te draaien was slechts ongeveer vier procent langer, maar de kwaliteit van de risicobeoordeling was aanzienlijk beter.

De onderzoekers waren er voorzichtig bij om te vermelden dat hun bevindingen gebaseerd zijn op simulaties en specifieke testgevallen. Ze beweerden niet dat hun methode elk probleem in elke mogelijke financiële markt zou oplossen, noch suggereerden ze dat het een wondermiddel was dat alle onzekerheid elimineerde. De verbeteringen werden gemeten in termen van hoeveel de schattingen varieerden van run tot run, en hoe nauw de betrouwbaarheidsintervallen rond de definitieve cijfers waren. In de uitgevoerde tests produceerde de nieuwe methode consequent nauwere intervallen en stabielere schattingen, vooral voor de 'tail-risk' bijdragen die het moeilijkst te berekenen zijn.

Uiteindelijk toont dit werk aan dat door de manier waarop we de gegevens tijdens de kalibratiefase bekijken te veranderen, we simulaties van zeldzame gebeurtenissen veel krachtiger kunnen maken. In plaats van te vertrouwen op het geluk om in een voorlopige run een ramp te raken, gebruikt de nieuwe methode wiskundig inzicht om de potentie voor een ramp in elk scenario te begrijpen. Deze verschuiving van het tellen van zeldzame gebeurtenissen naar het schatten van hun waarschijnlijkheid maakt een robuustere en betrouwbaardere beoordeling van het financiële risico mogelijk. Voor de instellingen die op deze berekeningen vertrouwen om de wereldeconomie te beschermen, is het vermogen om het gevaar duidelijker te zien, met minder ruis en minder onzekerheid, een vitale stap vooruit in het beheersen van het onbekende.