An outlier-robust dynamic semiparametric model for jointly forecasting value-at-risk and expected shortfall

Stel je voor dat je een weervoorspeller bent die probeert de ergste storm van het jaar te voorspellen. Je wilt niet alleen weten wanneer de regen begint; je moet ook weten hoe diep de overstromingen zullen zijn als de dijken doorbreken. In de wereld van de financiën is dit precies wat risicomanagers doen. Ze gebruiken twee speciale instrumenten om de gevaren van een crash op de financiële markt te meten. Het eerste instrument, genaamd Value-at-Risk (VaR), is als een peilstok die aangeeft welk waterniveau je voor 99% zeker niet zult overschrijden. Het is een populaire "lijn in het zand". Het tweede instrument, Expected Shortfall (ES), is nog kritischer: het vraagt: "Oké, we weten dat het water misschien over de lijn gaat, maar als dat gebeurt, hoe diep zal het water dan daadwerkelijk zijn?" Dit is de gemiddelde diepte van de slechtste scenario's.

Decennialang hebben wiskundigen complexe modellen gebouwd om deze niveaus te voorspellen. Deze modellen hebben echter een geheim zwak punt: ze raken in paniek wanneer ze een "vreemd" datapunt zien. In de financiële wereld is een "vreemd" punt een uitschieter (outlier) — een plotselinge, enorme prijsschommeling of crash die niet in het gebruikelijke patroon past, zoals een meteoor die in een kalm meer slaat. Standaardmodellen behandelen deze meteoren alsof het slechts iets grotere regendruppels zijn, waardoor ze de gehele voorspelling voor de toekomst verstoren. Dit artikel, geschreven door Jie Wang en Buyun Xu, introduceert een nieuwe manier om deze modellen te bouwen die werkt als een schokdemper. In plaats van een enkele meteoor het hele systeem te laten crashen, leert hun nieuwe model de extreme pieken te negeren, zodat de peilstok nauwkeurig blijft, zelfs wanneer het weer chaotisch wordt.

---

Het Probleem: Wanneer één rotte appel de voorspelling bederft

Financiële markten zijn zelden rustig. Ze zitten vol verrassingen. Soms daalt een aandelenprijs met 10% op één dag vanwege een plotseling schandaal, of stijgt met 15% door een verrassend kwartaalcijfer. In de taal van de statistiek zijn dit uitschieters (outliers).

De standaardmodellen die worden gebruikt om VaR en ES te voorspellen, zijn als een zeer gevoelige, hightech thermostaat. Als je er een emmer ijskoud water over gooit, past de thermostaat niet alleen de temperatuur aan; hij raakt in paniek, denkt dat het hele huis bevroren is en zet de verwarming volledig uit. In de echte wereld betekent dit dat een enkele, enorme marktschok ervoor kan zorgen dat het model overreageert, waarbij het een ramp voorspelt die misschien nooit zal gebeuren, of erger nog, het volgende echte gevaar niet ziet omdat het te druk is met reageren op het vorige.

De auteurs van dit artikel merkten op dat hoewel deze modellen geweldig zijn in het afhandelen van normaal marktweer, ze vastlopen wanneer het "weer" extreem wordt. Ze wilden een model bouwen dat kon zeggen: "Oké, dat was een enorme piek, maar laten we niet toestaan dat dit de hele geschiedenis van hoe deze markt zich gedraagt herschrijft."

De Oplossing: De "Bounded Innovation Propagation" Schokdemper

Om dit op te lossen, introduceerden de onderzoekers een concept genaamd Bounded Innovation Propagation (BIP). Beschouw dit als een schokdemper voor de hersenen van het model.

Stel je voor dat je in een auto over een hobbelige weg rijdt. Het standaardmodel is als een auto zonder vering; elke keer als je een kuil raakt (een uitschieter), schudt de hele auto heftig en verliest de bestuurder de controle. Het nieuwe BIP-model is als een auto met zware vering. Wanneer je een enorme kuil raakt, wordt de vering samengedrukt om de klap op te vangen. De auto voelt de hobbel nog wel, maar slaat niet om.

In technische termen gebruikt het model een "begrensde functie" (bounded function). Dit is een wiskundige regel die zegt: "Hoe groot de schok ook is, het effect ervan op onze toekomstige voorspellingen zal nooit een bepaalde limiet overschrijden." Als een aandelenprijs met 50% daalt (een enorme uitschieter), behandelt het model het alsof de prijs slechts met bijvoorbeeld 10% is gedaald voor het doel van het bijwerken van de toekomstige voorspellingen. Het begrenst de schade.

Dit nieuwe model wordt BIP-CAViaR-FZ genoemd. Het combineert drie zaken:

1. CAViaR: Een flexibele manier om te volgen hoe het risico in de loop van de tijd verandert.
2. FZ Loss: Een speciaal scoresysteem dat controleert of zowel de VaR (de lijn) als de ES (de diepte) tegelijkertijd correct zijn.
3. BIP: De schokdemper die voorkomt dat uitschieters de score verpesten.

Wat de experimenten lieten zien

De auteurs gokten niet alleen dat dit zou werken; ze onderwierpen het aan rigoureuze tests met behulp van twee methoden: computersimulaties en real-world data.

1. Het Simulatie-laboratorium
Eerst creëerden ze duizenden nep-financiële markten in een computer. Ze programmeerden deze markten om verschillende soorten "weer" te hebben: sommige waren kalm (normale verdeling), sommige hadden zware staarten (frequente grote schokken) en sommige waren scheef (meer grote dalingen dan grote stijgingen). Ze injecteerden zelfs specifieke "meteoren" (uitschieters) in de data.

De resultaten waren duidelijk:

• Bij kalm weer: Het nieuwe model presteerde net zo goed als de oude modellen. Het maakte niets kapot.
• Bij stormachtig weer: Wanneer de data vol zat met uitschieters, raakten de oude modellen in de war en maakten ze grote fouten. Het nieuwe BIP-model hield echter zijn hoofd koel. Het voorspelde de risiconiveaus veel nauwkeuriger.
• Het "Heavy Tail"-effect: Het voordeel was het meest duidelijk wanneer de markt "zware staarten" had (wat betekent dat extreme gebeurtenissen vaker voorkomen dan een normale klokcurve zou suggereren) en bij het kijken naar zeer zeldzame gebeurtenissen (zoals een kans van 1% op een crash). In deze moeilijke scenario's was het nieuwe model aanzienlijk nauwkeuriger.

2. De Real-World Test
Vervolgens testten ze het model op echte aandelengegevens van vijf grote Amerikaanse technologiegiganten: Apple, Amazon, Alphabet (Google), Intel en Microsoft. Ze keken naar dagelijkse rendementen van 2006 tot 2025.

Ze ontdekten dat deze aandelenkoersen vol zitten met uitschieters. Zo vertoont de geschiedenis van Amazon bijvoorbeeld verschillende enorme pieken en dalen die op meteoren lijken. Toen ze het nieuwe BIP-model vergeleken met de standaardmodellen:

• Gladdere Voorspellingen: De standaardmodellen reageerden heftig op deze pieken, waardoor hun risicovoorspellingen wild op en neer sprongen. Het BIP-model produceerde veel gladdere, stabielere voorspellingen.
• Betere Nauwkeurigheid: Wanneer ze controleerden hoe goed de modellen de toekomst voorspelden, maakten de BIP-modellen minder fouten. Ze waren beter in het opvangen van de werkelijke risiconiveaus zonder te worden afgeleid door de ruis.
• De Kwadratische Modellen: De verbetering was vooral enorm voor de "kwadratische" versies van de modellen (die complexer zijn). Deze complexe modellen waren het meest gevoelig voor uitschieters, en de BIP-schokdemper redde hen van de ondergang.

Het eindoordeel

Het artikel suggereert dat door een "schokdemper" toe te voegen aan de manier waarop we financieel risico berekenen, we onze voorspellingen tijdens tijden van marktcchaos veel betrouwbaarder kunnen maken. De auteurs ontdekten dat het nieuwe BIP-CAViaR-FZ-model niet alleen overleeft in de aanwezigheid van uitschieters, maar er juist in floreert, door een robuustere manier te bieden om zowel de "lijn in het zand" (VaR) als de "diepte van de vloed" (ES) te voorspellen.

Hoewel de standaardmodellen nog steeds nuttig zijn op kalme dagen, betogen de auteurs dat in de echte wereld — waar financiële markten rommelig zijn en vol verrassingen zitten — deze nieuwe aanpak een slimmere, veiligere keuze is. Het negeert de slechte dagen niet; het zorgt er alleen voor dat één slechte dag niet de hele voorspelling verpest.