Resumo Técnico: Avaliação de Risco Extremo usando Simulação Estocástica de Extremos

Declaração do Problema

A gestão de risco em diversos setores, como a climatologia e as finanças, depende fortemente da avaliação de riscos de cauda — eventos com baixa probabilidade, mas alta severidade. Um desafio primordial neste domínio é a escassez de dados, particularmente em contextos multivariados, onde eventos extremos são raros. As abordagens paramétricas tradicionais baseadas na Teoria do Valor Extremo (EVT) frequentemente enfrentam limitações em cenários multivariados porque a distribuição limite dos extremos multivariados não é inerentemente paramétrica, o que exige uma seleção de modelo complexa e suposições restritivas sobre as estruturas de dependência (por exemplo, dependência uniforme via cópulas). Além disso, as estimativas empíricas de métricas de risco de cauda (TRMs) são frequentemente instáveis ou impossíveis de calcular quando o número de excessos observados acima de um limiar elevado é insuficiente. Métios não paramétricos existentes para inferência de cauda condicional também são limitados pela disponibilidade de dados e dimensionalidade.

Metodologia

O artigo propõe dois algoritmos de simulação não paramétricos projetados para estender amostras de extremos multivariados, abordando, assim, a escassez de dados. Esses algoritmos fundamentam-se na representação estocástica de distribuições de Pareto Generalizado Multivariado (MGP), utilizando especificamente a decomposição derivada por Rootzén et al. (2018).

Fundamentação Teórica

A abordagem assume que o vetor de excessos acima de um limiar elevado converge para uma distribuição MGP padrão. Um vetor MGP padrão $Z$ pode ser decomposto como $Z = E + T - \max(T)$, onde $E$ é uma variável exponencial unitária e $T$ é um vetor aleatório de $d$ dimensões independente de $E$. Esta decomposição permite a representação dos componentes do vetor através de diferenças $\Delta_{j,k} = T_j - T_k$.

Algoritmo 1: Simulação MGP Conjunta Não Paramétrica

Este algoritmo gera novas amostras independentes e identicamente distribuídas (i.i.d.) de um vetor MGP padrão para expandir o conjunto de dados para avaliação de risco conjunta.

1. Transformação: Os dados observados são padronizados para margens exponenciais e transformados em um vetor MGP padrão $Z$.
2. Cálculo de Diferença: O algoritmo calcula o vetor de diferenças $\Delta^{(1)}$ baseado no primeiro componente.
3. Simulação:
   • Novas variáveis exponenciais unitárias $E_\ell$ são geradas.
   • Novas realizações do vetor de diferença $\Delta^{(1)}$ são geradas via bootstrap não paramétrico (reamostragem das diferenças observadas).
   • Novos vetores MGP $\tilde{Z}$ são reconstruídos usando a relação estocástica $Z_j = E + \sum \Delta_{j,k} \prod \mathbb{1}_{\Delta_{\ell,k}<0}$.
4. Saída: Os vetores simulados são projetados de volta para o espaço original para estimar as métricas de risco.

Algoritmo 2: Simulação MGP Condicional Não Paramétrica

Este algoritmo gera amostras de um fator de risco específico $X_j$ condicionado ao fato de outros fatores de risco $X_{-j}$ estarem em níveis extremos. Isso facilita a inferência de distribuições de cauda condicional.

1. Derivação da Distribuição Condicional: O algoritmo deriva a densidade condicional da variável de diferença $\Delta_{q,j}$ dado $Z_{-j} = z_{-j}$. Três casos são distinguidos com base no valor máximo do vetor condicionante $z^* = \max(z_{-j})$:
   • Caso 1: $z^* > 0$ e $z^* = z_q$.
   • Caso 2: $z^* > 0$ e $z^* \neq z_q$.
   • Caso 3: $z^* \leq 0$.
2. Amostragem:
   • Nos Casos 1 e 3, onde a distribuição condicional é independente dos valores específicos de $z_{-j}$, utiliza-se o bootstrap diretamente.
   • No Caso 2, onde a distribuição depende de $z_{-j}$, um método de amostragem por rejeição é empregado, combinando bootstrap com um algoritmo de rejeição para garantir que a densidade condicional correta seja amostrada.
3. Saída: Novas realizações de $Z_j$ são geradas condicionalmente a $Z_{-j}$, permitindo a estimativa de expectativas condicionais.

Principais Contribuições

1. Extensão para Dimensões Multivariadas: Os autores generalizam os algoritmos de simulação bivariada propostos por Legrand et al. (2023) para dimensões arbitrárias ($d > 2$), permitindo a análise de fatores de risco complexos e de alta dimensão.
2. Flexibilidade Não Paramétrica: Ao basear-se em bootstrapping e na representação estocástica de vetores MGP, o método evita as suposições paramétricas restritivas frequentemente exigidas na EVT multivariada, como famílias específicas de cópulas.
3. Esquemas de Simulação Duplos: O artigo fornece um framework unificado tanto para simulação conjunta (para estimar métricas de risco de cauda incondicionais) quanto para simulação condicional (para inferir quantidades relacionadas a distribuições de cauda condicional).
4. Validação Teórica: O artigo inclui provas teóricas rigorosas (Proposições 7.1–7.6) demonstrando que as amostras simuladas convergem para a correta distribuição MGP padrão e que o método de amostragem por rejeição no algoritmo condicional é válido.

Resultados

O desempenho dos algoritmos foi avaliado utilizando tanto dados sintéticos (retornos financeiros modelados com distribuições Student's $t$ e cópulas Gumbel) quanto dados financeiros reais (retornos semanais negativos do HSBC, Lloyds e RBS).

• Estimativa de Métricas de Risco de Cauda (TRM):

  • O algoritmo de simulação conjunta melhorou significativamente a estimativa de Value at Risk (VaR), Expected Shortfall (ES), Marginal Expected Shortfall (MES) e Dependent Conditional Tail Expectation (DCTE).
  • Comparado ao uso apenas da amostra original, as amostras simuladas e estendidas reduziram os erros de aproximação relativa e a dispersão, particularmente em níveis de confiança elevados ($\alpha \in \{0.9975, 0.999, 0.9997\}$).
  • O método estimou com sucesso TRMs em cenários onde a amostra original continha zero ou pouquíssimos excessos (por exemplo, a estimativa de DCTE para certas ações era impossível com os dados originais, mas tornou-se viável com a simulação).

• Estimativa de Expectativa Condicional:

  • O algoritmo de simulação condicional foi testado contra regressão linear para estimar $\mu(x_{-j}) = E[X_j | X_{-j} = x_{-j}]$.
  • Em dados sintéticos, a abordagem de simulação condicional apresentou erros menores do que a regressão linear, com a vantagem aumentando à medida que as observações condicionantes tornavam-se mais extremas.
  • Em aplicações de dados reais, a abordagem de simulação forneceu estimativas de choque que foram comparáveis ou mais robustas que a regressão linear, particularmente para ativos com caudas mais pesadas (Lloyds e RBS), onde a regressão linear é conhecida por ser menos adequada.

Significância e Alegações

O artigo afirma que os esquemas de simulação não paramétricos propostos abordam eficazmente a questão crítica da escassez de dados na gestão de risco extremo. Ao expandir o conjunto de dados disponível através de simulação estocástica, os autores demonstram que é possível:

• Extrapolar além do alcance dos dados históricos observados.
• Obter estimativas mais confiáveis e estáveis de métricas de risco de cauda (ES, MMES, DCTE), mesmo quando o número de excessos observados é extremamente limitado.
• Realizar inferência sobre distribuições de cauda condicional em configurações de alta dimensão onde métodos de regressão tradicionais ou paramétricos enfrentam dificuldades.

Os autores posicionam esses algoritmos como ferramentas práticas para gestores de risco que precisam quantificar riscos sob circunstâncias extraordinárias, onde os dados históricos são insuficientes. Eles observam que, embora a implementação atual utilize estimadores empíricos nos dados simulados, trabalhos futuros poderiam integrar essas abordagens de simulação com técnicas de estimação mais sofisticadas. O artigo conclui que esses métodos aumentam a quantidade de observações em regiões extremas, levando a métricas de risco mais confiáveis sem impor modelos paramétricos restritivos à estrutura de dependência.