On a multivariate extension for Copula-based Conditional Value at Risk

Resumo Técnico: Extensão Multivariada para Valor Condicional em Risco Baseado em Cópula

Enunciado do Problema
O artigo aborda as limitações das medidas de risco clássicas, especificamente o Valor em Risco (VaR) e o Valor Condicional em Risco (CVaR), em contextos multivariados. Embora o VaR seja amplamente utilizado, ele carece de subaditividade e falha em capturar adequadamente o risco de cauda. O CVaR (ou Shortfall Esperado) melhora isso ao medir a perda esperada além do limiar do VaR, mas é tradicionalmente definido para carteiras univariadas. Extensões multivariadas existentes, como o CVaR Multivariado (MCVaR), frequentemente resultam em medidas de valor vetorial ou dependem de conjuntos de nível complexos que são difíceis de agregar. Além disso, embora o CVaR baseado em cópulas (CCVaR) ofereça uma maneira flexível de modelar dependência, pesquisas anteriores (por exemplo, Krzemienowski e Szymczyk, 2016; Molina Barreto e Ishimura, 2023) foram amplamente restritas a casos bivariados ou careciam de expressões de forma fechada para dimensões superiores. A lacuna específica identificada é a ausência de uma expressão generalizada, quase de forma fechada, para o CCVaR em dimensões $d \ge 2$ sob cópulas arquimedianas, que são comumente usadas em finanças devido à sua tratabilidade.

Metodologia
Os autores propõem uma extensão multivariada do CCVaR definida como a perda ponderada esperada de uma carteira, dado que a distribuição conjunta cai em um "conjunto desfavorável" definido pela cópula.

1. Estrutura Teórica:
   • O estudo utiliza o Teorema de Sklar para separar as distribuições marginais da estrutura de dependência (cópula).
   • Foca-se em cópulas arquimedianas, geradas por uma única função geradora $\varphi$. Essas cópulas são simétricas (permutáveis), uma suposição simplificada considerada aceitável para carteiras de ativos dentro de indústrias semelhantes.
   • O CCVaR é definido como a esperança condicional da perda da carteira $\lambda^T X$, dado que o valor da cópula $C(U_1, \dots, U_d) \ge \beta$, onde $\beta$ é o nível de confiança.
2. Derivação:
   • A contribuição metodológica central é a derivação de uma expressão quase de forma fechada para o CCVaR sob cópulas arquimedianas.
   • Esta derivação depende da função de distribuição de Kendall e de sua densidade, utilizando as propriedades da função geradora $\varphi$ e de sua inversa $\varphi^{-1}$.
   • Os autores expressam a medida de risco como uma integral envolvendo as derivadas da geradora inversa (até a ordem $d-1$) e funções auxiliares $f_i(t)$, que são definidas recursivamente com base na geradora.
   • A fórmula permite o cálculo do CCVaR sem recorrer a métodos puramente baseados em simulação, desde que as derivadas da geradora inversa sejam conhecidas (o que está disponível para famílias comuns como Clayton, Gumbel, Frank, Joe e Ali-Mikhail-Haq).

Principais Contribuições

1. Generalização para Dimensões Multivariadas: O artigo estende a definição do CCVaR do caso bivariado para dimensões arbitrárias $d \ge 2$ sob cópulas arquimedianas.
2. Expressão Quase de Forma Fechada: Os autores derivam uma fórmula integral específica (Teorema 3) que expressa o CCVaR em termos da função geradora, suas derivadas e a distribuição de Kendall. Isso facilita a análise teórica e a implementação numérica.
3. Coerência e Propriedades: O artigo examina as propriedades de coerência da medida proposta. Estabelece que o CCVaR satisfaz homogeneidade positiva, invariância translacional e monotonicidade. A subaditividade é mostrada como válida sob condições específicas (por exemplo, independência), embora o artigo observe que a subaditividade não é garantida em todos os casos multivariados gerais, consistente com a literatura existente sobre MCVaR.
4. Análise Comportamental: O estudo analisa como o CCVaR se comporta em relação ao nível de confiança $\beta$ e ao parâmetro de dependência $\theta$. Prova-se que o CCVaR é não decrescente em $\beta$ e investiga sua monotonicidade em relação a $\theta$ para famílias específicas de cópulas (por exemplo, decrescente para Clayton e Frank sob certas condições).

Resultados
O artigo apresenta experimentos numéricos utilizando dados reais de sete ações do setor de máquinas listadas no índice Nikkei 225.

1. Dados e Modelagem: Retornos logarítmicos negativos diários foram modelados usando processos AR(1)-GARCH(1,1) com distribuições Normal Padrão, t-Student e t-Assimétrica. Cópulas arquimedianas (Clayton, Frank, Gumbel, Joe, AMH) foram ajustadas usando o método de Funções de Inferência para Margens (IFM).
2. Desempenho Comparativo:
   • Conservadorismo: Os resultados numéricos mostram consistentemente que o CCVaR produz valores mais altos do que tanto o VaR clássico quanto o CVaR em todas as cópulas testadas e níveis de confiança ($\beta = 0,95; 0,99$). Os autores interpretam isso como o CCVaR sendo uma medida de risco mais conservadora, pois condiciona-se a todos os eventos conjuntos desfavoráveis (todo o conjunto $\mathcal{U}_\beta$) em vez de apenas à soma ponderada exceder um limiar.
   • Sensibilidade à Escolha da Cópula: Diferentemente do VaR e do CVaR, que mostram variação significativa dependendo da família de cópulas escolhida (por exemplo, Gumbel e Joe produzindo valores mais altos), os valores do CCVaR exibem pouca variabilidade entre diferentes especificações de cópula.
   • Sensibilidade à Cauda: O estudo confirma que distribuições marginais de cauda pesada (t-Student, t-Assimétrica) resultam em estimativas de risco mais altas em comparação com distribuições Normais.
   • Evolução Temporal: A análise com janela rolante demonstra que o CCVaR reage a períodos de alta volatilidade e mantém sua posição como a medida mais conservadora em relação ao VaR e ao CVaR ao longo do tempo.

Significado e Alegações
O artigo alega que o CCVaR multivariado proposto oferece uma alternativa robusta para a gestão de risco de carteiras, particularmente ao lidar com ativos que compartilham estruturas de dependência semelhantes (permutabilidade).

• Valor Teórico: A derivação da expressão quase de forma fechada preenche uma lacuna na literatura, permitindo o estudo analítico de medidas de risco em dimensões superiores sem depender exclusivamente de simulações de Monte Carlo computacionalmente intensivas.
• Implicação Prática: Os resultados sugerem que condicionar à ocorrência conjunta de eventos desfavoráveis (como o CCVaR faz) fornece uma reserva mais conservadora e potencialmente mais segura contra perdas extremas em comparação com condicionar à perda agregada da carteira exceder um limiar.
• Limitações e Trabalho Futuro: Os autores reconhecem modestamente que a suposição de permutabilidade das cópulas arquimedianas limita a aplicabilidade do modelo a carteiras altamente diversificadas com dependências heterogêneas. Eles observam que o comportamento do CCVaR em relação ao parâmetro de dependência $\theta$ em dimensões maiores que dois requer uma caracterização formal adicional, pois evidências numéricas sugerem monotonicidade, mas uma prova rigorosa é difícil de obter. Pesquisas futuras são propostas para explorar cópulas arquimedianas hierárquicas e cópulas em vinha para capturar estruturas de dependência mais complexas.