技术摘要：利用极端值随机模拟评估极端风险

问题陈述

气候学和金融等领域的风险管理高度依赖于对尾部风险（即低概率、高严重性的事件）的评估。该领域的一个主要挑战是数据稀缺性，特别是在多变量环境下，极端事件非常罕见。传统的基于极值理论（EVT）的参数化方法在多变量设置中往往面临局型限制，因为多变量极值的极限分布本质上是非参数化的，这需要复杂的模型选择以及对依赖结构（例如通过 Copula 实现的均匀依赖）的严格假设。此外，经验性的尾部风险指标（TRM）估计往往不稳定，或者在观测到的超过高阈值的样本量不足时无法计算。现有的非参数化条件尾部推断方法也受限于数据可用性和维度。

方法论

本文提出了两种非参数化模拟算法，旨在扩展多变量极值的样本，从而解决数据稀缺问题。这些算法基于多元广义帕累托（MGP）分布的随机表示，特别是利用了 Rootzén 等人（2018）提出的分解形式。

理论基础

该方法假设超过高阈值的向量收敛于标准 MGP 分布。一个标准 MGP 向量 $Z$ 可以分解为 $Z = E + T - \max(T)$，其中 $E$ 是单位指数变量，$T$ 是一个与 $E$ 独立的 $d$ 维随机向量。这种分解允许通过差值 $\Delta_{j,k} = T_j - T_k$ 来表示向量的分量。

算法 1：非参数联合 MGP 模拟

该算法生成新的独立同分布（i.i.d.）标准 MGP 向量样本，以扩展数据集用于联合风险评估。

1. 转换： 将观测数据标准化为指数边际分布，并转换为标准 MGP 向量 $Z$。
2. 差值计算： 基于第一个分量计算差值向量 $\Delta^{(1)}$。
3. 模拟：
   • 生成新的单位指数变量 $E_\ell$。
   • 通过非参数自助法（从观测到的差值中进行重采样）生成新的差值向量 $\Delta^{(1)}$ 的实现。
   • 使用随机关系 $Z_j = E + \sum \Delta_{j,k} \prod \mathbb{1}_{\Delta_{\ell,k}<0}$ 重构新的 MGP 向量 $\tilde{Z}$。
4. 输出： 将模拟向量投影回原始空间以估计风险指标。

算法 2：非参数条件 MGP 模拟

该算法在其他风险因子 $X_{-j}$ 处于极端水平时，生成特定风险因子 $X_j$ 的样本。这有助于进行条件尾部分布的推断。

1. 条件分布推导： 算法推导了给定 $Z_{-j} = z_{-j}$ 时差值变量 $\Delta_{q,j}$ 的条件密度。根据条件向量的最大值 $z^* = \max(z_{-j})$，区分了三种情况：
   • 情况 1：$z^* > 0$ 且 $z^* = z_q$。
   • 情况 2：$z^* > 0$ 且 $z^* \neq z_q$。
   • 情况 3：$z^* \leq 0$。
2. 采样：
   • 在情况 1 和情况 3 中（即条件分布独立于 $z_{-j}$ 的具体数值时），直接使用自助法。
   • 在情况 2 中（即分布依赖于 $z_{-j}$ 时），采用结合了自助法与拒绝算法的拒绝采样法，以确保采样符合正确的条件密度。
3. 输出： 在给定 $Z_{-j}$ 的条件下生成 $Z_j$ 的新实现，从而允许估计条件期望。

主要贡献

1. 向多维扩展： 作者将 Legrand 等人（2023）提出的二元模拟算法推广到了任意维度（$d > 2$），从而能够分析复杂的高维风险因子。
2. 非参数灵活性： 通过依赖自助法和 MGP 向量的随机表示，该方法避免了多变量 EVT 中通常要求的限制性参数假设（如特定的 Copula 族）。
3. 双重模拟方案： 本文提供了一个统一的框架，既用于联合模拟（以估计无条件尾部风险指标），也用于条件模拟（以推断与条件尾部分布相关的量）。
4. 理论验证： 本文包含了严谨的理论证明（命题 7.1–7.6），证明了模拟样本收敛于正确的标准 MGP 分布，并且条件算法中的拒绝采样法是有效的。

结果

算法的性能通过合成数据（由 Student's $t$-分布和 Gumbel Copula 模型化的金融回报数据）和真实金融数据（汇丰银行、劳埃德银行和 RBS 的每周负回报率）进行了评估。

• 尾部风险指标 (TRM) 估计：

  • 联合模拟算法显著改善了风险价值（VaR）、预期缺口（ES）、边际预期缺口（MES）和依赖条件尾部期望（DCTE）的估计。
  • 与仅使用原始样本相比，模拟及扩展后的样本降低了相对近似误差和离散度，尤其是在高置信水平（$\alpha \in \{0.9975, 0.999, 0.9997\}$）下。
  • 该方法成功地在原始样本包含零个或极少数超额观测值的场景下估计了 TRM（例如，对于某些股票，使用原始数据无法进行 DCTE 估计，但通过模拟则可以实现）。

• 条件期望估计：

  • 条件模拟算法通过线性回归进行了测试，以估计 $\mu(x_{-j}) = E[X_j | X_{-j} = x_{-j}]$。
  • 在合成数据中，条件模拟方法产生的误差低于线性回归，且随着条件观测值变得更加极端，这种优势愈发明显。
  • 在实际数据应用中，模拟方法提供的冲击估计值与线性回归相当或更具稳健性，特别是对于线性回归表现较差的重尾资产（如劳埃德和 RBS）。

意义与主张

本文声称，所提出的非参数模拟方案有效地解决了极端风险管理中数据稀缺的关键问题。通过随机模拟扩展可用数据集，作者证明了以下目标是可以实现的：

• 超越观测到的历史数据范围进行外推。
• 即使在观测到的极端情况数量极其有限的情况下，也能获得更可靠、更稳定的尾部风险指标（ES, MMES, DCTE）估计。
• 在传统回归或参数化方法难以处理的高维设置下，进行条件尾部分布的推断。

作者将这些算法定位为风险管理人员在需要量化极端情况下风险时的实用工具。他们指出，虽然目前的实现是在模拟数据上使用经验估计量，但未来的工作可以将这些模拟方法与更先进的估计技术相结合。本文结论认为，这些方法增强了极端区域的观测数量，从而在不施加限制性参数模型来定义依赖结构的前提下，提供了更值得信赖的风险指标。