Quantitatives
Risikomanagement
Korrelation und Abhängigkeit im Risikomanagement:
Eigenschaften und Irrtümer
von Jan Hahne und Wolfgang Tischer
Agenda
1. Einführung in die Themenstellung 2. Grundlagen: Copula
3. Konzepte der Abhängigkeitsmodellierung
4. Irrtümer bzgl. Korrelation und Abhängigkeit
5. Fazit
1. Einführung in die
Themenstellung
1. Einführung in die Themenstellung
2. Grundlagen: Copula
2.1 Definition der Copula
Grundsätzliche Idee: Modellierung der Abhängigkeit soll zurückgeführt werden auf die gemeinsame Verteilungsfunktion.
• Gegeben seien: n Zufallsvariablen X1, … , Xn sowie deren gemeinsame Verteilungsfunktion F
• Dann gilt bekanntlich: F(x1 , … , xn) = P (X1 ≤ x1 , … , Xn ≤ xn)
• Um zur Copula zu gelangen wird der folgende Satz benötigt:
Satz 2.1: Sei X eine Zufallsvariable mit zugehöriger Verteilungsfunktion F. Sei weiterhin F-1 die Quantilfunktion zu F, also: F-1(α) = inf { x |F(x) ≥ α }, wobei α Є (0,1). Dann gilt:
1. Für jede standard-gleichverteilte Zufallsvariable U~ U(0,1) ist F-1(U) ~ F.
2. Wenn F stetig ist, so ist die Zufallsvariable F(X) standard-gleichverteilt, also F(X) ~ U(0,1).
2.1 Definition der Copula
• Besitzen die X1, … , Xn stetige Randverteilungsfunktionen, so kann der Vektor X = (X1, … , Xn)‘ nach Satz 2.1 derart transformiert werden, dass jede Komponente eine standard-gleichverteilte Randverteilung besitzt.
• Die benötigte Transformation T : ℝn → ℝn bildet (x1 , … , xn)‘ auf (F1(x1) , … , Fn(xn))‘ ab, so dass:
F(x1 , … , xn) = P (F1(X1) ≤ F1(x1) , … , Fn(Xn) ≤ Fn(xn)) = C(F1(x1) , … , Fn(xn))
• C ist die gemeinsame Verteilungsfunktion des transformierten Vektors (F1(X1) , … , Fn(Xn))‘.
• Man nennt C die Copula des Zufallsvektors (X , … , X )‘.
2.1 Definition der Copula
Definition 2.1: Eine n-dimensionale Copula ist eine Verteilungsfunktion eines Zufallsvektors X Є ℝn, deren Randverteilungen alle (0,1) – gleichverteilt sind.
Äquivalent zur obigen Definition kann eine Copula definiert werden als Funktion C : [0,1]n→ [0,1] mit den drei Eigenschaften:
1. C(x1 , … , xn) ist monoton steigend in jeder Komponente xi . 2. C(1 , … , 1 , xi , 1 , … , 1) = xi für alle i Є [0,1].
3. Für alle (a1 , … , an), (b1 , … , bn) Є [0,1]n, mit ai ≤ bi gilt:
2
1
2
1
...
1
11
1
( ,..., ) 0 ,
) 1 ( ...
i i
i i
n
nin i
n
C x x
mit xj1 = ajund xj2 = bjfür alle j Є {1,…,n}. Die Summe kann interpretiert werden als:
P(a1 ≤ X1 ≤ b1 , ... , an ≤ Xn ≤ bn) ≥ 0.
2.1 Definition der Copula
Zusammenfassend kann also festgehalten werden:
• Die gemeinsame Verteilungsfunktion F enthält vollständige
Informationen über die gesamte Abhängigkeitsstruktur zwischen Zufallsvariablen
• Idee bei Verwendung der Copula: Teile die gemeinsame Verteilungsfunktion F in zwei Komponenten auf.
Die eindimensionalen Randverteilungen F1, … , Fn
Die Copula C
• Der Copula-Ansatz ermöglicht eine sehr flexible Modellierung:
die Verteilung der einzelnen Zufallsvariablen kann getrennt von der Abhängigkeit zwischen den
Zufallsvariablen festgelegt werden.
Die Abhängigkeitsstruktur die zwischen den
2.2 Der Satz von Sklar
Der bedeutendste Satz in Bezug auf Copulas ist der Satz von Sklar.
Satz 2.2:
1. Sei F eine multivariate Verteilungsfunktion mit Randverteilungs-
funktionen F1, … , Fn. So existiert eine Copula C : [0,1]n→ [0,1], s.d. für alle x1, … , xnЄ ℝ gilt:
F(x1 , … , xn) = C(F1(x1) , … , Fn(xn)).
Die Herleitung wurde oben bereits gezeigt.
Falls F1, … , Fn stetig sind, so ist die Copula C sogar eindeutig bestimmt. 2. Seien nun umgekehrt eine Copula C sowie die eindimensionalen
Verteilungsfunktionen F1, … , Fngegeben, dann ist die durch:
F(x1 , … , xn) = C(F1(x1) , … , Fn(xn))
definierte Verteilungsfunktion F eine multivariate Verteilung mit den Randverteilungen F1, … , Fn .
2.2 Der Satz von Sklar
Interpretation der beiden Aussagen des Satzes von Sklar:
Erster Teil des Satzes:
Eine beliebige multivariate Verteilung lässt sich in ihre Randverteilungen und in eine Copula aufteilen.Für stetige Randverteilungen ist die Copula dabei eindeutig.
2.2 Der Satz von Sklar
Der Satz von Sklar gibt jedoch lediglich an, dass diese Überführung möglich ist. Wie dies konkret umgesetzt werden kann wird nicht deutlich.
Es ist aber folgendermaßen vorzugehen:
• Bei bekannter multivariater Verteilungsfunktion F können die eindimensionalen Randverteilungen F
1, … , F
nbestimmt werden.
• Sind nun die Zufallsvariablen X
1, … , X
nmit zugehörigen Verteilungsfunktionen F
1, … , F
nbekannt. Sei weiterhin
u
i= P(X
i≤ x
i) = F
i(x
i) und daher u
iЄ [0,1] für alle i Є {1 , … , n}, so folgt:
C(u
1, … , u
n) = F(F
1-1(u
1) , … , F
n-1(u
n)).
2.2 Der Satz von Sklar
Interpretation der beiden Aussagen des Satzes von Sklar:
Zweiter Teil des Satzes:
• Aus n gegebenen einzelnen Verteilungen F1, … , Fnund einer Copula C kann eine gemeinsame Verteilungsfunktion F
konstruiert werden, welche die F1, … , Fn als Randverteilungen besitzt.
• Umsetzung: Setze die F1, … , Fn in die Copula C ein.
2.3 Invarianz unter streng monoton steigenden Transformationen
Copulas besitzen eine Eigenschaft, die für praktische Anwendungen sehr nützlich ist:
Satz 2.3:
Sei C eine Copula zu (X1 , … , Xn)‘. Dann ist C für alle streng monoton steigenden stetigen Transformationen T1, … , Tn ebenfalls die Copula zu (T1(X1) , … , Tn(Xn))‘.
Erläuterung des Vorteils dieser Eigenschaft an einem Beispiel:
• Die Abhängigkeit von Verlusten mehrerer Einzelrisiken sind in der Einheit Euro durch eine Copula C modelliert.
• Übergang von Euro zu Dollar: streng monoton steigende Transformation.
• Das Modell in Dollar-Beträgen besitzt dieselbe Copula C wie das Euro- Modell.
• Achtung: Die Randverteilungen, die die Verteilungen der Einzelrisiken beschreiben müssen in der Regel an die neuen Skalen angepasst werden.
2.4 Beispiele für Copulas
Hier werden zwei klassische Beispiele für Copulas vorgestellt werden.
Betrachtung im 2-dimensionalen, d.h. gegeben sind:
• Zwei Zufallsvariablen X und Y mit Verteilungsfunktionen F
1und F
2• Sei u
1= P(X ≤ x
1) = F
1(x
1) bzw. u
2= P(Y ≤ x
2) = F
2(x
2), also u
1,u
2Є [0,1].
• Wie oben gezeigt, gilt:
C(u
1, u
2) = F(F
1-1(u
1) , F
2-1(u
2)) (*)
• Randverteilungen F1 und F2 sind univariate Normalverteilungen. Die Verteilungsfunktionen werden mit φ bezeichnet.
• F ist Verteilungsfunktion der bivariaten Normalverteilung N2(0,ψ). Sie wird hier mit φρ bezeichnet.
• Gemäß (*) ergibt sich die Gauß-Copula als:
C
ρGa(u
1, u
2) = φ
ρ(φ
-1(u
1) , φ
-1(u
2))
• Sind anders herum die Gauß-Copula und die zwei normalverteilten Risiken X und Y mit den Verteilungsfunktionen F1 und F2 und
Korrelationskoeffizient ρ gegeben, ergibt sich:
F(x
1, x
2) = C
ρGa(F
1(x
1) , F
2(x
2))
• Die Gauß-Copula ist genau diejenige Copula, die mehrere univariate Normalverteilungen zu einer multivariaten Normalverteilung
zusammenführt.
2.4.1 Die Gauß-Copula
2.4.2 Die Gumbel-Copula
•Gegeben ist ein Parameter Θ Є [0,1].
•Die Gumbel-Copula ist dann gegeben als:
C
ΘGu(u
1, u
2) = exp ( - ( ( - log u
1)
1/Θ+ ( - log u
2)
1/Θ))
Θ)
•Modelliert man Abhängigkeit zwischen Zufallsvariablen mit der Gumbel-Copula kann durch den Parameter Θ jede positive
Abhängigkeitsstruktur zwischen Unabhängigkeit (Θ = 1) und
perfekter Abhängigkeit (Θ → 0) abgedeckt werden.
3. Konzepte der
Abhängigkeitsmodellierung
3. Konzepte der Abhängigkeitsmodellierung
• Definitionen und Eigenschaften
• Unterschiede
• Vor- und Nachteile
Konzepte der Abhängigkeitsmodellierung zwischen Zufallsvariablen
Lineare
Korrelation Komonotonie Rang-
korrelation Tail
Abhängigkeit Konkordanz
3.1 Lineare Korrelation
Konzepte der Abhängigkeitsmodellierung zwischen Zufallsvariablen
Lineare
Korrelation Komonotonie Rang-
korrelation Tail
Abhängigkeit Konkordanz
3.1.1 Definition der linearen Korrelation
Das am häufigsten verwendete Maß zur Modellierung von Abhängigkeiten.
Idee: Die Stärke des linearen Zusammenhangs zwischen zwei Zufallsvariablen in Form einer Maßzahl – dem linearen Korrelationskoeffizienten – ausdrücken.
Definition 3.1: Der Pearsonsche bzw. lineare Korrelationskoeffizient
zweier Zufallsvariablen X und Y (mit 0 < Var(X), Var(Y) < ∞) ist definiert als:
ρ(X,Y) Є [-1,1]
ρ(X,Y) = 0: unkorrelierte Zufallsvariablen. Also kein linearer Zusammenhang.
) ( )
(
) , ) (
,
( Var X Var Y
Y X Y Cov
X
3.1.2 Vor- und Nachteile der linearen Korrelation
Vorteile der linearen Korrelation:
• Einfach zu bestimmen (nur Berechnung zweiter Momente)
• Bestimmung der Korrelation von linear transformierten Zufallsvariablen sehr elegant möglich, da für a,c Є \ {0} und b,d Є :
und daher:
D.h. insbesondere: lineare Korrelation invariant unter positiven affinen Transformationen.
• Für sphärische und elliptische Verteilungen kann die gesamte
Abhängigkeitsstruktur zweier Zufallsvariablen über die Korrelation beschrieben werden. Zu den elliptischen Verteilungen zählt auch die Normalverteilung (daher viele Anwendungsgebiete wo die Benutzung der linearen Korrelation Sinn macht).
) , ( )
,
(aX b cY d ac Cov X Y
Cov
) ,
| (
|
| ) |
,
( X Y
c c a
d a cY b
aX
3.1.2 Vor- und Nachteile der linearen Korrelation
Nachteile der linearen Korrelation:
• Korrelationskoeffizient ist nur definiert falls eine Verteilung mit endlicher Varianz vorliegt. (z.B. Probleme für heavy-tailed
Verteilungen).
• Lediglich Messung der linearen Abhängigkeit.
• Zwar invariant unter positiven affinen Transformationen aber nicht invariant unter streng monoton steigenden
Transformationen T. D.h. ρ(X,Y) ≠ ρ(T(X),T(Y)).
Die Abbildung fasst das bedeutendste Problem bei der Verwendung der Korrelation als Abhängigkeitsmaß zusammen.
• Gleiche Randverteilungen
• Gleiche Korrelation
• Aber deutlich unterschiedliche Abhängigkeitsstrukturen
3.1.2 Vor- und Nachteile der linearen Korrelation
Exkurs: Sphärische und elliptische
Verteilungen
E.1 Sphärische Verteilungen
• Erweiterung der multivariaten Normalverteilung N
n(0,I).
• Klasse symmetrischer Verteilungen für unkorrelierte Zufalls- variablen mit Mittelwert 0.
Definition 3.2: Ein Zufallsvektor X =
(X
1 , … , Xn)‘ hat einesphärische Verteilung, wenn für jede orthogonale Matrix U Є
n x n(also U’U = UU’ = I
n x n) die folgende Gleichung erfüllt ist:
UX =d X²
•
A =d Bbedeutet: ,,A besitzt dieselbe Verteilung wie
B”.E.1 Sphärische Verteilungen
Definition 3.3: Für alle t Є n ist die charakteristische Funktion φ : ℝ n → einer n-dimensionalen Zufallsvariablen X definiert als:
φX(t) = E(exp(it‘X))
•
Die charakteristische Funktion sphärischer Verteilungen nimmt eine sehr einfache Form an, denn es existiert eine Funktion
γ : 0+→0+
, sodass:
φ(t)
=
γ(t‘t) = γ(t1² + … + t2²).• Die Funktion γ wird als charakteristischer Generator der sphärischen
Verteilung bezeichnet. Man schreibt daher auch:
E.1 Sphärische Verteilungen
Bemerkungen zu sphärischen Verteilungen:
1. Sphärische Verteilungen sind i.A. Verteilungen unkorrelierter – nicht jedoch unabhängigker – Zufallsvariablen.
2. Die multivariate Normalverteilung ist die einzige Verteilung unter den sphärischen Verteilungen, bei der die Zufallsvariablen auch unabhängig sind.
3. X ~ Sn(γ) ist äquivalent zu X =d RU, wobei U auf der Einheitskugel Sn-1= { x Є | x’x = 1 } gleichverteilt ist und R ≥ 0 eine von U
unabhängige Zuvallsvariable darstellt.
Die 3. Bemerkung ermöglicht eine Interpretation sphärischer Verteilungen als n-dimensionale Gleichverteilung auf Umgebungen mit verschiedenen Radien.
E.2 Elliptische Verteilungen
• Erweiterung der multivariaten Normalverteilung Nn(μ,∑).
• Klasse symmetrischer Verteilungen mit Mittelwert μ und Kovarianzmatrix ∑.
• Mathematisch gesehen: affine Transformationen sphärischer Verteilungen.
Definition 3.4: Sei eine affine Transformation T : n → n mit T(x) = Ax + μ, A Є n x n, μ Є n gegeben. Ein Zufallsvektor X Є n hat eine elliptische
Verteilung, falls X = T(Y), wobei Y ~ Sn(γ).
Die charakteristische Funktion ist gegeben als:
φ(t) = exp(it‘μ) γ(t‘ ∑ t), mit ∑ = AA‘.
• Notation: X ~ E (μ , ∑ , γ)
E.2 Elliptische Verteilungen
Bemerkungen zu elliptischen Verteilungen:
1. Die Verteilung von X bestimmt nur μ ŝŶĞŝŶĚĞƵƟŐĞƌt ĞŝƐĞ͘єƵŶĚγ sind nur bis auf eine positive Konstante bestimmt.
2. Es ist möglich ∑ so zu wählen, dass sie die Kovarianzmatrix von X darstellt.
Insgesamt bedeutet dies:
Eine elliptische Verteilung ist eindeutig definiert durch:
• Mittelwert μ
• Kovarianzmatrix ∑
• Charakteristischer Generator γ
Insbesondere: Die Varianz einer elliptisch verteilten Zufallsvariablen ist
endlich der lineare Korrelationskoeffizient für solch eine Zufallsvariable ist wohldefiniert.
Elliptische Verteilungen besitzen einige sehr nützliche Eigenschaften:
• Jede Linearkombination eines elliptisch verteilten Zufallsvektors ist selbst wieder elliptisch verteilt und besitzt sogar den selben charakteristischen Generator.
• Die Randverteilungen elliptischer Verteilungen sind ebenfalls elliptisch verteilt und besitzen den selben charakteristischen Generator.
• Sei die Kovarianzmatrix єĂůƐƉŽƐŝƟǀ ĚĞĮ Ŷŝƚǀ ŽƌĂƵƐŐĞƐĞƚnjƚ͘ ĂŶŶŝƐƚĚŝĞďĞĚŝŶŐƚĞ Verteilung X1 unter X2 auch elliptisch verteilt – allerdings i.A. mit einem anderen charakteristischen Generator.
Alle Randverteilungen elliptisch Elliptische Verteilung eindeutig durch Mittelwert, Kovarianzmatrix und Verteilungstypen bestimmt.
Anders ausgedrückt: Gesamte Abhängigkeitsstruktur stetiger, elliptischer Verteilungen eindeutig festgelegt durch Korrelationsmatrix und Verteilungstypen.
Jegliche Form von Abhängigkeit wird für elliptisch verteilte Zufallsvariablen komplett über den linearen
E.3 Korrelation und Kovarianz als natürliche
Abhängigkeitsmaße in der Welt elliptischer Verteilungen
Elliptische Verteilungen begünstigen den Einsatz vieler mathematischer Standard-Modelle. (Z.B. Markowitz-Modell und Value-at-Risk).
Konzentration auf Value-at-Risk (VaR):
• Gegeben sei ein elliptisch verteilter Zufallsvektor X = (X1 , … , Xn)‘, wobei Xi das Risiko i modelliert.
• Definiere die Menge linearer Portfolios, die aus diesen n Risiken bestehen als:
• Die Verteilungsfunktion von Portfolio Z ist gegeben durch FZ und der VaR zu vorgegebener Wahrscheinlichkeit α ist bekanntermaßen:
VaR
α(Z)
= FZ-1(α) =inf {
z Є|
FZ(z)≥
α}
• VaR als Risikomaß besitzt für elliptische Verteilungen eine besondere Eigenschaft.
E.4 Kovarianz und elliptische Verteilungen im Risikomanagement
}.
R
| {
1
i i i
n
i
X
Z
E.4 Kovarianz und elliptische Verteilungen im Risikomanagement
Definition 3.5: Ein Risikomaß ist eine Funktion ξ mit: X ξ (X). D.h. ein Risikomaß ordnet jedem Risiko X eine reelle Zahl zu.
Definition 3.6: Ein kohärentes Risikomaß (nach Atzner, Delbaen, Eber und Heath) ist ein Risikomaß mit folgenden Eigenschaften:
1. Positivität: Für jedes X ≥ 0 ist: ξ(X) ≥ 0
2. Subadditivität: Für alle X und Y gilt: ξ(X + Y) ≤ ξ(X) + ξ(Y).
3. Positive Homogenität:Für jedes λ ≥ 0 ist: ξ(λX) = λξ(X).
4. Translationsinvarianz: Für jedes a Є gilt: ξ(X + a) = ξ(X) + a.
• Der VaR ist i.A. kein kohärentes Risikomaß, da er nicht subadditiv ist.
3.2 Alternative Abhängigkeitsmaße
Konzepte der Abhängigkeitsmodellierung zwischen Zufallsvariablen
Lineare
Korrelation Komonotonie Rang-
korrelation Tail
Abhängigkeit Konkordanz
3.2.1 Komonotonie
Konzepte der Abhängigkeitsmodellierung zwischen Zufallsvariablen
Lineare
Korrelation Komonotonie Rang-
korrelation Tail
Abhängigkeit Konkordanz
3.2.1 Komonotonie
Definition 3.7: Zwei Risiken X und Y werden komonoton genannt, wenn es eine Zufallsvariable Z und zwei monoton steigende Funktionen f1 und f2gibt, sodass:
X = f1(Z) und Y = f2(Z)
gilt. Wenn f1 eine monoton steigende Funktion ist und f2 monoton fällt, so spricht man von kontramonotonen Zufallsvariablen.
• Die Entwicklung der beiden Risiken hängt komplett von einem einzigen gemeinsamen Faktor ab.
• Komonotone Risiken können sich niemals ausgleichen extremste Form positiver Abhängigkeit.
• Steigt das eine Risiko von zwei kontramonotonen Risiken, so sinkt das andere Risiko extremste Form negativer Abhängigkeit.
• Sind X undY komonotone Zufallsvariablen, so gilt:
VaR (X + Y) = VaR (X) + VaR (Y).
3.2.1.1 Fundamentale Copulas
Komonotonie und Kontramonotonie lassen sich – zumindest im
Zweidimensionalen – durch bestimmte Copulas modellieren. Zusammen mit der Unabhängigkeits-Copula bilden sie die fundamentalen Copulas.
Definition 3.8: Die Komonotonie-Copula Cowird für alle (u1,u2) Є [0,1]² definiert durch:
Co(u1,u2) = min(u1,u2).
Definition 3.9: Die Kontramonotonie-Copula Cu wird für alle (u1,u2) Є [0,1]² definiert durch:
Cu(u1,u2) = max(u1 + u2 -1 , 0).
Definition 3.10: Die Unabhängigkeits-Copula Cid wird für alle (u1,u2) Є [0,1]² definiert durch:
3.2.1.2 Die Schranken von Fréchet
• Perfekte negative Abhängigkeit, Unabhängigkeit, perfekte positive Abhängigkeit lassen sich mit fundamentalen Copulas darstellen.
• Sie stehen zu vielen anderen Copulas in einer interessanten Beziehung.
(z.B. Gumbel-Copula: ,,interpoliert” zwischen Unabhängigkeits- und Komonotonie-copula).
Eine weitere wichtige Beziehung liefern die Fréchet-Schranken.
Satz 3.2: Für jede n-dimensionale Copula C(u1, … , un) gilt:
max {u1 + … + un + 1 – n , 0} ≤ C(u1, … , un) ≤ min {u1, … , un}.
• Im zweidimensionalen Fall gilt also genau: Cu ≤ C(u1, u2) ≤ Co.
• Für höhere Dimensionen sind die Schranken ähnlich zu interpretieren, aber die untere Schranke ist keine Copula mehr.
• Komonotonie ist eine sehr viel allgemeinere Definition von
Abhängigkeit als die lineare Korrelation. Sie erfasst nicht nur lineare sondern jede Form von (perfekter) Abhängigkeit.
3.2.2 Rangkorrelation
Konzepte der Abhängigkeitsmodellierung zwischen Zufallsvariablen
Lineare
Korrelation Komonotonie Rang-
korrelation Tail
Abhängigkeit Konkordanz
3.2.2 Rangkorrelation
Definition 3.11: Seien X und Y Zufallsvariablen mit den Randverteilungen F1 und F2 sowie F ihre gemeinsame Verteilungsfunktion. Der Spearmansche Rangkorrelationskoeffizient von X und Y ergibt sich als:
ρS(X,Y) = ρ(F1(X),F2(Y)) ,
wobei ρ den linearen Korrelationskoeffizienten bezeichnet.
Definition 3.12: Seien (X1,Y1)‘ und (X2,Y2)‘ zwei unabhängige Paare von
Zufallsvariablen und F ihre gemeinsame Verteilungsfunktion. Der Kendallsche Rangkorrelationskoeffizient von X und Y ergibt sich als:
ρτ(X,Y) = P((X1 – X2)(Y1 – Y2) > 0) – P((X1 – X2)(Y1 – Y2) < 0) .
Sowohl der Spearmansche, als auch der Kendallsche
Rangkorrelationskoeffizient messen den Grad monotoner Abhängigkeit.
3.2.2 Rangkorrelation
Satz 3.3: Seien X und Y Zufallsvariablen mit den Randverteilungen F1 und F2,
gemeinsamer Verteilungsfunktion F sowie Copula C. Dann gilt:
1. ρS(X,Y) = ρS(Y,X) und ρτ(X,Y) = ρτ(Y,X)
2. X und Y unabhängig ρS(X,Y) = ρτ(X,Y) = 0 3. -1 ≤ ρS(X,Y) , ρτ(X,Y) ≤ +1
4.
5.
6. ρS und ρτsind invariant unter streng
monotonen Transformationen T : → :
1. , 2. und 3. sind vom linearen Korrelationskoeffizienten bekannt.
Die übrigen Punkte werden vom linearen Korrelationskoeffizienten nicht erfüllt.
Größter Vorteil der Rangkorrelation gegenüber linearer Korrelation:
Rangkorrelationskoeffizienten hängen nur von der Copula ab (4.
und 5.) sie sind invariant unter streng monotonen Transformationen.
Größter Nachteil der Rangkorrelation gegenüber linearer Korrelation:
Keine momentbasierte Korrelation.
1
0 ( , ) ( , ) 1
4 ) ,
(X Y C u v dC u v
S
1
0( ( , ) )
12 )
,
(X Y C x y x y dxdy
S
,
fallend T
falls ), , (
steigend T
falls ), , ) (
), (
( S
Y X
Y Y X
X T
3.2.3 Tail Abhängigkeit
Konzepte der Abhängigkeitsmodellierung zwischen Zufallsvariablen
Lineare
Korrelation Komonotonie Rang-
korrelation Tail
Abhängigkeit Konkordanz
3.2.3 Tail Abhängigkeit
Wichtige Fragestellung im Risikomanagement: Wahrscheinlichkeit für das gleichzeitige Eintreten mehrerer extremer Ereignisse angeben.
Tail Abhängigkeit: Maßzahl für die Abhängigkeit von extremen Ereignissen, also in den Randbereichen einer Verteilung:
3.2.3.1 Definition der Tail Abhängigkeit
Frage: „Wie hoch ist die bedingte Wahrscheinlichkeit, dass Risiko X höchstens zu einem Verlust von a führt, unter der Bedingung, dass Risiko Y höchstens einen Verlust von b erleidet?“
Also:
Bei bekannter Copula C kann nach dem Satz von Sklar eine gemeinsame Verteilungs- funktion F gefunden werden, die F1 bzw. F2 als Randverteilungen hat:
O.B.d.A. treten die Ereignisse X ≤ a und Y ≤ b mit derselben Wahrscheinlichkeit α ein, also:
Und wegen der Stetigkeit der Randverteilungen gilt:
Es gilt also:
) . (
) ,
) (
|
( P Y b
b Y a X b P
Y a X
P
) . (
)) ( ), ( ) (
| (
2 2 1
b F
b F a F b C
Y a X
P
. ) ( )
( und
) ( )
(X a F1 a P Y b F2 b
P
).
( und
)
( 2 1
1
1
F b F
a
). , ( ))
( (
))) ( ( )), ( ( ) (
|
( 1
1 2 2 1
1 1
C
F F
F F F
F b C
Y a X
P
3.2.3.1 Definition der Tail Abhängigkeit
Eine zweite interessante Frage lautet:„Wie hoch ist die bedingte Wahrscheinlichkeit, dass Risiko X einen sehr hohen Verlust erleidet (X > a), unter der Bedingung, dass auch Risiko Y einen sehr hohen Verlust verursacht hat (Y > b)?“ Also:
Äquivalent zu oben:
Sowie aufgrund der Stetigkeit der Randverteilungen:
Damit folgt in Copula-Schreibweise:
) . (
1
) ,
( )
( )
( 1 )
(
) ,
) (
|
( P Y b
b Y a X P b
Y P a
X P b
Y P
b Y a X b P
Y a X
P
. ) ( )
( und
) ( )
(X a F1 a P Y b F2 b
P
).
( und
)
( 2 1
1
1
F b F
a
. ) ,
( )
( )
( 1
)
|
( (,)
b Y a X P b
Y P a
X P b
Y a X
P C
3.2.3.1 Definition der Tail Abhängigkeit
Definition 3.13 und Definition 3.14: Seien X und Y zwei stetige Zufallsvariablen. Bei bekannter Copula C ergeben sich deruntere Tail-Abhängigkeitskoeffizient λL bzw. der obere Tail-Abhängigkeitskoeffizient λU als:
wenn der Grenzwert existiert und λL, λU Є [0,1]ist.
λL= 0: asymptotische Unabhängigkeit im unteren Tail.
λU = 0: asymptotische Unabhängigkeit im oberen Tail.
λL Є (0,1]: Abhängigkeit im unteren Tail.
λU Є (0,1]: Abhängigkeit im oberen Tail.
Je größer λL(bzw. λU) ist, desto größer ist die Abhängigkeit im unteren (bzw.
oberen) Tail.
Die Tail Abhängigkeit ist invariant unter streng monoton steigenden Transformationen.
Abhängigkeiten in den Tails werden durch unterschiedliche Copulas
unterschiedlich modelliert. Bei Auswahl eines Copula-Modells wichtig.
1
) , ( 2
lim1 )
, lim (
1 0
C C
U
L und
3.2.4 Konkordanz
Konzepte der Abhängigkeitsmodellierung zwischen Zufallsvariablen
Lineare
Korrelation Komonotonie Rang-
korrelation Tail
Abhängigkeit Konkordanz
3.2.4 Konkordanz
Hier: Nicht Stärke der Abhängigkeit zwischen Zufallsvariablen X und Y messen sondern feststellen, ob die Abhängigkeit zwischen positiv ihnen (Konkordanz) oder negativ (Diskordanz) ist.
Zentrale Frage: „Wie ist positive (bzw. negative) Abhängigkeit definiert?“
1. Möglichkeit: Der Zusammenhang zwischen X und Y ist genau dann positiv, wenn ρ(X,Y) > 0 (oder ρS(X,Y) > 0 bzw. ρτ(X,Y) > 0) ist.
In der Regel wird positive Abhängigkeit jedoch anders definiert!
2. Möglichkeit: Der Zusammenhang zwischen X und Y ist genau dann positiv, wenn X und Y positiv quadrant abhängig (PQA) sind.
3. Möglichkeit: Der Zusammenhang zwischen X und Y ist genau dann positiv, wenn X und Y positiv assoziiert (PA) sind.
Definition 3.15: Zwei Zufallsvariablen X und Y werden positiv quadrant abhängig (PQA) genannt, wenn für alle x,y Є gilt:
P(X ≤ x , Y ≤ y) ≥ P(X ≤ x) ∙ P(Y ≤ y).
• Positive quadrant Abhängigkeit ist geeignet um positive Abhängigkeit zwischenX und Y auszudrücken, da X und Y mit höherer Wahrscheinlichkeit beide große
(bzw. kleine) Werte annehmen als im Falle der Unabhängigkeit zwischen X und Y.
• Wird die Ungleichung in Definition 3.15 umgekehrt, spricht man von negativ quadrant abhängigen Zufallsvariablen.
Definition 3.16: Zwei Zufallsvariablen X und Y werden positiv assoziiert (PA) genannt, wenn für alle reellwertigen, messbaren Funktionen g1 und g2 , die monoton steigend in beiden Komponenten sind und für die die nachfolgenden Erwartungswerte definiert sind, gilt:
3.2.4 Konkordanz
3.2.4 Konkordanz
Die obige Definition für (PA) ist äquivalent zu: Cov( g1((X,Y) , g2((X,Y) ) ≥ 0.
Daran wird deutlich, warum die Positive Assoziation ein geeignetes
Konzept ist, um positive Abhängigkeit zwischen X und Y zu beschreiben.
Wird die Ungleichung in Definition 3.16 umgekehrt, spricht man von negativ assoziierten Zufallsvariablen.
(PQA) und (PA) sind invariant unter streng monoton steigenden Transformationen.
(PQA) und (PA) sind stärkere Abhängigkeitsbedingungen als die drei bekannten Korrelationskoeffizienten. Folgende Darstellung verdeutlicht dies und zeigt gleichzeitig, dass Komonotonie die stärkste Form von Konkordanz also positiver Abhängigkeit ist:
Komonotonie (PA) (PQA)
ρ(X,Y) ≥ 0,
ρS(X,Y) ≥ 0 , ρτ(X,Y) ≥ 04. Irrtümer bzgl. Korrelation und
Abhängigkeit
„Die gemeinsame Verteilungsfunktion F kann mithilfe der
Randverteilungen F
1und F
2und der Korrelation zwischen den Zufallsvariablen X und Y bestimmt werden.“
Die Aussage gilt für elliptische Verteilungen. Im Allgemeinen jedoch nicht!
Gegenbeispiel:
Betrachte zwei verschiedene gemeinsame Verteilungen mit Gamma(3,1)- Randverteilungen und derselben Korrelation ρ = 0,7. Dies ist sowohl mit der Gauß- als auch mit der Gumbel-Copula konstruierbar.
Während die Gauß-Copula keine Tail-Abhängigkeiten aufweist, ist die Gumbel- Copula für θ < 1 asymptotisch abhängig.
4.1 Irrtum 1
)) ( ),
( (
) , ( und
)) ( ),
( (
) ,
(x y C G3,1 x G3,1 y F x y C G3,1 x G3,1 y
FGa Ga Gu Gu
. 54 , 0 71
,
0
und mit
4.1 Irrtum 1
Um dies zu verdeutlichen betrachte für beide Modelle:
P(X > u | Y > u), mit u = VaR0,99(X) = VaR0,99(Y) = G3,1-1(0,99).
Empirische Schätzungen liefern:
PFGa(X > u | Y > u) = 1/3 und PFGu(X > u | Y > u) = 3/4
Gumbel-Modell: gemeinsame extrem hohe Verluste sind wahrscheinlicher als im Gauß-Modell. weniger Diversifikation!
Analytische Aussage über den VaR der Summe X + Y unter den beiden Modellen zu treffen ist schwierig. Aber Simulationen belegen, dass das Gumbel-Modell eine höhere Anzahl an großen Resultaten für den VaR liefert.
Entscheidender Unterschied der Modelle bei Einschätzung extremer Verluste (der sich in den Randverteilungen und der Korrelation nicht bemerkbar macht).
4.2 Irrtum 2
“Seien F1 und F2 gegeben. Die lineare Korrelation zwischen X und Y kann – bei einer geeigneten Spezifikation von F – alle Korrelationen zwischen -1 und 1 annehmen.”
Diese Aussage ist falsch!
Gegenbeispiel:
• Betrachte: X ~ LN(0,1) undY ~ LN(0,σ²), mit σ > 0.
• Was ist der minimale (ρmin) bzw. maximale (ρmax) Wert, den die Korrelation bei diesen Randverteilungen annehmen kann?
• Da ρmin= ρ(eZ,e–σZ) und ρmax = ρ(eZ,eσZ), mit Z~ N(0,1) gilt, ist eine analytische Lösung möglich:
) 1 (
) 1 (
1 )
1 (
) 1 (
1
2
2 max
min
e e
e e
e
e
und
4.2 Irrtum 2
• Bei diesem Beispiel werden nicht alle Werte zwischen -1 und +1 angenommen.
• lim min lim max 0
“Der Value-at-Risk eines linearen Portfolios X + Y wird am größten,
wenn ρ(X,Y) maximal ist, also wenn X und Y komonoton sind.“Wir wissen:
1. Für zwei komonotone Zufallsvariablen X und Y gilt:
VaRα(X + Y) = VaRα(X) + VaRα(Y).
2. Für elliptische Verteilungen erfüllt der VaR die Subadditiätseigenschaft, also VaRα(X + Y) ≤ VaRα(X) + VaRα(Y).
3. Für nicht-elliptische Verteilungen erfüllt der VaR die
Subadditiätseigenschaft nicht, d.h. es existieren X und Y, s.d.
VaRα(X + Y) > VaRα(X) + VaRα(Y).
Die obige Aussage gilt also i.A. nicht, für elliptische Verteilungen ist sie jedoch korrekt.
4.3 Irrtum 3
4.3 Irrtum 3
Beispiel, bei dem sich der Value-at-Risk sehr interessant verhält:
• Betrachte zwei unabhängige Zufallsvariablen X und Y mit derselben Verteilung:
F1/2 = 1 – x -1/2, mit x ≥ 1.
• Hierbei handelt es sich um eine extreme heavy-tailed Verteilung ohne endlichen Mittelwert.
• Betrachte nun die beiden Risiken: X + Y (unabhängig) sowie 2X (komomoton).
• Es lässt sich abschätzen, dass für z> 2 gilt:
• Damit folgt: VaRα(X + Y) > VaRα(2X) = VaRα(X) + VaRα(Y).
• Hier: aus Sicht des VaR Unabhängigkeit schlechter als perfekte positive Abhängigkeit - ganz unabhängig von der Wahl von α.
) 2
1 ( 1 2
)
( P X z
z z z
Y X
P
5. Fazit
5. Fazit
• Überblick über verschiedene Möglichkeiten zur Modellierung von Abhängigkeiten zwischen Zufallsvariablen.
• Lineare Korrelation:Lediglich für elliptische Verteilungen gut geeignet.
• Alternative Abhängigkeitsmaße:Falls keine elliptische Verteilung vorliegt.
Drei klassische Irrtümer bzgl. Korrelation und Abhängigkeit:mit der intuitiven
Konzepte der Abhängigkeitsmodellierung zwischen Zufallsvariablen
Lineare
Korrelation Komonotonie Rang-
korrelation Tail
Abhängigkeit Konkordanz