Medida de risco por Teoria de Valores Extremos

849 visualizações

Publicada em

Publicada em: Educação
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
849
No SlideShare
0
A partir de incorporações
0
Número de incorporações
5
Ações
Compartilhamentos
0
Downloads
14
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Medida de risco por Teoria de Valores Extremos

  1. 1. Medida de Risco via Teoria de Valores Extremos Análise de Risco (8) R.Vicente 1
  2. 2. Resumo EVT: Idéia geral Medidas de risco Teoria de Valores Extremos (EVT) Distribuição de Máximos Distribuição de Exceedances Estimação de Parâmetros Intervalos de Confiança Bibliografia 2
  3. 3. EVT: Idéia Geral1. Teoremas limite similares ao Teorema do Limite Central para o comportamento de desvios extremos;2. Permite inferência do comportamento de eventos raros e extremos a partir de poucas observações;3. Suposição de que, apesar da variedade de causas possíveis, há comportamentos estatísticos gerais nos extremos;4. Teoremas de EVT se aplicam desde que o comportamento (desconhecido) dos extremos possa ser descrito por distribuições que se enquadrem em uma família suficientemente bem comportada (e.g. com segundo momento pelo menos). 3
  4. 4. Novamente: Medidas de Risco1. VaR VaRp = F −1 (1 − p )2. Expected Shortfall ES p = E (X X > VaRp ) = E (X −VaRp X > VaRp ) + VaRp1. Nível de Retorno ⎛ 1⎞ k R =H −1 ⎜1 − ⎟ ⎜ ⎟ n ⎝ k ⎠ , onde H é a distribuição de máximos observados em janelas sucessivas sem intersecção de comprimento n. A medida de risco é o valor que se espera violar em 1 em k períodos de comprimento n. 4
  5. 5. Extremos: Definição1. Máximo em Blocos2. Violações de um limiar Limiar u 5
  6. 6. Teoremas Limite 1: Máximo em Blocos1. Máximo em Blocos(Fisher and Tippett (1928), Gnedenko (1943)) Seja (Xt ) uma seqüênciade variáveis aleatórias iid. Sejam M n os máximos de blocos comtamanho n. Se existem constantes c > 0, d ∈ e umadistribuição não-degenerada H tal que n n ⎧e −(1+ξx )−1/ ξ se ⎪ ξ≠0M n − dn ⎪ d ⎯⎯→ H então H ξ (x ) = ⎪ −x ⎨ −e cn ⎪e ⎪ se ξ=0 ⎪ ⎩ 6 Generalized Extreme Value (GEV) distribution
  7. 7. Teoremas Limite 1: Máximo em Blocos Generalized Extreme Value (GEV) distribution ⎧e −(1+ξx )−1/ ξ se ⎪ ξ≠0 ⎪ H ξ (x ) = ⎪ −x ⎨ −e ⎪e ⎪ se ξ=0 ⎪ ⎩ 1 1 ξ= ξ =− α α ξ=0 Fréchet Weibull Gumbel 7
  8. 8. Teoremas Limite 2: Violações de um Limiar 8
  9. 9. Teoremas Limite 2: Violações de um Limiar 1. Violações de um Limiar Limiar u (Pickands (1975), Balkema e De Haan (1974)) Pra uma classe grande de distribuições F a distribuição do excedente condicional Fu (y ) para u suficientemente grande é bem aproximada por : ⎧ ⎛ ⎪ ξ ⎞ −1/ ξ ⎪1 − ⎜1 + y ⎟ ⎪ ⎟ se ξ ≠ 0 ⎪ ⎜ G ξ (y ) = ⎨ ⎝ σ ⎠ ⎟ ,σ ⎪ ⎪ 1 − e −y / σ se ξ = 0 ⎪ ⎪ ⎩ ⎡ ⎤ σPara y ∈ [0,(x F − u )] se ξ ≥ 0 y ∈ ⎢0, − ⎥ se ξ < 0 ⎣⎢ ξ ⎦⎥ 9 Distribuição generalizada de Pareto (GPD)
  10. 10. Teoremas Limite 2: Violações de um Limiar Distribuição generalizada de Pareto (GPD) ⎧ ⎛ ⎪ ξ ⎞ −1/ ξ ⎪1 − ⎜1 + (x − u )⎟ ⎪ ⎟ se ξ ≠ 0 ⎪ ⎜ G ξ (y ) = ⎨ ⎝ σ ⎟ ⎠ ,σ ⎪ ⎪ ⎪ 1 − e −(x −u )/ σ se ξ = 0 ⎪ ⎩ limite exponencial Caudas pesadas ξ : forma u : posiçao σ :escala 10
  11. 11. Teoremas Limite 2: Violações de um Limiar Obtendo a distribuição de extremos: n é o número total de observações e Nu é o número de observações acima do limiar u 11
  12. 12. Teoremas Limite 2: Violações de um Limiar Calculando risco dos extremos: Considerando o seguinte resultado de EVT para ξ <1 : Assumindo 12
  13. 13. Violações de um Limiar: Estimação deparâmetros Três parâmetros para estimar: ξ : forma u : posiçao σ :escala1. POSIÇÃO: Ainda não há um algoritmo que permita estimação automáticado parâmetro de posição. Utilizando o seguinte resultado de EVT: Pode-se estimar: Montando um gráfico para este estimador procuramos pelo valor de 13 u acima do qual e(u) é uma reta.
  14. 14. Violações de um Limiar: Estimação de parâmetros 1. POSIÇÃO: Montando um gráfico para este estimador procuramos pelo valor de u acima do qual e(u) é uma reta. S ample mean exces s function S ample mean exces s function 2 43.5 1.8 3 1.62.5 1.4 2 1.21.5 1 10.5 0.8 0 -1 0 1 2 3 4 5 6 7 8 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3 3.2 u u 14
  15. 15. Violações de um Limiar: Estimação deparâmetros2. ESCALA e FORMA: os outros dois parâmetros podem ser obtidos viamaximização da log-verossimilhança, dado o limiar u (POSIÇÃO): Para maximização dessa função pode-se utilizar algoritmos de gradiente. 15
  16. 16. Violações de um Limiar: Estimação deparâmetros 1.01 1.005 1 0.995 0.99 0.985 0.98 0.975 0.97 0 5 10 15 GPD ajustada via maximização de log-verossimilhança. De posse dessa distribuição pode-se, em princípio, calcular VaR com confianças superiores a 99%. 16
  17. 17. Determinação de Barras de Erro para oRisco estimado. Como as estimações de EVT envolvem sempre poucos dados é estritamente necessário calcular barras de erro para os parâmetros, e conseqüentemente para o risco estimado. Há, pelo menos, duas formas clássicas de estimar estas barras de erro:1. Invertendo o teste de razão de verossimilhança;2. Realizando simulações (bootstraping). 17
  18. 18. Determinação de Barras de Erro: Inversãodo teste de razão de verossimilhança. Nessa alternativa leva-se em conta que a distribuição assintótica do log da razão de verossimilhanças é conhecida (Qui-quadrado com dois graus de liberdade) . Assim calculam-se as diferenças entre log- verossimilhanças A região de confiança dos parâmetros é escolhida de forma que a probabilidade de estar dentro do intervalo de parâmetros da barra de erro seja, por exemplo, 95%. 18
  19. 19. Determinação de Barras de Erro: Inversãodo teste de razão de verossimilhança. 1 0.9 Região de 95 % de Confiança 0.8 0.7 σ 0.6 0.5 0.4 0.1 0.2 0.3 0.4 0.5 0.6 0.7 ξ 19
  20. 20. Determinação de Barras de Erro:Bootstraping Essa alternativa é computacionalmente mais pesada mas é mais apropriada para situações em que o número disponível de observações é limitado. No bootstrapping amostram-se com reposição subconjuntos de dados e reestimam-se os parâmetros para cada subconjunto utilizando máxima verossimilhança. O resultado é uma nuvem de pontos que pode ser utilizada para estimar barras de erro através da construção de histogramas 20
  21. 21. Determinação de Barras de Erro:Bootstraping FORMA ESCALA 6 6 4 4 2 2 0 0 0 0.2 0.4 0.6 0.8 0.4 0.6 0.8 1 6 2 4 1 2 0 0 2.2 2.4 2.6 3 3.5 4 4.5 5 5.5 VaR(0.001) ES(0.001) 21
  22. 22. Determinação de Barras de Errodiretamente para o VaR ou ESÉ possível obter barras de erro diretamente para o VaR ou ES utilizando: para reparametrizar as distribuições. 22
  23. 23. Determinação de Barras de Errodiretamente para o VaR ou ESCom as mudanças apropriadas de variável obtemos: para ξ≠0 23
  24. 24. Determinação de Barras de Errodiretamente para o VaR ou ESPara o ES obtemos: 1 0 0.6 -1 -2 0.5 -3 0.4 -4 ξ -5 0.3 -6 0.2 -7 -8 0.1 -9 0 -10 3 3.5 4 4.5 5 5.5 6 3 3.5 4 4.5 5 5.5 6 ES 0.01 ES 0.01 Intervalo de confiança a 95% para Região equivalente de confiança a razão de verossimilhança a 95%. Pontos representam o resultado bootstrap 24
  25. 25. Determinação de Barras de Errodiretamente para o VaR ou ESPara o VaR obtemos: 0 -2 -4 -6 -8 -10 -12 2 2.5 3 3.5 Va R0.01 Intervalo de confiança a 95% para Região equivalente de confiança a razão de verossimilhança a 95%. Pontos representam o resultado bootstrap 25
  26. 26. Bibliografia• Gilli, M. and Këllezi E., Na application of Extreme Value Theory for MeasuringRisk, Fevereiro 2003.•Efron, B. and Tibshirani R.J., An Introduction to the Bootstrap, Chapman&Hall,Nova York (1993) 26

×