Sie sind auf Seite 1von 41

EINE EINFHRUNG IN COPULAS

Johanna Neslehova ETH Zrich

Embrechts and Neslehova, 2006

The Perfect Storm

Extreme, synchronized rises and falls in financial markets occur infrequently but they do occur. The problem with the models is that they did not assign a high enough chance of occurrence to the scenario in which many things go wrong at the same time - the perfect storm scenario
(Business Week, September 1998)
Embrechts and Neslehova, 2006 2

Korrelation
Modellierung der Abhngigkeit gehrt zu den grundlegendsten Fragen des Quantitativen Risikomanagements Der lineare Korrelationskoeffizient ist ein Standardwerkzeug

 Es gibt jedoch Probleme


Embrechts and Neslehova, 2006 3

Lineare Korrelation

Die gleichen Randverteilungen Die gleiche lineare Korrelation Jedoch: deutlich unterschiedlich!
Embrechts and Neslehova, 2006 4

Einige reelle Daten

1. 19. 10. 1987 Black Monday 2. 16. 10. 1989 Berlin Wall 3. 19. 08. 1991 Kreml

Embrechts and Neslehova, 2006

Zusammenfassung

Hauptproblem: das Gesamtmodell wird von den Randverteilungen und der linearen Korrelation allein nicht eindeutig festgelegt Frage: wie kann man Modelle konstruieren, die die Struktur der (BMW, Siemens) Daten widerspiegeln Ein mglicher Ansatz: Copulas

Embrechts and Neslehova, 2006

Simulation einer Zufallsvariablen


Zur Erinnerung: Simulation einer univariaten Zufallsvariablen X mit Verteilungsfunktion F
1. 2. 3. Erzeuge eine gleichverteilte U[0,1] Zufallsvariable U Berechne die Inverse von F Wende die Inverse von F auf U an

Fr F stetig gilt die Umkehrung:

Wird die empirische Verteilungsfunktion auf die Daten angewendet, so ergeben sich Rnge Die Verteilung der Rnge ist die Gleichverteilung auf [0,1] und damit unabhngig von F
Embrechts and Neslehova, 2006 7

Definition einer Copula


F sei die Verteilungsfunktion eines d-dimensionalen Zufallsvektors

F1,,Fd seien die Randverteilungsfunktionen von F Im multivariaten Fall:

C wird als Copula(funktion) bezeichnet C ist eine Verteilungsfunktion auf dem d-dim. Einheitswrfel mit gleichverteilten Randverteilungen
Embrechts and Neslehova, 2006 8

Der Satz von Sklar

Embrechts and Neslehova, 2006

Der Satz von Sklar

Embrechts and Neslehova, 2006

10

Bedeutung fr die Praxis


Copula Engineering:
1. Lege die Randverteilungen F1,,Fd der zugrunde liegenden
Risikofaktoren fest

2. Jede Copula C liefert ein gemeinsames Modell, das konsistent mit der Marginalinformation ist

3. Schrnke die Wahl von C ein, um vorhandene Information ber die Abhngigkeitsstruktur einzubeziehen

Viele Lsungen mglich!


Embrechts and Neslehova, 2006 11

Generierung von Copulas


Copula Rezepte:
1. 2. 3. Gegeben eine multivariate Verteilungsfunktion F Berechne die Randverteilungen F1,,Fd Berechne die zugrunde liegende Copula via

Beachte: die Copula eines Zufallsvektors ist invariant unter streng wachsender Transformationen der Randverteilungen

Embrechts and Neslehova, 2006

12

Copulas and Ranks


For us the true importance of copulas lies in the combination of Sklars theorem and the fact that the copula is invariant under strictly increasing transformation. The copula captures precisely those properties of the joint distribution which are invariant under increasing transformations. Hence, the study of rank statistics may be characterized as the study of copulas and copula-invariant properties.
Berthold Schweizer

Embrechts and Neslehova, 2006

13

Klassische Beispiele

Gausscopula
1. 2. 3. Nehme F als die vf. einer multivariaten Normalverteilung mit gegebener Kovarianzmatrix und gegebenem Erwartungswert Die Randverteilungen sind somit univariate Normalverteilungen Beachte: keine geschlossene Form; numerische Integration erforderlich Nehme F als die vf. einer multivariaten Studentschen t Verteilung mit gegebener Kovarianzmatrix, Erwartungswert und Freiheitsgraden Beachte: keine geschlossene Form; numerische Integration erforderlich
Embrechts and Neslehova, 2006 14

t Copula
1.

2.

Andere Beispiele von Copulas


Wie ein Kochbuch
Unabhngigkeitscopula

Komonotoniecopula

Gumbel Copula

Clayton, Archimedische Copulas und viele andere Beispiele

Embrechts and Neslehova, 2006

15

Zurck zur linearen Korrelation

Linkes Bild: Standard-normalverteilte Rnder und Gausscopula mit Korrelation 70% Rechtes Bild: Standard-normalverteilte Rnder und t Copula mit Korrelation 70% und 4 Freiheitsgraden
Embrechts and Neslehova, 2006 16

Zurck zum BMW Siemens Beispiel

Schtzen der Randverteilungen Schtzen der Gausscopula


Embrechts and Neslehova, 2006 17

Zurck zum BMW Siemens Beispiel: Fortsetzung

Schtzen der Randverteilungen Schtzen der t Copula


Embrechts and Neslehova, 2006 18

Frchet-Hoeffding Schranken

Maurice Frchet

Wasilly Hoeffding
19

Embrechts and Neslehova, 2006

Frchet-Hoeffding Ungleichung

Linke Seite:
Wird als die Frchet-Hoeffding Untergrenze bezeichnet Ist eine Copula nur fr d = 2 d = 2 entspricht der perfekten negativen Abhngigkeit oder Kontramonotonie.

Rechte Seite:
Wird als die Frchet-Hoeffding Obergrenze bezeichnet Ist eine Copula in jeder Dimension Entspricht der perfekten positiven Abhngigkeit oder Komonotonie
Embrechts and Neslehova, 2006 20

Schlussfolgerungen

Zwei Zufallsvariablen sind komonoton, wenn die eine eine monoton wachsende Funktion der anderen ist Zwei Zufallsvariablen sind kontramonoton, wenn die eine eine monoton fallende Funktion der anderen ist
Embrechts and Neslehova, 2006 21

Schlussfolgerungen

Embrechts and Neslehova, 2006

22

Schlussfolgerungen

Fr  = 3 gibt es zum Beispiel kein gemeinsames Modell, in dem die Korrelation 50% betragen wrde Fr  gro konvergiert die Korrelation sogar im Fall der Komonotonie (entspricht der maximalen Korrelation) gegen Null

Embrechts and Neslehova, 2006

23

Schlussfolgerungen
Gegeben die Marginalinformation und die lineare Korrelation gibt es
entweder mehrere Modelle oder kein einziges Modell

das mit dieser Information konsistent ist Grund: linearer Korrelationskoeffizient hngt von den Randverteilungen ab Lineare Korrelation ist nicht invariant unter monoton wachsenden Transformationen der Randverteilungen

Embrechts and Neslehova, 2006

24

Alternative Korrelationsmasse
Spearmanscher Rangkorrelationskoeffizient 

Kendallscher Rangkorrelationskoeffizient 

Die Rangkorrelationskoeffizienten von Spearman und Kendall hngen allein von der Copula ab Bei gegebenen Randverteilungen ist der Wertebereich der Rangkorrelationen von Spearman und Kendall das gesamte Intervall [-1,1] Anwendungen im Risikomanagement, insbesondere in Kreditrisikomanagement
Embrechts and Neslehova, 2006 25

Vergleich mit der linearen Korrelation


Im Gegensatz dazu gilt fr den Korrelationskoeffizienten

die folgende Formel

Diese Darstellung zusammen mit den Frchet-Hoeffding Grenzen erklrt den eingeschrnkten Wertebereich des linearen Korrelationskoeffizienten
Embrechts and Neslehova, 2006 26

Eine Anwendung im Kreditrisikomanagement


Copulamodelle sind im Bereich des Kreditrisikomanagements sehr ntzlich Zur Erinnerung gilt im klassischen Merton Modell:
Verzug geschieht falls der Wert der Gesellschaft am Jahresende unterhalb einer Schranke liegt Der Wert der Gesellschaft wird mittels der geometrischen Brownschen Bewegung modelliert Der (logarithmische) Wert am Ende des Jahres ist normalverteilt Gemeinsamer Verzug mehrerer Gesellschaften wird mittels der multivariaten Normalverteilung beschrieben

Implementierung:
KMV, CreditMetrics

Alternativen und Erweiterungen:


Das Modell von Li und andere copulabasierte Techniken,
Embrechts and Neslehova, 2006 27

Simulationsbeispiel

Embrechts and Neslehova, 2006

28

Simulationsbeispiel: Fortsetzung

Embrechts and Neslehova, 2006

29

Randabhngigkeit

Wie kann die Abhngigkeitsstruktur in den Randbereichen einer Verteilung quantifiziert werden?
Embrechts and Neslehova, 2006 30

Koeffizient der Randabhngigkeit


Der Koeffizient der Abhngigkeit im oberen Rand:

Der Koeffizient der Abhngigkeit im unteren Rand:

Beide Koeffizienten hngen allein von der zugrunde liegenden Copula ab

Embrechts and Neslehova, 2006

31

Koeffizienten der Randabhngigkeit: Eigenschaften


Die Koeffizienten erfllen Interpretation:

u ( 0,1] or l ( 0,1]
u = 0 or l = 0

Abhngigkeit im oberen bzw. unteren Rand

Asymptotische Unabhngigkeit im oberen bzw. unteren Rand

Fr die Gausscopula gilt

u = l = 0
Fr die t Copula gilt

Embrechts and Neslehova, 2006

32

Gemeinsame Randwahrscheinlichkeiten

Die Tabelle gibt die Faktoren an, mit denen die Gauschen Wahrscheinlichkeiten zu multiplizieren sind
Embrechts and Neslehova, 2006 33

Warnung
Korrelationsmasse fassen die gesamte Abhngigkeitsstruktur in eine einzelne Zahl zusammen
Im allgemeinen leicht zu bestimmen/schtzen Ausreichend in bestimmten Modellen (normal, Student t, elliptisch) Jedoch: darber hinaus vllig unzureichend

Copulas liefern die vollstndige Information


Richtige Copula? Modellauswahl basierend auf Daten ist schwierig Statistische Analyse, Schtzen, Testen, Goodness of fit? Zu starke Vereinfachung sowie Modelle, die sich nach verfgbaren statistischen Werkzeugen richten, knnen sehr irrefhrend sein

Embrechts and Neslehova, 2006

34

Schranken fr Risikomasse
Value-at-Risk von einer Summe von d Risiken

Frchet-Hoeffding Ungleichung liefert die Schranken

 Hufiger Fehlschluss: die obere Schranke ergibt sich fr komonotone


Risiken

Obwohl dies in vielen Situationen der Fall ist, Copula basierte Anstze fhren zu praxisrelevanten Fllen in denen gilt

Beitrag zur heutigen Debatte ber Subadditivitt von VaR, Diversifikation und Aggregation von Risiken; besonders relevant fr Stresstesting im Rahmen von Basel II (Bankwesen) und Solvency 2 (Versicherungswesen)
Embrechts and Neslehova, 2006 35

Copulas: eine Bewertung


Bisher haben wir die Vorteile von Copulas hervorgehoben
Pdagogisches Werkzeug: ber die lineare Korrelation hinaus Stresstesting: mit sichtbaren Anwendungen im Quantitativen Risikomanagement

Dies ist jedoch nur der Anfang und viele Fragen bleiben offen
Innerhalb der dargestellten Theorie der Copulas Auerhalb der dargestellten Theorie Anwendungen: Vorteile und Grenzen

Copula orientierte Datenanalyse wird intensiv betrieben

Embrechts and Neslehova, 2006

36

Reelle Daten

Dynamische Modelle, Lvy copulas Diskrete Copulas Multivariate Extrema und Randabhngigkeit Geeignete hochdimensionale Modelle Statistische Analyse,
Embrechts and Neslehova, 2006 37

Copulas: kritische Anmerkungen

Copula craze: Google Suche ergab 10 000 Referenzen in 2003 und ber 1 Mio. in 2006. Copulas haben den akademischen Boden verlassen:

How a formula ignited market that burned some big investors


(September 12, 2005 Wall Street Journal)

Embrechts and Neslehova, 2006

38

Copulas: kritische Anmerkungen

But he does not wear any clothes said the little child in Hans Christian Andersens The Emperors New Clothes. My main concern is that this very simple concept might be something like the emperors new clothes because it promises to solve all problems of stochastic dependence but it falls short in achieving the goal. (Thomas Mikosch)
Embrechts and Neslehova, 2006 39

Copulas: wie wir sie sehen


Copulas sind auf jeden Fall ein interessantes Werkzeug, das das Verstndnis der Abhngigkeit ber die lineare Korrelation hinaus ermglicht Viele ntzliche, bewhrte Anwendungen im Quantitativen Risikomanagement und Versicherungsmathematik In der Praxis liegt die verfgbare Information oft in einer Zweistufenform vor: Information ber die Randverteilungen gefolgt von Information ber die Abhngigkeitsstruktur Dies fhrt auf natrliche Weise zu Copulas Komplexitt von realen Problemen verschwindet durch Verwendung von Copulamodellen nicht Copulas sollen stets im Rahmen der modernen Wahrscheinlichkeitstheorie und Statistik betrachten werden
Embrechts and Neslehova, 2006 40

Literatur

Embrechts and Neslehova, 2006

41