Beispiel 6 (Multivariate Normalverteilung) d Sei X ∼ N (µ, Σ). Es existiert eine Matrix A ∈ IRd×k , sodass X = µ+AZ wobei Z ∈ Nk (0, I) und AAT = Σ. Weiters gilt Z = RS wobei S ein gleichmäßig verteilter Zufallsvektor in S k−1 ist und R2 ∼ χ2k . Daraus d folgt X = µ + RAS und daher X ∼ Ed (µ, Σ, ψ) mit ψ(x) = exp{−x/2}. Beispiel 7 (Multivariate normal variance mixture) Sei Z ∼ Nd (0, I) ein normal-verteilter Zufallsvektor. Z ist sphärischd verteilt mit stochastischer Darstellung Z = V S wobei V 2 = ||Z||2 ∼ χ2d . Sei X = µ+W AZ eine Varianz-gemischte Normalverteilung. Dann gilt d X = µ + V W AS wobei V 2 ∼ χ2d und V W eine nicht-negative von S unabhängige ZV ist. D.h., X ist elliptisch verteilt mit R = V W . 17 Theorem 5 (Eigenschaften der elliptischen Verteilung) Sei X ∼ Ek (µ, Σ, ψ). X hat folgende Eigenschaften: Lineare Kombinationen: Für B ∈ IRk×d und b ∈ IRk gilt: BX + b ∈ Ek (Bµ + b, BΣB T , ψ). Randverteilungen: T T (2) T (1) ,X Setze X = X für T T X (1) = (X1 , X2, . . . , Xn)T und X (2) = (Xn+1 , Xn+2, . . . , Xk )T und analog (1,1) (1,2) T T Σ Σ . Es gilt dann µT = µ(1) , µ(2) sowie Σ = Σ(2,1) Σ(2,2) X1 ∼ Nn µ(1) , Σ(1,1) , ψ und X2 ∼ Nk−n µ(2) , Σ(2,2) , ψ . 18 Bedingte Verteilungen: Wenn Σ regulär, dann ist auch X (2) X (1) = x(1) elliptisch verteilt: wobei die bedingte Verteilung (1) (2) (1) = x ∼ Nk−n µ(2,1) , Σ(22,1) , ψ̃ X X (2,1) µ (2) =µ (2,1) +Σ und (22,1) Σ (2,2) =Σ (1,1) Σ (2,1) −Σ −1 (1) (1) x −µ (1,1) Σ −1 Σ(1,2) . Typischerwise sind ψ̃ und ψ unterschiedlich (siehe Fang, Katz und Ng 1987). 19 Quadratische Formen: Wenn Σ regulär, dann gilt D2 = (X − µ)T Σ−1 (X − µ) ∼ R2. wobei R die nicht-negative ZV aus der stochastischen Darstellung (d−1) Y = RS der spherischen Verteilung Y mit S ∼ U S und X = µ + AY ist. Die Zufallsvariable D heißt Mahalanobis Distanz. Faltung: Seien X ∼ Ek (µ, Σ, ψ) und Y ∼ Ek (µ̃, Σ, ψ̃) zwei unabhängige Zufallsvektoren. Es gilt dann X + Y ∼ Ek (µ + µ̃, Σ, ψ̄) wobei ψ̄ = ψ ψ̃. Achtung: Σ muss i.a. dieselbe für X und Y sein. Anmerkung: Aus X ∼ Ek (µ, Ik , ψ) folgt nicht, dass die Komponenten von X unabhängig sind. Die Komponenten von X sind dann und nur dann unabhängig wenn X multivariat normalverteilt mit der Einheitsmatrix als Kovarianzmatrix ist. 20 Koherente Risikomaße Sei (Ω, F, P ) ein Wahrscheinlichkeitsraum mit Ereignismenge Ω, Ereignisalgebra F und Wahrscheinlichkeitsmaß P . Sei L(0) (Ω, F, P ) die Menge aller Zufallsgrößen aus (Ω, F), die fast sicher endlich sind. Sei M ⊆ L(0). Sei ρ: M → IR ein Risikomaß in M Definition 6 Ein Risikomaß ρ, das folgende Eigenschaften besitzt, heißt koherent auf M : (C1) Invarianz bzgl. Translation: ρ(X + r) = ρ(X) + r, für jede Konstante r und jedes X ∈ M . (C2) Subadditivität: ∀X1 , X2 ∈ M gilt ρ(X1 + X2 ) ≤ ρ(X1 ) + ρ(X2). (C3) Positive Homogenität: ρ(λX) = λρ(X), ∀λ ≥ 0, ∀X ∈ M . (C4) Monotonie: f.s. ∀X1 , X2 ∈ M gilt X1 ≤ X2 =⇒ ρ(X1 ) ≤ ρ(X2 ). 21 Konvexe Risikomaße Betrachte die Eigenschaft (C5) Konvexität: ∀X1 , X2 ∈ M , ∀λ ∈ [0, 1] gilt ρ(λX1 + (1 − λ)X2 ) ≤ λρ(X1 ) + (1 − λ)ρ(X2 ). (C5) ist schwächer als (C2) und (C3), d.h. (C2) und (C3) zusammen implizieren (C5) aber nicht umgekehrt. Definition 7 Ein Risikomaß ρ, das die Eigenschaften (C1),(C4) und (C5) besitzt, heißt konvex auf M . Beobachtung: VaR ist i.A. nicht koherent Sei das Wahrscheinlichkeitsmaß P durch einer beliebigen kontinuierlichen oder diskreten Wahrscheinlichkeitsverteilung F definiert. V aRα(F ) = F ← (α) besitzt die Eigenschaften (C1), (C3) und (C4), jedoch i.A. nicht die Subadditivität 22 Beispiel 8 Sei das Wahrscheinlichkeitsmaß P durch die Binomialverteilung B(p, n) für n ∈ IN, p ∈ (0, 1), definiert. Wir zeigen: V aRα(B(p, n)) ist nicht subadditiv. ZB.: Berechnen Sie den VaR der Verluste eines Bond-Portfolios bestehend aus 100 Bonds, die unabhängig von einander mit Wahrscheinlichkeit p defaultieren. Beobachten Sie, dass dieser Wert größer als das Hunderfache des VaRs des Verlustes eines einzigen Bonds ist. Theorem 6 Sei (Ω, F, P ) ein Wahrscheinlichkeitsraum und M ⊆ L(0)(Ω, F, P ) die Menge aller in (Ω, F, P ) definierten Zufallsvariablen mit einer kontinuierlichen Wahrscheinlichkeitsverteilung F . CV aRα ist eine koherentes Risikomaß in M, ∀α ∈ (0, 1). 23 Elliptische Verteilungen und Portfoliooptimierung Ein Investor möchte in d (risikoreichen) Assets investieren. Sei X = (X1, X2 , . . . , Xd )T der Zufallsvektor der Asset-Returns mit E(X) = µ und Cov(X) = Σ. Sei P die Klasse aller Portfolios bestehend aus den obigen d Aktien. Jedes (long-short) Portfolio aus P ist eindeutig durch den Gewichtsvektor w = (wi) ∈ IRd definiert. wi > 0 enstpricht einer LongInvestition und wi < 0 entspricht einer Short-Investition. Daher: d o n X d |wi| = 1 P = w = (wi) ∈ IR : i=1 Die Portfoliorendite ist die Zufallsvariable Z(w) = Die erwartete Portfoliorendite: E(Z(w)) = wT µ. Pd i=1 wi Xi . Es gelte X ∼ Ed (µ, Σ, ψ) mit E(Xk2 ) < ∞ und Σ = cov(X). Sei Pm die Klasse jener PF aus P sodass E(Z(w)) = m, m ∈ IR, m > 0. Pm = {w = (wi ) ∈ IRd , d X |wi| = 1, wT µ = m} i=1 24 Das Mean-Variance PF-Opt.modell (Markowitz 1952, 1987) lautet (1) min var(Z(w)) w∈Pm oder äquivalent (siehe zB. Campbell et al. (1997)) wT Σw min w sodass wT µ = m Pd i=1 |wi | = 1 Sei ρ ein Risikomaß. Das Mean-ρ PF-Optimierungsmodell lautet: (2) min ρ(Z(w)) w∈Pm Sei ρ = V aRα, α ∈ (0, 1). Das Mean-VaR PF-Optimierungsmodell lautet: min V aRα(Z(w)) (3) w∈Pm Frage: Wie hängen die Probleme (1) und (2) (insbesondere (3)) zusammen? 25 Theorem 7 Sei M die Menge der erwarteten Rendite der Portfolii aus P. Die Risikofaktoren, d.h. die Rendite der einzelnen Aktien seien elliptisch verteilt, X = (X1 , X2 , . . . , Xd ) ∼ Ed (µ, Σ, ψ) für gegebene µ ∈ IRd, σ ∈ IRd×d und ψ: IR → IR. V aRα ist koherent auf M , für jedes α ∈ (0.5, 1). Theorem 8 (Embrechts et al., 2002) Sei X = (X1, X2 , . . . , Xd ) = µ + AY elliptisch verteilt mit µ ∈ IRd, A ∈ IRd×k , und einem spherisch verteilten Zufallsvektor Y ∼ Sk (ψ) und 0 < E(Xk2) < ∞, ∀k. Sei ρ ein Risikomaß, das die Eigenschaften (C1) und (C3) besitzt, und ρ(Y1) > 0 erfüllt, wobei Y1 die erste Komponente des spherisch verteilten Zufallsvektors Y ist. Es gilt dann: arg min{ρ(Z(w)): w ∈ Pm } = arg min{var(Z(w)): w ∈ Pm } 26 Einführung in Copulas: Grundlegende Eigenschaften Definition 8 Eine d-dimensionale Copula ist eine Verteilungsfunktion auf [0, 1]d deren Randverteilungen jeweils standard gleichverteilt auf [0, 1] sind. Oder äquivalent: Eine Copula C ist eine Funktion C: [0, 1]d → [0, 1], die folgende Eigenschaften hat: 1. C(u1, u2, . . . , ud) ist mon. steigend in jeder Variable ui, 1 ≤ i ≤ d. 2. C(1, 1, . . . , 1, uk , 1, . . . , 1) = uk für jedes k ∈ {1, . . . , d}, uk ∈ [0, 1]. 3. Folgende Ungleichung (sogenannte Rechtecksungleichung) gilt für alle (a1, a2, . . . , ad), (b1, b2, . . . , bd) ∈ [0, 1]d mit ak ≤ bk , ∀k ∈ {1, 2, . . . , d}: 2 X k1 =1 ... 2 X (−1)k1+k2+...+kd C(u1k1 , u2k2 , . . . , udkd ) ≥ 0 kd =1 wobei uj1 = aj und uj2 = bj . Anmerkung: Für 2 ≤ k ≤ d sind die k-dimensionalen Randverteilungen einer d-dimensionalen Copula wieder Copulas, k-dimensionale Copulas. 27