Ожидаемый дефицит (ES) - это показатель риска - концепция, используемая в области измерения финансового риска для оценки рыночного риска или портфеля. «Ожидаемый дефицит на уровне q%» - это ожидаемая доходность портфеля в наихудшем случаях. ES является альтернативой значению риска, которое более чувствительно к форме хвоста распределения потерь.
Ожидаемый дефицит также называется условным значением в группе риска (CVaR ), средним значением в группе риска (AVaR ), ожидаемая потеря хвоста (ETL ) и суперквантиль .
ES оценивают риск инвестиций консервативным способом, сосредотачиваясь на менее прибыльных результатах. Для высоких значений он игнорирует наиболее прибыльные, но маловероятные возможности, а для малых значений фокусируется на худшие потери. С другой стороны, в отличие от максимального дисконтированного убытка, даже для более низких значений ожидаемый дефицит не учитывает только единственный наиболее катастрофический исход. Значение , часто используемое на практике, составляет 5%.
Ожидаемый дефицит считается более полезной мерой риска, чем VaR, потому что это когерентный и, кроме того, спектральный, показатель риска финансового портфеля. Он рассчитывается для данного квантиля -уровня и определяется как средняя потеря значения портфеля с учетом того, что потеря происходит на уровне -квантиль или ниже.
Содержание
- 1 Формальное определение
- 2 Примеры
- 3 Свойства
- 4 Оптимизация ожидаемого дефицита
- 5 Формулы для непрерывных распределений вероятностей
- 5.1 Нормальное распределение
- 5.2 Обобщенный t Стьюдента -распределение
- 5.3 Распределение Лапласа
- 5.4 Логистическое распределение
- 5.5 Экспоненциальное распределение
- 5.6 Распределение Парето
- 5.7 Обобщенное распределение Парето (GPD)
- 5.8 Распределение Вейбулла
- 5.9 Обобщенное распределение экстремальных значений (GEV)
- 5.10 Распределение обобщенного гиперболического секанса (GHS)
- 5.11 SU-распределение Джонсона
- 5.12 Распределение типа заусенца XII
- 5.13 Распределение Дагума
- 5.14 Логнормальное распределение
- 5.15 Логистическое распределение
- 5.16 Распределение Лог-Лапласа
- 5.17 Распределение лог-обобщенного гиперболического секанса (log-GHS)
- 6 Динамический ожидаемый дефицит
- 7 См. Также
- 8 Ссылки
- 9 Внешние ссылки
Формальное определение
Если (пространство Lp ) - это доходность портфеля в будущем, и тогда мы определяем ожидаемый дефицит как
где - значение , подверженное риску. Это может быть эквивалентно записано как
где является нижним -квантиль и - это индикаторная функция. Двойственное представление:
где - это набор вероятностные меры, которые абсолютно непрерывны для физической меры такие, что почти наверняка. Обратите внимание, что является производной Радона – Никодима от в отношении .
Ожидаемый дефицит может быть обобщен на общий класс согласованных мер риска на пробелы (Lp пробел ) с соответствующей двойной характеристикой в соответствующем двойном пространстве. Область может быть расширена для более общих Orlicz Hearts.
Если базовое распределение для является непрерывным распределением, то ожидаемый дефицит эквивалентен хвостовое условное ожидание определяется как .
Неформально и не строго, это уравнение сводится к высказыванию «в случае столь серьезных потерь, что они происходят только в альфа-процентах от время, какова наша средняя потеря ».
Ожидаемый дефицит также может быть записан как мера риска искажения, заданная функцией искажения
Примеры
Пример 1. Если мы считаем, что наш средний убыток по наихудшим 5% возможных результатов для нашего портфеля составляет 1000 евро, то мы можем сказать, что наш ожидаемый дефицит составляет 1000 евро для 5% хвоста.
Пример 2. Рассмотрим портфель, который будет иметь следующие возможные значения в конце периода:
вероятность | конечное значение |
---|
события | из портфель |
---|
10% | 0 |
30% | 80 |
40% | 100 |
20% | 150 |
Теперь предположим, что мы заплатили 100 в начале периода по этому портфелю. Тогда прибыль в каждом случае будет (конечное значение-100) или:
вероятность | |
---|
события | прибыль |
---|
10% | −100 |
30% | −20 |
40% | 0 |
20% | 50 |
Из этой таблицы рассчитаем ожидаемый дефицит для нескольких значений :
| ожидаемый дефицит |
---|
5% | 100 |
10% | 100 |
20% | 60 |
30 % | 46,6 |
40% | 40 |
50% | 32 |
60% | 26,6 |
80% | 20 |
90% | 12,2 |
100% | 6 |
Чтобы увидеть, как были рассчитаны эти значения, рассмотрим расчет , ожидание в 5% худших случаев. Эти случаи принадлежат (являются подмножеством из) строки 1 в таблице прибыли, которые имеют прибыль -100 (общий убыток из 100 вложенных). Ожидаемая прибыль для этих случаев - 100.
Теперь рассмотрим расчет , математическое ожидание в 20 наихудших случаях из 100. Это следующие случаи: 10 случаев из первой строки и 10 случаев из второй строки (обратите внимание, что 10 + 10 равны желаемым 20 случаям). Для строки 1 прибыль составляет −100, а для строки 2 - −20. Используя формулу ожидаемого значения, получаем
Аналогично для любого значения . Мы выбираем столько строк, начиная сверху, сколько необходимо, чтобы получить кумулятивную вероятность , а затем вычисляем математическое ожидание для этих случаев. Как правило, последняя выбранная строка может использоваться не полностью (например, при вычислении мы использовали только 10 из 30 случаев на 100, предусмотренных строкой 2).
В качестве последнего примера вычислим . Это ожидание во всех случаях, или
Значение , подверженное риску (VaR), приведено ниже для сравнения.
| |
---|
| −100 |
| - 20 |
| 0 |
| 50 |
Свойства
Ожидаемый дефицит увеличивается по мере уменьшения .
100% -ный квантильный ожидаемый дефицит равен отрицательному значению ожидаемого значения портфолио.
Для данного портфеля ожидаемый дефицит больше или равен стоимости под риском на том же уровне .
Оптимизация ожидаемого дефицита
Известно, что ожидаемый дефицит в его стандартной форме приводит к обычно невыпуклой проблеме оптимизации. Однако можно преобразовать проблему в линейную программу и найти глобальное решение. Это свойство делает ожидаемый дефицит краеугольным камнем альтернатив средней-дисперсии оптимизации портфеля, которые учитывают более высокие моменты (например, асимметрию и эксцесс) распределения доходности.
Предположим, мы хотим минимизировать ожидаемый дефицит портфеля. Ключевой вклад Рокафеллара и Урясева в их статью 2000 г. - введение вспомогательной функции для ожидаемый дефицит:
где
и
- функция потерь для набора весов портфеля
для применения к возвратам. Рокафеллар / Урясев доказали, что
является
выпуклым по отношению к
и эквивалентен ожидаемому дефициту в точке минимума. Чтобы численно вычислить ожидаемый дефицит для набора доходностей портфеля, необходимо сгенерировать
моделирование составляющих портфеля; это часто делается с помощью
связок. С помощью этого моделирования вспомогательная функция может быть аппроксимирована следующим образом:
Это эквивалентно формулировке:
Наконец, выбор линейной функции потерь
превращает задачу оптимизации в линейную программу. Затем, используя стандартные методы, легко найти портфель, который минимизирует ожидаемый дефицит.
Формулы для непрерывных распределений вероятностей
Существуют закрытые формулы для расчета ожидаемого дефицита, когда выплата портфеля или соответствующий убыток следует определенному непрерывному распределению. В первом случае ожидаемый дефицит соответствует противоположному числу условного ожидания левого хвоста ниже :
Типичные значения в данном случае 5% и 1%.
Для инженерных или актуарных приложений обычно рассматривают распределение потерь , ожидаемый дефицит в этом случае соответствует к условному математическому ожиданию правого хвоста выше и типичным значениям равны 95% и 99%:
Поскольку некоторые формулы, приведенные ниже, были выведены для случая левого хвоста, а некоторые - для случая В случае правого хвоста могут быть полезны следующие согласования:
Нормальное распределение
Если выплата портфеля следует нормальному (гауссовскому) распределению с pdf тогда ожидаемый дефицит равен , где - стандартный нормальный PDF-файл, - стандартный нормальный cdf, поэтому - стандартный нормальный квантиль.
Если убыток портфеля следует нормальному распределению, ожидаемый дефицит равен .
G обобщенное t-распределение Стьюдента
Если выигрыш портфеля следует обобщенному t-распределению Стьюдента с p.d.f. тогда ожидаемый дефицит равен , где - стандартный PDF-файл с t-распределением, - стандартное cdf-распределение по t-распределению, поэтому - стандартный квантиль t-распределения.
Если потеря портфеля следует обобщенному t-распределению Стьюдента, ожидаемый дефицит составляет равно .
Распределение Лапласа
Если доходность портфеля следует распределению Лапласа с pdf
и c.d.f.
, то ожидаемый дефицит равен для .
Если потеря портфеля следует распределению Лапласа, ожидаемый дефицит равен
Логистическое распределение
Если доходность портфеля следует за логистическим распределением с pdf и cdf тогда ожидаемый дефицит равен .
Если потеря портфеля следует за логистическим распределением, ожидаемый дефицит равен к .
Экспоненциальное распределение
Если потеря портфеля следует за экспоненциальным распределением с PDF и c.d.f. , то ожидаемый дефицит равен .
Распределение Парето
Если потеря портфеля следует за распределением Парето с pdf
Обобщенное распределение Парето (GPD)
Если потеря портфеля L {\ displaystyle L}следует за GPD в формате pdf
- е (х) знак равно 1 s (1 + ξ (x - μ) s) (- 1 ξ - 1) {\ displaystyle f (x) = {\ frac {1} {s}} {\ Bigl ( } 1 + {\ frac {\ xi (x- \ mu)} {s}} {\ Bigr)} ^ {{\ bigl (} - {\ frac {1} {\ xi}} - 1 {\ bigr) }}}
и cdf
- F (x) = {1 - (1 + ξ (x - μ) s) - 1 ξ, если ξ ≠ 0, 1 - exp (- x - μ s), если ξ = 0. {\ displaystyle F (x) = {\ begin {cases} 1 - {\ Big (} 1 + {\ frac {\ xi (x- \ mu)} {s}} {\ Big)} ^ {- {\ frac {1} {\ xi}}} {\ text {if}} \ xi \ neq 0, \\ 1- \ exp {\ bigl (} - {\ frac {x- \ mu} {s}} {\ bigr)} {\ text {if}} \ xi = 0. \ end {cases}}}
тогда ожидаемый дефицит равен
- E S α (L) = {μ + s [(1 - α) - ξ 1 - ξ + (1 - α) - ξ - 1 ξ], если ξ ≠ 0, μ + s [1 - ln (1 - α)], если ξ = 0, {\ displaystyle \ operatorname {E} S _ {\ alpha} (L) = {\ begin {cases} \ mu + s {\ Bigl [} {\ frac {(1- \ alpha) ^ {- \ xi}} {1- \ xi}} + { \ frac {(1- \ alpha) ^ {- \ xi} -1} {\ xi}} {\ Bigr]} {\ text {if}} \ xi \ neq 0, \\\ mu + s [1 - \ ln (1- \ alpha)] {\ text {if}} \ xi = 0, \ end {cases}}}
и VaR равно
- VaR α (L) = { μ + s (1 - α) - ξ - 1 ξ, если ξ ≠ 0, μ - s ln (1 - α), если ξ = 0. {\ displaystyle \ operatorname {VaR} _ {\ alpha} (L) = {\ begin {case} \ mu + s {\ frac {(1- \ alpha) ^ {- \ xi} -1} {\ xi}} {\ text {if}} \ xi \ neq 0, \\ \ mu -s \ ln (1- \ alpha) и {\ text {if}} \ xi = 0. \ end {cases}} \ quad}
Распределение Вейбулла
Если потеря портфеля L {\ displaystyle L}следует за Распределение Вейбулла в формате pdf f (x) = {k λ (x λ) k - 1 e - (x / λ) k, если x ≥ 0, 0, если x < 0. {\displaystyle f(x)={\begin{cases}{\frac {k}{\lambda }}{\Big (}{\frac {x}{\lambda }}{\Big)}^{k-1}e^{-(x/\lambda)^{k}}{\text{if }}x\geq 0,\\0{\text{if }}x<0.\end{cases}}}и c.d.f. F (x) = {1 - e - (x / λ) k, если x ≥ 0, 0, если x < 0. {\displaystyle F(x)={\begin{cases}1-e^{-(x/\lambda)^{k}}{\text{if }}x\geq 0,\\0{\text{if }}x<0.\end{cases}}}, то ожидаемый дефицит равен E S α (L) = λ 1 - α Γ (1 + 1 К, - пер (1 - α)) {\ displaystyle \ operatorname {E} S _ {\ alpha} (L) = {\ frac {\ lambda} {1- \ alpha}} \ Гамма {\ Big (} 1 + {\ frac {1} {k}}, - \ ln (1- \ alpha) {\ Big)}}, где Γ (s, x) {\ displaystyle \ Gamma (s, x)}- это верхняя неполная гамма-функция.
Обобщенное распределение экстремальных значений (GEV)
Если доходность портфеля X {\ displaystyle X}следует за GEV в формате pdf f (x) = {1 σ (1 + ξ x - μ σ) - 1 ξ - 1 exp [- (1 + ξ x - μ σ) - 1 ξ], если ξ ≠ 0, 1 σ e - Икс - μ σ е - е - Икс - μ σ, если ξ = 0. {\ Displaystyle f (x) = {\ begin {cases} {\ frac {1} {\ sigma}} {\ Bigl (} 1+ \ xi {\ frac {x- \ mu} {\ sigma}} {\ Bigr)} ^ {- {\ frac {1} {\ xi}} - 1} \ exp {\ Bigl [} - {\ Bigl ( } 1+ \ xi {\ frac {x- \ mu} {\ sigma}} {\ Bigr)} ^ {- {\ frac {1} {\ xi}}} {\ Bigr]} и {\ text {если }} \ xi \ neq 0, \\ {\ frac {1} {\ sigma}} e ^ {- {\ frac {x- \ mu} {\ sigma}}} e ^ {- e ^ {- {\ frac {x- \ mu} {\ sigma}}}} {\ text {if}} \ xi = 0. \ end {cases}}}и cdf F (x) = {exp (- (1 + ξ x - μ σ) - 1 ξ), если ξ ≠ 0, exp (- e - x - μ σ), если ξ = 0. {\ displaystyle F (x) = {\ begin {cases} \ exp {\ Big (} - {\ big (} 1+ \ xi {\ frac {x- \ mu} {\ sigma}} {\ big)} ^ {- {\ frac {1} {\ xi}}} {\ Big)} {\ text {if}} \ xi \ neq 0, \\\ exp {\ Big (} -e ^ {- {\ frac {x - \ mu} {\ sigma}}} {\ Big)} {\ text {if}} \ xi = 0. \ end {cases}}}тогда ожидаемый дефицит равен E S α (X) = {- μ - σ α ξ [Γ (1 - ξ, - ln α) - α], если ξ ≠ 0, - μ - σ α [li (α) - α ln (- пер α)], если ξ = 0. {\ displaystyle \ operatorname {E} S _ {\ alpha} (X) = {\ begin {cases} - \ mu - {\ frac {\ sigma} {\ alpha \ xi}} {\ big [} \ Gamma (1- \ xi, - \ ln \ alpha) - \ alpha {\ big]} {\ text {if}} \ xi \ neq 0, \\ - \ mu - {\ frac {\ sigma} {\ alpha}} {\ big [} {\ text {li}} (\ alpha) - \ alpha \ ln (- \ ln \ alpha) {\ big]} и {\ text { if}} \ xi = 0. \ end {ases}}}и VaR равно VaR α (X) = {- μ - σ ξ [(- ln α) - ξ - 1], если ξ ≠ 0, - μ + σ ln (- ln α), если ξ = 0. {\ displaystyle \ operatorname {VaR} _ {\ alph a} (X) = {\ begin {cases} - \ mu - {\ frac {\ sigma} {\ xi}} {\ big [} (- \ ln \ alpha) ^ {- \ xi} -1 {\ big]} {\ text {if}} \ xi \ neq 0, \\ - \ mu + \ sigma \ ln (- \ ln \ alpha) {\ text {if}} \ xi = 0. \ end { case}}}, где Γ (s, x) {\ displaystyle \ Gamma (s, x)}- верхняя неполная гамма-функция li (x) = ∫ dx ln x {\ displaystyle {\ text {li}} (x) = \ int {\ frac {dx} {\ ln x}}}логарифмическая интегральная функция.
Если убыток портфеля L {\ displaystyle L}следует за GEV, то ожидаемый дефицит равен E S α (X) = {μ + σ (1 - α) ξ [γ (1 - ξ, - ln α) - (1 - α)], если ξ ≠ 0, μ + σ 1 - α [y - li (α) + α ln (- ln α)], если ξ = 0. {\ displaystyle \ operatorname {E} S _ {\ alpha} (X) = {\ begin {cases} \ mu + {\ frac {\ sigma} {(1- \ alpha) \ xi}} {\ big [} \ gamma (1- \ xi, - \ ln \ alpha) - (1- \ alpha) {\ big]} {\ text {if}} \ xi \ neq 0, \\\ mu + {\ frac {\ sigma} {1- \ alpha}} {\ big [} y - {\ text {li}} (\ alpha) + \ alpha \ ln (- \ ln \ alpha) {\ big] } {\ text {if}} \ xi = 0. \ end {cases}}}, где γ (s, x) {\ displaystyle \ gamma (s, x)}- нижняя неполная гамма-функция, y {\ displaystyle y}- константа Эйлера-Машерони.
Обобщенный гиперболический секанс (GHS) распределение
Если выплата портфеля X {\ displaystyle X}следует распределению GHS с pdf е (Икс) = 1 2 σ sech (π 2 x - μ σ) {\ displaystyle f (x) = {\ frac {1} {2 \ sigma}} \ operatorname {sech} ({\ frac {\ pi} {2}} {\ frac {x- \ mu} {\ sigma}})}и cdf F (x) = 2 π arctan [exp (π 2 x - μ σ)] {\ displaystyle F (x) = {\ frac {2} {\ pi}} \ arctan {\ Big [} \ exp {\ Big (} {\ frac {\ pi} {2}} {\ frac {x- \ mu} {\ sigma}} {\ Big)} {\ Big]}}тогда ожидаемый дефицит равен E S α (X) = - μ - 2 σ π ln (tan π α 2) - 2 σ π 2 α i [Li 2 (- i tan π α 2) - Li 2 (я загар π α 2)] {\ displaystyle \ operatorname {E} S _ {\ alpha} (X) = - \ mu - {\ frac {2 \ sigma} {\ pi}} \ ln {\ Big (} \ tan {\ frac {\ pi \ alpha} {2}} {\ Big)} - {\ frac {2 \ sigma} {\ pi ^ {2} \ alpha}} i {\ Big [ } {\ text {Li}} _ {2} {\ Big (} -i \ tan {\ frac {\ pi \ alpha} {2}} {\ Big)} - \ operatorname {Li} _ {2} { \ Big (} i \ tan {\ frac {\ pi \ alpha} {2}} {\ Big)} {\ Big]}}, где Li 2 {\ displaystyle \ operatorname { Li} _ {2}}- это функция Спенса, i = - 1 {\ displaystyle i = {\ sqrt {-1}}}- это мнимая единица.
SU-распределение Джонсона
Если выигрыш портфеля X {\ displaystyle X}следует SU- Distri исполнение с к.д.ф. F (Икс) знак равно Φ [γ + δ sinh - 1 (x - ξ λ)] {\ displaystyle F (x) = \ Phi {\ Big [} \ gamma + \ delta \ sinh ^ {- 1 } {\ Big (} {\ frac {x- \ xi} {\ lambda}} {\ Big)} {\ Big]}}тогда ожидаемый дефицит равен E S α (X) = - ξ - λ 2 α [exp (1-2 γ δ 2 δ 2) Φ (Φ - 1 (α) - 1 δ) - exp (1 + 2 γ δ 2 δ 2) Φ (Φ - 1 (α) + 1 δ)] {\ displaystyle \ operatorname {E} S _ {\ alpha} (X) = - \ xi - {\ frac {\ lambda} {2 \ alpha}} {\ Big [ } \ exp {\ Big (} {\ frac {1-2 \ gamma \ delta} {2 \ delta ^ {2}}} {\ Big)} \ Phi {\ Big (} \ Phi ^ {- 1} ( \ alpha) - {\ frac {1} {\ delta}} {\ Big)} - \ exp {\ Big (} {\ frac {1 + 2 \ gamma \ delta} {2 \ delta ^ {2}}} {\ Big)} \ Phi {\ Big (} \ Phi ^ {- 1} (\ alpha) + {\ frac {1} {\ delta}} {\ Big)} {\ Big]}}, где Φ {\ displaystyle \ Phi}- это cdf стандартного нормального распределения.
Распределение типа заусенца XII
Если доходность портфеля X {\ displaystyle X}соответствует типу заусенца Распределение XII в формате pdf е (Икс) знак равно ck β (x - γ β) c - 1 [1 + (x - γ β) c] - k - 1 {\ displaystyle f (x) = {\ frac {ck} {\ beta}} {\ Big (} {\ frac {x- \ gamma} {\ beta}} {\ Big)} ^ {c-1} {\ Big [} 1 + {\ Big (} {\ frac {x - \ gamma} {\ beta}} {\ Big)} ^ {c} {\ Big]} ^ {- k-1}}и cdf F (x) = 1 - [1 + (x - γ β) c] - k {\ displaystyle F (x) = 1 - {\ Big [} 1 + {\ Big (} {\ frac {x - \ gamma} {\ beta}} {\ Big)} ^ {c} {\ Big]} ^ {- k}}, ожидаемый дефицит равен E S α ( X) = - γ - β α ((1 - α) - 1 / k - 1) 1 / c [α - 1 + 2 F 1 (1 c, k; 1 + 1 c; 1 - (1 - α) - 1 / k)] {\ displaystyle \ operatorname {E} S _ {\ alpha} (X) = - \ gamma - {\ frac {\ beta} {\ alpha}} {\ Big (} (1- \ alpha) ^ {- 1 / k} -1 {\ Big)} ^ {1 / c} {\ Big [} \ alpha -1 + {_ {2} F_ {1}} {\ Big (} {\ frac {1 } {c}}, k; 1 + {\ frac {1} {c}}; 1- (1- \ alpha) ^ {- 1 / k} {\ Big)} {\ Big]}}, где 2 F 1 {\ displaystyle _ {2} F_ {1}}- гипергеометрическая функция. В качестве альтернативы E S α (X) = - γ - β α ckc + 1 ((1 - α) - 1 / k - 1) 1 + 1 c 2 F 1 (1 + 1 c, k + 1 ; 2 + 1 c; 1 - (1 - α) - 1 / k) {\ displaystyle \ operatorname {E} S _ {\ alpha} (X) = - \ gamma - {\ frac {\ beta} {\ alpha} } {\ frac {ck} {c + 1}} {\ Big (} (1- \ alpha) ^ {- 1 / k} -1 {\ Big)} ^ {1 + {\ frac {1} {c }}} {_ {2} F_ {1}} {\ Big (} 1 + {\ frac {1} {c}}, k + 1; 2 + {\ frac {1} {c}}; 1- (1- \ alpha) ^ {- 1 / k} {\ Big)}}.
Распределение Дагума
Если выплата портфеля X {\ displaystyle X}следует распределению Дагума с pdf е (Икс) знак равно ck β (x - γ β) ck - 1 [1 + (x - γ β) c] - k - 1 {\ displaystyle f (x) = {\ frac {ck} {\ beta}} {\ Big (} {\ frac {x- \ gamma} {\ beta}} {\ Big)} ^ {ck-1} {\ Big [} 1 + {\ Big (} {\ frac {x - \ gamma} {\ beta}} {\ Big)} ^ {c} {\ Big]} ^ {- k-1}}и cdf F (x) = [1 + (x - γ β) - c] - k {\ displaystyle F (x) = {\ Big [} 1 + {\ Big (} {\ frac {x- \ gamma) } {\ beta}} {\ Big)} ^ {- c} {\ Big]} ^ {- k}}, ожидаемый дефицит равен E S α (X) = - γ - β α ckck + 1 (α - 1 / k - 1) - k - 1 c 2 F 1 (k + 1, k + 1 c; k + 1 + 1 c; - 1 α - 1 / k - 1) {\ displaystyle \ operatorname {E} S _ {\ alpha} (X) = - \ gamma - {\ frac {\ beta} {\ alpha}} {\ frac {ck} {ck + 1}} {\ Большой (} \ alpha ^ {- 1 / k} -1 {\ Big)} ^ {- k - {\ frac {1} {c}}} {_ {2} F_ {1}} {\ Big (} k + 1, k + {\ frac {1} {c}}; k + 1 + {\ frac {1} {c}}; - {\ frac {1} {\ alpha ^ {- 1 / k} -1 }} {\ Big)}}, где 2 F 1 {\ displaystyle _ {2} F_ {1}}- гипергеометрическая функция.
Логнормальное распределение
Если доходность портфеля X {\ displaystyle X}следует логнормальному распределению, то есть случайной величине ln (1 + X) {\displaystyle \ln(1+X)}follows normal distribution with the pdf f ( x) = 1 2 π σ e − ( x − μ) 2 2 σ 2 {\displaystyle f(x)={\frac {1}{{\sqrt {2\pi }}\sigma }}e^{-{\frac {(x-\mu)^{2}}{2\sigma ^{2}}}}}, then the expected shortfall is equal to E S α ( X) = 1 − exp ( μ + σ 2 2) Φ ( Φ − 1 ( α) − σ) α {\displaystyle \operatorname {E} S_{\alpha }(X)=1-\exp {\Bigl (}\mu +{\frac {\sigma ^{2}}{2}}{\Bigr)}{\frac {\Phi (\Phi ^{-1}(\alpha)-\sigma)}{\alpha }}}, where Φ ( x) {\displaystyle \Phi (x)}is the standard normal c.d.f., so Φ − 1 ( α) {\displaystyle \Phi ^{-1}(\alpha)}is the standard normal quantile.
Log-logistic distribution
If the payoff of a portfolio X {\displaystyle X}follows log-logistic distribution, i.e. the random variable ln ( 1 + X) {\displaystyle \ln(1+X)}follows logistic distribution with the p.d.f. f ( x) = 1 s e − x − μ s ( 1 + e − x − μ s) − 2 {\displaystyle f(x)={\frac {1}{s}}e^{-{\frac {x-\mu }{s}}}{\Bigl (}1+e^{-{\frac {x-\mu }{s}}}{\Bigr)}^{-2}}, then the expected shortfall is equal to E S α ( X) = 1 − e μ α I α ( 1 + s, 1 − s) π s sin π s {\displaystyle \operatorname {E} S_{\alpha }(X)=1-{\frac {e^{\mu }}{\alpha }}I_{\alpha }(1+s,1-s){\frac {\pi s}{\sin \pi s}}}, where I α {\displaystyle I_{\alpha }}is the regularized incomplete beta function, I α ( a, b) = B α ( a, b) B ( a, b) {\displaystyle I_{\alpha }(a,b)={\frac {\mathrm {B} _{\alpha }(a,b)}{\mathrm {B} (a,b)}}}.
As the incomplete beta function is defined only for positive arguments, for a more generic case the expected shortfall can be expressed with the hypergeometric function : E S α ( X) = 1 − e μ α s s + 1 2 F 1 ( s, s + 1 ; s + 2 ; α) {\displaystyle \operatorname {E} S_{\alpha }(X)=1-{\frac {e^{\mu }\alpha ^{s}} {s+1}}{_{2}F_{1}}(s,s+1;s+2;\alpha)}.
If the loss of a portfolio L {\displaystyle L}follows log-logistic distribution with p.d.f. f ( x) = b a ( x / a) b − 1 ( 1 + ( x / a) b) 2 {\displaystyle f(x)={\frac {{\frac {b}{a}}(x/a)^{b-1}}{(1+(x/a)^{b})^{2}}}}and c.d.f. F ( x) = 1 1 + ( x / a) − b {\displaystyle F(x)={\frac {1}{1+(x/a)^{-b}}}}, then the expected shortfall is equal to E S α ( L) = a 1 − α [ π b csc ( π b) − B α ( 1 b + 1, 1 − 1 b) ] {\displaystyle \operatorname {E} S_{\alpha }(L)={\frac {a}{1-\alpha }}{\Bigl [}{\frac {\pi }{b}}\csc {\Bigl (}{\frac {\pi }{b}}{\Bigr)}-\mathrm {B} _{\alpha }{\Bigl (}{\frac {1}{b}}+1,1-{\frac {1}{b}}{\Bigr)}{\Bigr ]}}, where B α {\displaystyle B_{\alpha }}is the incomplete beta function.
Log-Laplace distribution
If the payoff of a portfolio X {\displaystyle X}follows log-Laplace distribution, i.e. the random variable ln ( 1 + X) {\displaystyle \ln(1+X)}follows Laplace distribution the p.d.f. f ( x) = 1 2 b e − | x - μ | b {\displaystyle f(x)={\frac {1}{2b}}e^{-{\frac {|x-\mu |}{b}}}}, then the expected shortfall is equal to E S α ( X) = { 1 − e μ ( 2 α) b b + 1 if α ≤ 0.5, 1 − e μ 2 − b α ( b − 1) [ ( 1 − α) ( 1 − b) − 1 ] if α>0.5. {\displaystyle \operatorname {E} S_{\alpha }(X)={\begin{cases}1-{\frac {e^{\mu }(2\alpha)^{b}}{b+1}}{\text{if }}\alpha \leq 0.5,\\1-{\frac {e^{\mu }2^{-b}}{\alpha (b-1)}}{\big [}(1-\alpha)^{(1-b)}-1{\big ]}{\text{if }}\alpha>0.5.\end{cases}}}.
Log-generalized hyperbolic secant (log-GHS) distribution
If the payoff of a portfolio X {\displaystyle X}follows log-GHS distribution, i.e. the random variable ln ( 1 + X) {\displaystyle \ln(1+X)}follows GHS distribution with the p.d.f. f ( x) = 1 2 σ sech ( π 2 x − μ σ) {\displaystyle f(x)={\frac {1}{2\sigma }}\operatorname {sech} ({\frac {\pi }{2}}{\frac {x-\mu }{\sigma }})}, then the expected shortfall is equal to E S α ( X) = 1 − 1 α ( σ + π / 2) ( tan π α 2 exp π μ 2 σ) 2 σ / π tan π α 2 2 F 1 ( 1, 1 2 + σ π ; 3 2 + σ π ; − tan ( π α 2) 2) {\displaystyle \operatorname {E} S_{\alpha }(X)=1-{\frac {1}{\alpha (\sigma +{\pi /2})}}{\Big (}\tan {\frac {\pi \alpha }{2}}\exp {\frac {\pi \mu }{2\sigma }}{\Big)}^{2\sigma /\pi }\tan {\frac {\pi \alpha }{2}}{_{2}F_{1}}{\Big (}1,{\frac {1}{2}}+{\frac {\sigma }{\pi }};{\frac {3}{2}}+{\frac {\sigma }{\pi }};-\tan {\big (}{\frac {\pi \alpha }{2}}{\big)}^{2}{\Big)}}, where 2 F 1 {\displaystyle _{2}F_{1}}is the hypergeometric function.
Dynamic expected shortfall
The conditional version of the expected shortfall at the time t is defined by
- E S α t ( X) = e s s sup Q ∈ Q α t E Q [ − X ∣ F t ] {\displaystyle \operatorname {E} S_{\alpha }^{t}(X)=\operatorname {ess\sup } _{Q\in {\mathcal {Q}}_{\alpha } ^ {t}} E ^ {Q} [- X \ mid {\ mathcal {F}} _ {t}]}
где Q α t = {Q = P | F t: d Q d P ≤ α t - 1 п.н. } {\ displaystyle {\ mathcal {Q}} _ {\ alpha} ^ {t} = \ {Q = P \, \ vert _ {{\ mathcal {F}} _ {t}}: {\ frac {dQ } {dP}} \ leq \ alpha _ {t} ^ {- 1} {\ text {as}} \}}.
Это не согласованная во времени мера риска. Согласованная по времени версия дается формулой
- ρ α t (X) = ess sup Q ∈ Q ~ α t EQ [- X ∣ F t] {\ displaystyle \ rho _ {\ alpha} ^ {t} ( X) = \ operatorname {ess \ sup} _ {Q \ in {\ tilde {\ mathcal {Q}}} _ {\ alpha} ^ {t}} E ^ {Q} [- X \ mid {\ mathcal { F}} _ {t}]}
такое, что
- Q ~ α t = {Q ≪ P: E [d Q d P ∣ F τ + 1] ≤ α t - 1 E [d Q d P ∣ F τ] ∀ τ ≥ t, поскольку }. {\ displaystyle {\ tilde {\ mathcal {Q}}} _ {\ alpha} ^ {t} = \ left \ {Q \ ll P: \ operatorname {E} \ left [{\ frac {dQ} {dP} } \ mid {\ mathcal {F}} _ {\ tau +1} \ right] \ leq \ alpha _ {t} ^ {- 1} \ operatorname {E} \ left [{\ frac {dQ} {dP} } \ mid {\ mathcal {F}} _ {\ tau} \ right] \; \ forall \ tau \ geq t {\ text {as}} \ right \}.}
См. также
Методы статистической оценки VaR и ES можно найти в Embrechts и другие. и Новак. При прогнозировании VaR и ES или оптимизации портфелей для минимизации хвостового риска важно учитывать асимметричную зависимость и отклонения в распределении доходности акций, такие как авторегрессия, асимметричная волатильность, асимметрия и эксцесс.
Список литературы
Внешние ссылки