Documente Academic
Documente Profesional
Documente Cultură
Familia distribuţiilor stabile este o clasă de distribuţii care are proprietatea de a fi invariante la
combinaţii liniare, distribuţia Gaussiană fiind un caz particular al distribuţiilor stabile.
Astfel, o variabilă aleatoare X urmează o distribuţie stabilă de parametrii ( , , , ) dacă există
0, R astfel încît X şi Z + să aibă aceeaşi distribuţie (Nolan, 2011), unde Z este o variabilă
aleatoare cu funcţia caracteristică:
exp( − t [1 − i tan( ) sign(t )]), 1
2
(t ) = E[e ] =
itZ
. (1.3)
2
exp( − t [1 + it sign(t )(ln( t )]), = 1
În notaţia de mai sus (0.2] este parametrul caracteristic1 ce controlează grosimea cozilor (pentru
controlează tendința centrală a distribuției, similar mediei din cazul distribuției normale) .
1
Stability index.
1
Pentru = 1 / 2 şi = 1 se obţine o distribuţie Lèvy (distribuția Levy este o distribuție heavy-
tailed, folosită adesea în modelarea financiară, întrucît parametrii săi nu sînt foarte sensibili la valorile
extreme, cum este cazul distribuției normale) cu parametrul de scală şi parametrul de locaţie .
Mai mult, spre deosebire de distribuţia normală, dacă 2 momentul de ordinul 2 al unei
distribuţii stabile (şi implicit varianţa) nu există, iar dacă = 1 (cazul distribuţiei Cauchy), nici măcar
momentul de ordinul 1 (media) nu există.
Spre deosebire de distribuţia normală, distribuţiile stabile au o probabilitate mai mare de apariţie a
cazurilor extreme.
Tabelul 1.5. Probabilitatea asociată cozilor distribuţiei
P( X x)
x Normal (0,1) Cauchy (0,1) Lèvy (0,1)
0 0.5 0.5 1
1 0.1587 0.25 0.6827
2 0.0228 0.1476 0.5205
3 0.001347 0.1024 0.4363
4 0.00003167 0.078 0.3829
5 0.000000287 0.0628 0.3453
Sursa: Nolan, 2011
2
Avem de-a face cu 3 parametrizări 2, care diferă între ele prin expresia analitică a funcţiei caracteristice, cele
mai folosite fiind primele două.
Spunem că o variabilă aleatoare X urmează o distribuţie stabilă S ( , , , ;0) dacă funcţia sa
caracteristică are forma:
1−
exp( − t [1 + i tan( ) sign(t )( t − 1)] + it ), 1
2
(t ) = E[e itX ] = . (1.4)
exp( − t [1 + it 2 sign(t )(ln( t )] + it ), = 1
Spunem că o variabilă aleatoare X urmează o distribuţie stabilă S ( , , , ;1) dacă funcţia sa
caracteristică are forma:
exp( − t [1 − i tan( ) sign(t )] + it ), 1
2
(t ) = E[e itX ] = . (1.5)
2
exp( − t [1 + it sign(t )(ln( t )] + it ), = 1
Parametrizarea S ( , , , ;1) are avantajul că este mai facilă la manipulări algebrice, deşi funcţia
caracteristică nu este continuă pentru toţi parametrii.
Parametrizarea S ( , , , ;0) este recomandată pentru simulări numerice şi inferenţă statistică (teste de
semnificație), deşi forma funcţiei caracteristice o face mai dificil de utilizat pentru calcule algebrice.
Nolan (2011) arată că între cele două parametrizări există totuşi o corespondenţă; astfel, dacă X ~
1 + tan 2 , 1
S ( , , , 1 ;1) şi X ~ S ( , , , 0 ;0) , atunci 0 = .
+ 2 ln , = 1
1
2
S ( , , , ;0) , S ( , , , ;1) , S ( , , , ;2) .
3
Density
0.40
0.38
0.36
Normal Stable
0.34
0.32
0.30
0.28
0.26
0.24
0.22
0.20
0.18
0.16
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
Value
Pentru simularea unei distribuții stabile S ( , , , ;1) se poate folosi algoritmul următor (Weron (1996))
:
1. Se generează o o variabilă distribuită uniform U ~ Unif − , și o variabilă distribuită
2 2
exponențial E ~ Exp (1) ;
arctan tan
2. Dacă 1 atunci se determină B( , ) = 2
și
2
S ( , ) = 1 + 2 tan 2 . Atunci se definește variabila
2
1−
sin(U + B( , )) U − (U + B( , ))
X = S ( , ) ;
(cosU )1 / E
3. Dacă = 1 atunci se definește variabila
E cosU
2 2
X = + U tan U − ln ;
2
+ U
2
4
X + , 1
4. Atunci variabila Y = 2 urmează o distribuție stabilă
X + ln + , = 1
S ( , , , ;1) .
Pentru a simula o distribuție stabilă S ( , , , ;1) folosim algoritmul lui Weron descris mai sus.
%macro stable(alpha=,beta=,delta=,gamma=,n=);
*Daca alfa<>1, atunci se utilizeaza codul de mai jos;
%macro s_alpha;
pi=constant('pi');
u=pi*ranuni(0)-pi/2;
ex=ranexp(1);
s_a_b=(1+(&beta**2)*(tan(pi*&alpha/2))**2)**(1/(2*&alpha));
b_a_b=atan(&beta*tan(pi*&alpha/2))/α
x=s_a_b*(sin(&alpha*(u+b_a_b)))/(cos(u)**(1/&alpha))*(cos(u-
&alpha*(u+b_a_b))/ex)
**((1-&alpha)/&alpha);
y=&gamma*x+δ
%mend;
*Daca alfa=1, atunci se utilizeaza codul de mai jos;
%macro s_alpha_1;
pi=constant('pi');
u=pi*ranuni(0)-pi/2;
ex=ranexp(1);
x=(2/pi)*(pi/2+&beta*u)*tan(u)-
&beta*log(pi/2*ex*cos(u)/(pi/2+&beta*u));
y=&gamma*x+2/pi*&beta*&gamma*log(&gamma)+δ
%mend;
run;
%end;
%if &alpha ne 1 %then %do;
data date(keep=y);
%do i=1 %to &n;
5
%s_alpha;
output;
%end;
run;
%end;
%mend;
*Se apeleaza procedura "stable", creind variabila y distribuita
S1 cu n observatii;
%stable(alpha=1.8,beta=0,delta=0,gamma=1,n=1000) ;
6
quit;
- într-o manieră similară se pot defini estimatori şi pentru ceilalţi doi parametri ai distribuţiei stabile.
3
Pentru o descriere mai detaliată a acestor metode, a se vedea Borak, Misiorek şi Weron (2010).
7
Problema acestei metode de estimare este că, deşi este cea mai rapidă, este şi cea mai puţin exactă,
estimatorii obţinuţi fiind deplasaţi şi neconsistenţi.
b. Metoda funcţiei caracteristice - care se bazează pe estimarea parametrilor folosind proprietăţile funcţiei
caracteristice a distribuţiei (Weron, 2004). Deşi oferă rezultate mai bune decît metoda cuantilelor,
estimatorii nu sunt foarte exacţi.
c. Metoda verosimilităţii maxime - care stimarea parametrilor prin maximizarea funcţiei de verosimilitate:
n
L( x1 ,..., xn ; , , , ) = f ( xi ; , , , ) .
i =1
4
Detalii computaționale se găsesc în Nolan, J.P. (2001). Maximum likelihood estimation and diagnostics for stable
distributions, in O. E. Barndorff-Nielsen, T. Mikosch, S. Resnick (eds.), Lévy Processes, Brikhäuser, Boston.
8
Observations 1496 741 755
0.15
0.1
0.05
-0.05
-0.1
-0.15
1/3/2005 1/3/2006 1/3/2007 1/3/2008 1/3/2009 1/3/2010
9
Pentru fiecare serie de timp a randamentelor, am estimat parametrii distribuţiei stabile corespunzătoare, în
parametrizarea S0 (cea definită anterior), folosind programul stable.exe5.
Predicția out-of-sample
Se verifică puterea de predicție a distribuțiilor estimate în perioada 2005-2007 prin confruntare cu
rezultatele reale din perioada 2008-2010.
Fie F distribuția corespunzătoare perioadei 2005-2007 și fie n numărul de observații zilnice ale
perioadei 2008-2010.
2005-2010 1495 1.6301 -0.1277 1.10E-02 1.06E-03 0.0789 0.1875 5.56E-04 9.82E-04
2005-2007 740 1.7274 0.101 9.37E-03 9.79E-04 0.1068 0.3326 6.37E-04 1.19E-03
2008-2010 755 1.637 -0.2339 1.31E-02 7.86E-04 0.1102 0.2618 9.30E-04 1.66E-03
Tabelul 1.12. Comparaţia între VaR empiric, VaR normal şi VaR stabil pentru = 0.01
5
Programul este disponibil pe site-ul lui J. P. Nolan: www.academic2.american.edu/~jpnolan.
10
Tabelul 1.13. Comparaţia între VaR empiric, VaR normal şi VaR stabil pentru = 0.05
= 0.01 = 0.05
Concluzii
- În perioade de relativă acalmie a piețelor, este absolut legitim să estimezi indicatorii de risc ținînd cont
de ipotezele distribuției normale, întrucît evenimentele extreme în astfel de perioade sînt extrem de
rare și cu probabilitate infimă de realizare.
- Estimarea VaR poate fi îmbunătățită prin utilizarea distribuțiilor stabile în locul abordărilor
convenționale, fiind un instrument extrem de util pentru managementul riscului și pentru instituțiile cu
rol de supraveghere și cu atribuții de prudențialitate.
11