Distribuții Stabile

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 + it sign(t )(ln( t )]),  = 1
 
În notaţia de mai sus   (0.2] este parametrul caracteristic1 ce controlează grosimea cozilor (pentru

distribuţia Gaussiană  = 2 ),   [−1,1] este parametrul ce controlează asimetria,   (0, ) este

parametrul de scală şi   R este parametrul de localizare/poziționare.

Pentru  = 2 se obţine o distribuţie normală de medie E ( X ) =  şi varianță Var ( X ) = 2 2 .

Pentru  = 1 şi  = 0 se obţine o distribuţie Cauchy (distribuția Cauchy este de fapt distribuția t-

Student cu un grad de libertate) cu parametrul de scală (parametrul care controlează variația distribuției,
similar abaterii standard din cazul distribuției normale)  şi parametrul de locaţie (parametrul care

controlează tendința centrală a distribuției, similar mediei din cazul distribuției normale)  .

Figura 1.5. Distribuția Cauchy și distribuția normală standard

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  .

Figura 1.6. Distribuția Levy (0,1)

Pentru toate celelalte cazuri ale parametrului  nu se cunoaşte o formă explicită a funcţiei densitate
de probabilitate.

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)] + it ),   1
 2
 (t ) = E[e itX ] =  . (1.4)
exp( − t [1 + it 2 sign(t )(ln( t )] + it ),  = 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 )] + it ),   1
 2
 (t ) = E[e itX ] =  . (1.5)
2
exp( − t [1 + it sign(t )(ln( t )] + it ),  = 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

Figura 1.7. Distribuţia stabilă S ( = 1.8,  = 0,  = 1,  = 0;1) și distribuţia normală N (  = 0,  = 1)

Simularea unei distribuții stabile

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) .

Exemplul 1.3. Simularea unei distribuții stabile folosind SAS 9.3

Pentru a simula o distribuție stabilă S ( ,  ,  ,  ;1) folosim algoritmul lui Weron descris mai sus.

*Macro-ul "stable" simuleaza variabia y S1(alfa, beta, delta,

gamma) - parametrizarea S1;

%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))/&alpha;
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+&delta;
%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)+&delta;
%mend;

%if &alpha=1 %then %do;

data date(keep=y);
%do i=1 %to &n;
%s_alpha_1;
output;
%end;

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) ;

*Se realizeaza histograma distributiei;

proc univariate data=date;

var y;
histogram;
run;
proc kde data=date;
univar y/out=kde;
run;

data kde;set kde;

label density='Stable Distribution';
normal=pdf('normal',value,0,sqrt(2));
label normal='Normal Distribution';
if abs(value)>5 then normal=.;
run;
*Se afiseaza graficul functiei densitate de probabilitate;
goptions reset=all;
symbol1 i=line color=red w=4 interpol=join;
symbol2 i=dot color=blue w=4 interpol=join;
axis1 label=('value');
axis2 label=('density');
legend1 label=(h=2.42 "")
value=(h=2.8 pct)
position=(top outside center)
offset=(-9.4,0);
proc gplot data=kde;
where abs(value)<10;
plot density*value normal*value/overlay legend=legend1
vaxis=axis2
haxis=axis1;
run;
quit;

proc gplot data=kde;

where abs(value)<10 and value<-3;
plot density*value normal*value/overlay legend=legend1
vaxis=axis2
haxis=axis1;
run;

6
 quit;

Figura 1.7. Distribuţia stabilă S ( = 1.8,  = 0,  = 1,  = 0;1) și distribuţia normală

N ( = 0, = 2 )

Metode de estimare a parametrilor distribuțiilor stabile3:

a. Metoda cuantilelor - care presupune estimarea parametrilor distribuţiei stabile plecând de la cuantilele
distribuţiei empirice (McCulloch (1986)):
- se estimează parmetrii  şi  , folosind cuantilele distribuţiei; astfel, se definesc variabilele
x0.95 − x0.05 x + x0.05 − 2 x0.25
v = şi v = 0.95 , care depind doar de  şi  , nu şi de ceilalţi parametri ai
x0.75 − x0.25 x0.95 − x0.05
distribuţiei;
- relaţiile de mai sus pot fi inversate, astfel încît să se obţină estimatorii parametrilor  şi  în funcţie de

variabilele definite anterior:  = f1 (va , v ) şi b = f 2 (va , v ) ;

- 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

Întrucât distribuţiile stabile nu au o formă explicită a funcţiei densitate de probabilitate f ( x; ,  ,  ,  ) ,

maximizarea funcţiei de probabilitate nu se poate face direct, cu metodele clasice, ci prin aproximări
numerice4.

1.1. Exemplu - Estimarea Value at Risk folosind distribuții stabile

Pentru a evalua performanţele distribuţiilor stabile în raport cu distribuţia normală în estimarea
Value at Risk, am utilizat seria prețurilor de închidere ale indicelui BET, principalul indice al Bursei de
Valori București, în perioada 2005-2010 (valori zilnice).
Tabelul 1.10. Statistici descriptive pentru randamentul indicelui BET
Descriptive
Statistics 2005-2010 2005-2007 2008-2010
Mean 0.000126 0.001095 -0.000825
Median 0.000505 0.000676 0.000154
Maximum 0.105645 0.057434 0.105645
Minimum -0.131168 -0.11902 -0.131168
Std. Dev. 0.020722 0.016183 0.024342
Skewness -0.545248 -0.58309 -0.433545
Kurtosis 8.233092 8.391293 6.9155
Jarque-Bera 1781.14 939.4039 505.9439
Probability 0 0 0
Sum 0.188215 0.811417 -0.623202
Sum Sq. Dev. 0.641957 0.193809 0.446768

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

Formal, VaR pentru un orizont de timp de o zi este definit astfel:

P(rt  −VaRt ) =  .
VaR empiric poate fi determinat pe baza seriei istorice a randamentelor zilnice, drept opusa
cuantilei de rangul  a distribuţiei randamentelor pe un anumit orizont de timp.
Pentru a observa existenţa unor eventuale perturbaţii induse de mediul economic sau politic, am
realizat estimaţia pentru întregul orizont de timp, precum şi pe sub-perioade.
În particular, am dorit să surprindem performanţele celor două tipuri de distribuţii în perioada de
dinaintea crizei financiare (2005-2007) şi în timpul crizei financiare (2008-2010).

VaR în cazul ipotezei distribuţiei normale a randamentelor se determină folosind relaţia:

P(rt  −VaRt ) =  ,
de unde rezultă
rt −  −VaRt − 
P(  ) = ,
 
sau, echivalent,
 VaRt +  
−  = .
  
=> VaRt = −(  +   z ) .

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.

Pentru fiecare i = 1...1000 am generat un șir de variabile aleatoare independente y i1 ,..., y in ,

provenind din distribuția F.
VaR se poate estima pe baza distribuției medii a acestor 1000 de șiruri de variabile aleatoare, drept
cuantila de rangul  a distribuției variabilelor y1 ,..., yn .
Comparînd VaR empiric în perioada 2008-2010 cu VaR estimat prin metoda descrisă, putem
aprecia performanțele distribuțiilor stabile și ale distribuției normale în evaluarea riscului în perioada de
criză financiară.
Tabelul 1.11. Estimatorii de verosimilitate maximă ai distribuției stabile S0 pentru randamentul indicelui
BET

Estimații Eroarea estimației (95%)

Perioada n

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

Perioada VaR emp VaRn VaRs VaRn − VaRemp VaRs − VaRemp

0.06001 0.04801 0.0687 -0.012 0.00869

2005-2010

0.04115 0.03655 0.04251 -0.0046 0.00136

2005-2007

0.07458 0.05745 0.086 -0.01713 0.01142

2008-2010

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

Perioada VaR emp VaRn VaRs VaRn − VaRemp VaRs − VaRemp

0.03322 0.03392 0.0308 -0.012 0.00869

2005-2010

0.02338 0.02552 0.02266 -0.0046 0.00136

2005-2007

0.04062 0.04086 0.038 -0.01713 0.01142

2008-2010

Tabelul 1.14. Predicția VaR pentru perioada 2008-2010

 = 0.01  = 0.05

Seria VaR emp VaRs VaRn VaR emp VaRs VaRn

BET 7.458% 5.595% 0.016% 4.062% 4.546% 0.024%

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.

- În perioade de turbulență, distribuția Gaussiană subestimează probabilitatea de apariție a valorilor

extreme, dintr-un motiv ce ține de proprietățile acestei distribuții.

- 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.

- Distribuția normală subestimează sever pierderea maximală a portofoliului, spre deosebire de

distribuțiile stabile, care oferă estimații mai apropiate de realitate.

- Distribuțiile stabile nu sunt un panaceu!

- Alternative: Distribuțiile stabile trunchiate, Distribuțiile hiperbolice

11