HIDDEN DEPENDENCE AND AGGREGATE TAIL RISK
创建于 更新于
摘要
本研究在分布鲁棒性框架下研究对尾部风险度量的依赖不确定性下的风险聚合问题，提出“隐藏依赖”概念，强调在未观测到最大实现的情况下，Copula 可正确刻画变量之间的依赖关系，但对尾部情景下的依赖仍然存在信息缺失。通过从任意尾部事件A出发构造一个在尾部事件A上几乎处处支配Y的(X)向量，证明在保持边际分布不变的前提下，γ-尾风险的最坏值可由具有(c, γ)-隐藏依赖的依赖结构来描述，从而将依赖不确定性下的最坏风险问题简化为对隐藏依赖族的优化。此外，当将参考分布周围的扰动用一致概率距离来刻画时，若扰动足够小，也可能不改变最坏尾部风险的界值，且该结论可扩展至以依赖距离为约束的更广泛依赖测度。作为应用，论文在信用风险情景中量化了从参考高斯依赖模型出发的微小依赖偏离对资本需求的潜在放大效应，表明在极高尾部置信水平下，尾部风险对依赖结构的敏感性可能导致资本要求的显著提升。 [page::1]
