Паритет хвостового риска является расширением концепции паритета риска , которая учитывает поведение компонентов портфеля во время событий хвостового риска . [1] [2] [3] Целью подхода паритета хвостового риска является защита инвестиционных портфелей во время экономических кризисов и снижение стоимости такой защиты в нормальных рыночных условиях. В рамках паритета хвостового риска риск определяется как ожидаемый убыток хвоста . Концепция паритета хвостового риска похожа на паритет просадки [4]
Традиционная диверсификация портфеля основана на корреляциях между активами и между классами активов, но эти корреляции не являются постоянными. [5] [6] Поскольку корреляции между активами и классами активов увеличиваются во время событий с хвостовым риском и могут достигать 100%, TRP делит классы активов на корзины, которые ведут себя по-разному в условиях рыночного стресса, в то время как активы в каждой корзине ведут себя одинаково. Во время событий с хвостовым риском цены на активы могут значительно упасть, создавая глубокие просадки портфеля . Классы активов в каждой корзине с хвостовым риском падают одновременно во время событий с хвостовым риском, и диверсификация капитала в корзинах не работает, поскольку периоды отрицательной эффективности компонентов портфеля перекрываются. Диверсификация по корзинам с хвостовым риском может обеспечить преимущества в виде меньших просадок портфеля и снизить потребность в защите от хвостового риска.
Байтингер, Драгош и Топалова в своей статье «Расширение подхода к паритету риска на более высокие моменты: есть ли добавленная стоимость?» предлагают расширение классического подхода к оптимизации портфеля паритета риска от Майяра и др. (2010) для включения более высоких моментов, таких как асимметрия и эксцесс . [7] Они представляют методологию последовательного включения более высоких моментов, таких как асимметрия и эксцесс, в структуру оптимизации паритета риска, разработанную Майяром и др. (2010). [8] Это позволяет учитывать хвостовые риски при оптимизации. Эмпирический анализ четырех реальных наборов данных, проведенный Байтингером, Драгошем и Топаловой, показывает неоднозначные результаты. Их методы паритета риска более высоких моментов, как правило, значительно превосходят классический паритет риска , когда базовые данные демонстрируют высокую ненормальность и взаимозависимости. Но они обеспечивают небольшую добавленную стоимость в других наборах данных. Исследования моделирования подтверждают, что ценность методов с более высокими моментами увеличивается с увеличением степени ненормальности и корреляции в данных. Подход к предполагаемой оптимизации также работает лучше, когда предоставлено достаточно данных.