Слепая зона VaR: как нормальная модель маскирует хвостовые риски

Гауссовский VaR стабильно ошибается в обе стороны. Нормальная модель заставляет инвесторов излишне перестраховываться вблизи середины распределения, но при этом становится абсурдно оптимистичной и совершенно слепой к реальной угрозе там, где начинается дальний хвост.

Срез истории рынка США по базе Кеннета Френча охватывает век. Архив с июля 1926 года вместил 26 317 торговых дней. Нормальная модель с аналогичной волатильностью ожидает падение глубже четырех стандартных отклонений всего 0,83 раза. Факт суровее. Рынок пробивал этот порог 105 раз.

Дальше разрыв становится астрономическим. За пределами пяти отклонений гауссовская математика допускает 0,0075 случая, тогда как реальность выдала 51 обвал. Зато около центра распределения модель пугает зря. За границей 1,645 стандартного отклонения она ждет 1315 убыточных сессий. Рыночный факт мягче. История зафиксировала 1082 таких дня.

Параметрический VaR 95% останавливается на самом пороге. Он скрывает от риск-менеджера истинную глубину просадки при внезапных катастрофах масштаба Черного понедельника, когда историческое дневное падение рынка на 17,41% обернулось аномальным движением в 16,2 стандартного отклонения. Исторически скользящий VaR 99% пробивался в 2,36% случаев вместо заложенного одного процента.

Еще в 1999 году Артцнер и соавторы математически доказали, что традиционный VaR некогерентен и способен буквально штрафовать инвестиционный портфель за диверсификацию. Выход найден. Когерентной мерой признаны ожидаемые потери в хвосте — простой расчет среднего убытка за порогом.

Практический вывод прозрачен. Инвестору стоит оценивать именно среднюю потерю за границей риска. Вероятность касания самой границы вторична.

У данных есть нюанс. Великая депрессия до 1940 года тяжело нагружает дальний хвост распределения, а исторические котировки представлены до вычета издержек.

Прочитать полный разбор хвостовых рисков можно на сайте: https://blckridge.com/research/asymmetric-tail-risk-20260929/preview/ BlackRidge Research.