Um estudo sobre funções de dependência e medidas de risco

• Main Author: Marcelo Gonçalves
• Other Authors: Nikolai Valtchev Kolev
• Language: Portuguese
• Published: Universidade de São Paulo 2008
• Subjects: Cópulas e Dependência; Medidas de Risco; copulas; dependence; risk measures
• Online Access: http://www.teses.usp.br/teses/disponiveis/45/45133/tde-22122008-150501/

Começamos por estudar fronteiras para uma classe especial de medidas de risco quantis, chamadas medidas de risco distorcidas. A hipótese básica é que o conhecimento da estrutura de dependência (ou seja, da distribuição conjunta) da carteira de riscos é incompleta, fazendo com que não seja possível obter um valor exato para tais medidas. Isso é muito comum na prática. Fornecemos duas formas de obter tais limites nessa situação, apresentando seus prós e contras. A modelagem de risco, em um cenário de desconhecimento total ou parcial da distribuição conjunta dos mesmos, geralmente faz uso de cópulas. Entretanto, as cópulas vêm sendo alvo de críticas na literatura recente. Um dos motivos é que as mesmas desprezam o comportamento marginal e comprimem os dados no quadrado unitário. Dentro desse cenário, apresentamos uma função que pode ser vista como uma alternativa e complemento ao uso de cópulas: função de dependência de Sibuya. === We begin our work studying an special class of quantile risk measures, known as distorted risk measures. The basic assumption is that the risk manager does not know the complete dependence structure (that is, the risks\'s joint distribution) embedded in the risk\'s portfolio, what makes the exact computation of the risk measure an impossible task. This is a common scenario in practical problems. We present two approaches to compute bounds for the distorted risk measures in such situation, underlining the pros and cons of each one. In risk modeling, in the absence of complete knowledge regarding their joint distribution, one often relies on the copula function approach. However, copulas have been criticized in recent publications mostly because it ignores the marginal behavior and smash the data into the unity square. In order to overcome such problems we present and alternative and complement to the copula approach: the Sibuya dependence function.