Struttura di dipendenza dei rischi assicurativi e i limiti alla
Transcript
Struttura di dipendenza dei rischi assicurativi e i limiti alla
Struttura di dipendenza dei rischi assicurativi e i limiti alla diversicazione Paolo Neri Umberto Cherubini1 1 Università di Bologna Facoltà di Economia, Management e Statistica XI Congresso Nazionale degli Attuari Bologna, 16/06/2016 Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Il tema: code grasse in un paniere solo Se assicuriamo per un certo ammontare due rischi, piuttosto che in un rischio solo, la probabilità di perdita del capitale diminuisce ? Se assicuriamo due rischi anziché uno, per mantenere la stessa probabilità di perdita dobbiamo accantonare meno capitale ? Se i rischi hanno code particolarmente spesse, così da non garantire l'esistenza della varianza, o addirittura della media, la risposta a queste domande non è scontata. E' il problema della non sub-additività del Value-at-Risk, cioè dei quantili della distribuzione di perdita. Applicazioni ? Rischi catastrofali. C'è un vasto dibattito sulla possibilità di assicurazione (privata) di portafogli di rischi catastrofali, e di comporre portafogli di riassicurazione. Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci L'importanza della dipendenza Domande Come inuisce la dipendenza sul grado di super-additività? Come inuisce la dipendenza nelle code sul grado di super-additività? Intuizioni Sappiamo che in caso di perfetta dipendenza il Value-at-Risk di un portafoglio è uguale al portafoglio di Value-at-Risk (additività) Sappiamo che in caso di dipendenza parziale il Value-at-Risk può essere super-additivo Quindi in certi casi la relazione tra dipendenza e grado di super-additività (VaR della somma su somma dei VaR) è non monotona La dipendenza nelle code dovrebbe aumentare il grado di super-additività Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Struttura di dipendenza nelle distribuzioni heavy tailed Obbiettivo Data due distribuzioni X, Y heavy tailed valutare quale sia il comportamento del rischio nella diversicazione, considerando la somma (X+Y) in funzione della struttura di dipendenza Considerazioni iniziali Il rischio nella diversicazione con marginali thin tailed (es. Gaussiana) cresce in modo monotono rispetto alla struttura di dipendenza Valutazione della diversicazione nella dipendenza di due v.a. X, Y E' noto il caso di comonotonicity (Embrechts et al., 2003) VaR(X + Y ) = VaR(X ) + VaR(Y ) Distribuzione multivariata α-stabili i.i.d. (es. Lévy, Cauchy) diversicazione non diminuisce il rischio (Ibragimov and Walden, 2007), (Ibragimov, 2009), (Ibragimov et al., 2011) Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Struttura di dipendenza nelle distribuzioni heavy tailed Obbiettivo Data due distribuzioni X, Y heavy tailed valutare quale sia il comportamento del rischio nella diversicazione, considerando la somma (X+Y) in funzione della struttura di dipendenza Considerazioni iniziali Il rischio nella diversicazione con marginali thin tailed (es. Gaussiana) cresce in modo monotono rispetto alla struttura di dipendenza Valutazione della diversicazione nella dipendenza di due v.a. X, Y E' noto il caso di comonotonicity (Embrechts et al., 2003) VaR(X + Y ) = VaR(X ) + VaR(Y ) Distribuzione multivariata α-stabili i.i.d. (es. Lévy, Cauchy) diversicazione non diminuisce il rischio (Ibragimov and Walden, 2007), (Ibragimov, 2009), (Ibragimov et al., 2011) Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Struttura di dipendenza nelle distribuzioni heavy tailed Strumenti per determinare la diversicazione Distribuzioni α-stabili Funzioni di Copula Value-at-Risk Distribuzioni α-stabili Utilizzo delle distribuzioni α-stabili come modello per il rischio catastrofale (Ibragimov et al., 2009) comprendono classiche distribuzioni heavy tailed come Lévy, Cauchy famiglia di distribuzione chiuse rispetto alla somma e al prodotto per uno scalare Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Struttura di dipendenza nelle distribuzioni heavy tailed Strumenti per determinare la diversicazione Distribuzioni α-stabili Funzioni di Copula Value-at-Risk Funzioni di Copula Determina la distribuzione congiunta come funzione della trasformata sulle marginali Dierenti funzioni di copula determinano strutture di dipendenza diverse (simmetria, dipendenza di coda superiore e inferiore ) Utilizzato per estrarre una struttura di dipendenza tra le v.a. Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Struttura di dipendenza nelle distribuzioni heavy tailed Strumenti per determinare la diversicazione Distribuzioni α-stabili Funzioni di Copula Value-at-Risk Value-at-Risk VaR è una misura di rischio non coerente (Artzner et al., 1999) Caratterizzato da non subadditività ∃ X , Y : VaR(X ) + VaR(Y ) < VaR(X + Y ) VaR è una misura che non utilizza i momenti della distribuzione VaRα (X ) = F −1 (α)(X ) = inf {x ∈ R : F (X ) ≥ α} Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci α-stabili : classe di distribuzione per rischi catastrofali La famiglia di distribuzioni α-stabili S(α, β, γ, δ) è denita sui 4 parametri α: profondità della coda, 0 < α ≤ 2 β : skewness (asimmetria), −1 ≤ β ≤ 1 γ : dispersione della distribuzione, γ ∈ [0, +∞] δ : locazione della distribuzione, δ ∈ [−∞, +∞] La funzione di distribuzione delle α-stabili non ha una forma chiusa. Viene denita attraverso la funzione caratteristica ϕX (t) ( i h i h exp{ıδt − γ α |t|α (1 − ıβsign(t) tan(πα/2))}, α 6= 1 ıtX E ϕX (t) = E e = exp{ıδt − γ|t|(1 + ıβsign(t) π2 ln |t|)}, α = 1 Appartengono a questa famiglia le distribuzioni Lévy= S( 12 , 1, 1, 0) Cauchy= S(1, 0, 1, 0) Gaussiana= S(2, 0, √12 , 0) Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci α-stabili : classe di distribuzione per rischi catastrofali La famiglia di distribuzioni α-stabili S(α, β, γ, δ) è denita sui 4 parametri α: profondità della coda, 0 < α ≤ 2 β : skewness (asimmetria), −1 ≤ β ≤ 1 γ : dispersione della distribuzione, γ ∈ [0, +∞] δ : locazione della distribuzione, δ ∈ [−∞, +∞] La funzione di distribuzione delle α-stabili non ha una forma chiusa. Viene denita attraverso la funzione caratteristica ϕX (t) ( i h i h exp{ıδt − γ α |t|α (1 − ıβsign(t) tan(πα/2))}, α 6= 1 ıtX E ϕX (t) = E e = exp{ıδt − γ|t|(1 + ıβsign(t) π2 ln |t|)}, α = 1 Appartengono a questa famiglia le distribuzioni Lévy= S( 12 , 1, 1, 0) Cauchy= S(1, 0, 1, 0) Gaussiana= S(2, 0, √12 , 0) Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci α-stabili : classe di distribuzione per rischi catastrofali La famiglia di distribuzioni α-stabili S(α, β, γ, δ) è denita sui 4 parametri α: profondità della coda, 0 < α ≤ 2 β : skewness (asimmetria), −1 ≤ β ≤ 1 γ : dispersione della distribuzione, γ ∈ [0, +∞] δ : locazione della distribuzione, δ ∈ [−∞, +∞] La funzione di distribuzione delle α-stabili non ha una forma chiusa. Viene denita attraverso la funzione caratteristica ϕX (t) ( i h i h exp{ıδt − γ α |t|α (1 − ıβsign(t) tan(πα/2))}, α 6= 1 ıtX E ϕX (t) = E e = exp{ıδt − γ|t|(1 + ıβsign(t) π2 ln |t|)}, α = 1 Appartengono a questa famiglia le distribuzioni Lévy= S( 12 , 1, 1, 0) Cauchy= S(1, 0, 1, 0) Gaussiana= S(2, 0, √12 , 0) Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci α-stabili : principali proprietà Principali proprietà della famiglia delle α-stabili S(α, β, γ, δ) a) Siano X1 ∈ S(α, β1 , γ1 , δ1 ) e X2 ∈ S(α, β2 , γ2 , δ2 ) v.a. indipendenti. Allora la somma X1 + X2 ∼ S(α, β, γ, δ) , dove β= β1 γ1α + β2 γ2α , γ1α + γ2α γ = (γ1α + γ2α )1/α , δ = δ1 + δ2 b) Per ogni valore di 0 < α ≤ 2, si ha X ∼ S(α, β, γ, δ) ⇔ −X ∼ S(α, −β, γ, δ) ovvero simmetria rispetto alla locazione della distribuzione c) Un importante risultato riguarda i momenti di ordine p di una v.a. α-stabile. Sia X ∼ S(α, β, γ, 0), con 0 < α < 2. Allora E|X |p < ∞, ∀0<p<α E|X |p = ∞, ∀p≥α Da cui segue che la famiglia delle α-stabili non ammette momento secondo nito per α < 2 e perciò la varianza non è denita. Inoltre, si preclude anche l'esistenza del valore atteso per α ≤ 1. Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci α-stabili : principali proprietà Principali proprietà della famiglia delle α-stabili S(α, β, γ, δ) a) Siano X1 ∈ S(α, β1 , γ1 , δ1 ) e X2 ∈ S(α, β2 , γ2 , δ2 ) v.a. indipendenti. Allora la somma X1 + X2 ∼ S(α, β, γ, δ) , dove β= β1 γ1α + β2 γ2α , γ1α + γ2α γ = (γ1α + γ2α )1/α , δ = δ1 + δ2 b) Per ogni valore di 0 < α ≤ 2, si ha X ∼ S(α, β, γ, δ) ⇔ −X ∼ S(α, −β, γ, δ) ovvero simmetria rispetto alla locazione della distribuzione c) Un importante risultato riguarda i momenti di ordine p di una v.a. α-stabile. Sia X ∼ S(α, β, γ, 0), con 0 < α < 2. Allora E|X |p < ∞, ∀0<p<α E|X |p = ∞, ∀p≥α Da cui segue che la famiglia delle α-stabili non ammette momento secondo nito per α < 2 e perciò la varianza non è denita. Inoltre, si preclude anche l'esistenza del valore atteso per α ≤ 1. Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci α-stabili : principali proprietà Principali proprietà della famiglia delle α-stabili S(α, β, γ, δ) a) Siano X1 ∈ S(α, β1 , γ1 , δ1 ) e X2 ∈ S(α, β2 , γ2 , δ2 ) v.a. indipendenti. Allora la somma X1 + X2 ∼ S(α, β, γ, δ) , dove β= β1 γ1α + β2 γ2α , γ1α + γ2α γ = (γ1α + γ2α )1/α , δ = δ1 + δ2 b) Per ogni valore di 0 < α ≤ 2, si ha X ∼ S(α, β, γ, δ) ⇔ −X ∼ S(α, −β, γ, δ) ovvero simmetria rispetto alla locazione della distribuzione c) Un importante risultato riguarda i momenti di ordine p di una v.a. α-stabile. Sia X ∼ S(α, β, γ, 0), con 0 < α < 2. Allora E|X |p < ∞, ∀0<p<α E|X |p = ∞, ∀p≥α Da cui segue che la famiglia delle α-stabili non ammette momento secondo nito per α < 2 e perciò la varianza non è denita. Inoltre, si preclude anche l'esistenza del valore atteso per α ≤ 1. Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci α-stabili : un esempio di tting sui dati Fitting Copenhagen Reinsurance fire losses (1980 - 1990) 0.8 0.7 Data Fit stable density α = 0.82068 β = 1 γ = 0.40896 δ = -0.1518 0.6 0.5 0.4 0.3 0.2 0.1 0 10 Log - Millions of Danish Krone 100 Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Funzioni di Copula Denizione (Copula) una copula bi-dimensionale è una funzione C a valori reali, denita sul dominio DomC = [0, 1] × [0, 1] = I2 , con le seguenti proprietà 1 ∀ u, v ∈ I, C (u, 0) = C (0, v ) = 0 2 ∀u1 , u2 , v1 , v2 ∈ I tale che C (u, 1) = u C (1, v ) = v u1 ≤ u2 e v1 ≤ v2 C (u2 , v2 ) − C (u2 , v1 ) − C (u1 , v2 ) + C (u1 , v1 ) ≥ 0 Teorema (Sklar, 1959) Sia H la funzione di distribuzione congiunta relativa alle marginali F e G. Allora esiste una copula C tale che per ogni x, y ∈ R H(x, y ) = C(F (x), G (y )) Le funzioni di copula permettono di specicare la struttura di dipendenza in maniera separata dalle distribuzioni marginali. Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Funzioni di Copula Denizione (Copula) una copula bi-dimensionale è una funzione C a valori reali, denita sul dominio DomC = [0, 1] × [0, 1] = I2 , con le seguenti proprietà 1 ∀ u, v ∈ I, C (u, 0) = C (0, v ) = 0 2 ∀u1 , u2 , v1 , v2 ∈ I tale che C (u, 1) = u C (1, v ) = v u1 ≤ u2 e v1 ≤ v2 C (u2 , v2 ) − C (u2 , v1 ) − C (u1 , v2 ) + C (u1 , v1 ) ≥ 0 Teorema (Sklar, 1959) Sia H la funzione di distribuzione congiunta relativa alle marginali F e G. Allora esiste una copula C tale che per ogni x, y ∈ R H(x, y ) = C(F (x), G (y )) Le funzioni di copula permettono di specicare la struttura di dipendenza in maniera separata dalle distribuzioni marginali. Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Valutazione del portafoglio con struttura di dipendenza 1 Valutazione di X + Y con dipendenza di copula Date due v.a. i.d. X, Y ∼ S(α, β, γ, δ), FX ∼ FY , si deve determinare il VaRq (X + Y ), su tutta la struttura di dipendenza τ ∈ [−1, 1] utilizzo delle funzioni di copula C(u,v) per associare la struttura di dipendenza tra le v.a. α-stabili X, Y calcolo della distribuzione della somma F quantile di ordine q, VaRq (X + Y ) = −F −1 (q) X +Y X +Y 2 Rapporto di subadditività Date le distribuzioni i.d. X , Y ∼ S(α, β, γ, δ) Si denisce il Rapporto di subadditività al livello di condenza q ( RSq ≥ 1, non subadditività VaRq (X + Y ) RSq = VaRq (X ) + VaRq (Y ) RSq < 1, subadditività Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Valutazione del portafoglio con struttura di dipendenza 1 Valutazione di X + Y con dipendenza di copula Date due v.a. i.d. X, Y ∼ S(α, β, γ, δ), FX ∼ FY , si deve determinare il VaRq (X + Y ), su tutta la struttura di dipendenza τ ∈ [−1, 1] utilizzo delle funzioni di copula C(u,v) per associare la struttura di dipendenza tra le v.a. α-stabili X, Y calcolo della distribuzione della somma F quantile di ordine q, VaRq (X + Y ) = −F −1 (q) X +Y X +Y 2 Rapporto di subadditività Date le distribuzioni i.d. X , Y ∼ S(α, β, γ, δ) Si denisce il Rapporto di subadditività al livello di condenza q ( RSq ≥ 1, non subadditività VaRq (X + Y ) RSq = VaRq (X ) + VaRq (Y ) RSq < 1, subadditività Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Metodi di calcolo della distribuzione Sono stati implementati due metodi di calcolo 1 Simulazione MonteCarlo della v.a. W = X + Y Calcolo della distribuzione. Generazione di N realizzazioni (N grande, ∼ 107 ) delle v.a. α-stabili X , Y legate da una copula Cθ che ne denisce la dipendenza W = FX−1 (u) + FY−1 (v ) u, v ∼ Unif (0, 1) 2 C-Convoluzione delle v.a. X , Y ⇒ W = X + Y sulla copula Cθ (Cherubini et al., 2011) C Z FX ∗ FY (t) = 0 1 d C ω, FY (t − FX−1 (ω)) dω dω Calcolo della distribuzione. Risoluzione numerica dell'integrale su ogni punto t ∈ Dom(W ) Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Metodi di calcolo della distribuzione Sono stati implementati due metodi di calcolo 1 Simulazione MonteCarlo della v.a. W = X + Y Calcolo della distribuzione. Generazione di N realizzazioni (N grande, ∼ 107 ) delle v.a. α-stabili X , Y legate da una copula Cθ che ne denisce la dipendenza W = FX−1 (u) + FY−1 (v ) u, v ∼ Unif (0, 1) 2 C-Convoluzione delle v.a. X , Y ⇒ W = X + Y sulla copula Cθ (Cherubini et al., 2011) C Z FX ∗ FY (t) = 0 1 d C ω, FY (t − FX−1 (ω)) dω dω Calcolo della distribuzione. Risoluzione numerica dell'integrale su ogni punto t ∈ Dom(W ) Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Metodi di calcolo della distribuzione Sono stati implementati due metodi di calcolo 1 Simulazione MonteCarlo della v.a. W = X + Y Calcolo della distribuzione. Generazione di N realizzazioni (N grande, ∼ 107 ) delle v.a. α-stabili X , Y legate da una copula Cθ che ne denisce la dipendenza W = FX−1 (u) + FY−1 (v ) u, v ∼ Unif (0, 1) 2 C-Convoluzione delle v.a. X , Y ⇒ W = X + Y sulla copula Cθ (Cherubini et al., 2011) C Z FX ∗ FY (t) = 0 1 d C ω, FY (t − FX−1 (ω)) dω dω Calcolo della distribuzione. Risoluzione numerica dell'integrale su ogni punto t ∈ Dom(W ) Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Struttura del rischio: Copule Ellittiche Consideriamo in seguito due funzioni di Copula ellittiche per determinare la struttura del rischio in rapporto alla dipendenza del portafoglio Gaussian copula C (u1 , u2 , ..., un ) = φn φ−1 (u1 ), φ−1 (u2 ), ..., φ−1 (un ), ρ Student-t copula C (u1 , u2 , ..., un ) = tνn tν−11 (u1 ), tν−21 (u2 ), ..., tν−n1 (un ), ρ Diversamente dalla copula Gaussiana, per la Student-t copula è presente anche il coeciente dipendenza di coda λU = λL = 2tν+1 √ √ 1−ρ ν + 1√ 1+ρ Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Risultati V aRq (X + Y ) V aRq (X) + V aRq (Y ) StableDist(α = 0.2, β = 0, γ = 1, δ = 0), q = 0.01 gaussian t nu(1) t nu(2) t nu(5) 16 V aRq (X + Y ) V aRq (X) + V aRq (Y ) 14 12 10 8 6 4 2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 Kendall's Dependence 0.4 0.6 0.8 1 Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Risultati V aRq (X + Y ) V aRq (X) + V aRq (Y ) 1 StableDist(α = 2, β = 0, γ = √ , δ = 0), q = 0.01 2 1 V aRq (X + Y ) V aRq (X) + V aRq (Y ) 0.9 t nu(5) t nu(2) t nu(1) gaussian 0.8 0.7 0.6 0.5 0.4 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 Kendall's Dependence 0.4 0.6 0.8 1 Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Risultati 1 V aRq (X + Y ) V aRq (X) + V aRq (Y ) 1 StableDist(α = 2, β = 0, γ = √ , δ = 0), q = 0.1 2 V aRq (X + Y ) V aRq (X) + V aRq (Y ) 0.9 t nu(5) t nu(2) t nu(1) gaussian 0.8 0.7 0.6 0.5 0.4 -0.5 0 0.5 Kendall's Dependence 1 Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Risultati 1.1 V aRq (X + Y ) V aRq (X) + V aRq (Y ) StableDist(α = 1, β = 0, γ = 1, δ = 0), q = 0.1 V aRq (X + Y ) V aRq (X) + V aRq (Y ) 1 0.9 t nu(5) t nu(2) t nu(1) gaussian 0.8 0.7 0.6 0.5 0.4 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 Kendall's Dependence 0.4 0.6 0.8 1 Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Risultati 1.1 V aRq (X + Y ) V aRq (X) + V aRq (Y ) StableDist(α = 1, β = 0, γ = 1, δ = 0), q = 0.01 V aRq (X + Y ) V aRq (X) + V aRq (Y ) 1 0.9 t nu(5) t nu(2) t nu(1) gaussian 0.8 0.7 0.6 0.5 0.4 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 Kendall's Dependence 0.4 0.6 0.8 1 Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Risultati V aRq (X + Y ) V aRq (X) + V aRq (Y ) StableDist(α = 1, β = 0, γ = 1, δ = 0), q = 0.001 1.1 V aRq (X + Y ) V aRq (X) + V aRq (Y ) 1 0.9 t nu(5) t nu(2) t nu(1) gaussian 0.8 0.7 0.6 0.5 0.4 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 Kendall's Dependence 0.4 0.6 0.8 1 Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Risultati V aRq (X + Y ) V aRq (X) + V aRq (Y ) 1.1 StableDist(α = 1, β = 0, γ = 1, δ = 0), q = 0.0001 V aRq (X + Y ) V aRq (X) + V aRq (Y ) 1 0.9 t nu(5) t nu(2) t nu(1) gaussian 0.8 0.7 0.6 0.5 0.4 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 Kendall's Dependence 0.4 0.6 0.8 1 Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Conclusioni La presenza di code grasse rende problematica l'aggregazione dei rischi, perché il capitale economico necessario a garantirli può aumentare in maniera esclusiva. Per rischi α-stabili identicamente distribuiti la relazione tra grado di dipendenza dei rischi e grado di super-additività è non monotono per valori di α ≤ 1. La presenza di dipendenza nelle code modera, anziché accentuare, il problema di super-additività per i livelli di probabilità tipicamente considerati. Problemi aperti. Rischi non identicamente distribuiti: può una coda grassa infettare un portafoglio? Strutture di dipendenza non standard: ad esempio, qual è l'impatto di singolarità nella struttura di dipendenza, cioè casi in cui eventi congiunti si possono vericare simultaneamente con probabilità positiva? Introduzione Distribuzioni Heavy tailed Funzioni di Copula Applicazioni Conclusioni Riferimenti bibliograci Artzner, P., Delbaen, F., Eber, J.-M., and Heath, D. (1999). Coherent measures of risk. Mathematical nance, 9(3):203228. Cherubini, U., Mulinacci, S., Gobbi, F., and Romagnoli, S. (2011). Dynamic Copula methods in nance, volume 625. John Wiley & Sons. Embrechts, P., Höing, A., and Juri, A. (2003). Using copulae to bound the valueat-risk for functions of dependent risks. Finance and Stochastics, 7(2):145 167. Ibragimov, R. (2009). Portfolio diversication and value at risk under thicktailedness†. Quantitative Finance, 9(5):565580. Ibragimov, R., Jaee, D., and Walden, J. (2011). Diversication disasters. Journal of nancial economics, 99(2):333348. Ibragimov, R., Jaee, D., Walden, J., et al. (2009). Nondiversication traps in catastrophe insurance markets. Review of Financial Studies, 22(3):959993. Ibragimov, R. and Walden, J. (2007). The limits of diversication when losses may be large. Journal of Banking & Finance, 31(8):25512569. Nelsen, R. B. (2007). An introduction to copulas. Springer Science. Neri, P. (2016). Fat tails and limits of diversifacation: the case of dependent risks. Master's thesis, Università di Bologna, Facoltà di Economia, Management e Statistica, CdL Magistrale in Scienze Statistiche, Finanziarie ed Attuariali. Nolan, J. P. (1997). Numerical calculation of stable densities and distribution functions. Communications in statistics. Stochastic models, 13(4):759774.