Über die Konvergenz zentrierter und normierter Summen von

Zufallsvariablen und ihre Auswirkungen auf die Risikomessung

Hansjörg Furrer

1. April 2021.

Inhaltsverzeichnis
1 Einführung 1

2 Generelles zur Risikoquantizierung im SST 2

2.1 Absolute versus logarithmierte Renditen . . . . . . . . . . . . . . . . . . . . . . 3

3 Zufallsgrössen und ihre Wahrscheinlichkeitsverteilungen 4

3.1 Stabile Verteilungen und ihre Anziehungsbereiche . . . . . . . . . . . . . . . . . 5
3.2 Weitere wichtige Verteilungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

4 Grenzverteilungen zentrierter und normierter Summen von Zufallsvaria-

blen 10
4.1 Grenzverteilungen von Summen Pareto-verteilter Zufallsvariablen . . . . . . . . 12
4.1.1 Tail-Index 0 < α < 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.1.2 Tail-Index α = 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.1.3 Tail-Index 1 < α < 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.1.4 Tail-Index α = 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.5 Tail-Index α > 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Grenzverteilungen von Summen tν -verteilter Zufallsvariablen . . . . . . . . . . . 33
4.2.1 ν = 4 Freiheitsgrade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.2 ν = 8 Freiheitsgrade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

5 Schlussfolgerungen 35

A Simulationsergebnisse für Pareto-verteilte Summanden 38

B Simulationsergebnisse für tν -verteilte Summanden 40

1
C Value-at-Risk und Expected Shortfall für normal- und tν -verteilte Zufalls-
variablen 41

Literaturverzeichnis 44

1 Einführung
In dieser Notiz untersuchen wir das Konvergenzverhalten von zentrierten und normierten
Summen unabhängiger und identisch verteilten Zufallsvariablen. Allgemein bekannt in diesem
Zusammenhang ist der Zentrale Grenzwertsatz. Dieser besagt, dass die Grösse (Sn − bn )/an
mit wachsendem n gegen einePstandard normalverteilte Zufallsvariable X ∼ N (0, 1) konver-
giert. Dabei bezeichnet Sn = ni=1 Yi und {Yi : i ∈ N} stellt eine Folge von unabhängigen und
identisch verteilten Zufallsvariablen dar mit Erwartungswert µ = E[Y ] und endlicher Varianz
σ 2 = E[Y 2 ] − E[Y ]2 . Die normierenden und zentrierenden Konstanten an und bn sind gegeben
√
durch an = σ n und bn = nµ. Im Financial Risk Management-Kontext ndet dieses Resultat
zum Beispiel bei der Skalierung von Risiken seine Anwendung. So werden die (regulatorischen)
Kapitalanforderungen in der Versicherungsindustrie in der Regel über einen Einjahreshorizont
deniert. Die Schätzung der Risiken, welchen ein Versicherungsportfolio über einen Einjahres-
horizont ausgesetzt ist, basiert jedoch häug auf Risikofaktoränderungen über einen kürzeren
Horizont, zum Beispiel einen Monat oder gar eine Woche. Werden so genannte logarithmierte
Renditen betrachtet, so ergibt sich die logarithmierte Einjahres-Rendite unter vereinfachenden
Unabhängigkeitsannahmen aus der Summe von 12 logarithmierten Monatsrenditen oder 52 lo-
garithmierten Wochenrenditen. Die Unabhängigkeitsannahme ist in der Realität im allgemei-
nen nicht gegeben. Dennoch konzentrieren wir uns in dieser Notiz auf diesen Spezialfall, nicht
zuletzt deshalb, weil er einfacher zu beschreiben ist. Er führt aber tendenziell zu `gutmütige-
ren' (Grenz-) Verteilungen, welche die daraus abgeleiteten Kapitalanforderungen unterschät-
zen dürften. Ungeachtet der Abhängigkeitsannahmen werden die statistischen Eigenschaften
kurzfristiger Renditen also via Summenbildung auf die Einjahres-Renditen übertragen, mögli-
cherweise in abgeschwächter Form. Wie gross dieser Einuss ist, ist Gegenstand dieser Notiz.
Insbesondere gehen wir der Frage nach, wie sehr sich die `tail-severity' kurzfristiger Renditen
auf die tail-severity der Jahresrenditen überträgt. Anders ausgedrückt interessiert die Frage,
wie weit die Summe von 12 Monats- oder 52 Wochenrenditen von der Normalverteilung (oder
allgemein einer stabilen Verteilung) entfernt ist. Wir messen dazu den Abstand zwischen einer
zentrierten und normierten Summe und der dazugehörigen Grenzverteilung. Und zwar einmal
anhand des Abstandes der entsprechenden Verteilungsfunktionen, ein anderes Mal via die Ri-
sikomasse Value-at-Risk (VaR) und Expected Shortfall für verschiedene Kondenzniveaus. Die
Verteilung einer Summe unabhängiger und identisch verteilter Zufallsvariablen bestimmen wir
mit dem Softwarepaket R, genauer gesagt mit der Funktion aggregateDist der Bibliothek `ak-
tuar'. Zur Erzeugung stabiler Verteilungen verwenden wir das Paket `stabledist' in R. In den
numerischen Beispielen betrachten wir einerseits Pareto-verteilte Summanden, andererseits
tν -verteilte. Dabei lassen wir den Pareto-Parameter α respektive die Anzahl Freiheitsgrade ν
variieren. Die Wahl der Pareto-Verteilung mag im Kontext der Renditen-Modellierung als von
akademischer Natur erscheinen, da ihr Träger auf der positiven Halbachse konzentriert ist.
Man kann sich aber durchaus eine um null symmetrische Verteilung mit Pareto-tails vorstel-
len oder konstruieren; eine Verteilung also, für die gilt F (−x) ∼ c1 x−α und F̄ (x) ∼ c2 x−α

1
mit x → ∞ und F̄ = 1 − F . Auch Grossschadenereignisse werden typischerweise durch die
Pareto-Verteilung beschrieben. Demgegenüber hat die tν -Verteilung unendlichen Träger und
ist symmetrisch um null.
Der Aufbau dieser Notiz ist wie folgt. Wir beginnen unsere Ausführungen mit einigen grund-
legenden Aspekten zur Risikoquantizierung im Schweizer Solvenztest SST, siehe Kapitel 2.
Ein spezielles Augenmerk gilt dabei den Änderungen von Risikofaktoren resp. (Finanz-) In-
strumenten, da diese massgeblich für die Kapitalanforderungen sind. Kapitel 3 stellt die Sum-
menbildung von Zufallsvariablen in den Vordergrund und wiederholt die Bedingungen, wann
eine Grenzverteilung existiert. Wie bereits oben erwähnt, spielt der Zentrale Grenzwertsatz in
diesem Kontext eine grosse Rolle. Dieser beesagt, dass für unabhängige und identisch verteilte
Zufallsvariablen Yi mit endlichem zweiten Moment die Grösse (Sn − bn )/an gegen die Normal-
verteilung konvergiert, wobei Sn = ni=1 Yi . Das Analogon für Verteilungen mit unendlicher
P
Varianz bilden die so genannten stabilen Verteilungen: Nur stabile Verteilungen treten als
Grenzwerte von Summen unabhäniger und identisch verteilter Zufallsvariablen auf. In Ka-
pitel 4 untersuchen wir das Konvergenzverhalten anhand konkreter Beispiele. Wir beginnen
unsere Analysen für unabhängige und identisch Pareto-verteilte Summanden, ehe wir uns der
t-Verteilung widmen. Im Falle der Pareto-Verteilung variieren wir den Pareto-Parameter α,
im Falle der t-Verteilung die Anzahl ν der Freiheitsgrade. Bevor wir numerische Ergebnisse
präsentieren können, bestimmen wir im Fall Pareto-verteilter Summanden die dazugehörige
Grenzverteilung. Ist die Varianz endlich, entspricht diese oensichtlich der Normalverteilung,
andernfalls einer stabilen Verteilung. Die Schwierigkeit bestehet darin, die Parameter der sta-
bilen Verteilung zu bestimmen, insbesondere den Skalierungsparameter. Kapitel 5 schliesst
mit einigen zusammenfassenden Bemerkungen.

2 Generelles zur Risikoquantizierung im SST

Die Solvabilität einer Versicherungsunternehmung (VU) nach SST leitet sich ab aus dem per
Stichtag verfügbaren Kapital und seinen möglichen Schwankungen über einen Einjahreshori-
zont. Das per Stichtag verfügbare Kapital wird im SST als risikotragendes Kapital bezeichnet,
wofür die Bezeichnung RBC verwendet wird. Wir nehmen an, dass das risikotragende Kapital
zum Zeitpunkt 0 bekannt ist, während RBC(s) mit s > 0 eine stochastische Grösse darstellt,
also unbekannt ist. Aus Risikomanagement- resp. aufsichtsrechtlicher Sicht interessieren also
die möglichen Veränderungen des risikotragenden Kapitals über einen bestimmten Zeithorizi-
ont h, also
RBC(t + h) − RBC(t).
Der allgemeinen Risikomanagement-Konvention folgend wird das risikotragende Kapital als
Funktion von Risikofaktoren Z1 , . . . , Zd dargestellt:

RBC = RBC(t; Z1 (t), . . . , Zd (t)).

Häug verwendete Risikofaktoren sind die (logarithmierten) Preise von Aktien, die Zinsen,
Credit-spreads oder die (logarithmierten) Wechselkurse.
Der Zeithorizont im SST beträgt wie erwähnt ein Jahr. Da sich die Solvenzanforderungen aus
den Veränderungen des risikotragenden Kapitals über den Einjahreshorizont ergeben, ist es

2
üblich und naheliegend, die entsprechenden Änderungen der Risikofaktoren über denselben
Zeithorizont zu betrachten:
X(t + 1) = Z(t + 1) − Z(t). (1)
Es gilt dann

∆ RBC(t + 1) = RBC(t + 1) − RBC(t)

= RBC(t + 1; Z(t + 1)) − RBC(t; Z(t))
= RBC(t + 1; Z(t) + X(t + 1)) − RBC(t; Z(t)),

wobei die Vektorschreibweise Z(t) = (Z1 (t), . . . , Zd (t))0 verwendet worden ist. Die Verände-
rungen des risikotragenden Kapitals sind somit durch die Risikofaktoränderungen bestimmt.

2.1 Absolute versus logarithmierte Renditen

Bezeichnen wir mit S(t) den Wert eines Instrumentes zum Zeitpunkt t, so ist die absolute
Veränderung zwischen den Zeitpunkten t und t + 1 gegeben durch

X abs (t + 1) = S(t + 1) − S(t).

Demgegenüber ist die relative Wertveränderung bestimmt durch

S(t + 1) − S(t) S(t + 1)

X rel (t + 1) = = − 1. (2)
S(t) S(t)

Die logarithmierten Renditen (Log-Returns) sind deniert als

 
log S(t + 1)
X (t + 1) = log = log S(t + 1) − log S(t). (3)
S(t)

Beachte, dass für kleine Wertveränderungen ungefähr gilt X rel ≈ X log . Dies folgt aus der
Taylorapproximation 1. Ordnung, wonach log(1+x) ≈ x für kleine x. Eine wichtige Eigenschaft
logarithmierter Renditen ist die folgende:
       
S(T ) S(1) S(2) S(T )
log = log + log + · · · + log (4)
S(0) S(0) S(1) S(T − 1)

oder anders ausgedrückt:

n
X
r(0, T ) = rk (5)
k=1

wobei r(0, T ) die logarithmierte Rendite über den Zeitraum [0, T ] bezeichnet, also r(0, T ) =
log(S(T )/S(0)) und rk die logarithmierte Rendite des Intervalls [tk−1 , tk ]. Mit anderen Worten,
die Rendite über den Zeitraum von 0 bis T ist gleich der Summe der logarithmierten Renditen
der Teilintervalle [0, 1], [1, 2], . . . , [T − 1, T ].

3
3 Zufallsgrössen und ihre Wahrscheinlichkeitsverteilungen
Obschon es oft naheliegend und praktisch ist, für Modellierungszwecke auf normalverteilte
Zufallsgrössen zurückzugreifen, so zeigen gerade die historischen Beobachtungen von Finanz-
marktdaten bisweilen starke und gehäuft auftretende Wertveränderungen. Wertveränderungen
also, die mit unabhängigen und identisch normalverteilten Zufallsgrössen nicht erfasst werden
können. Um dies zu illustrieren, haben wir in Abbildung 1 die täglichen Wertveränderun-
gen (log-returns) der Schlusskurse der SLHN-Aktie (Swiss Life Holding) über den Zeitraum
vom 1. Januar 1999 bis 31. Dezember 2008 aufgetragen (obere Grak). Demgegenüber zeigt die
untere Grak in Abbildung 1 gleich viele Renditen von Realisierungen normalverteilter Zufalls-
zahlen. Deren Varianz wurde aus den historischen Beobachtungen der SLHN-Veränderungen
geschätzt.

Daily log-returns on SLHN

0.06
-0.02
-0.10

1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Simulated returns of an independent Gaussian white noise process

0.08
0.00
-0.08

1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Abbildung 1: Tägliche Wertveränderungen der logarithmierten SLHN-Schlusskurse über den

10-Jahres Zeitraum vom 01.01.1999 bis 31.12.2008 (obere Grak) und gleich viele Realisierun-
gen unabhängiger und normalverteilter Zufallszahlen (untere Grak). Die Varianz der simu-
lierten normalverteilten Zufallsvariablen entspricht derjenigen geschätzt aus den historischen
Beobachtungen über denselben Zeitraum.

Vergleicht man die beiden Graken miteinander, so ist augenfällig, dass die beobachteten
Kursveränderungen zu weitaus stärkeren Ausschlägen neigen als die pseudomässig generier-
ten. Darüberhinaus ist feststellbar, dass sich bei den historischen Beobachtungen Perioden mit
moderaten, eher gleichmässigen Ausschlägen abwechseln mit Perioden extremer Veränderun-
gen (Cluster-Bildung). Gerade für Risikomanagementzwecke mit seinem Fokus auf Ausreisser

4
ist diese Abweichung von der `Normalität' zentral. Die in Figur 1 gemachten Beobachtungen
sprechen wiederum gegen die Annahme von unabhängigen und identisch verteilten Renditen,
siehe die einleitenden Bemerkungen in Kapitel 1.

3.1 Stabile Verteilungen und ihre Anziehungsbereiche

Die Bedeutung der Normalverteilung ergibt sich unter anderem wegen des Zentralen Grenz-
wertsatzes. Seien Y1 , . . . , Yn unabhängige und identisch verteilte Zufallsvariablen mit gemein-
samer Verteilungsfunktion F mit Erwartungswert µ und endlicher Varianz σ 2 . Setze Sn =
Y1 + · · · + Yn . Dann gilt

Sn − nµ
√ → N (0, 1), n → ∞.
σ n

Für Wahrscheinlichkeitsverteilungen ohne Varianz existiert ein analoges Resultat, wobei die
√
normierenden Konstanten (hier an = σ n, bn = nµ) anders gewählt werden müssen. Eine
entscheidende Rolle in diesem Zusammenhang spielen die so genannten stabilen Verteilungen.

Denition 1 Eine Wahrscheinlichkeitsverteilung G heisst stabil, falls es für jedes n normie-

rende Konstanten cn > 0, γn gibt, so dass

Sn = cn Y + γn , (6)

wobei Y eine Zufallsvariable mit Verteilungsfunktion G beschreibt und Sn = Y1 + · · · + Yn mit

Yi iid mit Verteilungsfunktion G. 2

Beispiele von stabilen Verteilungen sind die Normalverteilung, die Cauchy-Verteilung oder die
Lévy-Verteilung, siehe Kapitel 3.2.

Denition 2 Die unabhängigen Zufallsvariablen Yk mit gemeinsamer Verteilungsfunktion F

gehören zum Anziehungsbereich der Zufallsvariablen Z mit Verteilung G, falls es normierende
Konstanten an > 0 und bn gibt, so dass
S n − bn
→ Z, n → ∞. (7)
an
2

Eine notwendige Bedingung, dass eine Verteilungsfunktion F zu einem Anziehungsbereich

einer Verteilung G gehört, ist die folgende:
Z x
µ(x) = y 2 dF (x) ∼ x2−α L(x), x → ∞, (8)
−x

mit 0 < α ≤ 2 und einer langsam variierenden Funktion L, siehe Feller [4], Theorem 2,
Kapitel XVII.5. Wir benutzen in diesem Fall die Schreibweise F ∈ DA(G), wobei DA für

5
`domain of attraction' steht. Im Falle α = 2 ist die Bedingung (8) auch hinreichend. Für eine
Zusammenfassung dieser Resultate siehe Proposition 1 unten.
Man kann zeigen, dass die Bedingung (8) äquivalent ist mit

x2 1 − F (x) + F (−x)


2−α
→ , x → ∞, (9)
µ(x) α

siehe Feller [4], Kapitel IX.8.

Denition 3 Eine reellwertige Funktion L heisst regulär variierend mit Index γ , falls gilt
L(tx)
lim = xγ
t→∞ L(t)

für alle x > 0. In diesem Fall schreiben wir f ∈ RVγ . Im Fall γ = 0 heisst die Funktion f
langsam variierend. 2

Eigenschaft (8) bedeutet, dass µ(x) regulär variierend ist mit Index 2 − α.
Schliesslich kann man zeigen, dass nur stabile Verteilungen als Grenzwerte von zentrierten
und normierten Summen unabhängiger und identisch verteilter Zufallsvariablen auftreten,
siehe zum Beispiel Feller [4], Theorem 1, Seite 576: Eine Verteilung G besitzt einen Anzie-
hungsbereich dann und nur dann, wenn sie stabil ist.

Proposition 1 Sei F eine Verteilungsfunktion. Es gilt

(a) F ∈ DA(G2 ) genau dann, wenn µ(x) = langsam variierend ist oder gleichbe-
Rx 2 dF (y)
−x y
deutend, dann und nur dann wenn
x2 1 − F (x) + F (−x)


→ 0, x → ∞.
µ(x)

(b) F ∈ DA(Gα ) mit 0 < α < 2 genau dann, wenn 1 − F (x) + F (−x) ∈ RV−α und die
folgenden Tail-Ausgleichsbedingungen erfüllt sind:
F (−x) 1 − F (x)
→ q, → p, p + q = 1, x → ∞.
1 − F (x) + F (−x) 1 − F (x) + F (−x)
2

Für den Beweis, siehe Feller [4], Kapitel IX.8 und XVII.5.
Was die normalisierenden und zentrierenden Konstanten an > 0 und bn betrit, so sind diese
in Tabelle 1 zu nden, siehe dazu Feller [4], XVII.5. Diese Konstanten sind so bestimmt,
dass für eine Folge unabhängiger und identisch verteilter Zufallsvariablen {Yi : i ∈ N} mit
Verteilungsfunktion F gilt
Pn
Yi − bn
X∗n = i=1 → X, n → ∞.
an

6
 α an bn
n nµ(x) o
0<α<1 inf x ≤ 1 
x2
n nµ(x) o h
i
α=1 inf x ≤ 1 n2 E sin Y /an
x2
n nµ(x) o
1<α≤2 inf x ≤ 1 nµ
x2

Tabelle 1: Normalisierende
Rx und zentrierende Konstanten an > 0 und bn für verschiedene α,
wobei µ(x) = −x y 2 dF (y) und µ = E[Y ] den Erwartungswert von Y bezeichnet.

Mit anderen Worten, F ∈ DA(Gα ).

Wegen der regulären Variation der Funktion µ folgt für x > 0, dass
nµ(an x)
→ x2−α , n → ∞,
a2n

da limn→∞ an = ∞. Im Falle α = 2 bedeutet dies zum Beispiel, dass die Maÿe nx2 dF (an x)
gegen ein Maÿ F # konvergieren, das im Nullpunkt konzentriert ist, siehe Kapitel 4.1.4.
In gewissen Fällen ist es möglich, dass die Konstanen an von der einfacheren Form an = c n1/α
sind für eine Konstante c. Dies gilt zum Beispiel im Falle E[Y 2 ] < ∞ oder wenn F selber stabil
ist. Wir sagen in diesem Fall, dass die Verteilung F im normalen Anziehungsbereich einer
Verteilung Gα liegt und benutzen die Schreibweise F ∈ DNA(Gα ). Der Bereich DNA(Gα )
lässt sich wie folgt charakterisieren, siehe Embrechts et al. [3], Corollary 2.2.17.

Proposition 2 Sei F eine Verteilungsfunktion. Es gilt

(a) F ∈ DNA(G2 ) genau dann, wenn die Zufallsvariable Y mit Verteilungsfunktion F endliche
Varianz hat, wenn also gilt E[Y 2 ] < ∞.
(b) F ∈ DNA(Gα ) mit α < 2 genau dann, wenn

F (−x) ∼ c1 x−α , F̄ (x) ∼ c2 x−α , x → ∞.

Also genau dann, wenn F Pareto-tails hat. 2

Wir möchten Denition 2 in die Sprache der charakteristischen Funktionen übersetzen. Für
eine Zufallsvariable X mit Verteilungsfunktion FX ist die charakteristische Funktion ϕX (t)
gegeben durch
Z ∞
(10)
 itX 
ϕX (t) = E e = eitx dFX (x) = u(t) + iv(t), t ∈ R,
−∞

mit Z ∞ Z ∞
u(t) = cos(ty) dFX (y), v(t) = sin(ty) dFX (y).
−∞ −∞

7
Es gilt insbesondere ϕ(0) = 1 und |ϕ(t)| ≤ 1 für alle t. Ebenso ϕaX+b (t) = exp{itb}ϕX (at)
sowie ϕX+Y (t) = ϕX (t)ϕY (t) für unabhängige Zufallsvariablen X und Y .
Mit diesen beiden Eigenschaften folgt für X∗n = ( ni=1 Yi − bn )/an :
P

n
ϕX∗n (t) = ϕY t/an e−itbn /an . (11)

Falls eine charakteristische Funktion ϕ(t) k -fach dierenzierbar ist im Punkt t = 0, so gilt
(k)
ϕX (0) = ik E[X k ]. Insbesondere gilt
ϕ0 (0) = im1 , ϕ00 (0) = −m2 ,
R∞
wobei mn das n-te Moment bezeichnet, falls es existiert, also mn = −∞ x dF (x).
n

In der Sprache der charakteristischen Funktionen lässt sich das in (7) beschriebene Konver-
genzverhalten wie folgt umformulieren: Eine Verteilungsfunktion F ist im Anziehungsbereich
von G, falls es Konstanten an > 0 und bn gibt mit

n
ϕ t/an e−itbn /an → ω(t), n → ∞. (12)

Dabei bezeichnen ϕ(t) und ω(t) die charakteristischen Funktionen der Verteilungen F re-
spektive G. Gemäss Feller [4], Theorem 1, Seite 555, ist (12) äquivalent mit der Eigenschaft,
dass
(13)



n ϕF t/an − 1 − itbn /(nan ) → Ψ(t), n → ∞,

wobei Ψ(t) = log ω(t).

3.2 Weitere wichtige Verteilungen

Gamma-Verteilung. Eine Zufallsvariable X folgt einer Gamma-Verteilung mit Parametern

α > 0, β > 0, falls ihre Dichtefunktion gegeben ist durch

1
f (x) = xα−1 e−x/β , 0 < x < ∞, α, β > 0, (14)
Γ(α)β α

wobei die Gammafunktion Γ(α) gegeben ist durch

Z ∞
Γ(α) = tα−1 e−t dt. (15)
0
√
Es gilt Γ(α + 1) = αΓ(α) und Γ(1/2) = π . Erwartungswert und Varianz von X sind gegeben
durch
E[X] = αβ, Var(X) = αβ 2 .

Für die charakteristische Funktion gilt ϕ(t) = (1 − itβ)−α .

tν -Verteilung mit ν Freiheitsgraden. Eine Zufallsvariable X folgt einer tν -Verteilung mit ν
Freiheitsgraden, falls ihre Dichtefunktion gegeben ist durch
Γ ν+1


x2 − ν+1
2
fν (x) = ν

2
√ 1 + , x ∈ R. (16)
Γ 2 πν ν

8
Erwartungswert und Varianz sind gegeben durch
ν
E[X] = 0 (ν > 1), Var(X) = (ν > 2).
ν−2

Der Fall ν = 1 entspricht der Cauchy-Verteilung; die Dichtefunktion (16) ist gegeben durch
1 1
f1 (x) = , x ∈ R.
π 1 + x2

Lognormal-Verteilung. Eine Zufallsvariable X genügt einer Lognormal-Verteilung mit Para-

metern µ und σ 2 , falls log X ∼ N (µ, σ 2 ), falls also der Logarithmus von X normalverteilt
ist mit Erwartungswert µ und Varianz σ 2 . Die Dichtefunktion f einer lognormal-verteilten
Zufallsvariablen ist gegeben durch
1 n (log x − µ)2 o
f (x) = √ exp − , x > 0, µ ∈ R, σ > 0.
x 2πσ 2 2σ 2

Erwartungswert und Varianz sind gegeben durch

n σ2 o
Var(X) = exp 2(µ + σ 2 ) − exp 2µ + σ 2 .
 
E[X] = exp µ + ,
2

Pareto Verteilung. Die Zufallsvariable X hat eine Pareto-Verteilung, falls ihre kumulative
Verteilungsfunktion F respektive Dichtefunktion f gegeben sind durch
 k α αk α
F̄ (x) = 1 − F (x) = , f (x) = 1+α , α, k > 0, x ≥ k. (17)
x x

Für den Erwartungswert und die Varianz einer Pareto-verteilten Zufallsvariablen X gelten
αk αk 2
E[X] = , (α > 1); Var(X) = , (α > 2).
α−1 (α − 1)2 (α − 2)

α-stabile Verteilung. Die α-stabile Verteilung wird durch vier Parameter beschrieben und mit
Sα (β, σ, µ) bezeichnet. Der Parameter α heisst charakteristischer Exponent und bestimmt das
Tail-Verhalten von X ∼ Sα (β, σ, µ). Der Parameter β ∈ [−1, 1] bezeichnet die Schiefe und legt
fest, ob die Verteilung links- (β < 0) oder rechtsschief (β > 0) ist. Die Parameter σ und µ
sind Skalierungs- resp. Lokalisierungsparameter. Die Familie der α-stabilen Verteilungen ist
umfangreich und enthält die folgenden Verteilungen als Spezialfälle:

• Gausssche resp. Normalverteilung

• Cauchy Verteilung
• Lévy Verteilung.

Mit Ausnahme der oben erwähnten drei Klassen kann die Dichtefunktion einer α-stabilen
Verteilung nicht in geschlossener Form angegeben werden. Jedoch kann die charakteristische
Funktion immer speziziert werden. Für α 6= 1 haben wir
n  πα
 o
ϕ(t) = E eitX = exp −σ α |t|α 1 − iβ sign(t) tan (18)
 
+ iµt
2

9
während im Fall α = 1 gilt
n  2  o
ϕ(t) = E eitX = exp −σ|t| 1 + iβ sign(t) log |t| + iµt . (19)
 
π

Im Falle von β = 1 existiert die Laplace-Transformierte und ist gegeben durch


 −γX  exp −(γσ)α / cos(πα/2) ,

α 6= 1,
φX (γ) = E e =  (20)
exp 2σ γ log γ/π , α = 1.

siehe Samorodnistky und Taqqu [13], Proposition 1.2.12.

Normalverteilung. Eine normalverteilte Zufallsvariable X ∼ N (µ, δ 2 ) mit Erwartungswert µ
und Varianz δ 2 hat Dichtefunktion
1 n (x − µ)2 o
f (x) = √ exp − , x ∈ R. (21)
2πδ 2 2δ 2

Die charakteristische Funktion einer normalverteilten Zufallsvariablen

√ ist gegeben durch√ ϕX (t) =
exp{iµt−δ 2 t2 /2}; X ist somit stabil mit α = 2, β = 0 und σ = δ/ 2, d.h. X ∼ S2 (δ/ 2, 0, µ).
Cauchy Verteilung. Eine Cauchy-verteilte Zufallsvariable hat Dichtefunktion
1 σ
f (x) = , x, µ ∈ R, σ > 0. (22)
π σ + (x − µ)2
2

Eine Cauchy-verteilte Zufallsvariable X ist α-stabil mit α = 1 und β = 0, also X ∼ S1 (σ, 0, µ).
Lévy Verteilung. Eine Zufallsvariable hat eine Lévy-Verteilung, falls ihre Dichtefunktion gege-
ben ist durch r
σ 1 n σ o
f (x) = exp − , x > µ.
2π (x − µ)3/2 2(x − µ)
√
Die Verteilungsfunktion ist gegeben durch F (x) = 2 1−Φ(1/ x − µ) = erfc σ/(2(x − µ))

p

√ √

mit erfc(x) = 2Φ(−x 2) = 2 1 − Φ(x 2) .
Eine Lévy-verteilte Zufallsvariable ist α-stabil mit α = 1/2 und β = 1, d.h. X ∼ S1/2 (σ, 1, µ).

4 Grenzverteilungen zentrierter und normierter Summen von

Zufallsvariablen
In diesem Kapitel wollen wir die Grenzverteilungen von Summen unabhängiger und identisch
verteilter Zufallsvariablen bestimmen. In diesem Zusammenhang interessiert zum Beispiel die
Frage nach der minimalen Anzahl erforderlicher Summanden, bis die zentrierte und normierte
Summe hinreichend gut durch die Grenzverteilung approximiert wird. Diese Erkenntniss ist
zum Beispiel dann von Nutzen, wenn aus dem Tail-Verhalten von wöchentlichen oder mo-
natlichen logarithmierten Renditen eine Aussage über das Tail-Verhalten der logarithmierten
Jahresrenditen gemacht werden soll.

10
In Abschnitt 4.1 untersuchen wir die Konvergenz von Pareto-verteilten Summanden, in Ab-
schnitt 4.2 die Konvergenz von t-verteilten Summanden mit ν Freiheitsgraden (ν > 2). Be-
achte, dass sowohl die Pareto- wie auch die t-Verteilung im Anziehungsbereich stabiler Vertei-
lungen liegen (resp. im Anziehungsbereich der Normalverteilung im Falle endlicher Varianz),
siehe Proposition 1.
Um festzustellen, wie nahe eine zentrierte und normierte Summe X∗n bei ihrer Grenzvertei-
lung X liegt, müssen wir den Abstand zwischen diesen beiden Zufallsgrössen messen. Es ist
naheliegend, die dazugehörigen Verteilungsfunktionen als Argumente der Abstandsfunktion
zu verwenden.

Denition 4 Seien U und V zwei Zufallsvariablen mit Verteilungsfunktionen FU und FV .

Wir denieren
Z ∞
2
d1 (U, V ) = F̄U (x) − F̄V (x) dx, (23)
−∞
Z ∞
d2 (U, V ) = F̄U (x) − F̄V (x) dx, (24)
−∞

wobei F̄ (x) = 1 − F (x). 2

Da im Risikomanagement-Bereich der Fokus häug auf extremen Ereignissen liegt, bestimmen

wir zusätzlich die Risikomasse Value-at-Risk (VaR) und Expected Shortfall (oder Tail-VaR)
der beiden Zufallsgrössen X∗n und X für verschiedene Werte von n und verschiedene Kon-
denzniveaus p.

Denition 5 Sei X eine Zufallsvariable mit Verteilungsfunktion F und sei p ∈ (0, 1). Der
Value-at-Risk zum Niveau p ist deniert als
−1
VaRp (X) = FX (25)

(p) = inf y : F (y) ≥ p

Die konzeptionelle Schwäche des Value-at-Risk besteht darin, dass er nicht sub-additiv ist. Der
Expected Shortfall hingegen ist ein kohärentes Risikomass und erfüllt somit die Eigenschaft
der Sub-Additivität. Anstatt ein bestimmtes Kondenznivau p zu xieren, wird der VaR zur
Bestimmung des Expected Shortfalls über alle Niveaus u ≥ p gemittelt, womit automatisch
`weiter in den Tail der Verteilungsfunktion F geschaut' wird.

Denition 6 Sei X eine integrierbare Zufallsvariable mit Verteilungsfunktion F und sei p ∈

(0, 1). Der Expected Shortfall (auch Tail-VaR genannt) zum Niveau p ist deniert als
Z 1
1
ESp (X) = VaRu (X) du (26)
1−p p

11
Es lässt sich zeigen, dass für eine stetige Verteilungsfunktionen F der Expected Shortfall gleich
dem erwarteten Verlust entspricht im Falle, dass der VaR überschritten wird:

  R∞
E X 1{X≥VaRp (X)} VaRp (X) y dF (y)
ESp (X) = = E X|X ≥ VaRp (X)
 
=
1−p 1−p

Damit wir den Abstand zwischen X∗n und der Grenzverteilung X messen und die Risikomasse
VaRp (X∗n ) respektive ESp (X∗n ) bestimmen können, brauchen wir Kenntnis der (empirischen)
Verteilungsfuktion F̂X∗n . In den später folgenden numerischen Beispielen bestimmen wir die-
se mit Hilfe des Softwarepaketes R, und zwar entweder mit der Funktion ecdf1 oder mit
aggregateDist enthalten in der Bibliothek `actuar'. Mit der Funktion aggregateDist kann
eine zusammengesetzte Schadenverteilung S = N 2
i=1 i auf fünf verschiedene Arten ermittelt
P
X
werden. Wir beschränken uns in den Beispielen auf den Monte Carlo Simulationsansatz, da
dieser die numerisch stabilsten Resultate liefert.

4.1 Grenzverteilungen von Summen Pareto-verteilter Zufallsvariablen

Im Folgenden untersuchen wir das Konvergenzverhalten zentrierter und normierter Summen

von unabhängigen und identisch Pareto-verteilten Zufallsvariablen Yi für verschiedene Pareto-
Parameter α. Die Variablen Yi haben Verteilungsfunktion F respektive Dichtefunktion f :
 k α αk α
F (x) = 1 − , f (x) = , α, k > 0, x ≥ k.
x x1+α

Wir unterscheiden nach unterschiedlicher Schwere des Tails. Konkret betrachten wir die fünf
Fälle 0 < α < 1P , α = 1, 1 < α < 2, α = 2 und α > 2 und bestimmen die Grenzverteilun-
gen von X∗n = ( ni=1 Yi − bn )/an . Wir wiederholen, dass die Existenz einer nicht entarteten
Grenzverteilung G aus Proposition 1 folgt. Die Grenzverteilungen sind stabil und werden mit
Sα (σ, β, µ) bezeichnet. Es zeigt sich, dass der Pareto-Parameter α massgeblich den charak-
teristischen Exponenten der stabilen Grenzverteilung bestimmt. Letzterer wird in der Regel
ebenfalls mit α bezeichnet. In der Tat, gilt für den Pareto-Parameter 0 < α < 2, so stimmt
dieser mit dem charakteristischen Exponenten der stabilen Grenzverteilung Sα überein, siehe
Kapitel 4.1.1, 4.1.2 und 4.1.3. Ist der Pareto-Tail-Index hingegen grösser oder gleich zwei,
so ist die Grenzverteilung normal. Dies ist gleichbedeutend damit, dass der charakteristische
Exponent der Grenzverteilung α = 2, siehe Kapitel 4.1.4 und 4.1.5.
Was den Schiefe-Parameter β der Grenzverteilung Sα (σ, β, µ) betrit, so gilt wegen der Tail-
Ausgleichsbedingung in Proposition 1 β = 1. Ferner zeigt sich, dass der Lokalisierungspara-
meter µ identisch null ist. Somit geht es in den folgenden Kapiteln im Wesentlichen darum,
einerseits die normalisierenden und zentrierenden Konstanten an > 0 und bn zu bestimmen,
andererseits den Skalierungsparameter σ der Grenzverteilung Sα (σ, 1, 0).
Da wir das Grenzverhalten von unabhängigen und identisch Pareto-verteilten Summanden
untersuchen, welche folglich nomen est omen Pareto-tails haben, gehören diese für 0 < α < 2
in den normalen Anziehungsbereich DNA(Gα ) stabiler Verteilungen, siehe Proposition 2. Das
1
ecdf: empirical cumulative distribution function.
2
"recursive", "convolution", "normal", "npower", "simulation".

12
heisst, die normalisierenden Konstanten an sind von der Form an = c n1/α für eine Konstante c.
Es zeigt sich sogar, dass c = 1 gewählt werden kann. Dies trit jedoch nicht zu im Fall α = 2;
hier ist die Varianz von Y unendlich und somit sind die normalisierenden Konstanten an > 0
gegeben durch die Bedingung nµ(an )/a2n = 1, siehe Tabelle 1. Ist der Pareto-Parameter α > 2,
√
gilt schliesslich an = c n mit c2 = Var(Y ).

4.1.1 Tail-Index 0 < α < 1

Wir beginnen unsere Untersuchungen mit Pareto-verteilten Zufallsvariablen, welche sehr heavy-
tailed sind. Ihr Tail-Verhalten ist in dem Sinne extrem, als der Tail-Index α kleiner als eins
ist (0 < α < 1). Man beachte, dass eine Pareto-verteilte Zufallsvariable mit Tail-Index α < 1
unendlichen Erwartungswert hat. Praktische Anwendungen mit derartigen Verteilungen sind
äusserst selten. Hofert und Wüthrich [9] zeigen in ihrer Arbeit, dass die Modellierung von
Schäden nuklearer Ereignisse zu Verteilungen mit unendlichem Erwartungswert führt. Aus
dem Blickwinkel der Versicherungsindustrie sind Ereignisse mit unendlichem Erwartungswert
nicht handhabbar. Es würde bedeuten, dass man sich gegen solche Schadenereignisse nicht
versichern kann, da die gängigsten Ansätze zur Prämienbestimmung auf dem Erwartungswert-
Prinzip basieren. Ebenso muss man sich der Schwierigkeiten oder gar Limiten bei numerischen
Anwendungen bewusst sein, insbesondere im Bereich der Monte Carlo Simulation (rare event
simulation).

Proposition 3 Seien Yi , i ∈ N, unabhängig und identisch Pareto-verteilt mit F̄ (x) = (k/x)α ,

x ≥ k , wobei 0 < α < 1. Dann konvergiert X∗n = ni=1 Yi /n1/α in Verteilung gegen eine α-
P
stabile Zufallsvariable X ∼ Sα (σ, 1, 0) mit σ = k(Γ(1 − α) cos(πα/2))1/α .

Insbesondere sind in diesem Fall die zentrierenden Konstanten bn identisch null, während
an = n1/α . Beachte, dass cos(πα/2) > 0 ist für 0 < α < 1.
Die nachfolgende Beweisführung ist angelehnt an die Ausführungen in Beispiel g von Feller [4],
Kapitel XVII.3, Seite 568.
Beweis. Sei ζ > 0. Wir
zeigen, dass n ϕY (ζ/n1/α − 1 mit wachsendem n gegen Ψα (ζ) =

−(σζ)α 1 − i tan(πα/2) strebt, wobei

 πα
1/α
σ = k Γ(1 − α) cos .
2

Es gilt
 Z ∞ 
1/α α iζy/n1/α −1−α


n ϕY (ζ/n ) − 1 = n αk e y dy − 1
k

∞ 1/α
eiζy/n − 1
Z 
α
= nαk dy
k y 1+α

Wir substituieren y/n1/α durch u und lassen dann n gegen unendlich streben. Den Limes
bezeichnen wir mit Ψα (ζ). Wir nden

13
 ∞
eiζu − 1
Z
1/α
) − 1 = αk α


Ψα (ζ) = lim n ϕY (ζ/n du.
n→∞ 0 u1+α

Wir schreiben Ψα (ζ) = limλ→0+ I(λ) mit

∞
e−(λ−iζ)u − 1
Z
α
I(λ) = αk du.
0 u1+α

Partielle Integration liefert

Z ∞
α
I(λ) = −k (λ − iζ) e−(λ−iζ)u u−α du.
0

Durch Substitution von (λ − iζ)u mit t nden wir

Z ∞
I(λ) = −k α (λ − iζ)α e−t t−α dt = −k α (λ − iζ)α Γ(1 − α).
0

Wir schreiben (λ − iζ)α = rα exp{iθα} mit r2 = (λ2 + ζ 2 ) und θ = θ(λ) derart, dass tan θ =
−ζ/λ, also θ = arctan(−ζ/λ). Beachte, dass limλ→0 θ(λ) = −π/2. Damit erhalten wir

Ψα (ζ) = lim I(λ) = −k α Γ(1 − α) lim (λ2 + ζ 2 )α/2 eiθα

λ→0+ λ→0+

= −(kζ)α Γ(1 − α)e−iπα/2

 πα
πα

= −(kζ)α Γ(1 − α) cos − i sin
2 2
πα  πα

= −(kζ)α Γ(1 − α) cos


1 − i tan
2 2
 πα 
= −σ α k α 1 − i tan


2

mit  πα
1/α
σ = k Γ(1 − α) cos . (27)
2
Damit haben wir gezeigt, dass limn→∞ ϕ∗n (ζ) = exp{Ψα (ζ)}. Daraus und mit (18) folgt, dass
die Grenzverteilung von X∗n stabil ist mit Parametern α, β = 1 und σ wie in (27). 
Alternativ kann man den Beweis auch vermöge der Laplace-Transformierten führen anstelle
charakteristischer Funktionen. Bezeichne dazu φn (γ) = E[exp{−γX∗n }] die Laplace-Transfor-
mierte von X∗n . Wir zeigen, dass

 xn (γ) n
φn (γ) = 1 +
n
mit Z ∞
xn (γ) = α(γk) α
e−t t−α−1 − n
γk/n1/α

14
und limn→∞ xn (γ) = −(γk)α Γ(1 − α). Zusammen mit (20) folgt daraus die Behauptung.
Wegen der Unabhängigkeit der Yi gilt:

φn (γ) = E e−γX∗n
 
 h in
−γY /n1/α
= E e
Z ∞ 1/α
n
= e−γy/n fY (y) dy
k
 Z ∞ n
1/α
= αk α e−γy/n y −α−1 dy
k

Wir substituieren γy/n1/α = t und nden damit

 α(γk)α R ∞ −t −α−1 dt n
γk/n1/α e t xn n

φn (γ) = = 1+
n n

mit Z ∞
xn (γ) = α(γk) α
e−t t−α−1 − n
γk/n1/α

Wir zeigen nun, dass gilt limn→∞ xn (γ) = −(γk)α Γ(1 − α). Zu diesem Zwecke halten wir
zuerst fest, dass gilt Z ∞
n = α(γk) α
t−α−1 dt.
γk/n1/α

Damit lässt sich xn (γ) schreiben als

Z ∞
α
t−α−1 e−t − 1 dt und


xn (γ) = α(γk)
γk/n1/α
Z ∞
−α−1
α
e−t − 1


lim xn (γ) = α(γk) t
n→∞ 0
= x(γ).

Partielle Integration liefert schliesslich

Z ∞
α
αt−α−1 e−t − 1 dt


x = (γk)
0
 Z ∞ 
−α −t t=∞
α
= (γk) −t (e − 1) t=0 − t−α e−t dt
0
Z ∞
= −(γk)α t(1−α)−1 e−t dt
0
α
= −(γk) Γ(1 − α)

woraus die Behauptung folgt.

Im Folgenden betrachten wir ein numerisches Beispiel mit α = 3/4 und k = 1. Wir er-
zeugen N = 107 Realisierungen x̂∗n von X∗n für n ∈ {12, 52, 100, 250, 500} und verglei-
chen VaRp (X∗n ) mit dem Value-at-Risk der stabilen Grenzverteilung S3/4 (σ, 1, 0), wobei σ =

15
k(Γ(1 − α) cos(πα/2))1/α = 1.54749. Wir wählen p ∈ {0.9, 0.95, 0.975, 0.99, 0.995}. Wir rufen
in Erinnerung, dass X∗n unendlichen Erwartungswert hat. Dies deshalb, weil eine Pareto ver-
teilte Zufallsvariable mit Pareto-Parameter α = 3/4 < 1 unendlichen Erwartungswert hat. Das
gleiche trit für die stabile Zufallsvariable S3/4 (σ, 1, 0) zu. Eine Konsequenz davon ist, dass das
Risikomass Expected Shortfall nicht existiert, und zwar weder für X∗n noch für S3/4 (σ, 1, 0).
Ein einfacher Schätzer des Value-at-Risk zum Kondenzniveau p ist das empirische Quantil

−1
x̂p = F̂∗n,N (p),

wobei F̂∗n,N die empirische Verteilungsfunktion von X∗n bezeichnet und F −1 die verallgemei-
nerte Inverse einer Verteilungsfunktion F , also F −1 (u) = inf{x : F (x) ≥ u}. Unter mini-
malen Anforderungen konvergiert das empirische Quantil x̂p gegen das wahre Quantil xp mit
n → ∞. Zudem kann man zeigen, dass x̂p asymptotisch normalverteilt ist, siehe zum Beispiel
Sering [14] S. 75:

√
p
p(1 − p)
(28)


N x̂p − xp → Z, N → ∞,
f∗n (xp )

wobei Z ∼ N (0, 1) und f∗n die Dichtefunktion der Variablen X∗n bezeichnet. Der Ausdruck
p(1 − p) bezeichnet die Varianz des Indikators 1{X∗n > p}. Aus Gleichung (28) ist ersichtlich,
dass diese Varianz mit dem Faktor 1/f∗n2 (x ) multipliziert wird. Dieser Faktor kann sehr gross
p
sein, insbesondere für Werte von p nahe bei eins, da in diesem Fall die Dichtefunktion nahe
bei null ist.
Aus der asymptotischen Normalität (28) lässt sich folgendes Vertrauensintervall für xp ablei-
ten:
p
p(1 − p)
x̂p ± q1−a/2 √ ,
f∗n (xp ) N

wobei q1−a/2 das (1−a/2)-Quantil einer standard normalverteilten Zufallsvariablen bezeichnet

(z.B. q1−a/2 = 1.96 für a = 5%). Die Abhängigkeit von f∗n erschwert die Anwendung dieses
Intervallschätzers in der Regel erheblich. Ausgehend von den N = 107 Realisierungen x̂∗n,i
approximieren wir den Wert f∗n (xp ) durch fˆ∗n (x̂p ), indem wir die Dichtefunktion in R vermöge
der Funktion density schätzen.

Wir folgern aus Tabelle 2, dass der Value-at-Risk der Zufallsvariablen X∗n bereits bei realtiv
wenigen Summanden hinreichend gut durch den Value-at-Risk der (stabilen) Grenzverteilung
approximiert wird. Auch die Güte der VaR-Schätzer erweist sich als relativ gut. Die Ursache
dafür liegt einerseits in der relativ hohen Anzahl Simulationen (N = 107 ), andererseits im
Umstand, dass die Verteilung der Summanden sehr heavy-tailed ist und damit f∗n (xp ) noch
immer hinreichend weit von null entfernt liegt.

16
 Empirical cumulative distribution functions, alpha=3/4

0.8
0.6
0.4

n = 12
n = 52
n = 100
n = 250
0.2

Limiting stable distribution

0.0

0 2 4 6 8 10

Abbildung 2: Kumulative Verteilungsfunktionen normierter Summen X∗n mit unabhängigen

und identisch Pareto verteilten Summanden (α = 3/4, k = 1) für n ∈ {12, 52, 100, 250} sowie
Verteilungsfunktion der zugehörigen stabilen Grenzverteilung S3/4 (σ, 1, 0) mit σ = k(Γ(1 −
α) cos(πα/2))1/α = 1.54749.

Empirical density functions, alpha=3/4

0.25

n = 12
0.20

n = 52
n = 100
n = 250
0.15

Limiting stable distribution

0.10
0.05
0.00

0 2 4 6 8 10

Abbildung 3: Dichtefunktionen normierter Summen X∗n mit unabhängigen und identisch Pare-
to verteilten Summanden (α = 3/4, k = 1) für n ∈ {12, 52, 100, 250} sowie Dichtefunktion der
zugehörigen stabilen Grenzverteilung S3/4 (σ, 1, 0) mit σ = k(Γ(1−α) cos(πα/2))1/α = 1.54749.

17
 VaRp (X∗n ) und 95%-Kondenzintervall
n 90% 95% 97.5% 99% 99.5% d1 (X∗n , X)
1 21.54 54.29 136.80 461.40 1170.19 0.462
12 25.01 58.94 143.15 469.98 1174.42 0.135
[24.96, 25.06] [58.75, 59.14] [142.44, 143.86] [466.25, 473.70] [1166.10, 1182.74]

52 25.81 59.99 144.57 476.50 1192.49 0.057

[25.75, 25.86] [59.80, 60.20] [143.85, 145.30] [472.34, 480.65] [1184.01, 1200.98]

100 26.00 60.27 144.69 476.53 1184.07 0.038

[25.94, 26.05] [60.08, 60.46] [143.94, 145.44] [472.08, 480.97] [1174.66, 1193.48]

250 26.17 60.40 144.82 475.22 1178.18 0.021

[26.11, 26.23] [60.20, 60.61] [144.14, 145.50] [470.51, 479.92] [1161.51, 1194.85]

500 26.25 60.52 145.29 477.65 1187.25 0.013

[26.20, 26.31] [60.31, 60.72] [144.62, 145.96] [473.92, 481.38] [1173.25, 1201.25]

∞ 26.64 60.85 145.16 475.58 1184.03 0.000

Tabelle 2: VaR-Schätzungen mit 5%-Vertrauensintervall für normierte Summen X∗n =

( ni=1 Yi )/n1/α mit unabhängigen und identisch Pareto verteilten Summanden (α = 3/4,
P
k = 1), sowie Abstandsfunktion d1 .

4.1.2 Tail-Index α = 1
Wir beginnen unsere Ausführungen im Fall α = 1 mit dem Beweis der folgenden Proposition.
Beachte, dass hier  im Unterschied zum Fall α < 1  eine Zentrierung durch Konstanten bn
erforderlich ist, wenn gleich diese nicht die übliche ist.

Proposition 4 Seien Yi , i ∈ N,Punabhängig und identisch Pareto-verteilt mit F̄ (x) = k/x,

x ≥ k . Dann konvergiert X∗n = ( ni=1 Yi − bn )/an in Verteilung gegen eine stabile Zufallsva-
riable X ∼ S1 (σ, 1, 0) mit σ = kπ/2, wobei die normierenden und zentrierenden Konstanten
an und bn gegeben sind durch
h  Y i Z ∞
2 2 sin(y/n)
an = n, bn = n E sin =n k dy.
n k y2

Beweis. Sei ζ > 0. Wir zeigen, dass die charakteristische Funktion ϕ∗n (ζ) von X∗n gegen
ω(ζ) = exp{Ψ(ζ)} konvergiert mit Ψ(ζ) = −kζπ/2 − ikζ log ζ . Die stetige Funktion Ψ(ζ) lässt
sich schreiben als Ψ(ζ) = −σζ 1 + 2i log ζ/π mit σ = kπ/2. Daraus und mit (19) folgt die

Behauptung.
Wir bemerken zuerst, dass für X∗n gilt
n
ϕ∗n (ζ) = E eiζX∗n = E eiζ(Sn /n−nb̃n ) = E eiζY /n e−iζnb̃n
    

mit b̃n = bn /(nan ) = E[sin(Y /n)]. Durch Logarithmieren nden wir weiter


log ϕ∗n (ζ) = n log ϕY (ζ/n) − iζnb̃n = n log ϕY (ζ/n) − iζ b̃n

18
Man beachte, dass die Bedingung log ϕ∗n (ζ) → Ψ(ζ), n → ∞, äquivalent ist mit


n ϕY (ζ/n) − 1 − iζ b̃n → Ψ(ζ), n → ∞.

da für kleine x gilt log(1 + x) ≈ x.

R∞ R∞
Weil fY (y) = ky −2 , y ≥ k , eine Dichtefunktion ist, gilt k fY (y) dy = k k y −2 dy = 1.
Routine-Berechnungen zeigen


n ϕY (ζ/n) − 1 − iζ b̃n
 Z ∞ Z ∞ 
=n k eiζy/n y −2 dy − 1 − iζk sin(y/n)y −2
dy
k k
∞
eiζy/n − 1 − iζ sin(y/n)
Z 
= nk dy
k y2
∞



cos ζy/n + i sin ζy/n − 1 − iζ sin(y/n)
Z 
= nk dy . (29)
k y2

Für den Imaginärteil Imn von (29) nden wir durch Substitution von ζy/n = u:

sin ζy ∞ sin ny
Z
Z ∞

n
Imn = nk dy − ζ dy
k y2 k y2
Z ∞ Z ∞ 
sin(u) sin(u)
= nk 2
ζ du − ζ 2
du
ζk/n nu k/n nu
Z ∞ Z ∞ 
sin(u) sin(u)
= kζ du − du
ζk/n u2 k/n u2
Z ζk/n
sin(u)
= −kζ du.
k/n u2

Wir substituieren jetzt u = kx/n und nden weiter

kx kx
ζ

ζ


sin sin
Z Z
n k n dx
Imn = −kζ k x2
2 dx = −kζ kx
.
1 2
n 1 n
x
n

Beachte, dass der Ausdruck sin(kx/n)/(kx/n)  unter Anwendung von l'Hospital's Regel 
mit wachsendem n gegen 1 strebt. Für den Imaginärteil Imn bedeutet dies somit
Z ζ
dx x=ζ
lim Imn = −kζ = −kζ log x = −kζ log ζ.
n→∞ 1 x x=1

Wir wenden uns nun dem Realteil Ren zu und bemerken zuerst, dass

1 1 − cos(κx)
f (x) =
π κx2

19
 R∞ R∞
eine symmetrische Dichtefunktion ist, also −∞ f (y) dy = 1, oder 0 f (y) dy = 1/2. Somit
gilt

cos ζy
Z ∞
Z ∞ 
n 1
Ren = nk 2
dy − dy
k y k y2
Z ∞ Z ∞ 
cos(u) 1
= kζ du − du
ζk/n u2 ζk/n u
2

Z ∞
1 − cos(u)
= −kζ du,
ζk/n u2

wobei wir wiederum die Substitution ζy/n = u vorgenommen haben. Mit wachsendem n
nden wir schliesslich
Z ∞   Z ∞ 
1 − cos(u) 1 1 − cos(u) kζπ
lim Ren = −kζ 2
du = −kζπ 2
du =− .
n→∞ 0 u π 0 u 2

Zusammenfassend erhalten wir

lim n ϕY (ζ/n) − 1 − iζ b̃n = Ψ(ζ)
n→∞

mit
kζπ kζπ  2   2 
Ψ(ζ) = − − ikζ log ζ = − 1 + i log ζ = −σζ 1 + i log ζ
2 2 π π
wobei σ = kπ/2. 
Will man Proposition 4 für numerische Berechnungen benutzen, so muss man beachten, dass
es für die zentrierenden Konstanten bn keine geschlossene Lösung gibt. Dies liegt daran, dass
es für den Integranden sin(u)/u2 , welcher bei der Bestimmung von E[sin(Y /n)] erscheint,
keine elementare Stammfunktion gibt. Abhilfe kann man sich zum Beispiel durch numerische
Integration verschaen. In der freien Programmiersprache R zum Beispiel mit der Funktion

>integrate(f,[Link],Inf)$value

mit

f = function(u){
sin(u)/u^2
}

Tabelle 3 zeigt, dass zentrierte und normierte Summen unabhängiger und identisch Pareto-
verteilter Zufallsvariablen mit Pareto-Parameter α = 1 sehr schnell gegen die zugehörige
stabile Grenzverteilung S1 (σ, 1, 0) konvergieren. Dies manifestiert sich zum Beispiel darin,
dass der 99%-VaR eines Summanden nur um ca. 4% vom entsprechenden VaR der stabilen
Grenzverteilung dieriert (VaR0.99 (X∗1 ) = 99.496, VaR0.99 (X) = 104.156). Auch die Abstände
der Verteilungsfunktionen  ausgedrückt durch die Metrik d1  sind viel kleiner als im Fall
α = 3/4.

20
 Empirical cumulative distribution functions, alpha=1

1.0
0.8
0.6

n = 12
0.4

n = 52
n = 100
n = 250
Limiting stable distribution
0.2
0.0

−4 −2 0 2 4 6 8 10

Abbildung 4: Kumulative Verteilungsfunktionen zentrierter und normierter Summen X∗n

mit unabhängigen und identisch Pareto verteilten Summanden (α = 1, k = 1) für
n ∈ {12, 52, 100, 250} sowie Verteilungsfunktion der zugehörigen stabilen Grenzverteilung
S1 (σ, 1, 0) mit σ = kπ/2 = 1.5708.

Empirical density functions, alpha=1

0.25

n = 12
0.20

n = 52
n = 100
n = 250
Limiting stable distribution
0.15
0.10
0.05
0.00

−4 −2 0 2 4 6 8

Abbildung 5: Dichtefunktionen zentrierter und normierter Summen X∗n mit unabhängigen

und identisch Pareto verteilten Summanden (α = 1, k = 1) für n ∈ {12, 52, 100, 250} sowie
Dichtefunktion der zugehörigen stabilen Grenzverteilung S1 (σ, 1, 0) mit σ = kπ/2 = 1.5708.

21
 VaRp (X∗n )
n 90% 95% 97.5% 99% 99.5% d1 (X∗n , X)
1 9.496 19.496 39.496 99.496 199.496 0.146
12 11.191 21.894 42.630 102.861 203.068 0.012
52 11.517 22.321 43.084 104.198 205.732 0.004
100 11.491 22.301 43.050 104.197 204.631 0.003
250 11.609 22.425 43.199 104.277 204.211 0.000
500 11.624 22.432 43.269 104.591 205.530 0.000
∞ 11.649 22.450 43.203 104.156 204.862 0.000

Tabelle 3: Risikomass Value-at-Risk für zentrierte und normierte Summen X∗n mit unabhän-
gigen und identisch Pareto verteilten Summanden (α = 1, k = 1) für verschiedene n sowie
Abstandsfunktion d1 .

Wir schliessen unsere Ausführungen mit der Grenzwertbestimmung von Summen stabiler Zu-
fallsvariablen mit charakteristischem Exponenten α = 1. Da diese stabil sind, ist auch deren
(zentrierte und normierte) Summe wiederum 1-stabil. Seien also Yi unabhängig und iden-
tisch S1 (σ,
P1, 0)-verteilt
mit beliebigem σ > 0. Dann hat die zentrierte und normierte Summe
n
X∗n = i=1 Yi − b n /an mit an = n und bn = 2σn log n/π die gleiche Verteilung wie die
Summanden Yi , also X∗n ∼ S1 (σ, 1, 0). Zum Beweis betrachten wir den Logarithmus der
Laplace-Transformierten von X∗n und nden
 
2σγ  2σ γ γ
2σγ  2σ
log φn (γ) = n log φY (γ/n) + log n = n log + log n = γ log γ,
πn π n n πn π

wobei wir (20) benutzt haben und die Tatsache, dass log(a/b) = log(a) − log(b). Die Behaup-
tung folgt nun aus (20).

4.1.3 Tail-Index 1 < α < 2

Wir beginnen unsere Ausführungen mit der Feststellung, dass Pareto-verteilte Zufallsvaria-
blen mit einem Pareto-Parameter α > 1 endlichen Erwartungswert haben. Dies hat zur Folge,
dass eine Zentrierung notwendig sein wird, im Unterschied etwa zu den Fällen α ≤ 1. Mit
anderen Worten, es sind nebst den normalisierenden Konstanten an auch zentrierende Kon-
stanten bn erforderlich, damit sich die Summen unabhängiger und identisch Pareto-verteilter
Zufallsvariablen der Grenzverteilung annähern.

Proposition 5 Seien Yi , i ∈ N, unabhängig und identisch Pareto-verteilt mit F̄ (x) = (k/x)α ,

x ≥ k , wobei 1 < α < 2. Dann konvergiert X∗n = ( ni=1 Yi − bn )/an in Verteilung gegen eine
P


1/α
α-stabile Zufallsvariable X ∼ Sα (σ, 1, 0) mit σ = k Γ(2 − α)/(1 − α) cos πα
2 , wobei die
normierenden und zentrierenden Konstanten an und bn gegeben sind durch
Z ∞
nαk
1/α
an = n , bn = nµ = nE[Y ] = nαk α
y −α dy = .
k α−1

22
Man beachte, dass cos(πα/2) < 0 ist für 1 < α < 2. Zum Beweis von Proposition 5 arbeiten
wir wiederum mit charakteristischen Funktionen.
Beweis. Sei ζ > 0. Wir zeigen, dass n ϕY (ζ/n1/α − 1 − iζµ/n1/α mit wachsendem n gegen

Ψα (ζ) = −(σζ)α 1 − i tan(πα/2) strebt, wobei

 Γ(2 − α) πα
1/α
σ=k cos .
1−α 2

Wir führen die analogen Berechnungen durch wie in Kapitel 4.1.1. Es gilt

n ϕY (ζ/n1/α ) − 1 − iζµ/n1/α

 Z ∞ Z ∞ 
α iζy/n1/α −1−α α −α 1/α
= n αk e y dy − 1 − iζαk y /n dy
k k

∞ iζy/n1/α − 1 − iζy/n1/α
Z 
e
= nαk α dy . (30)
k y 1+α

Wir substituieren y/n1/α durch u und lassen dann n gegen unendlich streben. Den Limes
bezeichnen wir mit Ψα (ζ). Wir nden
Z ∞ iζu
1/α 1/α

α e − 1 − iζu
Ψα (ζ) = lim n ϕY (ζ/n ) − 1 − iζµ/n = αk du.
n→∞ 0 u1+α

Durch eine partielle Integration wird der Exponent im Nenner des obigen Integrals um eins
vermindert, womit die Ergebnisse aus Kapitel 4.1.1 angewendet werden können. Wir setzen
dazu α̃ = α − 1 und stellen fest, dass 0 < α̃ < 1. Es folgt also

∞ Z ∞ iζu
eiζu − 1 − iζu e −1
Z
α α
Ψα (ζ) = αk 1+α
dy = iζk du
0 u 0 uα̃+1
Γ(1 − α̃)  π α̃
π α̃

= −i(ζk)α cos − i sin .
α̃ 2 2

Beachte, dass cos(π α̃/2) = cos(πα/2 − π/2) = sin(πα/2) und sin(π α̃/2) = sin(πα/2 − π/2) =
− cos(πα/2). Daraus folgt weiter

Γ(1 − α̃)  πα
πα

Ψα (ζ) = −i(ζk)α sin + i cos
α̃ 2 2
Γ(1 − α̃)  πα
πα

= (ζk)α cos − i sin
α̃ 2 2
Γ(1 − α̃) πα
 πα

= (ζk)α cos 1 − i tan
α̃ 2 2
Γ(2 − α) πα
 πα

= (ζk)α cos 1 − i tan
α−1 2 2
 πα 
= −σ α ζ α 1 − i tan


2

23
mit  Γ(2 − α) πα
1/α
σ=k cos .
1−α 2
Damit haben wir gezeigt, dass die charakteristische Funktion ϕ∗n (ζ) von X∗n mit wachsen-
dem n gegen exp{Ψα (ζ)} strebt, woraus zusammen mit (18) die Behauptung folgt. 
Tabelle 4 zeigt die Risikomasse Value-at-Risk und Expected Shorfall für die approximierenden
Verteilungen X∗n im Vergleich mit der Grenzverteilung X . Es ist ersichtlich, dass sich die VaR
für die ausgwählten Kondenzniveaus `von unten' dem Risikomass der Grenzverteilung annä-
heren, während im Fall des Expected Shorfalls die Annäherung von `von oben' erfolgt. Konkret
beträgt VaR0.99 (X∗12 ) = 20.603 und somit ca. 96% von VaR0.99 (X) = 21.505. Beim Expected
Shorfall hingegen sind die Verhältnisse bei 12 Monatsrenditen wie folgt: ES0.99 (X∗12 ) = 71.614,
was ca. 111% von ES0.99 (X) = 64.615 entspricht, siehe Tabelle 4. Dies bedeutet, dass bei
Verwendung des Expected Shortfalls in Kombination mit der Grenzverteilung das wahre Ri-
sikokapital unterschätzt würde.

VaRp (X∗n ) ESp (X∗n )

n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5%
1 1.638 4.362 8.683 18.480 31.208 10.609 18.478 30.842 58.566 93.506
12 2.910 5.998 10.602 20.603 33.331 13.382 22.581 37.275 71.614 117.440
52 3.334 6.475 11.083 21.156 34.000 13.553 22.469 36.577 69.114 111.856
100 3.464 6.610 11.201 21.250 33.956 12.969 21.170 33.851 62.151 97.887
250 3.594 6.744 11.319 21.292 34.005 13.284 21.668 34.719 64.181 101.906
500 3.674 6.815 11.399 21.438 34.147 13.373 21.767 34.849 64.325 102.050
∞ 3.959 7.057 11.565 21.505 34.184 13.606 21.966 35.031 64.615 102.589

Tabelle 4: Risikomasse Value-at-Risk und Expected Shortfall für zentrierte und normierte
Summen X∗n mit unabhängigen und identisch Pareto verteilten Summanden (α = 1.5, k = 1)
für verschiedene n.

n d1 (X∗n , X) d2 (X∗n , X)
1 0.231 1.521
12 0.057 0.790
52 0.022 0.515
100 0.015 0.675
250 0.008 0.344
500 0.005 0.408
∞ 0.000 0.000

Tabelle 5: Abstände d1 und d2 zwischen zentrierten und normierten Summen X∗n mit unabhän-
gigen und identisch Pareto verteilten Summanden (α = 1.5, k = 1) und ihrer Grenzverteilung.

Graken 6 und 7 zeigen die Annäherung von X∗n an die stabile Grenzverteilung Sα (σ, 1, 0)
für verschiedene Werte von n ∈ {12, 52, 100, 250}, symbolisiert durch die entsprechenden
Verteilungs- resp. Dichtefunktionen.

24
 Empirical cumulative distribution functions, alpha=1.5

1.0
0.8
0.6

n = 12
0.4

n = 52
n = 100
n = 250
Limiting stable distribution
0.2
0.0

−6 −4 −2 0 2 4 6

Abbildung 6: Kumulative Verteilungsfunktionen zentrierter und normierter Summen X∗n

mit unabhängigen und identisch Pareto verteilten Summanden (α = 1.5, k = 1) für
n ∈ {12, 52, 100, 250} sowie Verteilungsfunktion der zugehörigen stabilen Grenzverteilung
S1.5 (σ, 1, 0) mit σ = k(Γ(2 − α)/(1 − α) cos(πα/2))1/α = 1.84527.

Empirical density functions, alpha=1.5

0.30
0.25

n = 12
n = 52
0.20

n = 100
n = 250
Limiting stable distribution
0.15
0.10
0.05
0.00

−4 −2 0 2 4

Abbildung 7: Dichtefunktionen zentrierter und normierter Summen X∗n mit unabhängigen

und identisch Pareto verteilten Summanden (α = 1.5, k = 1) für n ∈ {12, 52, 100, 250} sowie
Dichtefunktion der zugehörigen stabilen Grenzverteilung S1.5 (σ, 1, 0) mit σ = k(Γ(2 − α)/(1 −
α) cos(πα/2))1/α = 1.84527.

25
4.1.4 Tail-Index α = 2
Wir bemerken zuerst, dass eine Pareto-verteilte Zufallsvariable Y mit Verteilungsfunktion
F gegeben durch F (x) = 1 − (k/x)2 unendliche Varianz hat. Trotzdem gehört FY in den
Anziehungsbereich DA(Φ) der Normalverteilung, siehe Proposition
Rx 1: Die Bedingung FY ∈
DA(Φ) ist äquivalent damit, dass die Funktion µ(x) = −x y 2 dF (y) langsam variierend ist.
Es gilt für x > k

Z x Z x
2 2 1
dy = 2k 2 log(x) − log(k) .


µ(x) = y dF (y) = 2k
−x k y

Für die Funktion L(x) = 2k 2 log(x) − log(k) nden wir für t > k

L(tx) log(tx) − log(k) log(x)

= =1+ → 1, t → ∞,
L(t) log(t) − log(k) log(t) − log(k)

womit gezeigt ist, dass die Funktion µ(x) langsam variierend ist. Somit gehört FY in den
Anziehungsbereich der Normalverteilung. Die Existenz des zweiten Momentes (oder der Vari-
anz) ist also keine notwendige Bedingung für die asymptotische Normalität von Sn . Hingegen
folgt aus Proposition 2, dass F ∈ / DNA(Φ), da E[Y 2 ] = ∞. Somit sind die normalisieren-
√
den Konstanten an nicht von der Form an = c n für eine Konstante c. Dies im Unter-
√
schied zum klassischen Zentralen Grenzwertsatz, wo im Falle E[Y 2 ] < ∞ gilt an = σ n mit
σ 2 = Var(Y ) = E[Y 2 ] − E[Y ]2 , siehe Kapitel 4.1.5.

Proposition 6 Seien Yi , i ∈ N, unabhängig und identisch Pareto-verteilt mit F̄ (x) = (k/x)α ,

x ≥ k , wobei α = 2. Dann konvergiert X∗n = ( ni=1 Yi − bn )/an in Verteilung gegen ei-
P
ne normalverteilte Zufallsvariable X ∼ N (0, 1), wobei die normierenden und zentrierenden
Konstanten an und bn gegeben sind durch
n nµ(x) o
an = inf x ≤ 1 , bn = nµ = n E[Y ] = 2nk. (31)
x2

wobei Z x Z x
2 2
y −1 dy = 2k 2 log(x) − log(k) .


µ(x) = y f (y) dy = 2k
k k

Den Beweis von Proposition 6 führen wir allgemein. DazuR nehmen wir an, dass die Zufalls-
x
variable Y Verteilungsfunktion F hat und dass µ(x) = −x y 2 dF (y) ∈ RV0 , also langsam
variierend ist.
Beweis. Wir bemerken zuerst, dass für jedes x > 0 aus der regulären Variation der Funktion
µ(x) folgt
n µ(an x) µ(an x) n µ(an )
lim 2
= lim = 1, (32)
n→∞ an n→∞ µ(an ) a2n

da beide Faktoren in (32) gegen 1 streben mit wachsendem n.

26
Sei ζ > 0. Wir zeigen, dass n ϕY (ζ/an ) − 1 − iζµ/an mit wachsendem n gegen Ψ(ζ) = −ζ 2 /2

strebt. Es gilt:
Z
eiζy/an − 1 − iζy/an dF (y)



n ϕY (ζ/an ) − 1 − iζµ/an = n
R
Z
eiζu − 1 − iζu dF (an u)


=n
R

eiζu − 1 − iζu 2
Z
= nu dF (an u)
R u2
Z  2
ζ 
= − + O(u) dFn# (u),
R 2

wobei O(u) alle Terme in u und höherer Ordnung zusammenfasst. Das Mass Fn# ist durch
dFn# (du) = nu2 dF (an u) deniert. Wir zeigen nun, dass die Grenzverteilung von Fn# mit
wachsendem n im Nullpunkt konzentriert ist. Dazu halten wir zuerst fest, dass für jedes x > 0
gilt:
Z x Z x
n an x 2
Z
nµ(an x)
dFn# (u) = nu2 dF (an u) = 2 y dF (y) = → 1, n → ∞,
−x −x a n −an x a2n

wobei wir in der letzten Gleichung (32) benutzt haben. Da die Aussage für jedes beliebige
x > 0 gilt, folgt, dass die Grenzverteilung von Fn# im Ursprung konzentriert ist. Wir schliessen
daraus Z  2
ζ  ζ2
lim − + O(u) dFn# (u) = − .
n→∞ R 2 2

Damit ist gezeigt, dass n ϕY (ζ/an ) − 1 − iζµ/an → Ψ(ζ) = −ζ 2 /2 mit wachsendem n, was

gleichbedeutend damit ist, dass

 n 2
lim ϕ∗n (ζ) = lim ϕY (ζ/an ) e−iζµ/n = e−ζ /2 .
n→∞ n→∞

Damit
Pn haben also wir gezeigt, dass limn→∞ ϕ∗n (ζ) = exp{−ζ /2}. Daraus folgt, dass X∗n =
2

( i=1 Yi − bn )/an in Verteilung gegen eine standardnormalverteilte Zufallsvariable X ∼

N (0, 1) konvergiert. 
Tabelle 6 zeigt die normierenden Konstanten an gemäss (31) für unabhängige und identisch
Pareto-verteilte Summanden Yi mit Verteilungsfunktion F (x) = 1 − x−2 , x ≥ 1.
n 3 4 5 6 7 8 9 10 11 12 13 14 15
an 2.13 2.93 3.57 4.12 4.63 5.11 5.56 5.98 6.39 6.78 7.15 7.51 7.87
n 16 17 18 19 20 25 50 100 250 500 750 1000 1500
an 8.21 8.54 8.86 9.18 9.49 10.94 16.80 25.44 43.42 64.56 81.21 95.49 119.83

Tabelle 6: Normierende Konstanten an gemäss (31) im Falle der Pareto-Verteilung gegeben

durch die Verteilungsfunktion F (x) = 1 − x−2 , x ≥ 1.

Tabelle 7 zeigt, dass die Normalverteilung zentrierte und normierte Summen Pareto-verteilter
Zufallsvariablen mit Pareto-Parameter α = 2 in der Regel sehr schlecht approximiert. Mit

27
 VaRp (X∗n ) ESp (X∗n )
n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5%
1 1.162 2.472 4.325 8.000 12.142 4.325 6.944 10.649 18.000 26.284
12 1.131 1.939 2.977 4.904 7.017 2.906 4.338 6.299 10.152 14.521
52 1.140 1.830 2.686 4.260 5.993 2.614 3.791 5.391 8.522 12.061
100 1.147 1.801 2.602 4.066 5.669 2.517 3.605 5.071 7.915 11.098
250 1.155 1.769 2.506 3.838 5.315 2.428 3.437 4.792 7.437 10.423
500 1.163 1.751 2.451 3.718 5.118 2.374 3.332 4.615 7.116 9.938
∞ 1.282 1.645 1.960 2.326 2.576 1.755 2.063 2.338 2.665 2.892

Tabelle 7: Risikomasse Value-at-Risk und Expected Shortfall für zentrierte und normierte
Summen X∗n mit unabhängigen und identisch Pareto verteilten Summanden (α = 2, k = 1)
für verschiedene n.

n d1 (X∗n , X) d2 (X∗n , X)
1 0.085 0.698
12 0.030 0.390
52 0.019 0.310
100 0.016 0.288
250 0.012 0.250
500 0.010 0.232
∞ 0.000 0.000

Tabelle 8: Abstände d1 und d2 zwischen zentrierten und normierten Summen X∗n mit unabhän-
gigen und identisch Pareto verteilten Summanden (α = 2, k = 1) und ihrer Grenzverteilung.

einer Value-at-Risk basierten Kapitalanforderung würde das Risikokapital hergeleitet aus

12 Monatsrenditen durch Approximation mit der Normalvertilung um mehr als 110% un-
terschätzt (VaR0.99 (X∗12 ) = 4.904, VaR0.99 (X) = 2.326). Bei Verwendung des Expected
Shortfalls beträgt der Faktor zwischen den Risikomassen beinahe 4 (ES0.99 (X∗12 ) = 10.152,
ES0.99 (X) = 2.665).

4.1.5 Tail-Index α > 2

Dieser Fall entspricht dem klassischen zentralen Grenzwertsatz. Die Bedingung α > 2 garan-
tiert die Existenz des zweiten Momentes von FY , womit wir uns im Regime des wohlbekannten
Zentralen Grenzwertsatzes benden. Den Beweis führen wir deshalb allgemein.

Proposition 7 Seien Yi , i ∈ N, unabhängig und

P identisch Pareto-verteilt mit F̄ (x) = (k/x) ,
α

x ≥ k , wobei α > 2. Dann konvergiert X∗n = ( ni=1 Yi − bn )/an in Verteilung gegen eine stan-
dard normalverteilte Zufallsvariable X ∼ N (0, 1), wobei die normierenden und zentrierenden

28
 Empirical cumulative distribution functions, alpha=2

1.0
0.8
0.6

n = 12
n = 52
n = 100
0.4

n = 250
Limiting normal distribution
0.2
0.0

−2 −1 0 1 2 3 4

Abbildung 8: Kumulative Verteilungsfunktionen zentrierter und normierter Summen X∗n von

unabhängigen und identisch Pareto verteilten Zufallsvariablen mit Pareto-Parameter α = 2
für n ∈ {12, 52, 100, 250} sowie der zugehörigen Grenzverteilung X ∼ N (0, 1).

Empirical density functions, alpha=2

0.7

n = 12
0.6

n = 52
n = 100
n = 250
0.5

Limiting normal distribution

0.4
0.3
0.2
0.1
0.0

−4 −2 0 2 4

Abbildung 9: Dichtefunktionen zentrierter und normierter Summen X∗n von unabhängi-

gen und identisch Pareto verteilten Zufallsvariablen mit Pareto-Parameter α = 2 für n ∈
{12, 52, 100, 250} sowie der zugehörigen Grenzverteilung X ∼ N (0, 1).

29
Konstanten an und bn gegeben sind durch
√
Z ∞
nαk
an = σ n, bn = nµ = n E[Y ] = nαk α
y −α dy = .
k α−1

Eine standard normalverteilte

√ Zufallsvariable Z ∼ N (0, 1) ist stabil mit Parametern α = 2,
β = 0 und σ = 1/ 2.
Wie wir in Kapitel 4.1.4 gesehen haben, ist die Existenz des zweiten Momentes (der Vari-
anz) keine notwendige Bedingung für die asymptotische Normalität von Sn . Vielmehr ist eine
Verteilungsfunktion F im Anziehungsbereich
Rx 2 der Normalverteilung (F ∈ DA(Φ)), genau dann
wenn die Funktion µ(x) = −x y dF (y) langsam variierend ist. Oensichtlich ist µ(x) langsam
variierend, wenn immer F endliche Varianz hat.
Den Beweis des zentralen Grenzwertsatzes mit unabhängigen und identisch verteilten Sum-
manden Xi mit E[Xi ] = 0 und Var(Xi ) = 1 nden wir zum Beispiel in Feller [4], Kapitel XV.5,
Seite 515.
Beweis. Wir setzenPnỸi = (Yi − µ)/σ√. Dann gilt E[Ỹi ] = 0 und Var(ỸP
i ) = 1. Wir beachten,
√
dass sich X∗n = ( i=1 Yi − nµ)/(σ n) schreiben lässt als X∗n = ( ni=1 Ỹi )/ n. Für die
charakteristische Funktion ϕ∗n (ζ) von X∗n folgt dann
√
n
ϕ∗n (ζ) = ϕỸ (ζ/ n) .

Wir zeigen, dass ϕ∗n (ζ) mit wachsendem n gegen ω(ζ) = exp{Ψ(ζ)} strebt, wobei Ψ(ζ) =
−ζ 2 /2.
Dazu machen wir Gebrauch von (13) und zeigen, dass
 √

n ϕỸ ζ/ n − 1 → −ζ 2 /2, n → ∞.

Wir beachten, dass ϕ0Ỹ (0) = 0 und ϕ00Ỹ (0) = −1. Für die Taylor-Entwicklung von ϕỸ um 0
bedeutet dies, dass:

ϕ00Ỹ (0)
ϕỸ (t) = ϕỸ (0) + ϕ0Ỹ (0)t + t2 + O(t3 )
2!
t2
=1− + O(t3 ),
2

wobei O(t3 ) alle Terme dritter und höherer Ordnung in t zusammenfasst. Allgemein symboli-
siert die Schreibweise f (x) = O(g(x)), x → 0, den Umstand, dass |f (x)| ≤ M |g(x)| für eine
Konstante M und alle x mit |x| < δ . Somit nden wir

√
ζ2  ζ3 
   
n ϕỸ ζ/ n − 1 = n 1 − + O 3/2 − 1
2n n
ζ2
→− , n → ∞.
2


30
 VaRp (X∗n ) ESp (X∗n )
n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5%
1 1.156 1.888 2.685 3.852 4.828 2.311 3.147 4.059 5.392 6.507
12 1.312 1.825 2.316 2.949 3.425 2.035 2.528 3.012 3.654 4.147
52 1.311 1.752 2.154 2.647 3.002 1.908 2.306 2.679 3.148 3.491
100 1.306 1.726 2.102 2.560 2.882 1.868 2.240 2.584 3.011 3.317
250 1.298 1.697 2.051 2.471 2.766 1.826 2.173 2.490 2.875 3.148
500 1.295 1.683 2.026 2.432 2.712 1.807 2.143 2.448 2.817 3.077
∞ 1.282 1.645 1.960 2.326 2.576 1.755 2.063 2.338 2.665 2.892

Tabelle 9: Risikomasse Value-at-Risk und Expected Shortfall für zentrierte und normierte
Summen X∗n mit unabhängigen und identisch Pareto verteilten Summanden (α = 8, k = 1)
für verschiedene n.

VaRp (X∗n ) ESp (X∗n )

n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5%
1 0.944 1.658 2.506 3.880 5.149 2.201 3.153 4.285 6.116 7.808
12 1.234 1.800 2.386 3.223 3.936 2.109 2.735 3.414 4.435 5.338
52 1.282 1.769 2.244 2.876 3.380 1.992 2.485 2.990 3.708 4.321
100 1.290 1.750 2.185 2.754 3.191 1.944 2.391 2.839 3.457 3.968
250 1.293 1.722 2.118 2.616 2.988 1.887 2.287 2.674 3.188 3.595
500 1.295 1.707 2.082 2.544 2.878 1.856 2.230 2.585 3.043 3.394
∞ 1.282 1.645 1.960 2.326 2.576 1.755 2.063 2.338 2.665 2.892

Tabelle 10: Risikomasse Value-at-Risk und Expected Shortfall für zentrierte und normierte
Summen X∗n mit unabhängigen und identisch Pareto verteilten Summanden (α = 4, k = 1)
für verschiedene n.

VaRp (X∗n ) ESp (X∗n )

n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5%
1 0.567 1.105 1.816 3.115 4.467 1.690 2.588 3.772 5.936 8.190
12 0.915 1.452 2.082 3.139 4.190 1.915 2.683 3.644 5.350 7.115
52 1.037 1.541 2.104 3.016 3.907 1.934 2.611 3.439 4.891 6.391
100 1.076 1.564 2.096 2.943 3.761 1.925 2.559 3.324 4.655 6.021
250 1.118 1.585 2.079 2.837 3.562 1.909 2.493 3.186 4.382 5.620
500 1.146 1.600 2.069 2.774 3.444 1.897 2.447 3.089 4.188 5.318
∞ 1.282 1.645 1.960 2.326 2.576 1.755 2.063 2.338 2.665 2.892

Tabelle 11: Risikomasse Value-at-Risk und Expected Shortfall für zentrierte und normierte
Summen X∗n mit unabhängigen und identisch Pareto verteilten Summanden (α = 2.5, k = 1)
für verschiedene n.

31
 1.0
Exakte Verteilung

0.8
Grenzverteilung N(0,1)

0.6
0.4
0.2
0.0

−2 −1 0 1 2 3

Abbildung 10: Verteilungsfunktion von X∗n = ( ni=1 Yi − bn )/an für n = 12 und iid Pareto-
P
verteilte Summanden mit Pareto-Parameter α = 8 (blaue Linie) sowie zugehörige Grenzver-
teilung X ∼ N (0, 1) (orange Linie). Die gestrichelten Linien zeigen die 97.5%-Quantile von
X∗n und X ; sie betragen 2.316 resp. 1.960.

Tabellen 9 bis 11 zeigen die Konvergenzgeschwindigkeiten bezüglich der Risikomasse Value-

at-Risk und Expected Shortfall für verschiedene Werte von α. Es lässt sich beobachten, dass
selbst bei einem relativ stark abfallenden Tail (α = 8) die Risikomasse zentrierter und nor-
mierter Summen X∗n nur langsam gegen die entsprechenden Grössen der Normalverteilung
konvergieren, siehe Tabelle 9. Für n = 12 zum Beispiel (monatliche Renditen) liegt der Expec-
ted Shortfall beim Niveau 99% um 38% über dem Expected Shortfall der Normalverteilung
(3.654 im Vergleich zu 2.665). Selbst bei wöchentlichen Renditen (n = 52) dominiert das
Tail-Verhalten der einzelnen Summanden noch immer stark. In diesem Fall liegt der Expec-
ted Shortfall 20% über dem Expected Shortfall der Standard-Normalverteilung beim Niveau
99% (3.148 im Vergleich zu 2.665). Bei 500 Summanden schliesslich liegt der Expected Short-
fall von X∗n noch um 6% über dem Expected Shortfall der Grenzverteilung. Es lässt sich
festhalten, dass selbst im Falle α = 8 die Risikomasse der Normalverteilung nur eine unzu-
reichende Approximation darstellen für die Riskomasse normierter und zentrierter Summen
von unabhängigen und identisch Pareto-verteilten Zufallsvariablen. Das Risiko und damit die
Kapitalanforderungen würden somit unterschätzt, falls alleine auf das Risikomass der Grenz-
verteilung abgestellt würde anstatt auf das Risikomass der wahren Verteilung.
Bei abnehmendem Tail-Index präsentiert sich die Situation noch ungünstiger; die Risikomasse
Value-at-Risk und Expected Shortfall werden zunehmend schlechter durch die entsprechenden
Risikomasse der Normalverteilung approximiert. Dies hängt damit zusammen, dass die Tails
der einzelnen Summanden schwerer und somit weiter vom Tail der Normalverteilung entfernt
sind. Der Expected Shortfall der zentrierten und normierten Summe monatlicher Renditen
(n = 12) liegt im Falle α = 4 beim Niveau 99% um 66% über dem Expected Shortfall der

32
Normalverteilung (4.435 versus 2.665), siehe Tabelle 10, im Falle α = 2.5 beträgt er sogar
mehr als das Doppelte (5.350 versus 2.665), siehe Tabelle 11.
Tabelle 12 zeigt die Abstände der beiden Variablen X∗n und X , ausgedrückt durch die beiden
Metiken d1 (X∗n , X) und d2 (X∗n , X), siehe (23) und (24). Es zeigt sich, dass die Abstände mit
wachsender Anzahl Summanden n kleiner werden. Dies ist intuitiv klar, da X∗n in Verteilung
gegen X konvergiert mit n → ∞. Es zeigt sich aber auch, dass für kleinere Pareto-Parameter
und damit schwerschwänzigere Verteilungen deutlich mehr Summanden erforderlich sind, bis
die zentrierte und normierte Summe X∗n hinreichend nahe bei ihrer Grenzverteilung liegt.

d1 (X∗n , X) d2 (X∗n , X)
n α = 2.5 α=4 α=8 α = 2.5 α=4 α=8
1 0.068 0.108 0.168 0.517 0.564 0.696
12 0.031 0.009 0.004 0.339 0.197 0.133
52 0.015 0.003 0.001 0.248 0.113 0.067
100 0.011 0.002 0.001 0.216 0.088 0.050
250 0.007 0.001 0.000 0.175 0.060 0.032
500 0.004 0.000 0.000 0.149 0.043 0.021
∞ 0.000 0.000 0.000 0.000 0.000 0.000

Tabelle 12: Abstand zwischen X∗n und ihrem Grenzwert X , ausgedrückt durch die Abstands-
funktionen d1 und d2 für verschiedene Pareto-Parameter α ∈ {2.5, 4, 8}.

4.2 Grenzverteilungen von Summen tν -verteilter Zufallsvariablen

In diesem Abschnitt untersuchen wir das Konvergenzverhalten unabhängiger und identisch

tν -verteilter Zufallsvariablen für verschiedene Werte von ν . Wir wiederholen, dass die Varianz
einer tν -verteilten Zufallsvariablen Y ∼ F mit Anzahl Freiheitsgraden ν > 2 gegeben ist
durch ν/(ν − 2), siehe Abschnitt 3.2. Es gilt somit F ∈ DA(Φ) mit normalisierenden und
√
zentrierenden Konstanten an = σ n und bn = 0, wobei σ 2 = E[Y 2 ] die Varianz von Y
bezeichnet. Beachte, dass sich die tν -Verteilung mit wachsender Anzahl Freiheitsgrade der
Normalverteilung nähert.
Die t-Verteilung wird häug verwendet zur Modellierung Finanzeitreihen-Renditen. Der Grund
dafür ist, dass sie - im Unterschied etwa zur Normalverteilung - eine Leptokurtosis3 aufweist.
Das heisst, dass ihre Dichtefunktion im Vergleich zur Normalverteilung spitzer ist und einen
dünneren "Bauch"hat, dafür aber schwerere `Tails'.
3
Sei X eine Zufallsvariable mit endlichem vierten Moment. Die Kurtosis κ von X ist deniert als
E (X − µ)4
 
κ=
σ4
Eine Verteilung heisst leptokurtisch, falls κ > 3.

33
 Empirical cumulative distribution functions, alpha=2.5

1.0
0.8
0.6
0.4

n = 12
n = 52
n = 100
0.2

n = 250
Limiting normal distribution
0.0

−2 −1 0 1 2 3 4

Abbildung 11: Kumulative Verteilungsfunktionen zentrierter und normierter Summen X∗n von
unabhängigen und identisch Pareto verteilten Zufallsvariablen mit Pareto-Parameter α = 2.5
für n ∈ {12, 52, 100, 250} sowie der zugehörigen Grenzverteilung X ∼ N (0, 1).

Empirical density functions, alpha=2.5

0.8

n = 12
n = 52
0.6

n = 100
n = 250
Limiting normal distribution
0.4
0.2
0.0

−4 −2 0 2 4

Abbildung 12: Dichtefunktionen zentrierter und normierter Summen X∗n von unabhängi-
gen und identisch Pareto verteilten Zufallsvariablen mit Pareto-Parameter α = 2.5 für
n ∈ {12, 52, 100, 250} sowie der zugehörigen Grenzverteilung X ∼ N (0, 1).

34
4.2.1 ν=4 Freiheitsgrade
Tabelle 13 zeigt die Konvergenzgeschwindigkeit bezüglich der Risikomasse VaR und Expected
Shortfall im Falle unabhängiger und tν -verteilter Summanden mit ν = 4.
Es lässt sich allgemein festhalten, dass die Konvergenzgeschwindigkeit bezüglich der Risiko-
masse schneller ist als im Falle Pareto-verteilter Summanden mit Pareto-Parameter α > 2,
siehe Tabellen 9 bis 11. Beispielsweise liegt im Falle monatlicher Renditen (n = 12) der Expec-
ted Shortfall beim Niveau 99% lediglich um 11% über dem Expected Shortfall der Normalver-
teilung (2.957 versus 2.665). Zum Vergleich sei vermerkt, dass im Falle der Pareto-Verteilung
mit α = 8 die entsprechenden Werte um 38% dierierten.

VaRp (X∗n ) ESp (X∗n )

n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5%
1 1.084 1.507 1.963 2.649 3.256 1.767 2.265 2.824 3.692 4.472
12 1.237 1.617 1.969 2.418 2.758 1.767 2.126 2.479 2.957 3.346
52 1.265 1.634 1.964 2.358 2.638 1.759 2.085 2.387 2.766 3.050
100 1.272 1.639 1.963 2.347 2.616 1.758 2.077 2.370 2.731 3.993
250 1.277 1.643 1.963 2.338 2.597 1.757 2.071 2.354 2.697 2.941
500 1.279 1.644 1.961 2.333 2.587 1.756 2.067 2.346 2.682 2.916
∞ 1.282 1.645 1.960 2.326 2.576 1.755 2.063 2.338 2.665 2.892

Tabelle
Pn 13:√Risikomasse Value-at-Risk und Expected Shortfall für normierte Summen X∗n =
( i=1 Yi )/ 2n mit unabhängigen und identisch tν -verteilten Summanden (ν = 4) für ver-
schiedene n; N = 107 Simulationen.

4.2.2 ν=8 Freiheitsgrade

Die in Kapitel 4.2.1 gemachten Feststellungen gelten in verstärktem Masse auch hier. Die
Konvergenzgeschwindigkeit bezüglich der Risikomasse ist noch einmal schneller als im Falle
Pareto-verteilter Summanden. Im Falle monatlicher Renditen (n = 12) liegt der Expected
Shortfall beim Niveau 99% nur noch um lediglich 2% über dem Expected Shortfall der Nor-
malverteilung (2.722 versus 2.665).
Tabelle 15 zeigt die Abstände zwischen den Verteilungsfunktionen von X∗n und X gemessen
mit den Abstandsfunktionen d1 und d2 für Freiheitsgrade ν ∈ {4, 8}. Es ist augenfällig, dass
selbst für kleine Anzahl Summanden die Verteilungsfunktionen schon sehr nahe beieinander
liegen.

5 Schlussfolgerungen
In dieser Arbeit haben wir das Konvergenzverhalten von zentrierten und normierten Summen
X∗n mit unabhängigen und identisch Pareto- oder tν -verteilten Summanden untersucht. Im
Falle Pareto-verteilter Summanden mit α < 2 haben wir zuerst die Parameter der stabilen
Grenzverteilung Sα (σ, β, µ) hergeleitet. Für α > 2 bzw. ν > 2 existiert das zweite Moment der

35
 VaRp (X∗n ) ESp (X∗n )
n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5%
1 1.210 1.610 1.997 2.508 2.906 1.783 2.177 2.572 3.110 3.536
12 1.274 1.642 1.967 2.352 2.621 1.760 2.079 2.369 2.722 2.972
52 1.280 1.644 1.962 2.332 2.585 1.756 2.066 2.345 2.677 2.908
100 1.280 1.645 1.962 2.329 2.579 1.755 2.065 2.341 2.670 2.898
250 1.281 1.645 1.961 2.327 2.578 1.755 2.064 2.340 2.658 2.897
500 1.282 1.644 1.961 2.328 2.578 1.755 2.064 2.340 2.668 2.895
∞ 1.282 1.645 1.960 2.326 2.576 1.755 2.063 2.338 2.665 2.892

Tabelle
Pn 14:p
Risikomasse Value-at-Risk und Expected Shortfall für normierte Summen X∗n =
( i=1 Yi )/ 4n/3 mit unabhängigen und identisch tν -verteilten Summanden (ν = 8) für ver-
schiedene n; N = 107 Simulationen.

d1 (X∗n , X) d2 (X∗n , X)
n ν=4 ν=8 ν=4 ν=8
1 0.005 0.001 0.202 0.086
12 0.000 0.000 0.033 0.007
52 0.000 0.000 0.012 0.001
100 0.000 0.000 0.009 0.002
250 0.000 0.000 0.004 0.002
500 0.000 0.000 0.003 0.001
∞ 0.000 0.000 0.000 0.000

Tabelle 15: Abstand zwischen X∗n und ihrem Grenzwert X , ausgedrückt durch die Abstands-
funktionen d1 und d2 für verschiedene Anzahl Freiheitsgrade ν ∈ {4, 8}.

Summanden, und somit benden wir uns im Regime des wohlbekannten Zentralen Grenzwert-
satzes, wonach die zentrierten und normierten Summen gegen die standard Normalverteilung
konvergieren. Der Fall α = 2 ist insofern speziell, als das zweite Moment der entsprechenden
Pareto-Verteilung nicht existiert, die Grenzverteilung aber dennoch normal ist.
Die Verteilung von X∗n haben wir durch Monte Carlo Simulation bestimmt (N = 107 Rea-
lisierungen) und danach mit der (stabilen) Grenzverteilung X verglichen. Es zeigt sich, dass
die Approximation in der Regel dann gut funktioniert, wenn die Tails der Summanden und
der Grenzverteilung von vergleichbarer Schwere sind. Wie oben angetönt, verdient der Pareto-
Exponent α = 2 besondere Beachtung: Pareto-verteilte Zufallsvariablen mit α = 2 haben
unendliche Varianz, sind also sehr heavy-tailed. Trotzdem konvergieren ihre zentrierten und
normierten Summen gegen die Normalverteilung. So erstaunt es nicht, dass in diesem Fall die
Grenzverteilung nur eine schlechte Approximation darstellt für Summen mit einer kleinen bis
mittleren Anzahl Summanden. Die Konvergenzgeschwindigkeit für Werte α + ε, ε > 0, verbes-
sert sich in dem Masse, als ε wächst. Die Grenzverteilung ist und bleibt normal, die Schwere
der Tails nimmt jedoch ab und nähert sich der der Normalverteilung an. Doch selbst im Falle
α = 2.5 oder α = 4 ist noch immer Vorsicht geboten. Wird das Risikomass Value-at-Risk

36
oder Expected Shortfall durch die entsprechenden Grössen der (normalen) Grenzverteilung
approximiert, so kann das Risiko zum Teil stark unterschätzt werden.
Die Annahme unabhängiger und identisch verteilter Summanden sind stark vereinfachend.
Renditen von Finanzzeitreihen zeigen in der Regel Heteroskedastiziät, also stochastische Va-
rianz und somit Abhängigkeit. Weiterführende Untersuchungen müssen zeigen, wie sich diese
realistischeren Annahmen auf das Konvergenzverhalten von zentrierten und normierten Sum-
men auswirken.

37
A Simulationsergebnisse für Pareto-verteilte Summanden
In diesem Kapitel fassen wir die Simulationsergebnisse in kompakter Form zusammen. Für ver-
schiedene Pareto-Parameter α ∈ {0.75, 1, 1.5, 2, 2.5, 4, 8} und verschiedene Anzahl Summan-
den n sind die Risikomasse Value-at-Risk VaRα (X∗n ) und falls existent Expected Shortfall
ESα (X∗n ) ausgewisen zusammen mit den Risikomassen der entsprechenden (stabilen) Grenz-
verteilungen (Zeile mit n = ∞). Die Wahrscheinlichkeitsverteilungen von X∗n haben wir dabei
durch Monte Carlo Simulation ermittelt, indem wir N = 107 Realisierungen x∗n von X∗n er-
zeugt haben. Zudem weisen wir die Abstände der Verteilungsfunktionen von X∗n und X aus,
gemessen mit den Funktionen d1 und d2 , siehe (23) und (24). Wegen numerischer Ungenauig-
keiten sind die Abstände d2 nur für Pareto-Parameter α > 1 angegeben.

38
 α = 3/4 VaR
n 90% 95% 97.5% 99% 99.5% n d1 d2
1 21.511 54.309 136.675 464.100 1166.627 1 0.462
12 25.028 59.018 143.468 474.697 1177.859 12 0.135
52 25.751 59.869 143.700 469.747 1169.353 52 0.057
100 25.960 60.224 144.624 475.790 1185.742 100 0.038
250 26.066 60.245 144.057 472.399 1175.002 250 0.021
500 26.265 60.440 144.682 472.396 1172.435 500 0.013
∞ 26.638 60.850 145.158 475.582 1184.031

α=1 VaR
n 90% 95% 97.5% 99% 99.5% n d1 d2
1 9.496 19.496 39.496 99.496 199.496 1 0.146
12 11.191 21.894 42.630 102.861 203.068 12 0.012
52 11.517 22.321 43.084 104.198 205.732 52 0.004
100 11.491 22.301 43.050 104.197 204.631 100 0.003
250 11.609 22.425 43.199 104.277 204.211 250 0.000
500 11.624 22.432 43.269 104.591 205.530 500 0.000
∞ 11.649 22.450 43.203 104.156 204.862

α = 1.5 VaR ES
n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5% n d1 d2
1 1.638 4.362 8.683 18.480 31.208 10.609 18.478 30.842 58.566 93.506 1 0.231 1.521
12 2.910 5.998 10.602 20.603 33.331 13.382 22.581 37.275 71.614 117.440 12 0.057 0.790
52 3.334 6.475 11.083 21.156 34.000 13.553 22.469 36.577 69.114 111.856 52 0.022 0.515
100 3.464 6.610 11.201 21.250 33.956 12.969 21.170 33.851 62.151 97.887 100 0.015 0.675
250 3.594 6.744 11.319 21.292 34.005 13.284 21.668 34.719 64.181 101.906 250 0.008 0.344
500 3.674 6.815 11.399 21.438 34.147 13.373 21.767 34.849 64.325 102.050 500 0.005 0.408
∞ 3.959 7.057 11.565 21.505 34.184 13.606 21.966 35.031 64.615 102.589

α=2 VaR ES
n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5% n d1 d2
1 1.162 2.472 4.325 8.000 12.142 4.325 6.944 10.649 18.000 26.284 1 0.085 0.698
12 1.131 1.939 2.977 4.904 7.017 2.906 4.338 6.299 10.152 14.521 12 0.030 0.390
52 1.140 1.830 2.686 4.260 5.993 2.614 3.791 5.391 8.522 12.061 52 0.019 0.310
100 1.147 1.801 2.602 4.066 5.669 2.517 3.605 5.071 7.915 11.098 100 0.016 0.288
250 1.155 1.769 2.506 3.838 5.315 2.428 3.437 4.792 7.437 10.423 250 0.012 0.250
500 1.163 1.751 2.451 3.718 5.118 2.374 3.332 4.615 7.116 9.938 500 0.010 0.232
∞ 1.282 1.645 1.960 2.326 2.576 1.755 2.063 2.338 2.665 2.892

α = 2.5 VaR ES
n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5% n d1 d2
1 0.567 1.105 1.816 3.115 4.467 1.690 2.588 3.772 5.936 8.190 1 0.068 0.517
12 0.915 1.452 2.082 3.139 4.190 1.915 2.683 3.644 5.350 7.115 12 0.031 0.339
52 1.037 1.541 2.104 3.016 3.907 1.934 2.611 3.439 4.891 6.391 52 0.015 0.248
100 1.076 1.564 2.096 2.943 3.761 1.925 2.559 3.324 4.655 6.021 100 0.011 0.216
250 1.118 1.585 2.079 2.837 3.562 1.909 2.493 3.186 4.382 5.620 250 0.007 0.175
500 1.146 1.600 2.069 2.774 3.444 1.897 2.447 3.089 4.188 5.318 500 0.005 0.149
∞ 1.282 1.645 1.960 2.326 2.576 1.755 2.063 2.338 2.665 2.892

α=4 VaR ES
n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5% n d1 d2
1 0.944 1.658 2.506 3.880 5.149 2.201 3.153 4.285 6.116 7.808 1 0.108 0.564
12 1.234 1.800 2.386 3.223 3.936 2.109 2.735 3.414 4.435 5.338 12 0.009 0.197
52 1.282 1.769 2.244 2.876 3.380 1.992 2.485 2.990 3.708 4.321 52 0.003 0.113
100 1.290 1.750 2.185 2.754 3.191 1.944 2.391 2.839 3.457 3.968 100 0.002 0.088
250 1.293 1.722 2.118 2.616 2.988 1.887 2.287 2.674 3.188 3.595 250 0.001 0.060
500 1.295 1.707 2.082 2.544 2.878 1.856 2.230 2.585 3.043 3.394 500 0.000 0.043
∞ 1.282 1.645 1.960 2.326 2.576 1.755 2.063 2.338 2.665 2.892

α=8 VaR ES
n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5% n d1 d2
1 1.156 1.888 2.685 3.852 4.828 2.311 3.147 4.059 5.392 6.507 1 0.168 0.696
12 1.312 1.825 2.316 2.949 3.425 2.035 2.528 3.012 3.654 4.147 12 0.004 0.133
52 1.311 1.752 2.154 2.647 3.002 1.908 2.306 2.679 3.148 3.491 52 0.001 0.067
100 1.306 1.726 2.102 2.560 2.882 1.868 2.240 2.584 3.011 3.317 100 0.001 0.050
250 1.298 1.697 2.051 2.471 2.766 1.826 2.173 2.490 2.875 3.148 250 0.000 0.032
500 1.295 1.683 2.026 2.432 2.712 1.807 2.143 2.448 2.817 3.077 500 0.000 0.021
∞ 1.282 1.645 1.960 2.326 2.576 1.755 2.063 2.338 2.665 2.892

Abbildung 13: Risikomasse Value-at-Risk und  falls existent  Exptected Shortfall für zentrier-
te und normierte Summen X∗n mit unabhängigen und identisch Pareto verteilten Summanden
(α ∈ {0.75, 1, 1.5, 2, 2.5, 4, 8}, k = 1) für verschiedene n sowie Abstandsfunktionen d1 (X∗n , X)
und d2 (X∗n , X). N = 107 Simulationen x∗n von X∗n für n ∈ {12, 52, 100, 250, 500}, exakte
Berechnung für n ∈ {1, ∞}.

39
B Simulationsergebnisse für tν -verteilte Summanden
In diesem Abschnitt sind die Simulationsergebnisse im Falle der t-Verteilung in kompakter
Weise zusammengefasst. Für verschiedene Anzahl Freiheitsgrade ν ∈ {4, 8} und verschiedene
Anzahl Summanden n sind die Risikomasse Value-at-Risk VaRα (X∗n ) und Expected Shortfall
ESα (X∗n ) ausgewisen zusammen mit den Risikomassen der normalen Grenzverteilung (Zeile
mit n = ∞). Die Wahrscheinlichkeitsverteilungen von X∗n haben wir dabei durch Monte Carlo
Simulation ermittelt, indem wir N = 107 Realisierungen x∗n von X∗n erzeugt haben. Ferner
sind die Abstände der Verteilungsfunktionen von X∗n und X angegeben, gemessen mit den
Funktionen d1 und d2 , siehe (23) und (24).

ν=4 VaR ES
n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5% n d1 d2
1 1.084 1.507 1.963 2.649 3.256 1.767 2.265 2.824 3.692 4.472 1 0.005 0.202
12 1.237 1.617 1.969 2.418 2.758 1.767 2.126 2.479 2.957 3.346 12 0.000 0.033
52 1.265 1.634 1.964 2.358 2.638 1.759 2.085 2.387 2.766 3.050 52 0.000 0.012
100 1.272 1.639 1.963 2.347 2.616 1.758 2.077 2.370 2.731 2.993 100 0.000 0.009
250 1.277 1.643 1.963 2.338 2.597 1.757 2.071 2.354 2.697 2.941 250 0.000 0.004
500 1.279 1.644 1.961 2.333 2.587 1.756 2.067 2.346 2.682 2.916 500 0.000 0.003
∞ 1.282 1.645 1.960 2.326 2.576 1.755 2.063 2.338 2.665 2.892

ν=8 VaR ES
n 90% 95% 97.5% 99% 99.5% 90% 95% 97.5% 99% 99.5% n d1 d2
1 1.210 1.610 1.997 2.508 2.906 1.783 2.177 2.572 3.110 3.536 1 0.001 0.086
12 1.274 1.642 1.967 2.352 2.621 1.760 2.079 2.369 2.722 2.972 12 0.000 0.007
52 1.280 1.644 1.962 2.332 2.585 1.756 2.066 2.345 2.677 2.908 52 0.000 0.001
100 1.280 1.645 1.962 2.329 2.579 1.755 2.065 2.341 2.670 2.898 100 0.000 0.002
250 1.281 1.645 1.961 2.327 2.578 1.755 2.064 2.340 2.668 2.897 250 0.000 0.002
500 1.282 1.644 1.961 2.328 2.578 1.755 2.064 2.340 2.668 2.895 500 0.000 0.001
∞ 1.282 1.645 1.960 2.326 2.576 1.755 2.063 2.338 2.665 2.892

Abbildung 14: Risikomasse Value-at-Risk und Exptected Shortfall für normierte Summen X∗n
mit unabhängigen und identisch tν -verteilten Summanden (ν ∈ {4, 8}) für verschiedene n
sowie Abstandsfunktionen d1 (X∗n , X) und d2 (X∗n , X). N = 107 Simulationen x∗n von X∗n
für n ∈ {12, 52, 100, 250, 500}, exakte Berechnung für n ∈ {1, ∞}.

40
C Value-at-Risk und Expected Shortfall für normal- und tν -
verteilte Zufallsvariablen
Proposition 8 (Value-at-risk und Expected Shortfall für die Normalverteilung) Sei L ∼ N (µ, σ 2 ).
Dann gilt
(a) VaRα (L) = µ + σqα (Z)
ϕ(qα (Z))
(b) ESα (L) = µ + σ .
1−α
Dabei bezeichnet qα (Z) das α-Quantil der Zufallsvariablen Z ∼ N (0, 1).

Beweis. (a) Die Behauptung folgt aufgrund der Beobachtung, dass qα (L) dem α-Quantil der
Zufallsvariablen L entspricht genau dann wenn (qα (L) − µ)/σ das α-Quantil der standardi-
sierten Zufallsvariablen (L − µ)/σ ist.
(b)√Sei Z ∼ N (0, 1). Beachte, dass die Dichtefunktion ϕ(y) von Z gegeben ist durch ϕ(y) =
1/ 2π exp{−y 2 /2} mit der Eigenschaft, dass yϕ(y) = −ϕ0 (y). Somit gilt
Z ∞
1
E[Z|Z > u] = yϕ(y) dy
P[Z > u] u
Z ∞
1
= (−ϕ0 (y)) dy
1 − Φ(u) u
1 y=∞

= −ϕ(y) y=u
1 − Φ(u)
ϕ(u)
= .
1 − Φ(u)

Sei nun L ∼ N (µ, σ 2 ). Es gilt dann

hL − µ L − µ qα (L) − µ i
E[L|L > qα (L)] = µ + σ E >
σ σ σ
 
= µ + σ E Z Z > qα (Z)
ϕ(qα (Z))
=µ+σ .
1−α

In der letzten Gleichung benutzten wir Φ((qα (L) − µ)/σ) = Φ(qα (Z)) = Φ(Φ−1 (α)) = α. 
Unser Ziel ist es jetzt, ein analoges Resultat für die verallgemeinerte t-Verteilung herzuleiten.

Denition 7 Eine Zufallsvariable Y genügt einer t(ν; µ, σ) Verteilung falls (Y − µ)/σ eine
tν -Verteilung mit ν Freiheitsgraden hat. Die Dichtefunktion einer tν -verteilten Zufallsvariablen
bezeichnen wir mit fν (y); sie ist gegeben durch
Γ ν+1


y 2 − ν+1
2
fν (y) = ν √

2
1+ , y ∈ R. (33)
Γ 2 πν ν

41
Proposition 9 (Value-at-risk und Expected shortfall für die verallgemeinerte t-Verteilung) Sei
L ∼ t(ν; µ, σ). Dann gilt

(a) VaRα (L) = µ + σqα (T )

κνσ  (qα (T ))2  1−ν
(b) ESα (L) = µ + .
2
1+
(ν − 1)(1 − α) ν
Dabei bezeichnet qα (T ) das α-Quantil der Zufallsvariablen T ∼ tν und κ ist gegeben durch

Γ ν+1


κ= 2

√ (34)
Γ ν2 πν

Der nachfolgende Hilfssatz 1 wird zum Beweis von Proposition 9 benötigt.

Lemma 1 Sei fν (y) die Dichtefuntkion einer t-verteilten Zufallsvariablen mit ν Freiheitsgra-
den, also

Γ ν+1


2 y 2 − ν+1
2
fν (y) = ν

√ 1 + .
Γ 2 πν ν

Dann gilt:
∞
u2  1−ν
Z
κν  2
yfν (y) dy = 1+ . (35)
u ν−1 ν

mit κ wie in Gleichung (34).

Beweis.

∞ ∞
y 2 − ν+1
Z Z 
2
yfν (y) dy = κ y 1+ dy
u u ν
Z ∞ 
d y 2  1−ν
2
 ν 
= κ 1+ dy
u dy ν 1−ν
κν  y 2  1−ν2
y=∞
= 1+
1−ν ν y=u
1−ν
κν  u2  2
= 1+
ν−1 ν

42
Beweis von Proposition 9. (a) Die Behauptung für den VaR folgt wie in Proposition 8.
Für den Beweis von (b) betrachten wir also L ∼ t(ν; µ, σ). Wir schliessen daraus:
Z ∞
1
E[L|L > qα (L)] = yfL (y) dy
P[L > qα (L)] qα (L)
Z ∞
1 y − µ
1
= yfν dy
1 − α qα (L) σ σ
Z ∞
1
= (µ + σu) fν (u) du
1 − α (qα (L)−µ)/σ
Z ∞
σ
=µ+ ufν (u) du
1 − α (qα (L)−µ)/σ

κνσ  (qα (T ))2  1−ν

2
=µ+ 1+ .
(ν − 1)(1 − α) ν

In der letzten Gleichung benutzten wir Hilfssatz 1. 

43
Literatur
[1] Bartkiewicz, K., Jakubowski, A., Mikosch, T., and Wintenberger, O. (2011). Stable limits
for sums of dependent innite variance random variables. Probability Theory and Related
Fields., Vol. 150, pp. 337-372.
[2] Blum, M. (1970). On the Sums of Independently Distributed Pareto Variates. SIAM
Journal on Applied Mathematics, Vol. 19, No. 1, pp. 191-198.
[3] Embrechts, P., Klüppelberg, C., and Mikosch, T. (1997). Modelling Extremal Events for
Insurance and Finance, Springer.
[4] Feller, W. (1971). An Introduction to Probability Theory and Its Applications. Volume II,
Second Edition, John Wiley and Sons.

[5] Glasserman, P. (2004). Monte Carlo Methods in Financial Enigneering, Springer.

[6] Gnedenko, B. V., and Kolmogorov, A. N. (1968). Limit Distributions for Sums of Inde-
pendent Random Variables, Reading, MA: Addison-Wesley.
[7] Hall, P. (1979). On the rate of convergence in the central limit theorem for distributions
with regularly varying tails. Probability Theory and Related Fields, Volume 49, Number
1, 1-11.

[8] Hesterberg, T. C. and Nelson, B. L. (1998). Control variates for probability and quantile
estimation. Management Science, Vol. 44, No. 9, 1295-1312.

[9] Hofert, M. and Wüthrich, M. (2011). Statistical Review of Nuclear Power Accidents.
Preprint, ETH Zürich.
[10] Janssen, A. and Mason, D. M. (1990). On the rate of convergence of sums of extremes to
a stable law. Probability Theory and Related Fields, Volume 86, Number 2, 253-264.

[11] Mandelbrot, B. (1963). The variation of certain speculative prices. Journal of Business,
Volume 36, 394-419.

[12] Rachev, S. and Mittnik, S. (2000). Stable Paretian Models in Finance. John Wiley &
Sons, Ltd, Chichester.

[13] Samorodnitsky, G. and Taqqu, M. (1994). Stable Non-Gaussian Random Processes. Chap-
man and Hall, New York.

[14] Sering, R. J. (1980). Approximation Theorems of Mathematical Statistics. John Wiley &
Sons, Inc.

44