Математичні моделі копул для оцінювання ризиків «зелених проєктів»

Автор(и)

  • Н. В. Кузнєцова Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна
  • І. О. Квашук Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна

DOI:

https://doi.org/10.35681/1560-9189.2025.27.1.335614

Ключові слова:

копули, математичні моделі, оцінювання ризиків, Extreme Value Theory

Анотація

Роботу присвячено аналізу і оцінюванню кредитних ризиків «зелених проєктів» за допомогою математичних моделей копул, що дозволяє покращити врахування залежностей між економічними і екологічними факторами. Аналіз проведено на наборі даних, що включає понад 800 спостережень, які охоплюють фінансові показники і екологічні аспекти компаній з різних секторів економіки. Особливу увагу приділено детальному аналізу екстремальних залежностей на межах розподілу, зокрема у «upper tail» та «lower tail». Дослідження охоплює різні сімейства копул, такі як Гаусова, t-копула та Архімедові копули (Gumbel, Clayton, Frank), з акцентом на тих розподілах, які демонструють кращу здатність відображати асиметричну залежність, що є характерною для екологічних ризиків. На основі отриманих результатів моделювання проведено розрахунок значення Value-at-Risk (VaR) на різних рівнях довіри, що забезпечує всебічний опис характеристик ризику. Оцінка ризику, яку отримано в результаті моделювання на основі копул, представляє собою більш узагальнену та гнучку форму оцінювання ризиків порівняно з традиційними підходами.

Посилання

Kuznyetsova N.V., Shevchuk, O. S. Modeli otsinky ryzykiv zelenykh proyektiv. Reyestratsiya, zberihannya i obrob. danykh. 2024. T. 26, No1. pp. 144–153. https://doi.org/10.35681/1560-9189.2024.26.1. 308752.

McNeil, A.J., & Frey, R. (2000). Estimation of Tail-Related Risk Measures for Heteroscedastic Financial Time Series: An Extreme Value Approach. Journal of Empirical Finance, 7(3-4), pp. 271-300. https://doi.org/10.1016/S0927-5398(00)00012-8

Chen, N., Ribeiro, B., & Chen, A. (2016). Financial credit risk assessment: A recent review. Artificial Intelligence Review, 45(1), pp. 1–23. https://doi.org/10.1007/s10462-015-9434-x

Mahmoud, S. H., & Gan, T. Y. (2018). Urbanization and climate change implications in flood risk management: Developing an efficient decision support system for flood susceptibility mapping. Science of the Total Environment, 636, pp. 152–167. https://doi.org/10.1016/j.scitotenv.2018.04.282

Embrechts, P., Lindskog, F., & McNeil, A.J. (2003). Modelling Dependence with Copulas and Applications to Risk Management. In Handbook of Heavy Tailed Distributions in Finance (Vol. 8, pp. 329-384). https://doi.org/10.1016/B978-044450896-6.50010-8

Kuznietsova, N. V., Huskova, V. H., Bidyuk, P. I., Matsuki, Y. (2022). Modeling risk factors interaction and risk estimation with copulas. Radio Electronics, Computer Science, Control, 2, pp. 43-43.

Bidyuk, P., Trofymchuk, O., Kalinina, I., & Gozhyj, A. (2020). Modeling Risk Factor Interaction Using Copula Functions. In CITRisk (pp. 87-101). CEUR Workshop Proceedings, 2805. CEUR-WS

Kuznietsova, N., Kvashuk, I., & Bidyuk, P. (2024). Survival models as copulas for green risks prediction. In Information Technologies and Security. Extended Abstracts of the XXIV International Scientific and Practical Conference ITS-2024 (p. 202). Kyiv, Ukraine: Engineering. ISBN: 978-617-8180-00-3.

Breymann, W., Dias, A., & Embrechts, P. (2003). Dependence Structures for Multivariate High-Frequency Data in Finance. Quantitative Finance, 3(1), pp. 1-14. https://doi.org/10.1080/713666155

Embrechts, P., Resnick, S., & Samorodnitsky, G. (1999). Extreme Value Theory as a Risk Management Tool. North American Actuarial Journal, 3(2), pp. 30-41. https://doi.org/10.1080/10920277.1999.10595797

Balkema, G., & Embrechts, P. (2007). High Risk Scenarios and Extremes: A Geometric Approach. European Mathematical Society Publishing House. 375 p. https://doi.org/10.4171/035

Joe, H. (1997). Multivariate Models and Multivariate Dependence Concepts. Chapman and Hall/CRC. 424 p. https://doi.org/10.1201/9780367803896

Nelsen, R.B. (2006). An Introduction to Copulas. Springer Series in Statistics. 272 p. https://doi.org/10.1007/978-1-4757-3076-0

Yu, R., Yang, R., Zhang, C., Špoljar, M., Kuczyńska-Kippen, N., & Sang, G. (2020). A Vine Copula-Based Modeling for Identification of Multivariate Water Pollution Risk in an Interconnected River System Network. Water, 12(10), Article 2741. https://doi.org/10.3390/w12102741

Guillen, M., Perch Nielsen, J., & Bolanča, A. (2021). Machine Learning Methods for Conditional Tail Expectation Estimation. Insurance: Mathematics and Economics, 99, pp. 103-119. https://doi.org/10.1016/j.insmatheco.2021.03.009

Sillmann, J., Shepherd, T. G., & van den Hurk, B. (Eds.). (2020). Climate Extremes and Their Implications for Impact and Risk Assessment. Elsevier. 376 p. https://doi.org/10.1016/C2017-0-01794-9

Zhao, X., Hwang, B. G., & Gao, Y. (2016). A fuzzy synthetic evaluation approach for risk assessment: A case of Singapore’s green projects. Journal of Cleaner Production, 115, pp. 203–213. https://doi.org/10.1016/j.jclepro.2015.11.042

Peng, C.Y.J., Lee, K.L., Ingersoll, G.M. (2002). An Introduction to Logistic Regression Analysis and Reporting. The Journal of Educational Research, 96(1), pp. 3–14. http://dx.doi.org/10.1080/00220670209598786

Song Y.Y, Lu Y. (2015). Decision tree methods: applications for classification and prediction. Shanghai Arch Psychiatry, 27(2), pp. 130-135. https://doi.org/10.11919%2Fj.issn.1002-0829.215044

##submission.downloads##

Опубліковано

2025-05-20

Номер

Розділ

Математичні методи обробки даних