Тяжёлые хвосты: почему нормальное распределение опасно в финансах

Нормальное распределение и финансовая математика

Нормальное распределение встречается повсюду: рост людей, ошибки измерений в экспериментах, шум в датчиках и каналах связи, погрешности при производстве, погрешности опросов и тестов. Затронув нормальное распределение, очень легко оказаться и в финансовой математике. Что говорить, автор этих строк тоже грешил в молодости, закончив МГУ с дипломом на тему восстановления данных на финансовых рынках с помощью метода Марковских цепей Монте-Карло (знаменитый MCMC).

В финансах, как вы поняли, очень много математики — и тоже часто встречается нормальное распределение. 5 лет назад, когда только создавался YouTube-канал, я активно слушал книги Насима Талеба, популяризатора идеи «чёрных лебедей» и самого ярого критика нормального распределения. Всего одна вещь делает нормальное распределение не просто бесполезным, но — как показали реальные кризисы — опасным. Всё дело в тяжёлых хвостах.

Как вы помните из Дня 1, нормальные случайные величины обладают симметрией и, что особенно важно, редкостью больших отклонений. Нормальное распределение почти «запрещает» экстремальные события, но рынки, да и наша жизнь, регулярно переживают шоки, которые по Гауссу были бы «раз в жизнь Вселенной».

Что такое тяжёлые хвосты распределения

Распределение с тяжёлыми (толстыми) хвостами — это такое, где большие отклонения от среднего происходят заметно чаще, чем предсказывает нормальное. В хвостах вероятность убывает медленно — по степенному закону: P(|X| > x) ~ x^(−α). Чем меньше α, тем «толще» хвост и тем выше шанс экстремума. У нормального распределения хвосты тонкие: убывают примерно как exp(−x^2).

Интуитивно, нормальное — мир «мелкой ряби» (много маленьких флуктуаций, экстремумы редки). Тяжёлые хвосты — мир «редких цунами»: долго может быть спокойно, но иногда случается скачок, который перевешивает всё остальное (и «средние» больше не спасают). Именно такие редкие, непредсказуемые и сверхвоздействующие события Талеб назвал «чёрными лебедями».

Тяжёлые хвосты на практике: несколько примеров «чёрных лебедей»

• Чёрный понедельник (1987): падение Dow Jones на 22,6% за день, что нормальное распределение предсказывает как «раз в миллионы лет».
• Кризис 2008: Dow Jones падает на 51,1%, S&P 500 на 56,8%; домохозяйства США потеряли ~$19 трлн, мировые рынки >$10 трлн капитализации.
• COVID-19 (2020): NYSE минус треть стоимости за считаные недели.

Это не аномалии, а проявление встроенных в систему тяжёлых хвостов. С 1987 по 1997 было три дня с движениями, которые классическая теория предсказывает «раз в 10 000 лет».

Почему Гаусс не работает: синхронизация рисков в хвостах

Нормальная модель предполагает «много маленьких независимых эффектов» и отсутствие сильной зависимости в экстремумах. В реальности источники риска часто синхронизируются именно в хвостах: когда плохо — плохо всем сразу. Итог: экстремумы происходят чаще и сильнее.

Математика тяжёлых хвостов

• «Тяжесть» хвоста описывается степенным законом: P(|X| > x) ~ x^(−α). Меньше α → толще хвост.
• У нормального распределения — тонкие хвосты (exp(−x^2)); t-распределение Стьюдента — тяжелее; Коши — настолько тяжёлое, что не существует даже среднего.
• Практический маркер «хвостатости» — повышенный коэффициент эксцесс (куртозис > 3).

Практические выводы для моделирования тяжёлых хвостов

• Моделируйте хвосты отдельно: t, α-stable, обобщённое Парето, EVT (peaks-over-threshold).
• Смотрите на Expected Shortfall (средний убыток за порогом), а не только на VaR (Value at Risk, стоимостная мера риска).
• Делайте стресс-сценарии «за пределами истории».
• Хеджируйте хвостовой риск (опционы, динамический хедж), не надейтесь на «усреднение само спасёт».
• Помните про «Экстремистан»: одно редкое событие может определить весь исход.

Главная идея

Если система допускает редкие, но очень большие скачки, то «колокол» обманывает. Нужны модели и метрики, которые видят хвосты — потому что именно хвосты делают историю, в которой мы живём.