Lévy-Flows: Neue Normalizing-Flows für bessere Risikobewertung bei Finanzmärkten

Forscher haben die Lévvy-Flows vorgestellt, eine neue Klasse von Normalizing‑Flows, die die herkömmliche Gaußsche Basis durch Verteilungen auf Basis von Lévy-Prozessen ersetzen. Dabei kommen die Variance‑Gamma‑ (VG) und Normal‑Inverse‑Gaussian‑ (NIG) Modelle zum Einsatz, die von Natur aus stark verzogene Verteilungen abbilden, ohne dabei die exakte Likelihood‑Berechnung oder effiziente Reparametrisierung zu verlieren.

Die Autoren liefern solide theoretische Beweise: Für regelmäßig variierende Basisverteilungen bleibt der Tail‑Index unter asymptotisch linearen Flow‑Transformationen erhalten. Zudem zeigen sie, dass Identity‑Tail Neural‑Spline‑Flow‑Architekturen die Form der Basisverteilung außerhalb des Transformationsbereichs exakt beibehalten.

In praktischen Tests wurden die Lévvy-Flows auf tägliche Renditen des S&P 500 sowie weitere Vermögenswerte angewendet. Die VG‑basierten Flows verbesserten die negative Log‑Likelihood um beeindruckende 69 % im Vergleich zu klassischen Gauß‑Flows und erreichten eine perfekte 95 %‑VaR‑Kalibrierung. Die NIG‑basierten Modelle lieferten die genauesten Expected‑Shortfall‑Schätzungen und demonstrierten damit die überlegene Risikobewertung bei stark verzogenen Daten.

Diese Ergebnisse zeigen deutlich, dass die Integration von Lévy‑Prozess‑Strukturen in Normalizing‑Flows erhebliche Vorteile bei der Modellierung von Heavy‑Tail‑Daten bietet. Für die Finanzwelt bedeutet das einen bedeutenden Fortschritt in der präzisen Risikoanalyse und -steuerung.