Le distribuzioni a coda pesante (heavy-tailed) costituiscono un’ampia famiglia di distribuzioni di probabilità in netto contrasto con le distribuzioni light-tailed—ovvero la classe di distribuzioni le cui code decadono almeno rapidamente quanto una distribuzione esponenziale o Gaussiana. Nelle distribuzioni a coda pesante la probabilità sugli estremi decade molto più lentamente, rendendo gli eventi estremi tutt’altro che trascurabili.
Definizione Formale di Heavy Tail
Una variabile aleatoria con funzione di ripartizione e funzione di sopravvivenza ha una coda destra pesante se la sua funzione generatrice dei momenti diverge per ogni :
In altre parole, la coda decade più lentamente di qualsiasi esponenziale .
Heavy Tails vs. Fat Tails
Sebbene i due termini vengano talvolta usati come sinonimi, nella finanza quantitativa e nella teoria dei valori estremi esiste una distinzione importante:
- Distribuzioni Heavy-Tailed (Decadimento sub-esponenziale): Qualsiasi distribuzione la cui coda non è limitata superiormente da un esponenziale (es. Log-normale, Weibull con parametro di forma , Pareto).
- Distribuzioni Fat-Tailed (Decadimento a legge di potenza): Un sottoinsieme più ristretto la cui funzione di sopravvivenza decade asintoticamente secondo una legge di potenza (power law):
dove è una funzione a variazione lenta e è il tail index (indice di coda). Per una distribuzione fat-tailed, tutti i momenti di ordine sono infiniti:
Ad esempio, la distribuzione Log-normale è heavy-tailed ma non fat-tailed, poiché tutti i suoi momenti sono finiti. Al contrario, la di Student (con gradi di libertà), la Cauchy () e la Pareto sono autenticamente fat-tailed.
Implicazioni per il Teorema del Limite Centrale
Quando l’indice di coda soddisfa , la varianza è infinita () e il Teorema del Limite Centrale classico cessa di garantire una rapida convergenza della media campionaria verso una Gaussiana:
- Lenta convergenza dei momenti campionari: Anche quando (varianza finita, curtosi infinita), la varianza campionaria e gli stimatori di rischio empirico convergono molto lentamente e restano dominati da singole osservazioni estreme.
- Teorema del Limite Centrale Generalizzato: Per , le somme normalizzate di variabili i.i.d. convergono verso una distribuzione -stabile di Lévy, non verso una Normale.
- Implicazioni nei modelli di rischio: Assumere la normalità nei rendimenti finanziari o negli spike dei prezzi dell’energia porta a sottostimare drasticamente la frequenza degli eventi a .