Simone De Bonis
Simone De Bonis
← Torna al Blog
Statistica28 luglio 2024· 4 min di lettura

Fat e Heavy Tails: Differenze e Implicazioni

Comprendere la distinzione tra distribuzioni a coda pesante (heavy-tailed), fat-tailed e light-tailed e le implicazioni per il Teorema del Limite Centrale.

#Statistica#Probabilità#Finanza Quantitativa#Teoria

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 XX con funzione di ripartizione F(x)F(x) e funzione di sopravvivenza Fˉ(x)=P(X>x)=1−F(x)\bar{F}(x) = P(X > x) = 1 - F(x) ha una coda destra pesante se la sua funzione generatrice dei momenti diverge per ogni t>0t > 0:

lim sup⁡x→∞etxFˉ(x)=∞∀t>0\limsup_{x \to \infty} e^{tx} \bar{F}(x) = \infty \quad \forall t > 0

In altre parole, la coda decade più lentamente di qualsiasi esponenziale e−txe^{-tx}.

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:

  1. 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 k<1k < 1, Pareto).
  2. 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):
Fˉ(x)∼L(x)x−αper x→∞,α>0\bar{F}(x) \sim L(x) x^{-\alpha} \quad \text{per } x \to \infty, \quad \alpha > 0

dove L(x)L(x) è una funzione a variazione lenta e α\alpha è il tail index (indice di coda). Per una distribuzione fat-tailed, tutti i momenti di ordine m≥αm \ge \alpha sono infiniti:

E[∣X∣m]=∞per m≥α\mathbb{E}[|X|^m] = \infty \quad \text{per } m \ge \alpha

Ad esempio, la distribuzione Log-normale è heavy-tailed ma non fat-tailed, poiché tutti i suoi momenti sono finiti. Al contrario, la tt di Student (con ν\nu gradi di libertà), la Cauchy (α=1\alpha = 1) e la Pareto sono autenticamente fat-tailed.

Implicazioni per il Teorema del Limite Centrale

Quando l’indice di coda soddisfa α≤2\alpha \le 2, la varianza Var(X)\text{Var}(X) è infinita (α<2\alpha < 2) 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 2<α<42 < \alpha < 4 (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 α∈(0,2)\alpha \in (0, 2), le somme normalizzate di variabili i.i.d. convergono verso una distribuzione α\alpha-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 >5σ> 5\sigma.
← Torna al Blog
Condividi articolo: