Formalmente, le code grasse si riferiscono a una distribuzione di probabilità con curtosi superiore a 3. La curtosi è una misura statistica che descrive la ‘pesantezza’ delle code di una distribuzione rispetto alla sua parte centrale. Una distribuzione normale (gaussiana) ha una curtosi di 3; una distribuzione con curtosi superiore a 3 presenta code più ‘grasse’ rispetto alla normale, indicando una maggiore probabilità di osservare eventi estremi (sia positivi che negativi). L’eccesso di curtosi, calcolato come curtosi – 3, quantifica la deviazione dalla normalità.
L’importanza delle code grasse risiede nella loro implicazione per la gestione del rischio. Modelli finanziari che assumono una distribuzione normale sottostimano significativamente la probabilità di eventi estremi, come crolli del mercato o crisi finanziarie. Ad esempio, se un modello basato su una distribuzione normale prevede una probabilità dello 0.1% di una perdita superiore al 10%, una distribuzione con code grasse potrebbe prevedere una probabilità molto più alta, magari del 5%, riflettendo più accuratamente la realtà storica. Questo ha implicazioni cruciali per la determinazione del capitale di rischio, la valutazione degli strumenti derivati e la gestione del portafoglio.
Nella pratica, le code grasse vengono gestite attraverso diverse strategie. Una strategia comune è l’utilizzo di distribuzioni alternative alla normale, come la distribuzione t di Student o la distribuzione di Pareto, che meglio catturano la presenza di eventi estremi. Inoltre, tecniche di simulazione Monte Carlo con distribuzioni a code grasse vengono utilizzate per valutare il rischio di portafoglio e per lo stress testing. L’analisi di scenari estremi, con particolare attenzione agli eventi ‘black swan’, è fondamentale per mitigare l’impatto di eventi inattesi con alta probabilità di impatto.
Nonostante i vantaggi nell’affrontare la realtà della volatilità finanziaria, l’identificazione e la modellazione delle code grasse presentano dei limiti. La stima accurata della curtosi richiede grandi quantità di dati storici, e la scelta della distribuzione appropriata può essere soggettiva e dipendere dal contesto. Inoltre, anche con modelli più sofisticati, la previsione di eventi estremi rimane intrinsecamente incerta, sottolineando l’importanza di una gestione del rischio prudente e diversificata.
« Back to Glossary Index
