Die Komonotonie beschreibt in der Wahrscheinlichkeitstheorie einen starken gleichgerichteten Zusammenhang von zwei reellen Zufallsvariablen oder mehrerer Komponenten eines Zufallsvektors. Ein Anwendungsbereich ist die Theorie der Risikomaße.

Definition

Bearbeiten

Zwei reelle Zufallsvariablen   und  , die auf demselben Wahrscheinlichkeitsraum   definiert sind, heißen komonoton genau dann, wenn

 

gilt.[1]

Eigenschaften

Bearbeiten

Für zwei reelle Zufallsvariablen   und   auf   sind die folgenden Aussagen äquivalent:[2]

  1.   und   sind komonoton.
  2. Es gibt eine reelle Zufallsvariable   auf   und nichtfallende reelle Funktionen   und  , so dass   und   gelten.
  3. Es gibt nichtfallende reelle Funktionen   und  , so dass   und   gelten.

  und   seien komonotone Zufallsvariablen auf  . Für die verallgemeinerte inverse Verteilungsfunktion (untere Quantilfunktion) von   mit   und   gilt dann

 [3]

Anwendung

Bearbeiten

In der axiomatischen Theorie der Risikomaße verlangt das Axiom der komonotonen Additivität, dass ein Risikomaß  , das für Zufallsvariablen  ,   und   definiert ist, additiv für komonotone Zufallsvariablen ist, dass also

 

gilt, falls   und   komonotone Zufallsvariablen sind. Ein Funktional  , das auf einer Menge von Zufallsvariablen definiert ist, mit dieser Eigenschaft heißt komonoton additiv.

Ein monetäres Risikomaß, das komonoton additiv ist, heißt komonoton.[1] Jedes komonotone monetäre Risikomaß ist positiv homogen, erfüllt also

 [4]

Beispielsweise sind die Risikomaße Value at Risk und Average Value at Risk komonotone monetäre Risikomaße.[5]

Allgemeinere Definition

Bearbeiten

Es gibt eine etwas allgemeinere Definition für einen Zufallsvektor:

  sei die Verteilungsfunktion eines  -dimensionalen Zufallsvektors   mit den Randverteilungsfunktionen  . Dann heißt der Zufallsvektor komonoton, falls

 

gilt.[6][7]

Literatur

Bearbeiten

Einzelnachweise

Bearbeiten
  1. a b Hans Föllmer, Alexander Schied: Stochastic Finance. 2016, Def. 4.82, S. 255.
  2. Hans Föllmer, Alexander Schied: Stochastic Finance. 2016, Lemma 4.89, S. 259.
  3. Georg Ch. Pflug, Werner Römisch: Modeling, Measuring and Managing Risk. 2007, Proposition 1.7.
  4. Hans Föllmer, Alexander Schied: Stochastic Finance. 2016, Lemma 4.83, S. 256.
  5. Hans Föllmer, Alexander Schied: Stochastic Finance. 2016, Remark 4.91, S. 259.
  6. Alfred Müller, Dietrich Stoyan: Comparison Methods for Stochastic Models and Risks. S. 87.
  7. Michel Denuit et al.: Actuarial Theory for Dependent Risks – Measures, Orders and Models. S. 144.