[論文レビュー] Analysis of elliptical copula correlation factor model with Kendall's tau

Marten Wegkamp, Yue Zhao|arXiv (Cornell University)|May 28, 2013

Financial Risk and Volatility Modeling被引用数 4

ひとこと要約

本稿では、核ノルム正則化付き最小二乗法を用いて、初期推定値の誤差の作用素ノルムの鋭い上限を活用することで、半パラメトリックな楕円コプシアモデルにおける相関行列のデータ駆動型で洗練された推定器 $\widetilde{\sigma}$ を提案する。この手法により、有限標本におけるオラクル不等式が達成される。

ABSTRACT

We study the adaptive estimation of copula correlation matrix $\Sigma$ for the semi-parametric elliptical copula model. In this context, the correlations are connected to Kendall's tau through a sine function transformation. Hence, a natural estimate for $\Sigma$ is the plug-in estimator $\hat{\Sigma}$ with Kendall's tau statistic. We first obtain a sharp bound on the operator norm of $\hat{\Sigma}-\Sigma$. Then we study a factor model of $\Sigma$, for which we propose a refined estimator $\widetilde{\Sigma}$ by fitting a low-rank matrix plus a diagonal matrix to $\hat{\Sigma}$ using least squares with a nuclear norm penalty on the low-rank matrix. The bound on the operator norm of $\hat{\Sigma}-\Sigma$ serves to scale the penalty term, and we obtain finite sample oracle inequalities for $\widetilde{\Sigma}$. We also consider an elementary factor copula model of $\Sigma$, for which we propose closed-form estimators. All of our estimation procedures are entirely data-driven.

研究の動機と目的

• 半パラメトリックな楕円コプシアモデルにおける相関行列の完全にデータ駆動型の推定器の開発。
• ケンダールのtauと関連する依存構造を持つ高次元相関推定の課題への対処。
• 相関行列を低ランク行列と対角成分の和としてモデル化することで推定精度の向上。
• 提案された推定器の有限標本性能保証（オラクル不等式）の導出。

提案手法

• 楕円コプシアモデル下で、ペアワイズ相関の自然な推定器としてケンダールのtauを用い、逆正弦関数を介して相関行列を回復する。
• プラグイン推定値 $\hat{\Sigma}$ と真の相関行列 $\Sigma$ 間の差の作用素ノルムに対する鋭い上限を確立する。
• $\Sigma$ の要因モデルを、低ランク行列と対角行列の和として定式化する。
• 低ランク成分に核ノルムペナルティを課した最小二乗法を用いて、$\hat{\Sigma}$ にこの構造をフィットさせることで、洗練された推定値 $\widetilde{\Sigma}$ を提案する。
• 推定値の理論的妥当性を保証するため、$\|\hat{\Sigma} - \Sigma\|_{\text{op}}$ の導出された上限を用いてペナルティ項をスケーリングする。
• $\widetilde{\Sigma}$ の有限標本オラクル不等式を導出し、モデル仮定下での最適性を示す。

実験結果

リサーチクエスチョン

• RQ1 ケンダールのtauと正弦変換により関連づけられる相関行列を、楕円コプシアモデルで一貫して推定するにはどうすればよいか？
• RQ2 高次元設定下で、相関行列のプラグイン推定値を正則化する最適な方法は何か？
• RQ3 相関行列の低ランク＋対角成分要因モデルに対して、有限標本オラクル不等式を達成できるか？
• RQ4 核ノルム正則化推定におけるペナルティパラメータは、理論的保証を得るためにどのようにキャリブレーションすべきか？
• RQ5 閉形式推定器は、基本的な要因コプシアモデルでどの程度の性能を示すか？

主な発見

• 推定値の誤差の作用素ノルム $\|\hat{\Sigma} - \Sigma\|_{\text{op}}$ に対する鋭い上限が導出され、洗練された推定値におけるペナルティのスケーリングが適切に行える。
• 提案された推定値 $\widetilde{\Sigma}$ は有限標本オラクル不等式を達成し、推定誤差においてほぼ最適な性能を示す。
• この手法は完全にデータ駆動的であり、理論的妥当性を保証するための上限に基づくペナルティスケーリング以外に、調整パラメータを必要としない。
• 基本的な要因コプシアモデルに対して、閉形式推定器が提案され、計算が効率的に行える。
• 低ランク成分に核ノルム正則化を適用することで、モデル下での低ランク構造の回復が保証される。
• 理論的枠組みにより、$\Sigma$ が近似的に低ランクである高次元設定でも、頑健性と一貫性が保証される。