[論文レビュー] Likelihood inference for Archimedean copulas

Marius Hofert, Martin Mächler+1 more|arXiv (Cornell University)|Aug 30, 2011

Financial Risk and Volatility Modeling参考文献 31被引用数 3

ひとこと要約

この論文は、よく知られたアーチメデス・コプゥラの生成関数の導関数に対して明示的な関数形を導出し、高次元（最大 d=100）でも正確かつ効率的な最尤推定を可能にする。主な貢献は、nacopulaパッケージに実装された数値的に安定したオープンソースのR実装であり、次元が増加するにつれて平均二乗誤差（RMSE）が減少し、尤度に基づく信頼区間や多パラメータ推定を可能にする。

ABSTRACT

Explicit functional forms for the generator derivatives of well-known one-parameter Archimedean copulas are derived. These derivatives are essential for likelihood inference as they appear in the copula density, conditional distribution functions, or the Kendall distribution function. They are also required for several asymmetric extensions of Archimedean copulas such as Khoudraji-transformed Archimedean copulas. Access to the generator derivatives makes maximum-likelihood estimation for Archimedean copulas feasible in terms of both precision and run time, even in large dimensions. It is shown by simulation that the root mean squared error is decreasing in the dimension. This decrease is of the same order as the decrease in sample size. Furthermore, confidence intervals for the parameter vector are derived. Moreover, extensions to multi-parameter Archimedean families are given. All presented methods are implemented in the open-source R package nacopula and can thus easily be accessed and studied.

研究の動機と目的

• 高次元におけるアーチメデス・コプゥラの生成関数の導関数を導出・評価する際の計算的課題を克服すること。
• 必要な導関数の閉形式表現を提供することで、アーチメデス・コプゥラの正確で効率的な最尤推定（MLE）を可能にすること。
• MLEを多パラメータアーチメデス族に拡張し、初期区間の選定戦略および信頼区間の構築法を含めること。
• 平均二乗誤差（RMSE）が次元の増加に伴って減少し、サンプルサイズの低減と同様のスケーリングを示すことを示すこと。
• 再現可能性と実用性を確保するため、Rパッケージnacopulaに透明でオープンソースの実装を提供すること。

提案手法

• 標準的なアーチメデス族（例：ガンベル、クリーブランド、GIG）の生成関数の導関数に対して、明示的かつ再帰的でない関数形を導出。これはコプゥラ密度関数および分布関数において重要である。
• 導関数の解析的表現を用いて、記号計算システムに依存せずにコプゥラ密度関数、条件付き分布関数、ケンダールの分布関数を計算する。
• 尤度最大化のための数値最適化を実施し、特にGIGコプゥラのような多パラメータ族においては、慎重に構築された初期区間を用いる。
• 尤度最適化のための初期パラメータ長方形を、推定されたケンダールのタイ（τ）に基づく二段階アルゴリズムを用いて決定し、高次元設定でも収束を保証する。
• パラメータベクトルの尤度に基づく信頼区間を構築し、クリーブランド族におけるフィッシャー情報に基づく区間と比較する。
• すべてのアルゴリズムをオープンソースのRパッケージnacopulaに実装し、研究者による再現性と利用可能性を確保する。

実験結果

リサーチクエスチョン

• RQ1 任意の次元において、よく知られたアーチメデス・コプゥラの生成関数の導関数に対して明示的で数値的に安定した表現を導出できるか？
• RQ2 アーチメデス・コプゥラの最尤推定は、高次元（d ≥ 10）においても正確で計算的に実行可能であるか？
• RQ3 パラメータ推定の平均二乗誤差（RMSE）は、次元とサンプルサイズの増加に伴ってどのようにスケーリングされるか？
• RQ4 多パラメータアーチメデス族における尤度最適化のための信頼性のある初期区間を構築できるか？
• RQ5 尤度に基づく信頼区間は、情報に基づく区間と被覆性および正確性の点で同等に評価できるか？

主な発見

• パラメータ推定の平均二乗誤差（RMSE）は次元dが増加するにつれて減少し、その減少のオーダーはサンプルサイズnの低減と同一である。すなわち、RMSE ∝ 1/√(nd) である。
• アーチメデス・コプゥラの最尤推定は、d=100に達する高次元でも正確かつ計算的に効率的であり、先行研究および本研究で確認されたとおりである。
• GIGコプゥラ族では、弱い一致（低ケンダールのタイ）下で、特にνが小さい場合、低バイアスを達成するためにはより大きなサンプルサイズが必要となる。
• 推定されたケンダールのタイに基づくアルゴリズムを用いることで、多パラメータ族（例：GIG）の初期区間を信頼性高く構築でき、最適化における収束を保証できる。
• パラメータベクトルの尤度に基づく信頼区間は実現可能であり、フィッシャー情報に基づく区間と同等に評価できる。特に、フィッシャー情報が解析的に取り扱えるクリーブランド族において顕著である。
• すべての手法は、オープンソースのRパッケージnacopulaに実装され、研究者による完全な再現性と実用的応用を可能にしている。