[論文レビュー] Monte Carlo sampling given a Characteristic Function: Quantile Mechanics in Momentum Space

William T. Shaw, Jonathan McCabe|ArXiv.org|Mar 9, 2009

Scientific Research and Discoveries参考文献 8被引用数 5

ひとこと要約

本稿では、確率密度関数の明示的知識が不要な状況でも、特性関数から直接分位数関数を計算する手法を提示する。特性関数から導出された非線形積分微分方程式を解くことで、分位数反転を用いたモンテカルロサンプリングを可能とし、安定分布および分散ガンマ分布に対して相対誤差10⁻⁶未満の高精度な分位数近似が達成される。

ABSTRACT

In mathematical finance and other applications of stochastic processes, it is frequently the case that the characteristic function may be known but explicit forms for density functions are not available. The simulation of any distribution is greatly facilitated by a knowledge of the quantile function, by which uniformly distributed samples may be converted to samples of the given distribution. This article analyzes the calculation of a quantile function direct from the characteristic function of a probability distribution, without explicit knowledge of the density. We form a non-linear integro-differential equation that despite its complexity admits an iterative solution for the power series of the quantile about the median. We give some examples including tail models and show how to generate C-code for examples.

研究の動機と目的

• 特性関数のみが利用可能である状況において、密度関数や累積分布関数の計算を回避してモンテカルロサンプリングを実現する手法を開発すること。
• 特性関数と分位数関数を結ぶ非線形積分微分方程式を導出することにより、中央値まわりの級数展開を可能にする。
• 安定分布や分散ガンマ過程などの分布に対して、C言語コードの生成と高精度な分位数近似を実現する実用的フレームワークを提供すること。
• 標準的なモーメントに基づく手法が失敗する非解析的または裾が重たい密度関数の問題に取り組むこと。
• ノーランの安定分布分位数リポジトリに登録された既知のベンチマークと比較して、分布の全域にわたり精度を検証すること。

提案手法

• 分位数関数のフーリエ逆変換と微分を組み合わせることで、特性関数と分位数関数を結ぶ特性分位数方程式（CQE）を導出する。これにより、分位数の2階微分が特性関数と関連づけられる。
• 特性関数の逆フーリエ変換およびその導関数を用いて、分位数関数の非線形積分微分方程式を定式化する。
• 密度関数が原点で正則であると仮定し、中央値まわりの級数展開を繰り返し法で解く。
• 累積分布関数の既知の級数展開を用いて、重たい尾を持つ分布（例：安定分布）のための漸近的尾モデルを構築する。
• 記号計算を用いて分位数級数の閉形式係数を導出し、数値的利用を目的としたC言語コード生成を可能にする。
• J. ノーランの安定分布リポジトリから得たベンチマークデータと照合することで、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 確率密度関数の明示的知識がなくても、特性関数から分位数関数を直接再構築できるか？
• RQ2 特性関数と分位数関数を結ぶ非線形積分微分方程式の構造は何か？
• RQ3 対称的および安定分布に対して、特性関数から分位数関数の級数近似を体系的に導出する方法は何か？
• RQ4 ノーランの安定分布分位数のような既知のベンチマークと比較した場合、得られる分位数近似の精度はどの程度か？
• RQ5 非解析的または尾が重たい分布（例：分散ガンマ過程）へこの手法をどのように拡張できるか？

主な発見

• 0.1 < u < 0.9 の範囲で、計算された分位数とノーランのベンチマーク安定分布分位数との比較において、相対誤差が10⁻⁶未満であることが確認された。
• 対称安定分布の漸近的尾の展開を形式的に逆転させることで、中央値に基づく級数への滑らかな移行を保証する閉形式の尾モデルが得られた。
• 導出された分位数関数の級数は高い精度で収束し、自動的にC言語コード生成が可能となり、効率的な数値実装が可能となった。
• 特性分位数方程式（CQE）は、逆フーリエ変換や関数の逆変換ステップを回避する、特性関数から分位数関数への直接的ルートを提供する。
• 分散ガンマ分布に対しては、対数項と分数乗数の級数を含む非解析的構造が明らかとなり、一般化された級数展開が必要であることが判明した。
• 特性関数が |t|⁻²ˡ に比例して減少する非対称な分散ガンマモデルなど、高次モーメントが存在しない分布に対しても、本手法は頑健である。