[論文レビュー] On Optimal Exact Simulation of Max-Stable and Related Random Fields

Zhipeng Liu, José Blanchet+2 more|arXiv (Cornell University)|Sep 20, 2016

Financial Risk and Volatility Modeling参考文献 20被引用数 10

ひとこと要約

本稿では、独立同一分布のガウス場と再生過程の到着によって表される極値安定および関連する確率場の最適な正確シミュレーションアルゴリズムを提示する。$ d $ 個の位置でのシミュレーションにおいて、$ c(d) $ をガウス場をサンプリングするコストとするとき、複雑度は $ o(c(d) d^\epsilon) $ である。また、$ \delta $-強いシミュレーション（誤差を強制的に制御する手法）の複雑度は $ O(1/((\delta \log(1/\delta))^{1/\alpha})) $ であり、$ \alpha = 1/2 $ のときブラウン運動の最適レートと一致する。本手法は漸近的に最適であり、計算コストおよびガウスベクトル生成の観点で、従来の手法を著しく上回る。

ABSTRACT

We consider the random field M(t)=\sup_{n\geq 1}\big\{-\log A_{n}+X_{n}(t)\big\}\,,\qquad t\in T\, for a set $T\subset \mathbb{R}^{m}$, where $(X_{n})$ is an iid sequence of centered Gaussian random fields on $T$ and $00$, samples $M(t_{1}),\ldots ,M(t_{d})$ with complexity $o(c(d)\,d^{ε})$. Moreover, if $X_{n}$ has an a.s. converging series representation, then $M$ can be a.s. approximated with error $δ$ uniformly over $T$ and with complexity $O(1/(δ\log (1/δ))^{1/α})$, where $α$ relates to the Hölder continuity exponent of the process $X_{n}$ (so, if $X_{n}$ is Brownian motion, $α=1/2$).

研究の動機と目的

• 極値安定確率場（Gumbel周辺分布を有する）を、独立同一分布のガウス場と再生過程の到着によって表す、効率的かつ正確なシミュレーションアルゴリズムの開発。
• 特に $ d \to \infty $ のとき、基礎となるガウス場をサンプリングするコストに対して、計算複雑度の漸近的最適性を達成すること。
• コンパクト集合 $ T $ 上で $ \sup_{t \in T} |M(t) - M_\delta(t)| \leq \delta $ がほとんど確実に成り立つ $ \delta $-強いシミュレーション（許容誤差シミュレーション）を提供すること。
• 従来の手法と比較して、必要なガウスベクトル生成回数を $ d $ にほぼ比例する要因で削減できることを示すこと。

提案手法

• 基礎となるガウス場 $ X_n $ に対して、ほとんど確実な一様収束を仮定した級数表現を用い、上界 $ M(t) = \sup_{n \geq 1} \{ -\log A_n + X_n(t) + \mu(t) \} $ の効率的近似を可能にする。
• Tolerance Enforced Simulation (TES) を適用し、$ \sup_{t \in T} |M(t) - M_\delta(t)| \leq \delta $ がほとんど確実に成り立つように $ M_\delta $ を構築することで、サンプリング位置の事前知識なしに強い誤差制御を実現する。
• 再生過程の構造と $ X_n $ の独立同一性を活用し、上界に寄与する項のみに注目することで、すべての $ n $ 項の完全なシミュレーションを回避する。
• 分数次元ブラウン運動の場合、$ d $ 個の二進点における $ X_n $ のサンプリングには循環埋め込み法を用い、$ c(d) = O(d \log d) $ となる。このとき、$ M $ の複雑度は $ o(d^{1+\epsilon}) $ に達する。
• 本アルゴリズムの複雑度は、任意の $ \epsilon > 0 $ に対して $ o(c(d) d^\epsilon) $ であることが示され、これにより、従来の正確シミュレーション手法よりもほぼ $ d $ 倍の要因を削減する漸近的改善が達成される。
• ブラウン運動のケースでは、$ d $ 個の二進点における正確なサンプリングに $ O(d) $ の複雑度を達成し、ガウス場自体をサンプリングするコストと一致するため、最適性が証明される。

実験結果

リサーチクエスチョン

• RQ1 極値安定確率場の正確シミュレーションアルゴリズムを、基礎となるガウス場をサンプリングするコストに漸近的に近い計算複雑度で設計可能か？
• RQ2 $ M(t) $ の $ \delta $-強いシミュレーションは、$ T $ 全体にわたる一様な誤差バインディングを確実に達成可能か？また、最適な収束レートは何か？
• RQ3 必要なガウスベクトル生成回数は $ d $ に対してどのようにスケーリングされるか？線形的または二次的成長を避けて、ほぼ一定に保てるのは可能か？
• RQ4 提案手法は、特に $ d $ が大きい場合に、計算コストおよび使用するガウスベクトル数の両面で、既存手法を上回るか？

主な発見

• アルゴリズムの複雑度は、任意の $ \epsilon > 0 $ に対して $ o(c(d) d^\epsilon) $ であり、$ d \to \infty $ のとき漸近的に最適である。ここで $ c(d) $ は $ d $ 個の位置でガウス場をサンプリングするコストである。
• 分数次元ブラウン運動 $[0,1]$ に対して、$ d $ 個の二進点におけるアルゴリズムの実行時間は $ o(d^{1+\epsilon}) $ であり、二次的メソッドに比べて顕著に改善されている。
• もし $ X_n $ が一様収束する級数表現を持つならば、$ M $ の $ \delta $-強いシミュレーションの複雑度は $ O(1/((\delta \log(1/\delta))^{1/\alpha})) $ となる。これは $ \alpha = 1/2 $ のときブラウン運動の最適レートと一致する。
• $ d $ が 1000 から 9000 に増加しても、アルゴリズムが生成するガウスベクトルの数はほぼ一定（約 26〜33）に保たれる。これに対して、従来手法では二次的成長を示す。
• $ d = 10000 $ の場合、提案手法では平均して約 29 個のガウスベクトルで十分であり、[17] では約 13,570 個、[18] では約 8,887 個を要する。これは著しい削減を示している。
• QQプロットによる実証的検証で、$ \max(M(0.5), M(1)) - \log(2\Phi(\sqrt{0.5}/2)) $ が標準Gumbel分布に従うことが確認され、シミュレーションの正しさが裏付けられた。