[논문 리뷰] Bias correction for estimators of the extremal index

Holger Drees|arXiv (Cornell University)|2011. 07. 05.

Financial Risk and Volatility Modeling참고 문헌 8인용 수 10

한 줄 요약

이 논문은 정적 시간열에서 극단적 지수의 편향 보정 추정기법을 제안하며, 경험적 클러스터 과정의 渐近 이론을 활용하여 주요 편향 항을 제거하면서도 랜덤 오차의 수렴 속도를 유지한다. 이 방법은 임계값 선택에 대한 민감도를 줄임으로써 추정의 안정성과 해석 가능성에 크게 기여한다.

ABSTRACT

We investigate the joint asymptotic behavior of so-called blocks estimator of the extremal index, that determines the mean length of clusters of extremes, based on the exceedances over different thresholds. Due to the large bias of these estimators, the resulting estimates are usually very sensitive to the choice of the threshold and thus difficult to interpret. We propose and examine a bias correction that asymptotically removes the leading bias term while the rate of convergence of the random error is preserved.

연구 동기 및 목표

• 기존 블록 추정기법에서 발생하는 큰 유한표본 편향 문제를 해결하기 위해, 이는 임계값 선택에 대한 높은 민감도를 유발한다.
• 랜덤 오차의 수렴 속도를 떨어뜨리지 않으면서도 주요 편향 항을 渐近적으로 제거하는 편향 감소 기법을 개발한다.
• 홍수 위험 또는 금융 시장 붕괴와 같은 극단치 집합 현상이 발생하는 응용 분야에서 극단적 지수 추정의 해석 가능성과 신뢰도를 향상시킨다.
• 약한 혼합 조건과 근방 영역 가정 하에 편향 보정 추정기의 渐近 이론을 수립한다.

제안 방법

• 임계값을 초과하는 초과치를 기반으로 한 블록 추정기법을 사용하며, 이는 적어도 하나의 초과치가 있는 블록 수를 총 초과치 수로 나눈 비율로 정의된다.
• 경험 과정 이론을 적용하여 초과치 수와 비어 있지 않은 블록 수의 공동 행동을 모델링함으로써 추정기의 渐近 분석이 가능해진다.
• 경험 클러스터 과정에 대한 함수 중심극한정리(함수 중심극한정리)를 활용하여 주요 渐近 편향 항을 식별하고 제거함으로써 편향 보정을 유도한다.
• 균일 수렴을 보장하고 한계에서의 편향을 통제하기 위해 수열 $ s_n(t) $ 을 활용한 랜덤 임계값 조정을 도입한다.
• 구간 $ (0,1]^2 $ 상의 측도 $ \mu $ 를 사용하여 추정기의 가중 평균을 정의함으로써, 다양한 척도에서의 추정기 선형 조합을 통해 편향 보정을 가능하게 한다.
• 테일러 전개와 균일 수렴 결과를 활용하여, 편향 보정 추정기가 원래 블록 추정기와 동일한 수렴 속도를 유지하면서도 주요 편향 항을 제거함을 보여준다.

실험 결과

연구 질문

• RQ1 표준 블록 추정기의 큰 유한표본 편향을 체계적으로 줄일 수 있는 방법은 무엇인가?
• RQ2 약한 혼합 조건과 근방 영역 조건 하에서 편향 보정된 극단적 지수 추정기의 渐近 분포는 어떻게 되는가?
• RQ3 편향 보정이 원래 추정기의 수렴 속도를 유지하면서도 유한표본 성능을 향상시킬 수 있는가?
• RQ4 임계값의 선택이 추정기의 편향과 분산에 미치는 영향은 무엇이며, 이는 보정을 통해 완화될 수 있는가?
• RQ5 경험 클러스터 과정은 어떻게 하여 편향 보정 추정기의 유도를 가능하게 하는가?

주요 결과

• 제안된 편향 보정은 블록 추정기의 주요 편향 항을 渐近적으로 제거하면서도 랜덤 오차의 $ \sqrt{n v_n} $ 수렴 속도를 유지한다.
• 편향 보정 추정기는 다양한 임계값 범위에서 균일 수렴을 보이며, 임계값 선택에 대한 민감도가 크게 감소한다.
• 제시된 혼합 조건과 근방 영역 조건 하에서 추정기는 일致성과 渐近 정규성을 확보하며, 편향이 $ o_P((n v_n)^{-1/2}) $ 수준으로 감소한다.
• 편향 보정은 경험 클러스터 과정에 대한 함수 극한정리에 의해 달성되며, 편향의 구조를 정밀하게 통제할 수 있다.
• 블록 길이와 임계값의 선택에 대해 강건하며, $ r_n $, $ v_n $, $ n $ 에 대한 일반적인 조건 하에서 수정된 추정기의 수렴이 입증되었다.
• 이론적 결과는 편향 보정이 점근 분산을 악화시키지 않으며, 원래 추정기의 최적 수렴 속도를 유지함을 보여준다.