[논문 리뷰] Growing simplified vine copula trees: improving Di{\ss}mann's algorithm

Daniel Kraus, Claudia Czado|arXiv (Cornell University)|2017. 03. 15.

Financial Risk and Volatility Modeling참고 문헌 22인용 수 5

한 줄 요약

이 논문은 복합가설의 단순화 조건 위반을 최소화하는 데 초점을 맞춘 두 가지 개선된 알고리즘을 제안한다. 이는 빈 복합가설 모델링에서 핵심적인 식별 조건인 단순화 조건 위반을 줄이는 데 목적이 있다. 기존의 방법과 달리, 조건부 상관계수가 일정한지에 대한 통계적 검정을 구조 선택 과정에 통합함으로써, 원래의 구조에 많은 위반 쌍-복합가설을 포함하고 있을 경우, Dißmann의 알고리즘보다 모델 적합도가 뚜렷이 향상된다.

ABSTRACT

Vine copulas are pair-copula constructions enabling multivariate dependence modeling in terms of bivariate building blocks. One of the main tasks of fitting a vine copula is the selection of a suitable tree structure. For this the prevalent method is a heuristic called Di{\\ss}mann's algorithm. It sequentially constructs the vine's trees by maximizing dependence at each tree level, where dependence is measured in terms of absolute Kendall's $\ au$. However, the algorithm disregards any implications of the tree structure on the simplifying assumption that is usually made for vine copulas to keep inference tractable. We develop two new algorithms that select tree structures focused on producing simplified vine copulas for which the simplifying assumption is violated as little as possible. For this we make use of a recently developed statistical test of the simplifying assumption. In a simulation study we show that our proposed methods outperform the benchmark given by Di{\\ss}mann's algorithm by a great margin. Several real data applications emphasize their practical relevance.

연구 동기 및 목표

• Dißmann의 알고리즘이 나무 구조 선택 과정에서 단순화 조건의 타당성을 무시하는 한계를 해결한다.
• 조건부 쌍-복합가설에서 단순화 조건 위반 정도를 명시적으로 고려하는 구조 선택 방법을 개발한다.
• 단순화 조건 위반을 최소화하는 데 초점을 맞춘 빈 복합가설 나무를 선택하여 모델 적합도를 향상시킨다.
• 계산 시간 증가를 감수하면서도 모델 정확도를 높이는 Dißmann의 알고리즘에 대한 실용적인 대안을 제공한다.
• Dißmann가 적합한 모델에서 단순화 조건 위반 수를 기반으로 새로운 알고리즘으로의 재적합이 필요한지 판단할 수 있도록 한다.

제안 방법

• 각 빈의 쌍-복합가설에 대해 단순화 조건의 타당성을 평가하기 위해, 상관계수가 일정한지에 대한 통계적 검정(Kurz와 Spanhel, 2017)을 사용한다.
• 알고리즘 1 제안: 첫 번째 나무는 Dißmann의 히وري스틱(절대 켄달의 τ 최대화)을 사용하여 선택하고, 이후 나무에서는 단순화 조건 검정의 p-값을 가중치로 사용한다.
• 알고리즘 2 제안: 단순화 조건 검정의 p-값을 가중치로 사용하여 C-빈 구조를 적합하며, p-값에 유연한 변환 함수를 적용한다.
• 의존성 강도(켄달의 τ)와 단순화 조건 p-값의 영향을 균형 있게 조절하기 위해 가중 요소 α를 도입한다.
• 최적화 과정의 수치 안정성과 성능을 향상시키기 위해 p-값에 변환 함수 r(p)를 적용한다.
• 모델 적합도 평가 기준으로 AIC를 사용하여, 제안된 알고리즘과 Dißmann의 알고리즘 간의 성능을 시뮬레이션과 실제 데이터에서 비교한다.

실험 결과

연구 질문

• RQ1 단순화 조건 위반 정도를 명시적으로 고려함으로써 빈 복합가설의 구조 선택을 향상시킬 수 있는가?
• RQ2 상관계수가 일정한지에 대한 검정의 p-값을 통합할 경우, 단순히 의존성에만 초점을 맞춘 Dißmann의 접근 방식과 비교해 모델 적합도에 어떤 영향을 미치는가?
• RQ3 AIC와 모델 적합도 측면에서 새로운 알고리즘이 Dißmann의 알고리즘보다 뚜렷이 뛰어난 상황는 어떤 경우인가?
• RQ4 의존성 강도와 단순화 조건 p-값 사이의 최적의 가중 전략은 무엇인가?
• RQ5 실무자들은 어떻게 하면 Dißmann가 적합한 모델을 새로운 알고리즘으로의 재적합이 필요한지 판단할 수 있는가?

주요 결과

• 모든 시험 차원과 표본 크기에서 AIC로 측정한 모델 적합도 측면에서 제안된 알고리즘이 Dißmann의 알고리즘을 뚜렷이 뛰어넘는다.
• d=30 및 n=3000인 시뮬레이션에서, 알고리즘 2는 Dißmann의 알고리즘과 비교해 91.9%의 경우에서 더 나은 또는 동일한 AIC 성능을 기록했다.
• uranium 데이터 세트의 경우, 새로운 알고리즘은 코발트를 조건으로 삼는 단순화된 빈 구조를 식별하여 Dißmann의 원래 구조보다 더 나은 모델 적합도를 제공했다.
• 단순화 조건 검정을 기각하는 쌍-복합가설의 수가 β(d−1)(d−2)/2개 이상(예: 전체 쌍의 5%)을 초과할 경우, 새로운 알고리즘은 일관되게 더 나은 모델 적합도를 제공했다.
• p-값 변환 함수 r(p)의 선택은 성능에 명백한 영향을 미쳤으며, 순위 기반 변환 함수가 가장 우수한 결과를 보였다(차원 d=3일 때 91.1%에서 AIC가 더 좋거나 동일함).
• 시뮬레이션 연구 결과, 독립성 검정을 사용할 경우, d=10일 때 86.1%, d=30일 때 91.9%의 경우에서 알고리즘 2가 Dißmann의 알고리즘을 능가했으며, 이는 다양한 차원에서의 강력한 내구성을 보여준다.