[논문 리뷰] Some variations on the extremal index

Gloria Buriticá, Nicolas Meyer외 2명|arXiv (Cornell University)|2021. 06. 09.

Financial Risk and Volatility Modeling참고 문헌 35인용 수 5

한 줄 요약

이 논문은 정적이고 규칙적으로 변화하는 시간 시리즈에 대한 극단지수를 재검토하며, 군집 구조, 스펙트럼 尾부 과정, 점과정 극한에 기반한 다수의 표현 방식과 추정기들을 제시한다. AR(1) 및 애파인 확률적 재귀 방정식에서 극한지수의 명시적 표현을 도출하여, 스펙트럼 군집 과정 기반 추정기가 특히 낮은 극한지수에서 편향을 줄이는 데 기여함을 보여준다.

ABSTRACT

We re-consider Leadbetter's extremal index for stationary sequences. It has interpretation as reciprocal of the expected size of an extremal cluster above high thresholds. We focus on heavy-tailed time series, in particular on regularly varying stationary sequences, and discuss recent research in extreme value theory for these models. A regularly varying time series has multivariate regularly varying finite-dimensional distributions. Thanks to results by Basrak and Segers we have explicit representations of the limiting cluster structure of extremes, leading to explicit expressions of the limiting point process of exceedances and the extremal index as a summary measure of extremal clustering. The extremal index appears in various situations which do not seem to be directly related, like the convergence of maxima and point processes. We consider different representations of the extremal index which arise from the considered context. We discuss the theory and apply it to a regularly varying AR(1) process and the solution to an affine stochastic recurrence equation

연구 동기 및 목표

• 군집 포아송 과정과 스펙트럼 尾부 과정을 포함한 다수의 이론적 프레임워크를 활용해 극한지수를 재표현한다.
• 특히 AR(1) 및 애파인 확률적 재귀 방정식에서 규칙적으로 변화하는 정적 시퀀스에 대한 극한지수의 명시적 표현을 도출한다.
• 유한 표본에서의 편향과 강건성에 중점을 두고 새로운 극한지수 추정기들을 개발하고 비교한다.
• 의존적인 극단에서 최대값의 수렴과 점과정 간의 관계를 극한지수와 연결한다.
• 중요한 꼬리 데이터를 가진 시간 시리즈에서 추정기 성능을 몬테카를로 시뮬레이션을 통해 평가한다.

제안 방법

• 유한 차원 분포에서 극한 군집 구조를 모델링하기 위해 Basrak과 Segers의 다변량 규칙적 변화 표현을 사용한다.
• 극한지수를 스펙트럼 군집 과정의 α제곱의 기대값으로 표현한다: α 꼬리 지수를 가진 규칙적으로 변화하는 과정에 대해 θ_X = E[Q_T^α*]이다.
• 큰 블록 합에 조건부로 블록 최대값과 블록 α제곱 모멘트의 비율에 기반한 새로운 추정기 θ̂_scp^scp를 제안한다.
• 비교를 위해 블록 최대값과 런레인지 방법을 기준 추정기로 사용하며, 임계값은 상위 순서 통계량을 통해 선택한다.
• 꼬리 지수 α를 추정하기 위해 힐 추정기를 적용하며, [n^0.8]개의 상위 순서 통계량을 사용한다.
• 다양한 모델에서 추정기의 편향, 분산, 강건성 비교를 위해 1,000회의 반복을 포함한 몬테카를로 시뮬레이션을 실시한다.

실험 결과

연구 질문

• RQ1 규칙적으로 변화하는 시간 시리즈에서 스펙트럼 군집 과정을 통해 극한지수는 어떻게 표현될 수 있는가?
• RQ2 다양한 극한지수 추정기의 유한 표본 성질은 무엇이며, 특히 편향과 분산 측면에서 어떻게 다를 수 있는가?
• RQ3 스펙트럼 군집 과정 기반 추정기의 성능은 블록 최대값 및 런스 기반 추정기와 비교해 어떻게 다른가?
• RQ4 극한지수는 어떤 방식으로 무거운 꼬리 정적 시퀀스에서 극한의 군집을 반영하는가?
• RQ5 특히 진짜 극한지수가 작을 경우, 추정기는 하이퍼파rameter 선택에 얼마나 강건한가?

주요 결과

• 스펙트럼 군집 과정 기반 추정기(θ̂_scp^scp)는 특히 진짜 극한지수가 작을 경우, 예를 들어 애파인 확률적 재귀 모델에서 θ_X ≈ 0.2792일 때 다른 추정기보다 훨씬 낮은 편향을 보인다.
• 노스롭의 추정기(θ̂_Nsl)는 가장 낮은 분산을 보이지만, 특히 극한 군집이 적고 표본 크기가 작은 경우 높은 편향을 겪을 수 있다.
• 구간 기반 추정기(θ̂_int)는 하이퍼파rameter 선택에 강건하며, 다양한 θ_X 값에서 안정성이 높아 실무자들 사이에서 선호된다.
• φ=0.2이고 Student(1) 잡음이 있는 AR(1) 모델에서 진짜 극한지수는 θ_|X| = 0.8이며, 적절한 튜닝을 통해 추정기들은 이 값으로 수렴한다.
• 시뮬레이션에서 r=64 및 s=[n^0.6/r] 조건에서 θ̂_scp^scp 추정기가 잘 작동함을 확인하여, 최소한의 튜닝으로도 실용적 유용성을 보였다.
• 이론적 결과는 극한지수가 스펙트럼 군집 과정의 α제곱 기대값과 동일하다고 확인하여, 극한에서의 군집화에 대한 새로운 분석적 기반을 제공한다.