[论文解读] EM algorithms for estimating the Bernstein copula function

Xiaoling Dou, Satoshi Kuriki+1 more|arXiv (Cornell University)|Jan 12, 2013

Financial Risk and Volatility Modeling被引用 2

一句话总结

该论文提出了一种期望最大化（EM）算法，通过利用顺序统计量和有限混合表示，估计伯恩斯坦-阿基米德（Bernstein）Copula函数，实现具有固定边缘分布的灵活多元建模。该方法展示了局部收敛性，并在真实数据和模拟数据上表现出色，验证了其在半参数Copula估计中的实用性。

ABSTRACT

A method that uses order statistics to construct multivariate distributions with fixed marginals and which utilizes a representation of the Bernstein copula in terms of a finite mixture distribution is proposed. Expectation-maximization (EM) algorithms to estimate the Bernstein copula are proposed, and a local convergence property is proved. Moreover, asymptotic properties of the proposed semiparametric estimators are provided. Illustrative examples are presented using three real data sets and a 3-dimensional simulated data set. These studies show that the Bernstein copula is able to represent various distributions flexibly and that the proposed EM algorithms work well for such data.

研究动机与目标

• 开发一种在具有固定边缘分布的多元设定下估计伯恩斯坦-Copula函数的稳健方法。
• 通过利用伯恩斯坦-Copula的有限混合表示，解决灵活非参数Copula建模的挑战。
• 提出确保局部收敛性的EM算法，以实现高效参数估计。
• 建立所得半参数估计量的渐近性质，以支持理论有效性。

提出的方法

• 将伯恩斯坦-Copula表示为有限混合分布，通过EM算法实现高效的统计估计。
• 利用顺序统计量构建具有固定边缘分布的多元分布，确保模型与实证数据的兼容性。
• EM算法通过迭代计算完整数据对数似然期望并最大化，以更新参数估计。
• 证明了局部收敛性，确保在正则条件下参数估计的稳定性。
• 推导出估计量的渐近正态性和一致性，支持推断有效性。
• 将该方法应用于三个真实数据集和一个三维模拟数据集，以验证性能。

实验结果

研究问题

• RQ1 能否基于其有限混合表示，利用EM算法有效估计伯恩斯坦-Copula？
• RQ2 所提出的EM算法在具有固定边缘分布的真实世界多元数据上的收敛性和性能如何？
• RQ3 所得半参数估计量的渐近性质（一致性与正态性）如何？
• RQ4 伯恩斯坦-Copula在建模多元数据中多样的依赖结构方面具有多大灵活性？

主要发现

• 伯恩斯坦-Copula的EM算法实现了局部收敛，确保了迭代参数更新的可靠性。
• 所提出的半参数估计量表现出理想的渐近性质，包括一致性与渐近正态性。
• 伯恩斯坦-Copula模型成功捕捉了真实与模拟多元数据中的复杂依赖结构。
• 对三个真实数据集和一个三维模拟数据集的实证研究证实了该模型的灵活性以及算法的稳健性能。