[论文解读] Extreme value statistics for truncated Pareto-type distributions

Jan Beirlant, Isabel Fraga Alves+2 more|arXiv (Cornell University)|Oct 15, 2014

Financial Risk and Volatility Modeling参考文献 13被引用 4

一句话总结

该论文提出了一种针对右截断的帕累托型分布的鲁棒极值估计框架，将经典的希尔（Hill）和最大似然估计（MLE）方法扩展至处理截断点未知的右截断数据。该研究引入了截断帕累托QQ-图以及一种截断估计量 $ \hat{\alpha}_{r,k,n}$，该估计量在截断与非截断模型下均保持一致性和渐近正态性，并通过理论分析与模拟验证表明其在截断条件下性能更优。

ABSTRACT

Recently attention has been drawn to practical problems with the use of unbounded Pareto distributions, for instance when there are natural upper bounds that truncate the probability tail. Aban, Meerschaert and Panorska (2006) derived the maximum likelihood estimator for the Pareto tail index of a truncated Pareto distribution with a right truncation point $T$. The Hill (1975) estimator is then obtained by letting $T o \infty$. The problem of extreme value estimation under right truncation was also introduced in Nuyts (2010) who proposed a similar estimator for the tail index and considered trimming of the number of extreme order statistics. Given that in practice one does not always know whether the distribution is truncated or not, we discuss estimators for the Pareto index and extreme quantiles both under truncated and non-truncated Pareto-type distributions. We also propose a truncated Pareto QQ-plot in order to help deciding between a truncated and a non-truncated case. In this way we extend the classical extreme value methodology adding the truncated Pareto-type model with truncation point $T o \infty$ as the sample size $n o \infty$. Finally we present some practical examples, asymptotics and simulation results.

研究动机与目标

• 解决在存在自然上界导致尾部被截断的应用场景中（如保险与环境风险），无界帕累托模型的实际局限性。
• 在截断与非截断帕累托型分布下，为帕累托尾指数 $\alpha$ 构建一致且渐近正态的估计量。
• 提出一种截断帕累托QQ-图，以经验方式区分截断与非截断的重尾数据。
• 研究对上端顺序统计量进行截断（去除下端极值）对尾指数估计量偏差与方差的影响，以提升估计的稳健性。
• 在截断点 $T$ 可能未知并从数据中估计的假设下，建立新估计量 $\hat{\alpha}_{r,k,n}$ 的渐近理论。

提出的方法

• 将 Aban 等人（2006）提出的截断帕累托分布最大似然估计量（MLE）方法进行适配，用于截断点 $T$ 未知的情形，利用最大的 $k+1$ 个顺序统计量。
• 提出一种基于截断对数间距和的修正估计量 $\hat{\alpha}_{r,k,n}$，通过求解方程 $H_{r,k,n} = \frac{1}{\alpha} + \frac{R_{r,k,n}^{\alpha} \log R_{r,k,n}}{1 - R_{r,k,n}^{\alpha}}$ 得到，其中 $R_{r,k,n} = X_{n-k,n}/X_{n-r+1,n}$。
• 使用牛顿-拉夫森迭代法数值求解 $\hat{\alpha}_{r,k,n}$ 的估计方程，实现高效计算。
• 基于顺序统计量的比值，提出一种截断帕累托QQ-图，用于直观判断数据是否服从截断或非截断帕累托模型。
• 在 $k \to \infty$，$n \to \infty$，$k/n \to 0$，且 $nD_T \to 0$ 的假设下，推导 $\hat{\alpha}_{r,k,n}$ 的渐近分布，其中 $D_T$ 衡量数据与截断点的相对距离。
• 采用对数似然函数的二阶展开，并结合缓慢变化函数的极值理论，推导偏差与方差的组成部分。

实验结果

研究问题

• RQ1 当帕累托尾部存在右截断，特别是截断点 $T$ 未知时，如何对极值估计方法进行调整？
• RQ2 对上端顺序统计量进行截断对尾指数估计量 $\hat{\alpha}_{r,k,n}$ 的偏差与方差有何影响？
• RQ3 像截断帕累托QQ-图这样的诊断工具能否可靠地区分截断与非截断的帕累托型分布？
• RQ4 在极限 $T \to \infty$（即非截断情形）下，$\hat{\alpha}_{r,k,n}$ 的渐近分布行为如何？与经典希尔估计量相比有何差异？
• RQ5 在有限样本条件下，新估计量 $\hat{\alpha}_{r,k,n}$ 在截断与非截断模型下的性质如何？与现有方法相比表现如何？

主要发现

• 所提出的估计量 $\hat{\alpha}_{r,k,n}$ 在截断与非截断帕累托型模型下均具有一致性与渐近正态性，其极限分布依赖于截断参数 $r$。
• 对下端极值进行截断（即增大 $r$）可降低 $\hat{\alpha}_{r,k,n}$ 的方差，但会增加其偏差，该结论由图 8 中绘制的函数 $\sigma^2(\lambda)$ 与 $\beta(\lambda)$ 所证实。
• 当 $r=1$ 时，$\hat{\alpha}_{r,k,n}$ 的渐近偏差与经典希尔估计量处于同一数量级，但随着 $r$ 增大，偏差减小，尽管效率有所降低。
• 截断帕累托QQ-图能有效可视化与非截断模型的偏离，明显的非线性特征可指示存在截断。
• 估计量 $\hat{\alpha}_{r,k,n}$ 以 $\sqrt{k}$ 的速率收敛至真实 $\alpha$，其偏差项与 $b^*((C_T n/k)^{1/\alpha})$ 成正比，其中 $b^*$ 是与二阶行为相关的缓慢变化函数。
• 当 $T \to \infty$ 时，估计量 $\hat{\alpha}_{r,k,n}$ 退化为经典希尔估计量 $H_{k,n}$，证实其与标准极值框架的一致性。