[论文解读] Max-Stable Models for Multivariate Extremes

Johan Segers|arXiv (Cornell University)|Apr 2, 2012

Financial Risk and Volatility Modeling参考文献 24被引用 54

一句话总结

本文全面综述了多变量极值的广义稳定模型，提出一种新颖的构造方法以生成此类分布的参数族。通过利用谱测度和相依函数，该方法能够灵活建模尾部相依性，主要贡献包括统一的公式化表达以及新型参数模型，如有理函数和多项式Pickands函数。

ABSTRACT

Multivariate extreme-value analysis is concerned with the extremes in a multivariate random sample, that is, points of which at least some components have exceptionally large values. Mathematical theory suggests the use of max-stable models for univariate and multivariate extremes. A comprehensive account is given of the various ways in which max-stable models are described. Furthermore, a construction device is proposed for generating parametric families of max-stable distributions. Although the device is not new, its role as a model generator seems not yet to have been fully exploited.

研究动机与目标

• 提供多变量极值理论中广义稳定分布描述的统一且全面的阐述。
• 解决在截面相依背景下建模渐近相依性的挑战。
• 提出一种基于谱测度和随机表示的构造方法，以生成新的广义稳定分布参数族。
• 强调现有理论工具（如D-范数和正规变型过程）在实际建模中的未被充分利用的潜力。
• 通过一系列统计技术（包括似然法和矩法）支持多变量极值的推断。

提出的方法

• 利用分量最大值的极限理论，将广义稳定分布描述为归一化最大值向量的弱极限。
• 应用Pickands相依函数和谱测度来刻画广义稳定分布的相依结构。
• 通过正随机变量 $ A, B $（均值为1）上的最大值期望提出一种通用构造方法：$ \ell(x,y) = \mathbb{E}[\max(xA, yB)] $。
• 通过指定 $ (A,B) $ 的联合分布（如狄利克雷分布、多项式分布或基于正态分布的混合分布）推导出参数族。
• 对谱测度应用变换以生成新模型，包括有理模型 $ D_{\alpha,\beta}(t) = 1 - \frac{\alpha\beta t(1-t)}{\alpha(1-t)+\beta t} $。
• 以Schlather模型和Hüsler–Reiss模型为例，分别基于二元正态分布和对数正态分布的混合分布推导得出。

实验结果

研究问题

• RQ1 如何系统性地统一描述不同数学表述下的广义稳定模型？
• RQ2 谱测度和Pickands相依函数在刻画多变量极值相依性中的作用是什么？
• RQ3 如何利用通用构造方法生成新的广义稳定分布参数族？
• RQ4 使用随机表示（如指数或正态变量的混合）对建模尾部相依性有何影响？
• RQ5 现有模型（如狄利克雷、有理函数和Hüsler–Reiss模型）在灵活性和可计算性方面有何比较优势？

主要发现

• 构造方法 $ \ell(x,y) = \mathbb{E}[\max(xA, yB)] $ 且满足 $ \mathbb{E}[A] = \mathbb{E}[B] = 1 $ 可生成有效的稳定尾部相依函数。
• 当 $ A $ 和 $ B $ 服从贝塔分布时，狄利克雷模型作为特例出现，此时 $ \ell(x,y) = 2\int_0^1 \max(xv, y(1-v)) \, dv $。
• 有理模型 $ D_{\alpha,\beta}(t) = 1 - \frac{\alpha\beta t(1-t)}{\alpha(1-t)+\beta t} $ 是通过对狄利克雷模型进行变换推导得出。
• Schlather模型导出 $ D_\rho(t) = \frac{1}{2}\left(1 + \sqrt{1 - 2(\rho+1)t(1-t)}\right) $，其基于相关系数为 $ \rho $ 的二元正态向量。
• Hüsler–Reiss模型由对数正态变量导出，形式为 $ \ell_a(x,y) = x\Phi\left(\frac{a}{2} + \frac{1}{a}\log(x/y)\right) + y\Phi\left(\frac{a}{2} + \frac{1}{a}\log(y/x)\right) $，其中 $ a = \sigma\sqrt{2(1-\rho)} $。
• 通过在谱表示中使用独立指数变量之和作为权重，可生成高阶多项式Pickands函数。