[论文解读] Adaptive exponential power distribution with moving estimator for nonstationary time series

Jarek Duda|arXiv (Cornell University)|Jan 1, 2020

Financial Risk and Volatility Modeling参考文献 5被引用 2

一句话总结

该论文提出一种自适应指数幂分布（EPD）模型，结合移动最大似然估计器，用于非平稳时间序列分析，其中尺度参数σ通过|x−μ|κ的指数加权移动平均进行更新，实现计算高效、时变的参数估计。与静态模型相比，该方法显著提升了对数似然值，最优重尾参数（κ）在道琼斯工业平均指数（DJIA）股票中各不相同，更倾向于拉普拉斯分布（κ≈1）而非高斯分布（κ=2）的重尾特征。

ABSTRACT

While standard estimation assumes that all datapoints are from probability distribution of the same fixed parameters $θ$, we will focus on maximum likelihood (ML) adaptive estimation for nonstationary time series: separately estimating parameters $θ_T$ for each time $T$ based on the earlier values $(x_t)_{t

研究动机与目标

• 为解决静态参数估计在非平稳时间序列中的局限性，即固定参数无法捕捉分布特性的动态演变。
• 开发一种计算高效的自适应估计框架，利用加权历史数据动态更新分布参数。
• 评估自适应EPD估计（特别是尺度参数σ）是否在对数似然上优于标准静态模型或基于GARCH的模型。
• 探究金融收益率的最优形状参数κ，挑战高斯分布（κ=2）或拉普拉斯分布（κ=1）的假设。

提出的方法

• 提出使用指数衰减权重的移动最大似然估计器：θT = arg maxθ ∑t<T ηT−t ln(ρθ(xt))，其中η ∈ (0,1]。
• 将该方法应用于指数幂分布（EPD）族ρ(x) ∝ exp(−|(x−μ)/σ|κ/κ)，该分布族广义化了高斯分布（κ=2）和拉普拉斯分布（κ=1）。
• 对于尺度参数σ，将标准平均替换为指数加权移动平均：(σT+1)^κ = η(σT)^κ + (1−η)|xT−μ|^κ，从而实现低成本的自适应估计。
• 对位置参数（μ）和尺度参数（σ）分别使用指数加权移动平均，其中σ的调参η ≈ 0.94，μ的调参ν ≈ 0.997。
• 考虑具有独立左右尾参数（κl, κr, σl, σr）的非对称EPD（AEPD），并通过连续性条件α = [C(κl)σr / (C(κr)σl) + 1]⁻¹进行约束。
• 采用基于梯度的优化作为更高阶替代方案，尽管计算成本更高，但可进一步提升对数似然值。

实验结果

研究问题

• RQ1 与静态最大似然估计相比，通过指数加权似然的自适应估计是否能在非平稳时间序列中提升对数似然？
• RQ2 在真实金融时间序列中，EPD的最优形状参数κ是否显著不同于κ=2（高斯分布）？
• RQ3 采用|x−μ|^κ指数加权移动平均的自适应EPD模型是否在性能上可与GARCH(1,1)等成熟模型相媲美？
• RQ4 自适应性如何影响估计的尾部分布行为？是否允许比静态模型更薄或更厚的尾部？
• RQ5 仅通过简单自适应尺度更新规则(σT+1)^κ = η(σT)^κ + (1−η)|xT−μ|^κ，是否可在不增加计算成本的前提下超越更复杂的模型？

主要发现

• 在100年道琼斯工业平均指数（DJIA）日收益率数据中，采用|x−μ|^κ指数加权移动平均的自适应EPD估计，其对数似然值显著高于静态MLE模型。
• 自适应模型的最优形状参数κ始终低于2，更接近1（即拉普拉斯分布），表明其尾部比高斯模型假设的更重。
• 在29只近期道琼斯工业平均指数（DJIA）成分股中，最优κ值在不同公司间存在显著差异，表明股票间不存在统一的尾部分布行为。
• 当σ的权重参数η ≈ 0.94时，自适应EPD模型的对数似然值可与更复杂的GARCH(1,1)模型相媲美，后者假设高斯（κ=2）冲击。
• 进一步优化指数加权率η对对数似然的提升微乎其微，表明默认的η ≈ 0.94已接近该数据集的最优值。
• 该方法实现了高效、实时的时间变尺度与形状参数估计，无需在每一步都进行完整重优化。