[论文解读] An ECM algorithm for Skewed Multivariate Variance Gamma Distribution in Normal Mean-Variance Representation

Thanakorn Nitithumbundit, Jennifer Chan|arXiv (Cornell University)|Apr 6, 2015

Financial Risk and Volatility Modeling参考文献 19被引用 6

一句话总结

本文提出一种混合期望最大化算法（HECM），以改进具有自回归均值结构的多元偏态方差Gamma（MSVG）分布的最大似然估计，解决了似然函数无界和收敛性问题。HECM算法结合MCECM与ECME步骤，提升了计算效率与稳定性，成功建模具有厚尾和交叉相关性的金融时间序列。

ABSTRACT

Normal mean-variance mixture distributions are widely applied to simplify a model's implementation and improve their computational efficiency under the Maximum Likelihood (ML) approach. Especially for distributions with normal mean-variance mixtures representation such as the multivariate skewed variance gamma (MSVG) distribution, it utilises the expectation-conditional-maximisation (ECM) algorithm to iteratively obtain the ML estimates. To facilitate application to financial time series, the mean is further extended to include autoregressive terms. Techniques are proposed to deal with the unbounded density for small shape parameter and to speed up the convergence. Simulation studies are conducted to demonstrate the applicability of this model and examine estimation properties. Finally, the MSVG model is applied to analyse the returns of five daily closing price market indices and standard errors for the estimated parameters are computed using Louis's method.

研究动机与目标

• 解决在形状参数较小时，多元偏态方差Gamma（MSVG）分布估计中似然函数无界的问题。
• 提升复杂金融时间序列模型中最大似然（ML）估计的计算效率与收敛稳定性。
• 将MSVG模型扩展至均值中包含自回归（AR）项，以捕捉金融收益中的序列相关性。
• 利用正态均值-方差混合表示构建稳健的估计框架，简化参数估计。
• 提供一种实用且可扩展的算法，用于拟合现实世界中具有非对称性、厚尾性和相关性的金融数据的MSVG模型。

提出的方法

• 采用MSVG分布的正态均值-方差混合表示，其中在潜变量（服从伽马分布）条件下，数据条件服从正态分布。
• 实施期望/条件最大化（ECM）算法框架，以处理缺失的潜变量并简化最大似然估计。
• 提出一种混合ECM（HECM）算法，结合MCECM（多周期ECM）与ECME（期望/条件最大化任选）步骤，以提升收敛性与稳定性。
• 引入密度截断机制，设置阈值Δ，以防止在形状参数ν较小时，因观测值聚集于均值附近而导致估计发散。
• 在更新均值和形状参数（μ, γ）后、更新协方差矩阵Σ之前，增加一个额外的E步，以在密度无界条件下稳定Σ的估计。
• 使用Louis方法计算估计参数的标准误，确保统计推断的可靠性。

实验结果

研究问题

• RQ1 EM/ECM框架如何被调整以处理多元偏态方差Gamma（MSVG）分布中的似然函数无界问题？
• RQ2 为确保在金融时间序列中具有AR(1)均值结构的MSVG模型的最大似然估计稳定且高效，需要哪些算法改进？
• RQ3 所提出的HECM算法在收敛速度与估计精度方面，相较于标准ECM与ECME算法表现如何？
• RQ4 HECM算法在处理高维、相关性强且具有厚尾性的金融收益数据（具有非对称分布）方面，其适用范围有多大？
• RQ5 在不同维度（d = 2, 3）下，HECM算法中密度截断阈值Δ的最优范围是什么？

主要发现

• HECM算法成功解决了因形状参数ν较小导致的MSVG密度无界所引发的估计发散问题（如1/λi和logλi发散）。
• 混合方法结合了MCECM的快速初始收敛与ECME的稳定最终收敛，显著提升了整体计算效率。
• HECM算法为MSVG AR(1)模型提供了稳定且准确的最大似然估计，标准误通过Louis方法计算。
• 模拟研究证实，在似然函数无界条件下，HECM算法在收敛速度与鲁棒性方面均优于标准ECM与ECME算法。
• 对五个主要市场指数（DAX、S&P 500、FTSE 100、AORD、CAC）的实证应用表明，MSVG AR模型的拟合效果优于独立同分布的MSVG模型，表现为AICc值更低。
• 拟合的边缘密度与AR(1)滤波残差的经验直方图高度吻合，表明模型拟合良好，尽管因各分量共享同一形状参数ν而存在一定的局限性。