[论文解读] Bias correction for estimators of the extremal index

Holger Drees|arXiv (Cornell University)|Jul 5, 2011

Financial Risk and Volatility Modeling参考文献 8被引用 10

一句话总结

本文提出了一种用于平稳时间序列极值指数的偏差校正估计器，利用经验聚类过程的渐近理论，消除了主导偏差项，同时保持了随机误差的收敛速度。该方法通过降低对阈值选择的敏感性，显著提升了估计的稳定性和可解释性。

ABSTRACT

We investigate the joint asymptotic behavior of so-called blocks estimator of the extremal index, that determines the mean length of clusters of extremes, based on the exceedances over different thresholds. Due to the large bias of these estimators, the resulting estimates are usually very sensitive to the choice of the threshold and thus difficult to interpret. We propose and examine a bias correction that asymptotically removes the leading bias term while the rate of convergence of the random error is preserved.

研究动机与目标

• 解决传统块估计器在极值指数估计中存在大样本偏差的问题，该问题导致对阈值选择高度敏感。
• 开发一种偏差减少技术，渐近地消除主导偏差项，同时不降低随机误差的收敛速度。
• 在具有聚集极值的应用（如洪水风险或金融市场崩盘）中，提升极值指数估计的可解释性和可靠性。
• 在弱混合条件和吸引域假设下，建立偏差校正估计器的渐近理论。

提出的方法

• 基于阈值上超限值，使用块估计器定义极值指数，即至少有一个超限值的块数与总超限次数的比值。
• 应用经验过程理论，建模超限次数与非空块数的联合行为，从而实现对估计器的渐近分析。
• 通过经验聚类过程的函数中心极限定理，识别并消除主导渐近偏差项，推导出偏差校正。
• 通过序列 $ s_n(t) $ 引入随机阈值调整，确保一致收敛性并控制极限状态下的偏差。
• 在 $ (0,1]^2 $ 上定义测度 $ \mu $，通过不同尺度下估计器的加权平均，实现通过线性组合进行偏差校正。
• 利用泰勒展开和一致收敛结果，证明偏差校正估计器在保持原始块估计器收敛速度的同时，消除了主导偏差项。

实验结果

研究问题

• RQ1 如何系统性地减少标准块估计器在极值指数估计中的大样本偏差？
• RQ2 在弱混合和吸引域条件下，偏差校正极值指数估计器的渐近分布是什么？
• RQ3 偏差校正是否能在保持原始估计器收敛速度的同时，改善其有限样本性能？
• RQ4 阈值选择如何影响估计器的偏差和方差？这一影响能否通过校正方法缓解？
• RQ5 经验聚类过程在推导偏差校正估计器中起到什么作用？

主要发现

• 所提出的偏差校正方法渐近地消除了块估计器的主导偏差项，同时保持了随机误差的 $ \sqrt{n v_n} $ 收敛速度。
• 偏差校正估计器在一系列阈值范围内实现了统一收敛，显著降低了对阈值选择的敏感性。
• 在假设的混合条件和吸引域条件下，估计器是一致且渐近正态的，偏差被降低至 $ o_P((n v_n)^{-1/2}) $。
• 校正通过经验聚类过程的函数极限定理实现，从而精确控制了偏差结构。
• 该方法对块长度和阈值的选择具有鲁棒性，如在 $ r_n $、$ v_n $ 和 $ n $ 的一般条件下，校正估计器仍能收敛。
• 理论结果表明，偏差校正未降低渐近方差，保持了原始估计器的最优收敛速度。