[论文解读] Convolution Bounds on Quantile Aggregation

José Blanchet, Henry Lam+2 more|arXiv (Cornell University)|Jul 18, 2020

Risk and Portfolio Optimization被引用 4

一句话总结

本文提出卷积界——一种新颖的分析框架，用于在依赖性不确定性下进行分位数聚合，利用基于分位数的风险度量的下确界卷积。该方法为具有任意依赖结构的随机变量之和的最坏情况与最好情况分位数提供了精确且计算高效的边界，统一并扩展了以往在不同边缘分布和设定下的研究成果。

ABSTRACT

Quantile aggregation with dependence uncertainty has a long history in probability theory with wide applications in finance, risk management, statistics, and operations research. Using a recent result on inf-convolution of quantile-based risk measures, we establish new analytical bounds for quantile aggregation which we call convolution bounds. Convolution bounds both unify every analytical result available in quantile aggregation and enlighten our understanding of these methods. These bounds are the best available in general. Moreover, convolution bounds are easy to compute, and we show that they are sharp in many relevant cases. They also allow for interpretability on the extremal dependence structure. The results directly lead to bounds on the distribution of the sum of random variables with arbitrary dependence. We discuss relevant applications in risk management and economics.

研究动机与目标

• 解决在随机变量依赖结构未知时的分位数聚合挑战，旨在获得稳健且解析可处理的边界。
• 统一并推广现有在任意依赖结构下关于分位数聚合的解析结果，包括离散、连续或混合边缘分布的情形。
• 构建一个在一般条件下确保精确性的框架，并支持对极端依赖结构的解释。
• 将该方法扩展至区间风险价值（RVaR）和乘法风险模型，扩大其在风险度量中的适用性。
• 提供计算高效且理论严谨、数值精确的边界，即使在理论精确性范围之外也表现良好。

提出的方法

• 通过基于分位数的风险度量的下确界卷积提出卷积界，其推导基于近期在风险分摊与分布鲁棒性方面的对偶结果。
• 使用变换 $\mu^{t-}$ 将分位数聚合问题转化为涉及低于 $t$-分位数的归一化分布的极端依赖结构。
• 通过在 $t\Delta_n$ 上对加权 RVaR 项取上确界，建立最坏情况分位数的下界：$\sup_{\boldsymbol{\beta} \in t\Delta_n} \sum_{i=1}^n R_{1-\beta_i - \beta_0, \beta_0}(\mu_i)$。
• 证明在特定条件下边界是精确的，包括在分位数以下密度递增或递减，或满足总质量约束时。
• 通过应用指数变换将框架扩展至乘法风险，证明正随机变量乘积的类似边界。
• 利用对偶性和凸分析，推导在任意依赖结构下随机变量之和分布的边界，使其可直接应用于风险管理。

实验结果

研究问题

• RQ1 我们能否推导出一个统一的、解析的框架，用于最坏情况与最好情况的分位数聚合，从而涵盖依赖性不确定性下的所有已知解析结果？
• RQ2 在何种条件下所提出的卷积界是精确的？与现有边界相比，其精度和计算效率如何？
• RQ3 卷积界能否扩展至区间风险价值（RVaR）和乘法风险模型？相应的极端依赖结构是什么？
• RQ4 在理论上无法证明精确性的数值情形下，这些边界的表现如何？它们对极端依赖结构提供了哪些见解？
• RQ5 在总风险未固定的情况下，这些边界能否用于计算随机变量之和分布的紧密估计？

主要发现

• 卷积界统一并推广了所有已知的分位数聚合解析结果，涵盖了 Embrechts、Puccetti、Wang 和 Rüschendorf 的先前边界。
• 在多种情况下边界是精确的：当 $n \leq 2$ 时，当边缘分布的密度在分位数以下单调递增或递减时，或当低尾部总质量满足 $\sum_{i=1}^n \mu_i[q_0^+(\mu_i), q_t^-(\mu_i)) \leq t$ 时。
• 最坏情况分位数的下界为 $\sup_{\boldsymbol{\beta} \in t\Delta_n} \sum_{i=1}^n R_{1-\beta_i - \beta_0, \beta_0}(\mu_i)$，在所述条件下为紧致边界。
• 对于乘法风险，当 $x f_i(x)$ 在 $t$-分位数之后单调时，边界 $\exp\left\{\sup_{\boldsymbol{\beta} \in t\Delta_n} \sum_{i=1}^n R_{1-\beta_i - \beta_0, \beta_0}(\mu_i \circ \exp)\right\}$ 是精确的。
• 在所有依赖结构中，$t$-分位数的下确界始终可实现，即 $\inf_{\nu \in \Lambda(\boldsymbol{\mu})} q_t^-(\nu) = q_t^-(\nu_-)$ 对某个 $\nu_- \in \Lambda(\boldsymbol{\mu})$ 成立，确保了极端依赖结构的存在性。
• 数值表现表明，即使在理论精确性范围之外，边界也具有高度准确性，表明其在风险管理与运筹学应用中具有强大的实际用途。