[论文解读] Estimating heavy-tail exponents through max self-similarity

Stilian Stoev, George Michailidis+1 more|ArXiv.org|Sep 6, 2006

Financial Risk and Volatility Modeling参考文献 23被引用 7

一句话总结

该论文提出了一种基于块最大值中最大自相似性的新颖方法，用于估计重尾指数 α。通过分析对数块最大值在二进制块大小下的缩放速率，该方法采用最大谱图进行基于回归的估计，在温和的尾部条件下实现了估计的一致性和渐近正态性，且在模拟和真实数据应用（如保险和天然气数据）中相较于经典的 Hill 图表现出更高的鲁棒性。

ABSTRACT

In this paper, a novel approach to the problem of estimating the heavy-tail exponent alpha>0 of a distribution is proposed. It is based on the fact that block-maxima of size m of the independent and identically distributed data scale at a rate of m^{1/alpha}. This scaling rate can be captured well by the max-spectrum plot of the data that leads to regression based estimators. Consistency and asymptotic normality of these estimators is established under mild conditions on the behavior of the tail of the distribution. The results are obtained by establishing bounds on the rate of convergence of moment-type functionals of heavy-tailed maxima. Such bounds often yield exact rates of convergence and are of independent interest. Practical issues on the automatic selection of tuning parameters for the estimators and corresponding confidence intervals are also addressed. Extensive numerical simulations show that the proposed method proves competitive for both small and large sample sizes and for a large range of tail exponents. The method is shown to be more robust than the classical Hill plot and is illustrated on two data sets of insurance claims and natural gas field sizes.

研究动机与目标

• 开发一种经典 Hill 估计量的稳健替代方法，用于估计重尾指数 α。
• 解决 Hill 图对阈值选择和现实数据中模型偏离的敏感性问题。
• 在温和的尾部分布条件下，建立所提估计量的一致性和渐近正态性的理论性质。
• 提供实用的工具，用于自动选择调优参数和构造置信区间。
• 在小样本和大样本中，尤其在模型误设情况下，证明其性能优于现有方法。

提出的方法

• 该方法基于最大自相似性特性：在独立同分布抽样下，大小为 m 的块最大值以速率 m^{1/α} 缩放。
• 使用二进制块大小 m = 2^j（j = 1 到 log₂N）来分析对数块最大值的缩放行为。
• 最大谱图将对数块最大值的经验均值与对数块大小进行可视化，其斜率估计可给出 α 的估计值。
• 在最大谱图上进行回归分析，可获得 α 的一致且渐近正态的估计量。
• 该方法利用了重尾最大值的矩界，这些矩界本身具有独立意义，并可导出精确的收敛速率。
• 实际实现包括自动带宽选择和通过渐近方差估计构造置信区间。

实验结果

研究问题

• RQ1 块最大值中的最大自相似性是否能提供比经典 Hill 估计量更稳健的重尾指数 α 估计？
• RQ2 在温和的尾部分布条件下，所提出的最大谱图回归估计量的理论性质（一致性与渐近正态性）如何？
• RQ3 该方法在有限样本中表现如何，特别是在小 N 和非帕累托分布下？
• RQ4 该方法能否在实践中自动选择调优参数并提供可靠的置信区间？
• RQ5 在不同尾指数下，最大谱图估计量与 Hill 图和基于核的估计量相比，其偏差和方差表现如何？

主要发现

• 所提出的最大谱图估计量在分布尾部行为满足温和条件时具有一致性和渐近正态性。
• 该方法在数据偏离帕累托模型时，相比经典 Hill 图表现出更优的鲁棒性。
• 数值模拟显示，该方法在小样本和大样本中均表现良好，适用于广泛的尾指数范围。
• 通过针对重尾最大值的矩型泛函的新界，该估计量实现了精确的收敛速率。
• 该方法在两个真实数据集中成功估计了 α：保险索赔数据和天然气田规模数据，结果稳定可靠。
• 最大谱图使得调优参数可自动选择，并能构建可靠的置信区间，克服了 Hill 图的一个关键局限。