[论文解读] Estimation of extreme risk regions under multivariate regular variation

Juan‐Juan Cai, J.H.J. Einmahl+1 more|Research portal (Tilburg University)|Nov 22, 2012

Financial Risk and Volatility Modeling被引用 3

一句话总结

该论文提出了一种新型估计器，用于多变量慢变分布中的极端风险区域，利用极值理论对观测数据之外的区域进行外推。在弱慢变假设下建立了估计器的一致性，并通过模拟和金融数据应用展示了其在有限样本下的强性能，从而实现了在多变量设置中对罕见高影响事件的可靠检测。

ABSTRACT

When considering d possibly dependent random variables, one is often interested in extreme risk regions, with very small probability p. We consider risk regions of the form ${\mathbf{z}\in\mathbb{R}^d:f(\mathbf{z})\leqβ}$, where f is the joint density and $β$ a small number. Estimation of such an extreme risk region is difficult since it contains hardly any or no data. Using extreme value theory, we construct a natural estimator of an extreme risk region and prove a refined form of consistency, given a random sample of multivariate regularly varying random vectors. In a detailed simulation and comparison study, the good performance of the procedure is demonstrated. We also apply our estimator to financial data.

研究动机与目标

• 估计多变量慢变分布中因数据稀少或缺失而难以观测的低密度集定义的极端风险区域。
• 开发一种非参数估计器，利用谱测度的渐近行为和尾部相依结构。
• 在弱慢变假设下确保估计器的一致性，即使极端区域内的观测数为零。
• 通过识别罕见高影响事件，为金融和保险中的风险管理与压力测试提供实用工具。
• 通过估计整个水平集而非单个数值，将单变量极值分位数估计推广至多变量设置。

提出的方法

• 该方法使用基于高阈值上超限值的谱测度的非参数核估计器。
• 通过将估计的谱测度转换为密度水平集，构建极端风险区域 $ Q = \{ \mathbf{z} \in \mathbb{R}^d : f(\mathbf{z}) \leq \beta \} $ 的估计器。
• 估计器依赖于尾部行为的广义帕累托近似，采用多变量设置下的峰值超限法。
• 基于 $ L_2 $-范数进行归一化，并使用依赖带宽的核函数对经验谱测度进行平滑。
• 通过估计谱测度及其相关水平集的依概率收敛性，证明了估计器的一致性。
• 通过慢变函数 $ V(t) = \mathbb{P}(\|\mathbf{X}\| > t) $ 确保密度估计的渐近缩放和正确归一化。

实验结果

研究问题

• RQ1 当极端区域中无数据落入时，如何在多变量慢变分布中一致地估计极端风险区域？
• RQ2 在弱慢变假设下，估计的极端水平集的渐近行为如何？
• RQ3 与现有非参数密度水平集估计器相比，所提出的估计器在一致性和有限样本性能方面表现如何？
• RQ4 该方法能否在极端区域观测数为零的情况下，可靠检测高维金融数据中的罕见事件？
• RQ5 带宽选择和核函数选择对估计极端风险区域准确度的影响是什么？

主要发现

• 所提出的极端风险区域估计器在概率上是一致的，真实区域与估计区域之间的对称差相对于真实概率质量 $ p $ 收缩，即 $ \frac{P(\widetilde{Q}_n \triangle \widehat{Q}_n)}{p} \stackrel{\mathbb{P}}{\rightarrow} 0 $。
• 由于利用极值理论进行外推，即使无数据点落入极端区域，估计器仍能保持一致性。
• 模拟研究显示其在有限样本下表现优异，估计区域在各种相依结构下均能紧密逼近真实极端集合。
• 该方法在真实金融数据中成功识别出极端风险区域，展示了其在压力测试和风险监控中的实用性。
• 在弱慢变假设下，估计谱测度及其相关水平集的收敛性已建立，且通过带宽和核参数可显式控制误差。
• 模拟稳健性检验表明，估计器对尾部指数和带宽的适度误设具有鲁棒性。