[论文解读] Estimators for Archimedean copulas in high dimensions

Marius Hofert, Martin Maechler+1 more|arXiv (Cornell University)|Jul 6, 2012

Financial Risk and Volatility Modeling参考文献 32被引用 11

一句话总结

本文提出并评估了一套针对高维（高达100维）阿基米德Copula的参数估计量，重点关注数值稳定性和在已知与未知边缘分布下的性能表现。文章引入了新颖的计算技术以应对高维挑战，并通过大规模模拟表明，基于成对Kendall’s tau的估计量以及基于对角线的最大似然估计在高维且具有复杂依赖结构的情况下表现稳健。

ABSTRACT

The performance of known and new parametric estimators for Archimedean copulas is investigated, with special focus on large dimensions and numerical difficulties. In particular, method-of-moments-like estimators based on pairwise Kendall's tau, a multivariate extension of Blomqvist's beta, minimum distance estimators, the maximum-likelihood estimator, a simulated maximum-likelihood estimator, and a maximum-likelihood estimator based on the copula diagonal are studied. Their performance is compared in a large-scale simulation study both under known and unknown margins (pseudo-observations), in small and high dimensions, under small and large dependencies, various different Archimedean families and sample sizes. High dimensions up to one hundred are considered for the first time and computational problems arising from such large dimensions are addressed in detail. All methods are implemented in the open source \R{} package \pkg{copula} and can thus be easily accessed and studied.

研究动机与目标

• 开展首次针对高维阿基米德Copula参数估计量的大规模比较研究。
• 解决高维阿基米德Copula估计中出现的重大计算挑战。
• 在已知和未知边缘分布下，利用伪观测值评估已知与新型估计量的性能。
• 为广泛使用和进一步研究提供准确、可复现且开源的R包copula实现。
• 纠正先前文献中关于高维Copula估计与依赖建模方面存在的不准确之处与错误。

提出的方法

• 采用基于成对Kendall’s tau以及Blomqvist’s beta多变量扩展的矩方法类估计量来估计依赖参数。
• 应用基于经验分布函数与理论分布函数之间Cramér-von-Mises距离和Kolmogorov-Smirnov距离的最小距离估计量。
• 实施最大似然估计（MLE），采用完整似然函数与基于对角线的近似方法以减轻计算负担。
• 采用模拟最大似然估计以提升高维情况下的收敛性与稳定性。
• 使用高精度算术与严格的数值验证确保计算准确性。
• 在多个阿基米德族、样本量、依赖程度与维度（高达100）下开展大规模模拟研究，涵盖已知与未知边缘分布。

实验结果

研究问题

• RQ1 在已知与未知边缘分布下，不同参数估计量在高维（高达100维）阿基米德Copula中的表现如何？
• RQ2 随着维度增加，特别是在强依赖存在的情况下，哪些估计量能保持数值稳定性和准确性？
• RQ3 基于成对Kendall’s tau的估计量与完整似然估计及基于对角线的MLE在偏差、方差与计算成本方面如何比较？
• RQ4 高维阿基米德Copula估计中的计算瓶颈是什么？如何缓解？
• RQ5 现有文献中的估计量在高维下是否能产生可靠结果，还是容易出现系统性误差？

主要发现

• 基于平均样本tau的成对Kendall’s tau估计量在偏差与均方误差方面始终优于其他估计量，尤其在高维情况下表现突出。
• 基于对角线的极大似然估计量在计算成本显著降低的前提下，性能接近完整MLE，使其在高达100维的情况下具有可行性。
• 基于Cramér-von-Mises与Kolmogorov-Smirnov距离的最小距离估计量表现出稳健性，但在效率方面仍逊于MLE与成对tau估计量。
• 模拟最大似然估计显著提升了高维下的收敛性与稳定性，尤其在Gumbel与Clayton等复杂族中效果明显。
• 本研究发现，许多现有文献中的估计量在高维下因数值不稳定性而产生不准确结果，通过高精度算术与细致实现得以纠正。
• 计算时间随维度显著增加，但在100维情形下，基于对角线的MLE将运行时间减少了高达90%。