[论文解读] Extreme value statistics of correlated random variables

Satya N. Majumdar, A. Pal|arXiv (Cornell University)|Jun 26, 2014

Financial Risk and Volatility Modeling被引用 8

一句话总结

本文对相关随机变量的极值统计（EVS）提供了简明概述，聚焦于统计物理与概率论中的最新进展。回顾了独立同分布（i.i.d.）变量的经典EVS，讨论了弱相关系统，并给出了强相关系统的确切结果——特别是Wishart和Laguerre系综中最大特征值的情况，表明典型波动遵循Tracy-Widom分布，而大偏离则由非高斯速率函数控制，突出了相关EVS中普遍性问题的开放性。

ABSTRACT

Extreme value statistics (EVS) concerns the study of the statistics of the maximum or the minimum of a set of random variables. This is an important problem for any time-series and has applications in climate, finance, sports, all the way to physics of disordered systems where one is interested in the statistics of the ground state energy. While the EVS of uncorrelated variables are well understood, little is known for strongly correlated random variables. Only recently this subject has gained much importance both in statistical physics and in probability theory. In this note, we will first review the classical EVS for uncorrelated variables and discuss few examples of correlated variables where analytical progress can be made.

研究动机与目标

• 为相关随机变量的极值统计（EVS）提供教学性介绍，这是一个迅速发展的领域，具有广泛的应用。
• 弥合独立同分布（i.i.d.）变量的经典EVS与强相关系统之间分析进展有限的更复杂情况之间的差距。
• 突出关键的精确可解模型——如Wishart和Laguerre系综中的最大特征值——其中推导出精确分布和大偏离函数。
• 强调在强相关系统中识别极值统计普遍性类别的开放性问题。
• 展示随机矩阵理论及相关物理系统中典型波动（Tracy-Widom）与非典型大波动（大偏离函数）之间的相互作用。

提出的方法

• 回顾独立同分布（i.i.d.）随机变量的经典极值理论，包括三种极限分布：Fréchet、Gumbel和Weibull。
• 引入联合概率分布 $ P(x_1, x_2, ..., x_N) $ 作为计算极值统计的基础，在i.i.d.假设下可简化。
• 利用在 $ z $ 处施加硬墙的配分函数之比，分析Wishart和Laguerre系综中最大特征值 $ \text{max}(oldsymbol{\nu}) $，揭示两个不同尺度：典型波动的 $ \mathcal{O}(N^{-2/3}) $ 和大偏离的 $ \mathcal{O}(1) $。
• 推导典型波动的Tracy-Widom分布 $ \mathcal{F}_\beta(x) $：$ \lambda_{\text{max}} = \sqrt{2} + \frac{1}{\sqrt{2}} N^{-2/3} \chi_\beta $，适用于 $ \beta = 1,2,4 $，具有非高斯的非对称尾部。
• 计算非典型波动的大偏离速率函数 $ \Phi_-(w) $ 和 $ \Phi_+(w) $：当 $ w \to \sqrt{2}^- $ 时，$ \Phi_-(w) \sim \frac{1}{6\sqrt{2}} (\sqrt{2} - w)^3 $；当 $ w \to \sqrt{2}^+ $ 时，$ \Phi_+(w) \sim \frac{2^{7/4}}{3} (w - \sqrt{2})^{3/2} $。
• 使用 $ \lambda_{\text{max}} $ 的渐近概率密度函数：当 $ |w - \sqrt{2}| \sim \mathcal{O}(1) $ 时，$ P(w,N) \approx \exp[-\beta N^2 \Phi_\pm(w)] $；当 $ \mathcal{O}(N^{-2/3}) $ 波动时，$ \sqrt{2} N^{2/3} \mathcal{F}_\beta'\big[\sqrt{2} N^{2/3}(w - \sqrt{2})\big] $。

实验结果

研究问题

• RQ1 相关随机变量的极值统计与i.i.d.变量有何不同？
• RQ2 Wishart和Laguerre随机矩阵系综中最大特征值的精确分布是什么？
• RQ3 描述最大特征值非典型波动的大偏离函数 $ \Phi_-(w) $ 和 $ \Phi_+(w) $ 是什么？
• RQ4 能否为强相关系统中的极值统计识别出普遍性类？
• RQ5 典型波动（Tracy-Widom）与大偏离如何共存于同一系统中，它们各自的标度区域是什么？

主要发现

• 在Wishart和Laguerre系综中，最大特征值 $ \lambda_{\text{max}} $ 的典型波动尺度为 $ \mathcal{O}(N^{-2/3}) $，由Tracy-Widom分布 $ \mathcal{F}_\beta(x) $ 控制，且对 $ \beta = 1,2,4 $ 有已知表达式。
• Tracy-Widom分布的尾部行为是非对称的：当 $ x \to -\infty $ 时，$ \mathcal{F}_\beta'(x) \sim \exp[-\frac{\beta}{24}|x|^3] $；当 $ x \to +\infty $ 时，$ \sim \exp[-\frac{2\beta}{3}x^{3/2}] $。
• 尺度为 $ \mathcal{O}(1) $ 的非典型大波动由大偏离函数描述：当 $ w \to \sqrt{2}^- $ 时，$ \Phi_-(w) \sim \frac{1}{6\sqrt{2}} (\sqrt{2} - w)^3 $；当 $ w \to \sqrt{2}^+ $ 时，$ \Phi_+(w) \sim \frac{2^{7/4}}{3} (w - \sqrt{2})^{3/2} $。
• 最大特征值 $ \lambda_{\text{max}} $ 的完整概率密度函数在渐近意义上是分段的：在 $ \mathcal{O}(N^{-2/3}) $ 波动时服从Tracy-Widom密度，在 $ \mathcal{O}(1) $ 偏差时服从指数型大偏离形式。
• 在 $ z $ 处施加硬墙的配分函数之比揭示了特征值统计中存在两个不同尺度，从而实现了对典型波动和非典型波动的精确计算。
• 尽管在特定模型中已取得进展，但强相关系统中极值统计的普遍性仍是统计物理与概率论中的一个开放且具有挑战性的问题。