[论文解读] Generalized inverse Gaussian distributions and the time of first level crossing

V. K. Malinovskiǐ|arXiv (Cornell University)|Aug 29, 2017

Stochastic processes and statistical mechanics参考文献 20被引用 5

一句话总结

本文提出了一种针对复合更新过程 $V_s - cs$ 穿过高阈值 $u$ 的首 hitting 时间分布的新型近似方法，利用广义逆高斯（GIG）分布。该方法通过将首 hitting 时间分布表示为与 GIG 相关的积分及不完全贝塞尔函数，显著提升了精度——尤其在临界漂移 $c = c^*$ 附近——为风险理论与更新过程中的现有渐近近似提供了一种更精确的替代方案。

ABSTRACT

We propose a new approximation for the distribution of the time of the first crossing of a high level $u$ by random process $\homV{s}-cs$, where $\homV{s}$, $s>0$, is compound renewal process and $c>0$. It significantly outperforms the existing approximations, particularly in the region around the critical point $c=\cS$ which separates processes with positive and negative drifts. This approximation is tightly related to generalized inverse Gaussian distributions.

研究动机与目标

• 开发一种更精确的复合更新过程中首 hitting 时间 $\Upsilon = \inf\{s > 0 : V_s - cs < -u\}$ 分布的近似方法。
• 解决现有渐近近似方法的局限性，特别是在传统方法失效的临界漂移 $c^*$ 附近。
• 建立首 hitting 时间分布与广义逆高斯（GIG）分布之间紧密的数学联系。
• 通过 GIG 与不完全贝塞尔函数，提供一种计算上可行且解析上可处理的 ruin 概率 $\mathsf{P}(\Upsilon \leq t)$ 表达式。

提出的方法

• 该方法通过三种成分的混合模型来建模首 hitting 时间分布：$\mathcal{M}_t(u,c,v)$、$\mathcal{F}_t(u,c,v)$ 与 $\mathcal{S}_t(u,c,v)$，这些成分源自对过程条件分布的正态近似。
• 采用对首次到达时间 $T_1 = v$ 的条件化方法，将生存概率分解为两部分：立即 ruin 与延迟 ruin。
• 近似方法依赖于复合更新过程的渐近正态性，其均值为 $cM(1+x)$，方差为 $c^2D^2(1+x)/(u+cv)$，其中 $M = \mathbb{E}[T]/\mathbb{E}[Y]$ 且 $D^2$ 为离散度度量。
• 核心数学框架涉及第二类不完全修正贝塞尔函数（阶数为 $\frac{1}{2}$），通过 Hankel 的级数展开与逆高斯分布建立联系。
• 推导过程运用了 Binet 的积分恒等式，通过变量替换与对称性，将首 hitting 时间积分转化为可表示为标准正态分布 CDF 的形式。
• 最终近似表达式为 $\mathcal{E}_t(u,c,v)$，由主项、校正项 $C_{\mathcal{F}}$ 与偏度校正项 $C_{\mathcal{S}}$ 组成，经校准后可显著提升在 $c = c^*$ 附近的精度。

实验结果

研究问题

• RQ1 如何更精确地近似复合更新过程的首 hitting 时间分布，特别是在临界漂移 $c^*$ 附近？
• RQ2 首 hitting 时间分布与广义逆高斯（GIG）分布之间存在何种精确的数学关系？
• RQ3 使用不完全贝塞尔函数与正态近似是否能提供比现有渐近方法更稳健、更精确的近似？
• RQ4 校正项 $C_{\mathcal{F}}$ 与 $C_{\mathcal{S}}$ 如何提升在 $c^*$ 附近关键区域的性能？

主要发现

• 所提出的近似 $\mathcal{E}_t(u,c,v)$ 在估计 $\mathsf{P}(\Upsilon \leq t)$ 时显著优于现有方法，尤其在临界漂移 $c^*$ 附近，此前方法已失效。
• 首 hitting 时间分布通过第二类阶数为 $\frac{1}{2}$ 的不完全修正贝塞尔函数，与广义逆高斯（GIG）分布紧密关联。
• 逆高斯分布的累积分布函数通过 $K_{1/2}(z)$ 显式表达，从而将其与 GIG 框架联系起来，实现解析可处理性。
• Binet 的积分恒等式被用于将首 hitting 时间积分转化为涉及标准正态分布 CDF 的积分之和，从而实现高效的数值计算。
• 通过引入偏度与尺度校正项（$C_{\mathcal{F}}$、$C_{\mathcal{S}}$），该方法在经典近似中所缺乏的校正项下实现了更高的精度。
• 理论结果证实，该近似在 $u \to \infty$ 时仍保持高精度，尤其在 $c = c^*$ 附近这一关键区域，ruin 概率发生急剧变化时表现尤为出色。