[论文解读] Implicit Extremes and Implicit Max-Stable Laws

Hans‐Peter Scheffler, Stilian Stoev|arXiv (Cornell University)|Nov 17, 2014

Financial Risk and Volatility Modeling参考文献 9被引用 4

一句话总结

本文提出了隐式极值理论，其中随机向量的极值行为不是通过其边缘值来研究，而是通过一个非负损失函数 f 来研究。该文证明，实现 f 值最大化的向量的极限分布是隐式极稳态的，并通过锥上的正则变异性刻画这些分布，将经典极值理论推广至多变量复杂协调的极值事件。

ABSTRACT

Let $X_1,...,X_n$ be iid random vectors and $f\ge 0$ be a non-negative function. Let also $k(n) = { m Argmax}_{i=1,...,n} f(X_i)$. We are interested in the distribution of $X_{k(n)}$ and their limit theorems. In other words, what is the distribution the random vector where a function of its components is extreme? This question is motivated by a kind of inverse problem where one wants to determine the extremal behavior of $X$ when only explicitly observing $f(X)$. We shall refer to such types of results as to implicit extremes. It turns out that, as in the usual case of explicit extremes, all limit implicit extreme value laws are implicit max-stable. We characterize the regularly varying implicit max-stable laws in terms of their spectral and stochastic representations. We also establish the asymptotic behavior of implicit order statistics relative to a given homogeneous loss and conclude with several examples drawing connections to prior work involving regular variation on general cones.

研究动机与目标

• 开发一个理论框架，用于理解当仅观测到损失函数 f(X) 而非向量 X 本身时，随机向量的联合极值行为。
• 刻画在 i.i.d. 复制品中使非负损失函数 f(X_i) 取得最大值的随机向量 X_k(n) 的极限分布。
• 证明所有此类极限分布均为隐式极稳态，将经典极值理论推广至隐式极值。
• 通过锥上的正则变异性建立该理论与一般锥的联系，为隐式极值提供自然的数学基础。
• 通过隐式极大值的新视角，统一并拓展先前关于隐藏正则变异性、隐藏依赖性以及阈值上模型的研究。

提出的方法

• 以 R^d \ {f=0} 上的锥上正则变异性作为关键技术工具，利用广义极坐标分解正则变异性测度。
• 应用分解公式，将正则变异性测度表示为其在广义单位球面上的谱测度。
• 将隐式极值定义为随机向量 X_k(n) = argmax_{i=1,...,n} f(X_i)，其中 f 为非负齐次损失函数。
• 证明归一化后的 X_k(n) 弱收敛至极限分布，并在正则变异性条件下证明该极限为 f-隐式极稳态。
• 利用谱测度与分解公式，推导极限分布的随机表示。
• 通过锥上的正则变异性刻画隐式极域吸引域，证明这些分布恰好是 R^d \ {f=0} 上正则变异性分布。

实验结果

研究问题

• RQ1 在 i.i.d. 复制品中，使非负损失函数 f(X_i) 取得最大值的随机向量 X_k(n) 的极限分布是什么？
• RQ2 如何将极稳态的概念推广至极值行为通过损失函数 f 隐式定义的情形？
• RQ3 隐式极值与一般锥上的正则变异性之间有何联系？该联系如何扩展经典极值理论？
• RQ4 隐式极值与现有框架（如隐藏正则变异性与阈值上模型）有何关联？
• RQ5 在何种条件下，一个分布属于 f-隐式极稳态分布的隐式极域吸引域？

主要发现

• 所有隐式极值的极限分布均为 f-隐式极稳态，意味着 i.i.d. 复制品的归一化隐式最大值在相同归一化下收敛至稳定分布。
• f-隐式极稳态分布的隐式极域吸引域恰好与锥 R^d \ {f=0} 上的正则变异性分布类一致。
• 极限分布可通过分解公式基于谱测度表示，将锥的几何结构与极值相依性联系起来。
• 在正则变异性假设下，归一化隐式最大值的分布收敛在正实轴的紧集上一致成立。
• 对于除可数个 u 外的所有 u，集合 {f > u} 的边界具有零 ν-测度，从而保证了正则变异性条件的有效性。
• 尾概率 P(f(X) > u) 是指数为 -α 的正则变异性，其中 α 为测度的正则变异性指数，确认了损失泛函的重尾性质。