Skip to main content
QUICK REVIEW

[论文解读] Modelling Italian mortality rates with a geometric-type fractional Ornstein-Uhlenbeck process

Francisco Delgado‐Vences, Arelly Ornelas|arXiv (Cornell University)|Jan 3, 2019
Financial Risk and Volatility Modeling参考文献 9被引用 6
一句话总结

本文提出一种几何型分数阶Ornstein-Uhlenbeck过程,用于建模1950年至2004年意大利的死亡率,采用赫斯特参数H ∈ (0.58, 0.8)的分数布朗运动以捕捉长程依赖性。该模型通过引入长记忆动态机制,在老年群体中表现出良好拟合效果,且在大多数年龄组中表现合理,尽管在艾滋病大流行等人口结构冲击时期存在轻微的低估与高估现象。

ABSTRACT

We propose to model mortality hazard rates for human population using the exponential of the solution of a stochastic differential equation (SDE). The noise in the SDE is a fractional Brownian motion. We will use the well-known fractional Ornstein-Uhlenbeck process. Using the Hurst parameter we showed that mortality rates exhibit long-term memory. The proposed model is a generalization of the model introduced by [6], where they used an SDE driven with a Brownian motion. We tested our model with the Italian population between the years 1950 to 2004.

研究动机与目标

  • 开发一种能够捕捉死亡率长期记忆性的随机死亡率模型,以弥补短记忆模型的局限性。
  • 通过将标准布朗运动替换为分数布朗运动,对Milevesky-Promislow模型进行推广。
  • 在意大利死亡率数据(1950–2004)上测试模型性能,尤其关注不同年龄组的表现。
  • 评估通过赫斯特参数量化长程依赖性是否能提升预测准确性,相较传统模型。
  • 识别模型在人口波动剧烈时期(如艾滋病大流行)的不足之处,并提出未来改进方向。

提出的方法

  • 风险率建模为 h(t) = h₀ exp(α₀t + α₁Yₜ),其中 Yₜ 服从由分数布朗运动驱动的分数阶SDE。
  • 随机过程 Yₜᴴ 满足 dYₜᴴ = -λYₜᴴdt + σdBₜᴴ,其中 Bₜᴴ 为赫斯特参数 H ∈ [0.5, 1) 的分数布朗运动。
  • 通过R/S分析估计赫斯特参数H,得出其取值范围为(0.58, 0.8),表明存在显著的长程依赖性。
  • 模型模拟采用10,000条蒙特卡洛路径,生成预测死亡率及95.5%置信区间。
  • 模型基于1950至2004年意大利死亡率数据分别对男性和女性进行校准。
  • 当H = 0.5时,该模型退化为Giacometti et al.模型,确保与先前研究的一致性。

实验结果

研究问题

  • RQ1几何型分数阶Ornstein-Uhlenbeck过程能否有效建模意大利死亡率中的长程依赖性?
  • RQ2与标准布朗运动模型相比,引入分数布朗运动在多大程度上提升了预测准确性?
  • RQ3意大利死亡率数据的赫斯特参数H的估计范围为何?其是否证实了长记忆行为?
  • RQ4为何该模型在特定历史时期(如艾滋病大流行)表现欠佳?
  • RQ5通过引入短记忆成分,能否提升模型对瞬时死亡率峰值的捕捉能力?

主要发现

  • 估计的赫斯特参数H位于(0.58, 0.8)范围内,证实了意大利死亡率中存在强烈的长程依赖性。
  • 对于60–90岁年龄组,模型对死亡率的拟合效果良好,历史数据大多落在95.5%预测区间内。
  • 对于0–35岁年龄组,模型能够捕捉1980至1990年代与艾滋病相关的死亡率峰值,但存在短暂的高估与低估现象。
  • 在1950年代末至1970年代初,模型对0岁年龄组的死亡率存在低估,对25岁年龄组存在高估,表明对人口结构冲击具有敏感性。
  • 在约50岁年龄组,模型预测准确性较低,可能由于该年龄段人群规模较小,提示需改进对低人口群体的建模方法。
  • 作者认为,通过增加短记忆成分可提升模型的灵活性与准确性,特别是在快速变化时期。

更好的研究,从现在开始

从阅读论文到最终审阅,大幅缩短您的研究时间。

无需绑定信用卡

本解读由 AI 生成,并经人工编辑审核。