[论文解读] Power-law distributions in economics: a nonextensive statistical approach

Sı́lvio M. Duarte Queirós, Celia Anteneodo+1 more|RePEc: Research Papers in Economics|Mar 2, 2005

Statistical Mechanics and Entropy被引用 8

一句话总结

本文提出了一种基于 $S_q$ 熵的非广延统计力学框架，用于建模经济系统中的幂律分布，特别是股票成交量和收益率。通过采用具有波动反温度的加法-乘法随机过程，推导出 $q$-高斯分布和幂律重尾分布，与实际金融数据相符，提供了一种超越标准布朗运动的肥尾分布统一机制。

ABSTRACT

The cornerstone of Boltzmann-Gibbs ($BG$) statistical mechanics is the Boltzmann-Gibbs-Jaynes-Shannon entropy $S_{BG} \equiv -k\int dx f(x)\ln f(x)$, where $k$ is a positive constant and $f(x)$ a probability density function. This theory has exibited, along more than one century, great success in the treatment of systems where short spatio/temporal correlations dominate. There are, however, anomalous natural and artificial systems that violate the basic requirements for its applicability. Different physical entropies, other than the standard one, appear to be necessary in order to satisfactorily deal with such anomalies. One of such entropies is $S_q \equiv k (1-\int dx [f(x)]^q)/(1-q)$ (with $S_1=S_{BG}$), where the entropic index $q$ is a real parameter. It has been proposed as the basis for a generalization, referred to as {\it nonextensive statistical mechanics}, of the $BG$ theory. $S_q$ shares with $S_{BG}$ four remarkable properties, namely {\it concavity} ($\forall q>0$), {\it Lesche-stability} ($\forall q>0$), {\it finiteness of the entropy production per unit time} ($q \in \Re$), and {\it additivity} (for at least a compact support of $q$ including $q=1$). The simultaneous validity of these properties suggests that $S_q$ is appropriate for bridging, at a macroscopic level, with classical thermodynamics itself. In the same natural way that exponential probability functions arise in the standard context,power-law tailed distributions, even with exponents {\it out} of the Lévy range, arise in the nonextensive framework. In this review, we intend to show that many processes of interest in economy, for which fat-tailed probability functions are empirically observed, can be described in terms of the statistical mechanisms that underly the nonextensive theory.

研究动机与目标

• 解决玻尔兹曼-吉布斯统计力学在描述具有长程相关性和肥尾的异常经济系统时的局限性。
• 将非广延 $S_q$ 熵形式化应用于建模金融时间序列中观察到的经验幂律分布，如股票成交量和收益率。
• 证明具有波动参数的加法-乘法随机过程能够生成与真实金融数据一致的 $q$-高斯分布和幂律重尾分布。
• 建立非广延统计力学与超统计之间的联系，特别是通过波动的反温度，以描述市场动态。
• 为金融可观测量提供一个可基于更微观模型的中观层次描述。

提出的方法

• 本文使用非广延熵 $S_q = k(1 - \sum p_i^q)/(1 - q)$，该熵在 $q \to 1$ 极限下推广了玻尔兹曼-吉布斯熵 $S_{BG}$。
• 使用带有加法和乘法噪声的随机朗之万方程来建模金融动态：$dv = -\gamma(v - \theta)\frac{1}{v}dt + \mu\sqrt{v}dW_1 + \alpha dW_2$。
• 从该朗之万方程导出的福克-普朗克方程得到一个形式为 $P(v) \propto (v/\theta)^\alpha \exp_q(-v/\theta)$ 的平稳概率密度函数，其中 $\exp_q$ 是 $q$-指数函数。
• 通过假设波动参数 $\beta$ 服从伽马分布，推导出幂律重尾，其指数与 $q = 1 + 1/(1 + \alpha + \delta)$ 相关。
• 通过将反温度 $\beta$ 视为波动的强度参数，将框架与贝克和科恩的方法联系起来，实现超统计。
• 数值模拟和对纽约证券交易所1分钟成交量数据的实证拟合验证了该模型，得出 $q = 1.17$，$\alpha = 1.79$，$\delta = 3.09$，和 $\lambda = 1.42$。

实验结果

研究问题

• RQ1 非广延统计力学结合 $S_q$ 熵是否能够充分描述金融时间序列中观察到的肥尾分布？
• RQ2 具有波动参数的加法-乘法随机过程如何在经济系统中生成幂律重尾分布？
• RQ3 波动的反温度在建模股票成交量和波动率动态中起什么作用？
• RQ4 在多大程度上 $q$-高斯分布可作为金融可观测量（如收益率和成交量）的通用模型？
• RQ5 该框架在多大程度上能够与现有的 G/ARCH 模型和超统计协调，以描述金融市场的行为？

主要发现

• 该模型成功再现了纽约证券交易所1分钟交易量的经验幂律重尾分布，$q$-指数拟合得到 $q = 1.17$。
• 成交量动态的平稳分布被推导为 $P(v) \propto (v/\theta)^\alpha \exp_q(-v/\theta)$，其中 $q = 1 + 1/(1 + \alpha + \delta)$，将指数与系统的参数联系起来。
• 朗之万方程的数值模拟再现了与真实金融数据相似的间歇性爆发和持久相关性，支持了该模型的真实性。
• 该框架解释了肥尾的产生并非源于 Lévy 飞行，而是通过内部乘法噪声和波动温度实现，允许指数超出 Lévy 范围。
• 该模型为金融动态提供了可基于更微观随机过程的中观层次描述，为从第一性原理推导提供了桥梁。
• 通过使用伽马分布的 $\beta$ 参数进行超统计，成功生成了观察到的幂律行为，表明市场中非广延性的物理机制。