[论文解读] Several new tail index estimators

Vygantas Paulauskas, Marijus Vaiÿciulis|arXiv (Cornell University)|Jan 5, 2015

Financial Risk and Volatility Modeling参考文献 17被引用 3

一句话总结

本文引入了一类新的非单调幂对数函数 $ g_{r,u}(x) = x^r \ln^u(x) $，用于构建重尾分布的改进尾指数估计量。通过基于这些函数构造极值顺序统计量的比值估计量，作者在第二阶变体参数的全范围内实现了比 Hill 估计量及其他经典估计量更优的渐近性能，理论证明了渐近正态性与更低的渐近均方误差，并通过模拟研究得到支持。

ABSTRACT

In the paper we propose some new class of functions which is used to construct tail index estimators. Functions from this new class is non-monotone in general, but presents a product of two monotone functions: the power function and the logarithmic function, which plays essential role in the classical Hill estimator. Introduced new estimators have better asymptotic performance comparing with the Hill estimator and other popular estimators over all range of the parameters present in the second order regular variation condition. Asymptotic normality of the introduced estimators is proved, and comparison (using asymptotic mean square error) with other estimators of the tail index is provided. Some preliminary simulation results are presented.

研究动机与目标

• 开发一类新的尾指数估计量，使其在第二阶正则变体参数的全范围内均优于现有方法。
• 通过引入保留对数结构的非单调函数，克服 Hill 和 Pickands 等经典估计量的单调性局限。
• 建立新估计量的渐近正态性，并推导其渐近均方误差（AMSE），以实现与现有方法的理论比较。
• 提供一个理论基础坚实且经实证验证的 Hill 估计量替代方案，具有改进的小样本性能。

提出的方法

• 提出参数族函数 $ g_{r,u}(x) = x^r \ln^u(x) $，定义于 $ x \geq 1 $，其中 $ r \in \mathbb{R} $，$ u \in \mathbb{R} $，满足约束 $ \gamma r < 1 $，$ u > -1 $，并聚焦于整数 $ u $。
• 基于极值顺序统计量的比值，定义新统计量 $ G_n(k,r,u) = \frac{1}{k} \sum_{i=0}^{k-1} g_{r,u}\left( \frac{X_{n-i,n}}{X_{n-k,n}} \right) $。
• 利用 $ G_n(k,r,u) $ 构造三个新估计量 $ \hat{\gamma}^{(1)}_n $、$ \hat{\gamma}^{(2)}_n $、$ \hat{\gamma}^{(3)}_n $，其闭式表达式分别涉及 $ G_n(k,r,0) $、$ G_n(k,r,1) $ 和 $ G_n(k,0,2) $。
• 通过多变量中心极限定理与连续映射定理，严格证明估计量的渐近正态性，避免使用复杂的函数 delta 方法。
• 推导渐近均方误差（AMSE）表达式，并与 Hill 估计量、矩估计量及矩比估计量进行比较。
• 通过模拟研究，对理论发现进行初步的实证验证。

实验结果

研究问题

• RQ1 能否通过引入结合幂函数与对数成分的新型非单调函数，实现对 Hill 估计量的尾指数估计性能的超越？
• RQ2 新估计量在不同第二阶参数下的渐近偏差与方差，相较于 Hill 估计量、矩估计量及矩比估计量的表现如何？
• RQ3 所提出的估计量族是否在尾指数值与第二阶参数的全范围内均保持良好的小样本性能？
• RQ4 是否能在不依赖复杂函数中心极限定理的前提下，严格推导出新估计量的渐近正态性与 AMSE 表达式？

主要发现

• 新估计量在第二阶参数的全范围内，相较于 Hill 估计量及其他流行估计量，表现出更优的渐近性能。
• 通过多变量中心极限定理与连续映射定理，严格建立了新估计量的渐近正态性。
• 新估计量的渐近均方误差（AMSE）在所有考虑的参数配置下，均统一低于 Hill 估计量及其他经典估计量。
• 证明估计量 $ \hat{\gamma}^{(3)}_n $ 在 $ r \neq 0 $ 时渐近无偏（偏差 $ B^{(2)} = 0 $），而当 $ r = 0 $ 时偏差发散，表明在对数极限处存在结构性局限。
• 理论分析确认新估计量是一致的，且以标准 $ \sqrt{k} $ 速率收敛，其收敛速度与现有方法相当或更优。
• 初步模拟结果支持理论发现，表明在不同尾指数与第二阶参数设定下，新估计量具有更优的小样本性能。