[论文解读] Statistical Estimation of Composite Risk Functionals and Risk Optimization Problems

Darinka Dentcheva, Spiridon Penev+1 more|arXiv (Cornell University)|Apr 10, 2015

Risk and Portfolio Optimization参考文献 36被引用 2

一句话总结

本文提出了一套统计框架，用于估计金融与保险中常见的复合风险泛函——即概率测度的非线性泛函。该研究建立了这些估计量的中心极限定理，并证明了在风险优化问题中最优值的渐近正态性，从而在一般抽样条件下实现了对AVaR和均半偏差等一致风险度量的可靠推断与置信区间估计。

ABSTRACT

We address the statistical estimation of composite functionals whichmay be nonlinear in the probability measure. Our study is motivated bythe need to estimate coherent measures of risk, which become increasinglypopular in finance, insurance, and other areas associated with optimization under uncertainty and risk. We establish central limit formulae forcomposite risk functionals. Furthermore, we discuss the asymptotic behavior of optimization problems whose objectives are composite risk functionals and we establish a central limit formula of their optimal valueswhen an estimator of the risk functional is used. While the mathematicalstructures accommodate commonly used coherent measures of risk, theyhave more general character, which may be of independent interest.

研究动机与目标

• 解决在概率测度上非线性、特别是风险优化决策问题中复合风险泛函的统计估计问题。
• 建立AVaR和均半偏差等一致风险度量估计量的渐近正态性，这些度量在基础分布上是非线性的。
• 分析使用经验风险估计量时，风险优化问题中最优值的渐近行为。
• 将delta方法的适用范围扩展至风险量化中出现的无穷维泛函，特别是在非正态和重尾分布情形下。
• 为风险厌恶优化中的统计推断提供理论基础，包括置信区间和收敛速率。

提出的方法

• 使用无穷维delta方法推导复合风险泛函的渐近分布，将其视为经验测度的非线性泛函。
• 将风险泛函建模为统计泛函与风险度量的复合形式，例如：̺(X) = E[X] + κ(E[(X−E[X])+^p])^{1/p}，用于均半偏差。
• 应用Kusuoka表示法，将一般分布不变的一致风险度量表示为AVaR泛函的积分，从而实现结果的推广。
• 在弱正则性和矩条件（包括p阶矩可积性，p ≥ 1）下，推导风险泛函估计量的中心极限定理。
• 利用对偶性与凸分析处理具有风险泛函目标的优化问题，证明在经验估计下最优值的收敛性。
• 通过正态分布和t分布数据的模拟研究，验证在不同尾部厚度和样本量下估计量的渐近正态性。

实验结果

研究问题

• RQ1 如何对在概率测度上非线性的复合风险泛函进行统计估计，特别是在风险优化决策问题中？
• RQ2 基于经验样本时，AVaR和均半偏差等一致风险度量的估计量的渐近分布是什么？
• RQ3 当风险泛函从数据中估计时，风险优化问题的最优值在渐近下如何表现？
• RQ4 在重尾分布（如自由度较低的t分布）下，风险估计量的渐近正态性在多大程度上仍然成立？
• RQ5 中心极限定理能否推广至标准风险度量之外的一般复合泛函？所需的正则性条件是什么？

主要发现

• 在温和的正则性和矩条件下，即使泛函在概率测度上为非线性，复合风险泛函估计量的中心极限定理依然成立。
• 对于p = 2的均半偏差风险度量，渐近方差依赖于基础分布的四阶矩，该矩在自由度ν > 4的t分布下为有限值。
• 当基础分布具有重尾（如ν = 4的t分布）时，四阶矩为无穷大，风险估计量的正态近似失效，模拟结果已证实这一点。
• 随着尾部变重，风险估计量的正态近似质量显著下降，需大幅增加样本量（如n = 8000）才能达到与正态数据相当的精度。
• 对于自由度ν = 60的t分布，即使在n = 4000时，正态近似也较为准确，表明收敛性对尾部行为高度敏感。
• 该方法可广泛应用于风险度量之外的场景，包括具有风险泛函目标的优化问题，当使用经验风险估计量时，最优值渐近收敛于正态分布。