[论文解读] Tail indices for AX+B recursion with triangular matrices

Muneya Matsui, W. Świątkowski|arXiv (Cornell University)|Aug 29, 2018

Financial Risk and Volatility Modeling参考文献 25被引用 4

一句话总结

本文首次为具有三角系数矩阵的多变量随机递归方程（SREs）的平稳解建立了精确的尾指数渐近分析，证明了各分量的尾指数因矩阵结构而异。与经典 Kesten 理论（假设不可约性并导致各分量尾指数相同）不同，本研究基于矩条件与谱半径分析，采用归纳法推导出每个分量的显式、独立的尾指数，并将其应用于多变量 GARCH 模型。

ABSTRACT

Multivariate stochastic recurrence equations (SREs) are investigated when coefficients are triangular matrices. If coefficient matrices of SREs have all strictly positive elements, the Kesten's classical result yields solutions with regularly varying tails such that the tail indices of solutions are the same through coordinates. This framework is too restrictive for applications. In order to widen the applicability of the SREs, we study SREs with triangular matrix coefficients and prove that they have regularly varying solutions which may exhibit coordinate-wisely different tail exponents. We also specify the coefficients for regularly varying tails. Several applications are suggested for GARCH models.

研究动机与目标

• 将经典 Kesten 理论关于 SRE 解的正则变异性扩展至系数矩阵为三角形的情形，此时不可约性条件不成立，且各分量的尾行为可能不同。
• 建立在具有非负元素和适当矩条件的三角形矩阵驱动下的 SRE 的平稳解的存在性。
• 为平稳解各分量的精确尾部渐近行为提供分析，表明尾指数依赖于三角矩阵的结构以及系数矩阵的矩。
• 为多变量 GARCH(1,1) 过程提供一个适用框架，其中分量特定的尾行为在经验上已被观测到，但经典理论无法捕捉。
• 通过一种新颖的归纳方法，结合谱半径与矩阵幂的矩条件，阐明尾指数的依赖结构。

提出的方法

• 作者采用基于三角矩阵结构的归纳证明策略，其中每个分量仅依赖于更高索引的分量，从而实现对尾行为的逐步分析。
• 他们定义函数 $ h(s) = \inf_{n \in \mathbb{N}} (\mathbb{E} \| \boldsymbol{\Pi}_n \|^s)^{1/n} $，其中 $ \boldsymbol{\Pi}_n = \mathbf{A}_1 \cdots \mathbf{A}_n $，并分析其行为以确定正则变异性临界指数 $ \alpha $。
• 证明依赖于 Breiman 引理的修改版本（引理 B.1），该引理在减弱的矩条件与尾部假设下，为独立随机变量乘积的尾部提供上界。
• 关键技术步骤包括证明 $ \rho(\mathbb{E} \mathbf{A}^\varepsilon) < 1 $ 对于足够小的 $ \varepsilon > 0 $ 成立，这通过 Gelfand 公式与矩阵范数等价性确保平稳性。
• 作者引入递归依赖结构：$ W_i $ 依赖于 $ W_{i+1}, \dots, W_d $，并利用此结构以 $ \alpha_i, \dots, \alpha_d $ 表示分量特定的尾指数 $ \widetilde{\alpha}_i $。
• 他们对矩阵使用 $ \ell^1 $-范数以控制谱半径，并利用次乘性性质控制矩阵乘积的增长，确保平稳解的无穷级数表示收敛。

实验结果

研究问题

• RQ1 经典 Kesten 定理能否扩展至系数矩阵为三角形的 SRE 情形？此时不可约性条件不成立，且各分量的尾指数可能不同？
• RQ2 在三角形 SRE 中，平稳解各分量 $ W_i $ 的精确尾指数 $ \widetilde{\alpha}_i $ 是什么形式？
• RQ3 分量 $ W_i $ 的尾行为如何依赖于矩 $ \mathbb{E}[A_{ii}^{\alpha_i}] = 1 $ 以及上三角矩阵的结构？
• RQ4 能否使用一种尊重三角形 SRE 中因果依赖结构的归纳方法推导出尾渐近行为？
• RQ5 这些结果对多变量 GARCH(1,1) 模型有何影响？在这些模型中，经验上可观测到分量特定的尾行为。

主要发现

• 具有三角形 $ \mathbf{A}_t $ 的 SRE 的平稳解 $ \mathbf{W} $ 是正则变异性，其各分量的尾指数 $ \widetilde{\alpha}_i $ 在不同分量间不同。
• 对每个分量 $ i $，有 $ \mathbb{P}(W_i > x) \sim c_i x^{-\widetilde{\alpha}_i} $ 当 $ x \to \infty $，其中 $ c_i > 0 $ 且 $ \widetilde{\alpha}_i > 0 $。
• 第一分量的尾指数 $ \widetilde{\alpha}_1 $ 为 $ \min(\alpha_1, \alpha_2, \dots, \alpha_d) $，而 $ i > 1 $ 时的 $ \widetilde{\alpha}_i $ 依赖于 $ \alpha_i, \dots, \alpha_d $，反映出系统中的递归依赖结构。
• 该结果推广了文献 [10] 中 $ d=2 $ 的情形，其中 $ \widetilde{\alpha}_1 = \min(\alpha_1, \alpha_2) $，$ \widetilde{\alpha}_2 = \alpha_2 $，适用于任意维度。
• 证明依赖于一种新颖的归纳方案，以及一个修改版的 Breiman 引理，该引理在减弱的矩与尾部假设下为乘积的尾部提供上界。
• 该框架适用于多变量 GARCH(1,1) 过程，其中三角结构自然出现，且金融数据中可观测到分量特定的尾行为。