首页 理论教育 小波收缩估计量用于金融风险价值量化分析

小波收缩估计量用于金融风险价值量化分析

时间:2023-07-26 理论教育 版权反馈
【摘要】:为此本章结合小波函数的局部自适应能力和变焦功能,引入一维分布函数的小波收缩方法估计边缘分布相关的非参数模型。因此基于这两种阈值规则,式(8.8)给出边缘分布的两种小波收缩估计量。由于软阈值规则具有较强的局部自适应能力,拟合边缘分布时,均方误差的收敛性较快,大样本下的渐近性较好,因此软阈值小波收缩估计量更适合消除边缘分布特征对Copula函数选择的影响。

小波收缩估计量用于金融风险价值量化分析

金融相依结构建模中,由于金融数据往往受到市场微观结构噪声污染,拟合边缘分布模型的误差较大。为此本章结合小波函数的局部自适应能力和变焦功能,引入一维分布函数的小波收缩方法(Donoho,1993)估计边缘分布相关的非参数模型。假设X i(i=1,2,…,d;d≥2)的边缘分布F i(x i)满足

式(8.5)中u i=(T+1)-1Tj=1 I(X i,j≤x i),w i 为维纳过程,σ≥0显示噪声对真实分布的影响程度。

假设尺度函数φ 和小波函数ψ 有较好的正则性,由父小波φ 和母小波ψ生成的正交基分别记为φjk=2j/2φ(2jx-k)和ψjk=2j/2ψ(2jx-k),则存在正整数τ 使得函数系ζ={φjk(x),k=0,…,2τ-1;ψjk(x),j=τ,…,∞,k=0,…,2j-1}构成空间L 2(R)的一组正交基。因此,对任何l≥τ,平方可积的一维分布函数F(x)∈L 2(R)在小波基函数构成的集合ζ 中展开为

代入式(8.6),可得:(www.xing528.com)

对于样本观测值X i,t(i=1,…,d;t=1,…,T),u i,t ∈(0,1),令l,kj,k 分别为-∫w iφl,k(x)dx和-∫w iψj,k(x)dx 的估计值,即噪声的小波估计量,则小波系数的矩法估计为:

由式(8.7)计算出的小波系数受到噪声污染,为了得到边缘分布F i(x i)的最佳估计量,这里应用Donoho等(1993)提出的几种阈值规则,对jk进行阈值收缩,得到一维分布的小波收缩估计量

式(8.8)中0≤j 0≤l,l≤j max=2 log(T),阈值参数λ=log(T)/T,按收缩的方式,将阈值记为硬阈值和软阈值N∈{H,S}jk I(|jk|≥λ),=(||-λ)sgn)。因此基于这两种阈值规则,式(8.8)给出边缘分布的两种小波收缩估计量。如果密度函数具有紧支撑性,那么该估计量具有渐进无偏性(Kerkyacharian和Picard,2001;Chesneau,2008)。由于软阈值规则具有较强的局部自适应能力,拟合边缘分布时,均方误差的收敛性较快,大样本下的渐近性较好(彭选华和傅强,2011),因此软阈值小波收缩估计量更适合消除边缘分布特征对Copula函数选择的影响。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈