定义尾部依赖


10

我一直在尝试找到有关尾部依赖的简单,简洁的定义。任何人都可以分享他们的看法。

其次,如果我要在图形上使用不同的copula绘制模拟,我将如何知道哪些显示尾部相关性。

Answers:


9

XY λlimu1P{Y>G1(u)|X>F1(u))=λuλ

在极端情况下,很难分辨出系动词是否表现出对尾部的依赖:重要的是,(两个)变量的出现是否在图的角上比在中心上更紧密。

高斯copula没有尾部相关性-尽管随机变量是高度相关的,但是似乎没有特殊的关系,任何变量都达到较大的值(在图表的角落)。 边缘正常且相关系数为0.9的高斯系

当将该图与来自相同边际但使用T-2 copula的模拟图进行比较时,没有尾部相关性变得明显。

T-系有尾部相关性,相关性随相关性而增加,随自由度数而减小。如果模拟了更多点,从而覆盖了单位正方形的较大部分,则几乎可以看到这些点在右上角和左下角处有一条细线。但是即使在图表上,很明显,在右上象限和左下象限中(即两个变量都达到非常低或非常高的值),这两个变量似乎比体内的相关性更高。

边缘正常且相关系数为0.9的T-2系

金融市场倾向于表现出对尾巴的依赖,特别是对尾巴的依赖程度较低。例如,正常时期的主要股票收益具有大约0.5的相关性,但是在2008年9月/ 10月,一些货币对的相关性超过0.9-它们都在大幅下跌。高斯copula在危机之前用于对信用产品定价,并且由于它没有考虑尾部依赖,因此,它低估了许多房主无法支付时的潜在损失。房主的付款可能被理解为随机变量-在许多人开始难以偿还抵押贷款的那一刻,它们被证明是高度相关的。由于违约是由于不利的经济气候而造成的,因此违约行为具有尾部依赖性。

PS:从技术上讲,这些图片显示了由系膜和正常边缘产生的多元分布。


1
您能否进一步解释一下图表如何显示尾部相关性。你会如何解释它,如果你是它限制统计背景说明一个人
吉姆

3

尾部相关性是当两个变量之间的相关性随着分布的尾部(或任意一个或两个)的“进一步”而增加时。比较Clayton copula和Frank copula。

克莱顿copula散点图

弗兰克·科普拉(Frank copula)散点图

克莱顿有左尾依赖。这意味着,随着您进一步靠近左尾(较小的值),变量变得更加相关。弗兰克(和高斯有关)是对称的。如果相关系数为0.45,则整个分布范围为0.45。

经济体系倾向于表现出对尾巴的依赖。例如,承担再保险公司的信用风险。当总体损失正常时,再保险人A或再保险人B是否会拖欠向保险人的付款,可能看起来不相关,或者相关性很弱。现在想象发生了一系列人员伤亡(例如飓风丽塔,威尔玛,爱达等)。现在,整个市场都面临着巨大的支付要求,这是一个接一个的问题,由于问题的范围和被保险人的同时要求,这可能导致许多再保险公司面临流动性问题。他们的支付能力现在更加相关。这是一个要求右尾足系带的例子。


1

至少据我所知,对尾巴的依赖是对统计背景有限的人的解释。

假设您有两个变量X和Y。每个变量有100,000个观测值。从某种意义上说,这些观察是捆绑在一起的。也许它们是使用copula生成的,或者您恰好在100,000个时间段内具有两只高度相关的股票的回报值。

让我们看一下X的最差观察值的1%。这是1,000个观察值。现在查看这1000个观测值中Y的对应值。如果X和Y是独立的,则您期望 000个观测值中的个观测值是Y的最差1%值的一部分。

11001100100,000=10

当X和Y的值在尾部不独立时,实际的观察数可能会高于10,这就是我们所说的尾部相关性

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.