半参数混合模型下贝叶斯方法在极值损失估计中的应用.pdf

半参数混合模型下贝叶斯方法在极值损失估计中的 应用 1 1 张琳 ，袁凌翔 （湖南大学 金融与统计学院， 湖南省长沙市 410012） 摘要：极端值估计是损失评估的重要研究部分，本文在贝叶斯方法的基础上，用半参数混合模型来拟合损 失。在确定模型参数的过程中，运用贝叶斯方法对参数建模，将参数转化成随机变量，并基于马尔卡夫蒙 特卡罗（MCMC）抽样得到参数的估计值。该方法的特点是参数数量少，通过抽样把参数转化成随机变量， 给出所有参数可能取值的频率分布图。实证结果表明模型结果既考虑了参数的不确定性，又兼顾了损失的 厚尾性。 关键词：极值理论； 半参数混合模型； 贝叶斯方法； 不确定性； MCMC 中图分类号： F2 文献标识码：J 1 引言及文献综述 极端事件具有损失大、发生概率小的特点，从统计角度甚至可以认为不会发生，但是在 风险管理中具有极其重要的研究意义。特别是从保险公司的角度来看，一旦极端事件发生将 造成非同寻常的影响，甚至可能因巨额赔款而破产。极值理论为极端事件的测度提供了基本 的统计模型，在使用极值理论的过程中有一个难点，GPD 中的参数对阀值的选取极其敏感， 贝叶斯方法的运用能够考虑参数的不确定性。 极值理论发展了近一百年，Fisher 和Tippett(1928)首次证明了若独立同分布的序列的 标准极大值收敛于某分布,则其极限分布就是广义帕累托分布。Gnedenko(1943)证明了序列 极端值分布区域应用的极端损失尾部准则。Gumbel(1958)将上述研究成果进行了系统的总结, 形成了以第一极值定理为重要结论的极值理论。Pickands （1975）证明了第二极值定理, 即 来自同一总体的简单随机样本, 只要选择的临界值 足够大, 超过该临界值的样本点近似地 服从参数为 的广义帕累托分布。 在实际的数据分析中，通常需要选择一个合理的阀值 ，并运用广义帕累托模型来拟合 超过阀值的那些观测值。从目前国内外发表的文献来看，在 确定的情况下，有很多方法可 以估计和 的值。Davison （1984），Dmith （1984）和 Grimshaw （1993）基于最大似然估 计法来拟合参数值。但似然函数是无规则性的（Smirth(1984)）。因此，学者们又提出了概 率加权矩估计（Hosking 和Wallis(1987)）、元素分位点Castillo 和Hadis(1997)及贝叶 斯（Castellanos 和 Cabras （2007））等方法来估计参数。本文的研究重点是估计尾部的 分位点，并将其用于VaR、保险公司想要承保的损失限额和再保险保费的计算。 在实际应用过程中，GPD 模型中 和 的估计值会因 的不同选择而出现极大的差异， McNeil （1997）和Embrechts et al （1997）的文章中都发现了这一问题。为满足第二极值 定理的条件, ξ 的取值需要比较大，而 越大，用于估计这两个参数的观测值会越少，则 和 σ 的值就会越不准确。目前，估计 的方法中使用最广的是平均余值散点图（Coles,2001）, - 1 - 其基本原理是样本数据得到的平均余值散点图在超过某一特定临界值 时呈现一条直线（或 u u 至少具有正斜率），且超过临界值 的损失值服从广义帕累托分布，由此来估计阀值 。Reiss u 和 Tomas （2007 ）将样本数据排序