具备尾部依赖性的贝叶斯非参数 copula

我们引入一种新型双变量 copula 模型，能够捕捉联合概率分布的中心依赖性和尾部依赖性。能够捕捉联合尾部依赖结构的模型在许多应用领域具有重要意义，这些领域的关注点是风险管理(例如宏观经济学和金融学)。我们采用贝叶斯非参数方法，引入一种基于无限分区统一的随机 copula。我们定义了一个对单位超立方体的无限分区的层次性先验，该分区具有棒棒糖破碎表示，导致由独立的 beta 概率密度函数组成的无限混合物。凭借棒棒糖破碎表示，我们引入一种Gibbs抽样以进行推断。对于我们的经验分析，我们考虑模拟数据和真实数据(保险索赔和投资组合收益)。我们比较了我们模型捕捉尾部依赖性以及其外样预测性能与竞争模型(例如Joe和Clayton copula)的能力，结果表明在模拟和真实案例中，我们的模型在两个方面都优于竞争模型。