多元偏椭圆分布中偏度矩阵贝叶斯估计的可识别性
统计方法学
2021-08-10 v1 投资组合管理
统计计算
摘要
Harvey 等人（2010）将 Sahu 等人（2003）的贝叶斯估计方法扩展至具有一般偏度矩阵的多元偏椭圆分布，并应用于含高阶矩的贝叶斯投资组合优化。尽管他们的方法在可处理资产收益间偏度依赖并将高阶矩纳入投资组合优化方面具有开创性，但由于 Gibbs 采样器中的标签切换，其无法识别偏度矩阵中的所有元素。为处理该可识别性问题，我们提出通过对多元偏椭圆分布的偏度矩阵施加正下三角约束来修正其采样算法，并提升可解释性。此外，我们提出基于 horseshoe 先验的偏度矩阵贝叶斯稀疏估计以进一步提升精度。在模拟研究中，我们证明带可识别性约束的所提方法能成功估计偏度依赖的真实结构，而现有方法受困于可识别性问题。
引用
@article{arxiv.2108.04019,
title = {Identification in Bayesian Estimation of the Skewness Matrix in a Multivariate Skew-Elliptical Distribution},
author = {Sakae Oya and Teruo Nakatsuma},
journal= {arXiv preprint arXiv:2108.04019},
year = {2021}
}