Testing and estimation of the index of stability of univariate and bivariate symmetric $\alpha-$stable distributions via modified Greenwood statistic

Technische Zusammenfassung: Test und Schätzung des Stabilitätsindex für univariate und bivariante symmetrische $\alpha$-stabile Verteilungen mittels modifizierter Greenwood-Statistik

1. Problemstellung

Das Hauptziel der Arbeit ist die Entwicklung einer Methodik zum Testen, ob ein univariater oder bivariater Zufallsstichproben aus einer $\alpha$-stabilen Verteilung innerhalb der Klasse der sub-Gaußschen Verteilungen stammt. Ein zentrales Problem in der Statistik ist die Unterscheidung zwischen der Gaußschen Normalverteilung und schweren Verteilungen (heavy-tailed distributions), insbesondere wenn der Stabilitätsindex $\alpha$ nahe bei 2 liegt (d.h. die Verteilung ist der Normalverteilung sehr ähnlich).

• Herausforderung: Herkömmliche Tests für Multivariates Normalität (z.B. Mardia, Henze-Zirkler, Royston) zeigen oft eine geringe Power, wenn $\alpha$ nahe an 2 liegt oder wenn die Stichprobengröße klein ist.
• Ziel: Einführung eines robusten Verfahrens zur Hypothesenprüfung ($H_0: \alpha = 2$ vs. $H_1: \alpha < 2$) und zur Schätzung des Parameters $\alpha$ unter Verwendung einer modifizierten Version der Greenwood-Statistik.

2. Methodik

Die Autoren erweitern die kürzlich entwickelte modifizierte Greenwood-Statistik (ursprünglich für positive Zufallsvariablen konzipiert, nun für reellwertige, symmetrische Verteilungen angepasst) auf den bivariaten Fall.

A. Grundlegende Statistik (Univariat):
Für eine Stichprobe $X = (X_1, \dots, X_n)$ wird die modifizierte Greenwood-Statistik definiert als:
$$S_X = \frac{\sum_{i=1}^n |X_i|^2}{(\sum_{i=1}^n |X_i|)^2}$$
Ein Schlüsseleigenschaft dieser Statistik ist ihre stochastische Monotonie bezüglich des Stabilitätsindex $\alpha$ innerhalb der Klasse der symmetrischen $\alpha$-stabilen Verteilungen: $S_X$ nimmt stochastisch ab, wenn $\alpha$ zunimmt.

B. Erweiterung auf den bivariaten Fall (Sub-Gaußsche Vektoren):
Für einen bivariaten Stichprobenvektor $\vec{X} = (X_1, \dots, X_n)$ mit Komponenten $(X_1^{(i)}, X_2^{(i)})$ werden zwei Varianten der Statistik vorgeschlagen:

1. Szenario 1 ($S_{\vec{X}}^1$):

   • Definition: $W_i = X_1^{(i)} + X_2^{(i)}$ und Anwendung der univariaten Formel auf $W$.
   • Eigenschaft: Diese Statistik ist unabhängig von der Korrelation $\rho$ und den Varianzen der Komponenten. Sie behält die stochastische Monotonie bezüglich $\alpha$ bei.

2. Szenario 2 ($S_{\vec{X}}^2$):

   • Definition: $Y_i = (X_1^{(i)})^2 + (X_2^{(i)})^2$ und Anwendung der Formel auf $Y$.
   • Eigenschaft: Diese Statistik hängt vom Parameter $\beta$ ab, der eine Funktion der Varianzen und der Korrelation $\rho$ ist ($\beta \in [0, 1]$).
   • Verhalten: Für ein festes $\beta$ ist $S_{\vec{X}}^2$ stochastisch fallend bezüglich $\alpha$. Bei $\alpha=2$ (Gauß) hängt die Verteilung der Statistik jedoch stark von $\beta$ ab.

C. Testverfahren und Schätzung:

• Hypothesentest: Es werden einseitige und zweiseitige Tests für $\alpha$ konstruiert. Die Ablehnungsbereiche werden durch Monte-Carlo-Simulationen unter der Nullhypothese bestimmt.
• Konfidenzintervalle: Durch Invertierung des Tests werden Konfidenzintervalle für den Stabilitätsindex $\alpha$ berechnet.
• Strategie: Für unbekannte Korrelationen und kleine Stichproben wird $S_{\vec{X}}^1$ empfohlen, da sie robust gegenüber der Korrelationsstruktur ist.

3. Wichtige Beiträge

1. Erweiterung auf Multivariates: Die erste systematische Anwendung der modifizierten Greenwood-Statistik auf bivariante (und potenziell multivariate) sub-Gaußsche Verteilungen.
2. Zwei Teststatistiken: Vorstellung und Analyse von $S_{\vec{X}}^1$ (korrelationsunabhängig) und $S_{\vec{X}}^2$ (korrelationsabhängig), wobei die stochastischen Eigenschaften beider im Kontext von $\alpha$ und $\beta$ bewiesen bzw. simuliert werden.
3. Überlegene Leistung bei kleinen Stichproben: Die Methode ist speziell für Situationen optimiert, in denen $\alpha \approx 2$ und die Stichprobengröße $n$ klein ist (z.B. $n < 30$), wo klassische Tests oft versagen.
4. Praktische Anwendung: Demonstration der Methode an realen Finanzdaten (Währungs- und Rohstoffpreise).

4. Ergebnisse

Simulationen:

• Vergleich mit klassischen Tests: Die Power der vorgeschlagenen Tests ($S_1$ und $S_2$) wurde mit etablierten Tests (Jarque-Bera, Henze-Zirkler, Mardia's Schiefe/Kurtosis, Royston) verglichen.
• Ergebnisse:
  • Für kleine Stichproben ($n=10$) übertrifft der $S_1$-Test alle anderen Methoden signifikant, insbesondere wenn $\alpha$ nahe 2 liegt.
  • Für $n=30$ und $\alpha$ nahe 2 ist der $S_1$-Test ebenfalls überlegen.
  • Bei großen Stichproben ($n=100$) schneiden klassische Tests (insbesondere Kurtosis und Royston) besser ab, was jedoch für viele praktische Anwendungen (wo Daten knapp sind) weniger relevant ist.
  • Der $S_2$-Test zeigt hohe Power, wenn die Korrelation hoch ist ($\rho \approx 1$, also $\beta \approx 0$), ist aber bei unbekannter Korrelation weniger robust als $S_1$.

Datenanalyse (Fallstudie):

• Datensatz: Finanzdaten der KGHM (Polnische Kupfermine), bestehend aus USD/PLN Wechselkursen und Kupferpreisen.
• Vorgehen: Die Daten wurden in zwei Regime unterteilt (Krise 2008 und stabiler Markt). Ein VAR(1)-Modell mit $\alpha$-stabilen Innovationen wurde angepasst, und die Residuen wurden analysiert.
• Ergebnis:
  • Die geschätzten Konfidenzintervalle für $\alpha$ lagen für alle Regime und Variablen deutlich unter 2 (z.B. Intervalle wie [1.69, 1.98]).
  • Sowohl der $S_1$- als auch der $S_2$-Test lehnten die Bivariate Normalverteilung ($H_0: \alpha=2$) mit hoher Signifikanz ab.
  • Dies bestätigt, dass die Residuen schweren Verteilungen folgen, was die Notwendigkeit von $\alpha$-stabilen Modellen in der Finanzrisikoanalyse unterstreicht.

5. Bedeutung und Fazit

Die Arbeit liefert einen effektiven neuen Ansatz zur Unterscheidung zwischen Gaußschen und schweren Verteilungen in einem Bereich, der für klassische statistische Tests besonders schwierig ist ($\alpha \to 2$).

• Theoretischer Wert: Die Demonstration der stochastischen Monotonie der modifizierten Greenwood-Statistik im multivariaten Kontext erweitert das theoretische Fundament für Tests auf $\alpha$-stabile Verteilungen.
• Praktischer Nutzen: Die Methode ist besonders wertvoll für Anwendungen mit begrenzten Datenmengen (z.B. Finanzzeitreihen, Signalverarbeitung, Überwachung mechanischer Strukturen), wo die Unterscheidung zwischen "nahezu normal" und "schweren Tails" kritisch für Risikomanagement und Modellierung ist.
• Empfehlung: Für unbekannte Korrelationsstrukturen und kleine Stichproben wird der Test basierend auf $S_{\vec{X}}^1$ (Summe der Komponenten) als robusteste und leistungsfähigste Methode empfohlen.