拓端tecdat|R语言极值理论EVT:基于GPD模型的火灾损失分布分析
原文链接:http://tecdat.cn/?p=21425
原文出处:拓端数据部落公众号
极值理论关注风险损失分布的尾部特征,通常用来分析概率罕见的事件,它可以依靠少量样本数据,在总体分布未知的情况下,得到总体分布中极值的变化情况,具有超越样本数据的估计能力。因此,基于GPD(generalized pareto distribution)分布的模型可更有效地利用有限的巨灾损失数据信息,从而成为极值理论当前的主流技术。
针对巨灾发生频率低、损失高、数据不足且具有厚尾性等特点,利用GPD模型对火灾经济损失数据进行了统计建模;并对形状参数及尺度参数进行了估计。模型检验表明,GPD模型对巨灾风险厚尾特点具有较好的拟合效果和拟合精度,为巨灾风险估计的建模及巨灾债券的定价提供了理论依据。
火灾损失数据
本文使用的数据是在再保险公司收集的,包括1980年至1990年期间的2167起火灾损失。已对通货膨胀进行了调整。总索赔额已分为建筑物损失、利润损失。
base1=read.table( "dataunivar.txt",header=TRUE)
base2=read.table( "datamultiva.txt",header=TRUE)
考虑第一个数据集(到目前为止,我们处理的是单变量极值),
> D=as.Date(as.character(base1$Date),"%m/%d/%Y")
> plot(D,X,type="h")
图表如下:
然后一个自然的想法是可视化
例如
> plot(log(Xs),log((n:1)/(n+1)))
线性回归
这里的点在一条直线上。斜率可以通过线性回归得到,
lm(formula = Y ~ X, data = B)
lm(Y~X,data=B[(n-500):n,])
lm(formula = Y ~ X, data = B[(n - 100):n, ])
重尾分布
这里的斜率与分布的尾部指数有关。考虑一些重尾分布
由于自然估计量是阶次统计量,因此直线的斜率与尾部指数相反 . 斜率的估计值为(仅考虑最大的观测值)
希尔估算量
希尔估算量基于以下假设:上面的分母几乎为1(即等于)。
那么可以得到收敛性假设。进一步
基于这个(渐近)分布,可以得到一个(渐近)置信区间
> xi=1/(1:n)*cumsum(logXs)-logXs
> xise=1.96/sqrt(1:n)*xi> polygon(c(1:n,n:1),c(xi+xise,rev(xi-xise)),
增量方法
与之类似(同样还有关于收敛速度的附加假设)
(使用增量方法获得)。同样,我们可以使用该结果得出(渐近)置信区间
> alphase=1.96/sqrt(1:n)/xi
> polygon(c(1:n,n:1),c(alpha+alphase,rev(alpha-alphase)),
Deckers-einmal-de-Haan估计量
然后(再次考虑收敛速度的条件,即),
Pickands估计
由于 ,
代码
> xi=1/log(2)*log( (Xs[seq(1,length=trunc(n/4),by=1)]-
+ Xs[seq(2,length=trunc(n/4),by=2)])/> xise=1.96/sqrt(seq(1,length=trunc(n/4),by=1))*
+sqrt( xi^2*(2^(xi+1)+1)/((2*(2^xi-1)*log(2))^2))> polygon(c(seq(1,length=trunc(n/4),by=1),rev(seq(1,
拟合GPD分布
也可以使用最大似然方法来拟合高阈值上的GPD分布。
> gpd
$n
[1] 2167$threshold
[1] 5$p.less.thresh
[1] 0.8827873$n.exceed
[1] 254$method
[1] "ml"$par.ests
xi beta
0.6320499 3.8074817$par.ses
xi beta
0.1117143 0.4637270$varcov
[,1] [,2]
[1,] 0.01248007 -0.03203283
[2,] -0.03203283 0.21504269$information
[1] "observed"$converged
[1] 0$nllh.final
[1] 754.1115attr(,"class")
[1] "gpd"
或等效地
> gpd.fit
$threshold
[1] 5$nexc
[1] 254$conv
[1] 0$nllh
[1] 754.1115$mle
[1] 3.8078632 0.6315749$rate
[1] 0.1172127$se
[1] 0.4636270 0.1116136
它可以可视化尾部指数的轮廓似然性,
> gpd.prof
或者
> gpd.prof
因此,可以绘制尾指数的最大似然估计量,作为阈值的函数(包括置信区间),
Vectorize(function(u){gpd(X,u)$par.ests[1]})plot(u,XI,ylim=c(0,2))
segments(u,XI-1.96*XIS,u,XI+
最后,可以使用块极大值技术。
gev.fit
$conv
[1] 0$nllh
[1] 3392.418$mle
[1] 1.4833484 0.5930190 0.9168128$se
[1] 0.01507776 0.01866719 0.03035380
尾部指数的估计值是在这里最后一个系数。
最受欢迎的见解
1.R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究
2.R语言时变参数VAR随机模型
3.R语言时变参数VAR随机模型
4.R语言基于ARMA-GARCH过程的VAR拟合和预测
5.GARCH(1,1),MA以及历史模拟法的VaR比较
6.R语言时变参数VAR随机模型
7.R语言实现向量自动回归VAR模型
8.R语言随机搜索变量选择SSVS估计贝叶斯向量自回归(BVAR)模型
9.R语言VAR模型的不同类型的脉冲响应分析
拓端tecdat|R语言极值理论EVT:基于GPD模型的火灾损失分布分析相关推荐
- R语言极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR:多元化投资组合预测风险测度分析
最近我们被客户要求撰写关于极值理论的研究报告,包括一些图形和统计输出. 相关视频: 极值理论EVT与R语言应用:GPD模型火灾损失分布分析 R语言极值理论EVT:基于GPD模型的火灾损失分布分析 相关 ...
- 拓端tecdat|R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险
最近我们被客户要求撰写关于冠心病风险的研究报告,包括一些图形和统计输出. 相关视频:R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险 逻辑回归Logistic模型原理和R语言分类预测冠 ...
- 拓端tecdat|R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
最近我们被客户要求撰写关于向量误差修正模型的研究报告,包括一些图形和统计输出. 向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的.但是,经济理论认为,经济变量之间在水平上存在着均衡关系,可以 ...
- 拓端tecdat|R语言用LOESS(局部加权回归)季节趋势分解(STL)进行时间序列异常检测
最近我们被客户要求撰写关于LOESS(局部加权回归)的研究报告,包括一些图形和统计输出. 这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法.我们将对一种叫做STL的算法进行研究, ...
- 拓端tecdat|R语言线性回归和时间序列分析北京房价影响因素可视化案例
最近我们被客户要求撰写关于北京房价影响因素的研究报告,包括一些图形和统计输出. 目的 房价有关的数据可能反映了中国近年来的变化: 人们得到更多的资源(薪水),期望有更好的房子 人口众多 独生子女政策: ...
- 【视频】极值理论EVT与R语言应用:GPD模型火灾损失分布分析
最近我们被客户要求撰写关于极值理论的研究报告,包括一些图形和统计输出.正态分布属于统计学里的知识,对于我们科研来说在数据处理时常常用到所以需要学习相关的知识. 正态分布在自然界中是一种最常见的分布.例 ...
- R语言隐马尔可夫模型HMM识别股市变化分析报告
了解不同的市场状况如何影响您的策略表现可能会对您的收益产生巨大的影响.最近我们被客户要求撰写关于HMM的研究报告,包括一些图形和统计输出. 某些策略在波动剧烈的市场中表现良好,而其他策略则需要强劲而平 ...
- POT超阈值模型和极值理论EVT分析
全文链接:http://tecdat.cn/?p=16845 本文依靠EVT对任何连续分布的尾部建模.尾部建模,尤其是POT建模,对于许多金融和环境应用至关重要(点击文末"阅读原文" ...
- 基于R语言极值统计学及其在相关领域中的应用
受到气候变化.温室效应以及人类活动等因素的影响,自然界中极端高温.极端环境污染.大洪水和大暴雨等现象的发生日益频繁:在人类社会中,股市崩溃.金融危机等极端情况也时有发生:今年的新冠疫情就是非常典型的极 ...
- 拓端tecdat荣获掘金社区入驻新人奖
2021年7月,由掘金发起了"入驻成长礼"颁奖活动.本次活动邀请到知名开发者.服务机构代表等业界人士. 据了解,掘金社区"新入驻创作者礼"主要对已经积累了一定历 ...
最新文章
- DataGuard physical standby创建与维护
- 命令行神器 Click 简明笔记
- 成功解决:Win系统下的Tensorflow使用CPU而不使用GPU运行加速
- 环形缓冲区ringbuffer
- 《暗黑地牢》—“克苏鲁”式的绝望冒险
- python清除实例化类_在Python中,如何尝试(和排除)类的实例化?
- [Javascript]js判断是否为undefined类型
- 微信小程序的民宿客房预订uniapp小程序
- AI健身,是消费者的伪命题还是资本的好生意?
- 张正友相机标定matlab,张正友标定、Camera Calibration Toolbox for Matlab
- 如何用圆弧插补法画一个圆
- 高清格式——720p/1080i/1080p,谁更清晰
- 3ds Max 实验十五 UV展开综合运用
- html5锥形,Three.js HTML5 3D开发实例 - 彩色圆锥体
- OpenCV形状检测
- 植物大战僵尸经典android,植物大战僵尸经典版
- 千年人参多少钱,如果真的有的话
- gitee网站中项目的评论爬取(selenium)
- 低功耗蓝牙cc2541学习笔记之协议栈工作原理
- Java关键字(50个)(超详细!)
热门文章
- Is It A Tree?(并查集)
- 提高网站速度|负载均衡
- Windows XP pro with sp2(x64)VOL版(英文原版)光盘镜像 + 简繁中文语言包 + 有效安装密钥 一些网友都有这样的困惑,Windows XP sp3在安装
- Nonlinear Projection Based Gradient Estimation for Query Efficient Blackbox Attacks论文解读
- 第二季-专题14-串口来做控制台
- node Koa框架+nunjucks模版开发简易的后台
- 帮你理解vue的数据绑定的流程
- Android 5.0 屏幕录制/截屏
- Android基础控件EditText
- Python自动化运维之21、CSS