特别地,在温和的假设下,证明了它在I的任何紧致真子集上一致一致,并且与已知的(渐近)偏差和方差表达式渐近正态。此外,还研究和测试了一种选择始终至关重要的平滑参数的实用准则。将变换和局部似然估计相结合,该方法实际上利用了已知的C均匀裕度,从而得出了非常准确的估计(Geenenset al,2017,Nagler and Czado,2016,De Backer et al,2017)。此外,LLTKDE2估计值通常具有参数函数特有的视觉愉悦外观。本文建议使用LLTKDE2估计值^cin(4.4)并继续提取cVaR。因此,基于非参数copula的cVaR估计量定义为DVARα,T(x)。=cdVaRα(XT | XT-1=x)=^F-1XT | XT-1(α| x),其中^F-1XT | XT-1是(4.4)的广义逆。假设FXon R的^fx一致一致,可积con的^cis一致一致,I的任何适当紧子集,(4.4)也通过遍历定理在rb的任何紧子集上一致一致。如果infx∈GfXT | XT-1(c VaRα,T(x)| x)>0,其中G是R的任何紧子集,cdVaRα,T(x)是c VaRα,T(x)的一致一致估计量。=c VaRα(XT | XT-1=x):supx∈G | cdVaRα,T(x)- c VaRα,T(x)| P-→ 0作为T→ ∞,对于任何固定α∈ (0, 1). 该估计量的进一步理论性质(如渐近正态性和收敛速度)很容易从样本分位数的通常渐近表示中得到,即。cdVaRα,T(x)- c VaRα,T(x)\'α-^FXT | XT-1(c VaRα,T(x)| x)fXT-1(c VaRα,T(x)| x),但由于Geenens et al(2017)中的表达相当笨拙,细节被搁置一旁。
|