【摘要】:有关聚合风险(即相依风险因子和S=X1+…+Xn)度量的研究成果有很多,本节将给出后面会用到的一些结论。根据VaR的定义,对聚合风险度量的研究也可以看成是对聚合风险S分布函数的研究。由于对聚合风险S分布函数上界的求解方法与对其下界的求解方法类似,因此,这里主要给出中定义的m+的研究结果,这些研究结果主要来源于Wang等。,Fn均为单变量分布函数,若存在分布函数分别为F1,F2,…,Fn即为联合可混的。引理3.2.1若F1,…
有关聚合风险(即相依风险因子和S=X1+…+Xn)度量的研究成果有很多,本节将给出后面会用到的一些结论。根据VaR的定义,对聚合风险度量的研究也可以看成是对聚合风险S分布函数的研究。由于对聚合风险S分布函数上界的求解方法与对其下界的求解方法类似,因此,这里主要给出(3.2.1)中定义的m+(s)的研究结果,这些研究结果主要来源于Wang等(2013)。
首先,定义{Xi,i=1,2,…,n}的条件均值和如下:
其中,t∈(0,1),F-1(t)=inf{s∈ℝ|F(s)≥t}。令,。显然,若{Fi,i=1,…,n}连续,则Φ(t)是一个连续递增的函数。对满足x≤Φ(1)的x,定义
对满足x>Φ(1)的x定义Φ-1(x)=1。此外,对所有的x∈ℝ,令表示F在[F-1(a),∞)上的条件分布函数,其中,a∈[0,1)。当a=1时,令。为了对本文将用到的已有定理进行介绍,下面给出联合可混函数的定义。
设F1,F2,…,Fn均为单变量分布函数,若存在分布函数分别为F1,F2,…,Fn的随机变量X1,X2…,Xn,使得对于某个常数C∈ℝ,有(www.xing528.com)
成立,则F1,F2,…,Fn即为联合可混的(jointly mixable)。
引理3.2.1 若F1,…,Fn均为连续的分布函数,则
对任意确定的s≥Φ(0)成立,且m+(s)=Φ-1(s)的充分必要条件是条件分布函数是联合可混的。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。