Устойчивое распределение

Устойчивое распределение — это класс вероятностных распределений, обладающих свойством устойчивости: сумма независимых случайных величин, имеющих устойчивое распределение, также имеет устойчивое распределение (с точностью до масштаба и сдвига). Устойчивые распределения являются обобщением нормального (гауссовского) распределения и играют ключевую роль в теории вероятностей, статистике, физике, финансах и других областях, где встречаются тяжёлые хвосты и асимметрия.

Определение и основные свойства

Формально, случайная величина \(X\) имеет устойчивое распределение, если для любых положительных чисел \(a\) и \(b\) существует такое положительное число \(c\) и такое действительное число \(d\), что:

\[ aX_1 + bX_2 \stackrel{d}{=} cX + d, \]

где \(X_1\) и \(X_2\) — независимые копии \(X\), а символ \(\stackrel{d}{=}\) обозначает равенство по распределению. Это свойство называется устойчивостью по сложению.

Ключевым следствием является то, что устойчивые распределения являются предельными для сумм независимых одинаково распределённых случайных величин в обобщённой центральной предельной теореме. В отличие от классической центральной предельной теоремы, которая требует конечности дисперсии, обобщённая теорема работает для распределений с бесконечной дисперсией, что характерно для многих реальных процессов.

Характеристическая функция

Устойчивые распределения не имеют, как правило, замкнутого аналитического выражения для плотности или функции распределения, но их характеристическая функция имеет простую форму. В параметризации, предложенной П. Леви, характеристическая функция устойчивого распределения с параметрами \(\alpha\), \(\beta\), \(\gamma\), \(\delta\) имеет вид:

\[ \varphi(t) = \exp\left\{ i\delta t - \gamma^\alpha |t|^\alpha \left(1 - i\beta \operatorname{sign}(t) \tan\left(\frac{\pi\alpha}{2}\right)\right) \right\}, \quad \alpha \neq 1, \]

\[ \varphi(t) = \exp\left\{ i\delta t - \gamma |t| \left(1 + i\beta \frac{2}{\pi} \operatorname{sign}(t) \ln|t|\right) \right\}, \quad \alpha = 1. \]

Здесь:

• \(\alpha \in (0, 2]\) — показатель устойчивости (или индекс хвоста). Определяет форму хвостов распределения: чем меньше \(\alpha\), тем тяжелее хвосты. При \(\alpha = 2\) распределение является нормальным.
• \(\beta \in [-1, 1]\) — параметр асимметрии. При \(\beta = 0\) распределение симметрично. Положительные значения \(\beta\) соответствуют правой асимметрии, отрицательные — левой.
• \(\gamma > 0\) — параметр масштаба (аналог стандартного отклонения, но не совпадает с ним при \(\alpha < 2\)).
• \(\delta \in \mathbb{R}\) — параметр сдвига (аналог математического ожидания, но при \(\alpha \leq 1\) математическое ожидание не существует).

Классификация

Устойчивые распределения классифицируются по значению параметра \(\alpha\) и \(\beta\).

По показателю устойчивости \(\alpha\)

• \(\alpha = 2\): Нормальное (гауссовское) распределение. Единственное устойчивое распределение с конечной дисперсией. Хвосты убывают экспоненциально.
• \(1 < \alpha < 2\): Устойчивые распределения с конечным математическим ожиданием, но бесконечной дисперсией. Хвосты убывают по степенному закону: \(P(X > x) \sim C x^{-\alpha}\).
• \(\alpha = 1\): Распределение Коши (при \(\beta = 0\)) и его обобщения. Математическое ожидание не существует.
• \(0 < \alpha < 1\): Устойчивые распределения с бесконечным математическим ожиданием. Хвосты очень тяжёлые.

По параметру асимметрии \(\beta\)

• \(\beta = 0\): Симметричные устойчивые распределения (SαS — Symmetric α-Stable). Примеры: нормальное (\(\alpha=2\)), распределение Коши (\(\alpha=1\)).
• \(\beta > 0\): Правосторонняя асимметрия (хвост справа тяжелее).
• \(\beta < 0\): Левосторонняя асимметрия.

Частные случаи

• Нормальное распределение: \(\alpha = 2\), \(\beta = 0\).
• Распределение Коши: \(\alpha = 1\), \(\beta = 0\).
• Распределение Леви: \(\alpha = 1/2\), \(\beta = 1\). Это одностороннее распределение, определённое на положительной полуоси.

История

Концепция устойчивых распределений была введена французским математиком Полем Леви в 1920-х годах в ходе изучения обобщённой центральной предельной теоремы. Леви показал, что класс распределений, которые могут быть предельными для сумм независимых случайных величин, не ограничивается нормальным законом. В 1930-х годах А. Я. Хинчин и другие математики уточнили теорию. В 1950-х годах Б. Мандельброт применил устойчивые распределения для моделирования цен на хлопок, обнаружив, что их эмпирические распределения имеют тяжёлые хвосты, что не укладывалось в рамки нормального распределения. Впоследствии устойчивые распределения стали широко использоваться в финансах, телекоммуникациях, физике и геофизике.

Применение

Финансовая математика

Устойчивые распределения используются для моделирования доходностей финансовых активов, так как эмпирические данные часто демонстрируют «тяжёлые хвосты» и асимметрию, которые не описываются нормальным распределением. Модель Б. Мандельброта и последующие работы (например, модель Э. Фамы) показали, что распределение доходностей акций может быть аппроксимировано устойчивым законом с \(\alpha < 2\). Однако использование устойчивых распределений в финансах ограничено из-за сложности оценки параметров и отсутствия замкнутой формы для плотности.

Физика и естественные науки

• Турбулентность: Флуктуации скорости в турбулентных потоках часто описываются устойчивыми распределениями.
• Геофизика: Распределение землетрясений по магнитуде (закон Гутенберга — Рихтера) имеет степенной хвост, что соответствует устойчивому распределению.
• Биология: Моделирование популяционной динамики и распространения эпидемий.

Телекоммуникации

Устойчивые распределения применяются для моделирования трафика данных, особенно в сетях с пакетной передачей, где наблюдаются всплески и длительные корреляции. Например, распределение времени между пакетами или размера пакетов может быть устойчивым.

Теория вероятностей и статистика

Устойчивые распределения являются основой для обобщённой центральной предельной теоремы и используются в робастной статистике (устойчивые оценки, нечувствительные к выбросам).

Оценка параметров

Оценка параметров устойчивого распределения (\(\alpha\), \(\beta\), \(\gamma\), \(\delta\)) по выборке является сложной задачей из-за отсутствия замкнутой формы для плотности. Основные методы:

• Метод квантилей: Использует эмпирические квантили для оценки параметров.
• Метод максимума правдоподобия: Требует численного решения и может быть вычислительно затратным.
• Метод характеристической функции: Оценка параметров путём подгонки эмпирической характеристической функции к теоретической.

Критика и ограничения

Основные ограничения устойчивых распределений:

• Отсутствие замкнутой формы: Плотность и функция распределения не выражаются через элементарные функции (кроме частных случаев), что усложняет вычисления.
• Бесконечная дисперсия: Для \(\alpha < 2\) дисперсия бесконечна, что противоречит многим классическим статистическим моделям.
• Сложность оценки: Параметры трудно оценить по выборке, особенно при малых объёмах данных.
• Неприменимость к некоторым процессам: Не все реальные процессы с тяжёлыми хвостами являются устойчивыми; например, распределение Парето не является устойчивым.

Интересные факты

• Устойчивые распределения часто называют «левивскими» или «распределениями Леви» в честь Поля Леви.
• Распределение Леви (\(\alpha = 1/2\)) используется в моделировании броуновского движения с дробной размерностью и в квантовой механике.
• В русскоязычной литературе термин «устойчивое распределение» иногда путают с «робастным» (устойчивым к выбросам) распределением, хотя это разные понятия.

Источники

• Леви П. Теория вероятностей. — М.: Наука, 1967.
• Феллер В. Введение в теорию вероятностей и её приложения. Том 2. — М.: Мир, 1984.
• Мандельброт Б. Фракталы, случай и финансы. — М.: Ижевск: РХД, 2004.
• Nolan J. P. Stable Distributions: Models for Heavy Tailed Data. — Boston: Birkhäuser, 2020.