알파‑안정분포 베이지안 추정, 가능도 없이도 정확하게

알파‑안정분포는 무한분산·무한평균을 포함하는 heavy‑tail 특성으로 인해 금융, 통신, 신호처리 등 다양한 분야에서 잡음 모델링에 널리 활용된다. 그러나 α, β, γ, δ 네 파라미터로 정의되지만, 밀도함수가 닫힌 형태로 존재하지 않아 전통적인 베이지안 추정이 어려웠다. 기존 연구는 주로 1차원에 한정되었으며, 2차원에서는 특수한 푸리에 변환 기반 수치적 접근만이 가능했고, 차원이 늘어날수록 계산 비용이 급증했다. 본 논문은 이러한 한계를 극복하기 위해 “가능도‑프리”(likelihood‑free) 추정, 즉 Approximate Bayesian Computation(ABC) 프레임워크를 도입한다. 핵심 아이디어는 파라미터 θ를 이용해 가상 데이터 x를 시뮬레이션하고, 관측 데이터 y와 비교하여 요약 통계량 S(·)가 얼마나 유사한지를 커널 함수 π_ε(y|x,θ)로 평가하는 것이다. ε는 커널 폭을 의미하며, ε→0일 때 정확한 사후분포에 수렴한다. 그러나 고차원 데이터에서는 직접적인 비교가 비효율적이므로, 저차원 요약 통계량을 설계하는 것이 필수적이다. 저자들은 다섯 가지 요약 통계 집합을 제안한다. - S₁: McCulloch의 분위수 기반 통계로, 0.05, 0.25, 0.5, 0.75, 0.95 분위수를 이용해 α, β, γ를 추정하고, δ는 평균으로 추정한다. - S₂: Zolotarev 변환 기반 통계로, 데이터 변환 후 로그‑모멘트를 이용해 ν, η, τ를 추정한다. - S₃: Press의 모멘트 방법으로, 특성함수의 특정 t값에서 로그‑모멘트를 이용해 파라미터를 직접 계산한다. - S₄: 경험적 특성함수(ECF)를 여러 t값에 대해 평가해 복소수값을 요약 통계로 사용한다. - S₅: 평균, 다양한 분위수, Kolmogorov‑Smirnov 통계 등을 결합한 혼합형 요약 통계이다. 각 요약 통계는 α>1 구간에서 안정적으로 동작하도록 설계되었으며, S₄는 α≤1에서도 적용 가능하도록 별도 priors를 설정한다. 베이지안 모델링에서는 독립적인 균등 사전분포를 사용한다. α∼U