[論文レビュー] New fat-tail normality test based on conditional second moments with applications to finance

Damian Jelito, Marcin Pitera|arXiv (Cornell University)|Nov 13, 2018

Financial Risk and Volatility Modeling参考文献 32被引用数 24

ひとこと要約

本稿では、20-60-20ルールを用いて尾部と中央部の条件付き分散を比較することで、肥尾を検出するための、条件付き2次のモーメントに基づく新しい正規性適合度検定を提案する。提案された検定統計量Nは、漸近的に正規分布に従い、対称的な逸脱に対してロバストである。この検定は、特に金融リターンデータにおける非正規性、特に肥尾および軽尾分布の検出において、ジャーブ＝ベラ検定などの古典的検定を凌駕する性能を示す。

ABSTRACT

In this paper we introduce an efficient fat-tail measurement framework that is based on the conditional second moments. We construct a goodness-of-fit statistic that has a direct interpretation and can be used to assess the impact of fat-tails on central data conditional dispersion. Next, we show how to use this framework to construct a powerful normality test. In particular, we compare our methodology to various popular normality tests, including the Jarque--Bera test that is based on third and fourth moments, and show that in many cases our framework outperforms all others, both on simulated and market stock data. Finally, we derive asymptotic distributions for conditional mean and variance estimators, and use this to show asymptotic normality of the proposed test statistic.

研究の動機と目的

• 肥尾や非正規性をより効果的に検出できる、より強力な正規性検定の開発。
• 高次モーメントではなく、条件付き分散に基づく、金融的に解釈可能な適合度フレームワークの提供。
• 特に極端なリターンのクラスタリングが顕著な金融時系列における非正規行動の検出を改善すること。
• 信頼性のある推論を可能にするために、帰無仮説（正規性）の下での検定統計量の漸近的正規性の確立。
• 特に尾部の挙動が正規性から逸脱する状況において、ジャーブ＝ベラのようなモーメントベースの検定の代替としてのロバストな選択肢を提供すること。

提案手法

• 検定統計量Nは、左尾部および右尾部の条件付き分散の和と、2倍の中央部条件付き分散との差を標準化し、標本サイズでスケーリングすることで構築される。
• 左、中央、右の領域を定義するため、20-60-20分位数分割（20百分位数、80百分位数）が用いられる。
• 標準正規分布の順序統計と条件付きモーメントの公式を用いて、閉形式で導出された正規化定数ρ ≈ 1.7885が得られる。
• 帰無仮説（正規性）の下でNの漸近的正規性が証明され、臨界値の計算と仮説検定が可能になる。
• 有限標本におけるロバスト性と解釈可能性を確保するため、経験的分位数を用いて条件付き標本分散を推定する。
• この手法は対称性を暗黙のうちに仮定しているが、一方向の変種（例：N1、N2）を用いた非対称尾部効果への拡張についても議論されている。

実験結果

リサーチクエスチョン

• RQ1 条件付き2次のモーメントに基づく検定は、古典的モーメントベースの検定よりも、肥尾をより効果的に検出できるか？
• RQ2 20-60-20ルールは、中心部に対する尾部分散の評価において、安定的かつ解釈可能なフレームワークを提供するか？
• RQ3 提案された検定は、シミュレーションおよび実際の金融データにおいて、ジャーブ＝ベラ、アンドリュース・ダーリング、シャピロ＝ウィルク検定と比較してどのように性能を示すか？
• RQ4 帰無仮説（正規性）の下で、提案された検定統計量の漸近的分布は何か？
• RQ5 このフレームワークは、依存構造モデリングのための多変量または楕円型分布への拡張が可能か？

主な発見

• 真の分布が正規分布よりも重尾または軽尾の対称分布である場合、提案された検定Nは、ジャーブ＝ベラ、アンドリュース・ダーリング、シャピロ＝ウィルク検定よりも優れたパワーを示す。
• シミュレーションデータでは、自由度5のスチューデントのt分布に対して92.0%、ラプラス分布に対して86.9%のケースで正規性が正しく棄却され、すべてのベンチマークを上回った。
• 6,900種の株式を用いた実市場データの研究では、有意水準α = 1%において、古典的検定よりも3.8%の標本で正規性が棄却され（262件の追加棄却）、より高い検出力が確認された。
• 正規性の下でのNの経験的分布は、小標本（n = 50）でも標準正規分布に非常に近い。モンテカルロシミュレーションにより、漸近的正規性が確認された。
• 正規化定数ρは、閉形式で約1.7885として導出され、検定統計量の正確なスケーリングを保証した。
• 20-60-20ルールにより、金融リターンの高精度なクラスタリングが可能となり、正規分布が予測するよりも極端なリターンが頻発するというスタイリズドファクトと整合的である。