[論文レビュー] Robust Spectral Analysis

Andreas Hagemann|arXiv (Cornell University)|Nov 8, 2011

Financial Risk and Volatility Modeling参考文献 47被引用数 28

ひとこと要約

本稿は、時系列の周期的挙動における分位数交差の分析を通じて、分布的変化を捉えることで、非ガウス型および非線形依存構造下でも有効なロバストなスペクトル解析を可能にする分位数スペクトル密度を導入する。古典的手法が失敗する状況下でも、一貫した推定と仮説検定が可能である。

ABSTRACT

In this paper I introduce quantile spectral densities that summarize the cyclical behavior of time series across their whole distribution by analyzing periodicities in quantile crossings. This approach can capture systematic changes in the impact of cycles on the distribution of a time series and allows robust spectral estimation and inference in situations where the dependence structure is not accurately captured by the auto-covariance function. I study the statistical properties of quantile spectral estimators in a large class of nonlinear time series models and discuss inference both at fixed and across all frequencies. Monte Carlo experiments illustrate the advantages of quantile spectral analysis over classical methods when standard assumptions are violated.

研究の動機と目的

• 自己共分散に基づく手法が失敗する非ガウス型または重尾型時系列における古典的手法の限界を克服すること。
• 周期的挙動が条件付き分布全体に与える影響を、平均以外の部分にも捉えるスペクトル解析フレームワークの構築。
• 分布のすべての分位数における周期的成分に関する妥当な統計的推論を可能とすること。
• 線形または2次のモーメント仮定から逸脱する依存構造下でも一貫性を保つ推定手順の提供。
• 従来の理論的根拠のない非線形時系列モデルにまで拡張されたスペクトル解析の実現。

提案手法

• 時系列観測値における分位数交差に基づく新しいスペクトル表現として、分位数スペクトル密度を提案する。
• 経験的分位数過程を用いて、条件付き分位数における周期的挙動を捉えるスペクトル推定量を定義する。
• 一般クラスの非線形時系列モデル下での分位数スペクトル推定量の漸近的分布を導出する。
• 固定周波数および全周波数にわたる推定量の一貫性と漸近正規性を確立する。
• モーメント条件に依存せずにスペクトル特徴に関するロバストな推論を可能とする、ワイルドブートストラップ手順を適用する。
• 分布的逸脱下での古典的手法（周期図に基づくもの）との性能比較のため、モンテカルロシミュレーションを実施する。

実験結果

リサーチクエスチョン

• RQ1 スペクトル解析は、時系列の分布の平均以外の部分にも周期的挙動を捉えるように拡張可能か？
• RQ2 非線形および非ガウス型時系列モデル下で、分位数スペクトル推定量はどのように振る舞うか？
• RQ3 固定周波数および全周波数における分位数スペクトル推定量の漸近的性質は何か？
• RQ4 標準的モーメント仮定が満たされない状況でも、分位数スペクトル手法によるロバストな推論が可能か？
• RQ5 モデルの誤指定下で、有限標本において分位数スペクトル解析は古典的手法を上回る性能を示すか？

主な発見

• 分位数スペクトル密度は、分布の異なる分位数における周期的影響の系統的変化を効果的に捉えることができる。
• 提案された分位数スぺクトル推定量は、広範な非線形時系列モデルクラス下で一貫性と漸近正規性を有する。
• ワイルドブートストラップ手順により、高次モーメントが存在しない場合でもロバストな推論が可能である。
• モンテカルロ実験の結果、誤差が重尾型または非対称型である場合、古典的手法（周期図ベース）に比べて顕著な性能向上が得られた。
• 本手法は、平均に基づくスペクトル解析が見逃す分布の裾の周期的パターンを検出できる。
• ガウス性や線形性からの強い逸脱下でも、良好な有限標本性能を維持する。