[논문 리뷰] Testing and Support Recovery of Correlation Structures for Matrix-Valued Observations with an Application to Stock Market Data

Xin Chen, Dan Yang외 4명|arXiv (Cornell University)|2020. 06. 30.

Complex Systems and Time Series Analysis참고 문헌 68인용 수 4

한 줄 요약

이 논문은 크로네커 곱 구조를 가진 공분산 모델을 사용하여, 성장 중인 시장과 선진 시장 간 상관계수 구조의 동일성을 검정하기 위한 행렬형 통계 프레임워크를 제안한다. 자산 수익률을 행렬형 변수(자산 × 시간)로 간주함으로써, 기존의 벡터 기반 접근법의 한계—특히 표본 수가 적고 시간적 의존성 위반이 발생하는 문제—를 극복하며, 서브가우시안 가정 하에서 渐近적으로 최적의 추론을 달성한다. 실제 주식 시장 데이터를 대상으로 한 강력한 경험적 성능을 보인다.

ABSTRACT

Estimation of the covariance matrix of asset returns is crucial to portfolio construction. As suggested by economic theories, the correlation structure among assets differs between emerging markets and developed countries. It is therefore imperative to make rigorous statistical inference on correlation matrix equality between the two groups of countries. However, if the traditional vector-valued approach is undertaken, such inference is either infeasible due to limited number of countries comparing to the relatively abundant assets, or invalid due to the violations of temporal independence assumption. This highlights the necessity of treating the observations as matrix-valued rather than vector-valued. With matrix-valued observations, our problem of interest can be formulated as statistical inference on covariance structures under sub-Gaussian distributions, i.e., testing non-correlation and correlation equality, as well as the corresponding support estimations. We develop procedures that are asymptotically optimal under some regularity conditions. Simulation results demonstrate the computational and statistical advantages of our procedures over certain existing state-of-the-art methods for both normal and non-normal distributions. Application of our procedures to stock market data reveals interesting patterns and validates several economic propositions via rigorous statistical testing.

연구 동기 및 목표

• 자산 수가 시계열 길이를 초과할 때, 성장 중인 시장과 선진 시장 간 상관계수 행렬의 동일성을 검정하는 통계적 과제를 해결한다.
• 표본 수가 적고 시간적 의존성 위반이 발생함으로써 기존의 벡터 기반 접근법이 비가능하고 부적합해지는 문제를 해결한다.
• 행렬형 변수 서브가우시안 모델 하에서 비상관관계 및 상관계수 동일성 검정을 위한 渐近적으로 최적의 절차를 개발한다.
• 고차원적, 저표본 크기의 금융 데이터에서 상관계수 구조의 정확한 지원 복원을 가능하게 한다.
• 실제 주식 시장 데이터를 대상으로 철저한 통계적 검정을 통해 시장 분할 이론과 공동 움직임 패tern에 대한 경제 이론을 검증한다.

제안 방법

• 오차 항이 서브가우시안 분포를 따른다고 가정하며, 행렬형 수익률을 크로네커 곱 구조를 가진 공분산으로 모델링한다.
• 일표본 및 이표본 가설 검정을 상관계수 행렬의 동일성, 비상관관계 및 완전한 동일성에 대해 수립한다.
• 시행된 추정 전략 세 가지를 제안한다: 오라클 추정기, 표본 기반 추정기, 밴드 구조 추정기 — 시간 공분산 행렬에 대해.
• 추정된 상관계수 행렬 간 차이의 프로베니우스 노름을 기반으로 한 검정 통계량을 사용하며, 정규 조건 하에서 점근적 귀무분포를 유도한다.
• 고차원 설정에서 추정 정확도를 향상시키기 위해 공분산 행렬의 시간 성분에 대해 밴드 구조 가정을 적용한다.
• 비정규 분포나 무거운 尾部 분포(예: t₃) 하에서도 검정의 안정성을 높이기 위해 사전 백색화 절차를 구현한다. 이는 경험적 크기 제어를 향상시킨다.

실험 결과

연구 질문

• RQ1 자산 수가 시계열 길이에 비해 클 때, 성장 중인 시장과 선진 시장 간 자산 수익률의 상관계수 구조가 서로 다름을 엄밀하게 검정할 수 있는가?
• RQ2 수익률을 행렬형 변수(자산 × 시간)로 간주함으로써, 고차원 금융 데이터에서 기존의 표준화된 벡터화된 접근법에 비해 통계적 추론이 어떻게 향상되는가?
• RQ3 금융 수익률에서 흔한 비정규 및 무거운 尾部 분포 하에서 행렬형 변수 방법의 성능은 어떠한가?
• RQ4 저표본 환경에서 시간 공분산 행렬의 밴드 추정이 검정의 정확도와 검정력에 얼마나 기여하는가?
• RQ5 경험적 결과는 성장 중인 시장 대비 선진 시장에서의 시장 분할, 자원 노출, 프로사이클리시티에 대한 경제 이론을 지지하는가?

주요 결과

• 제안된 행렬형 변수 접근법은 서브가우시안 가정 하에서 점근적으로 최적성을 달성하며, 계산 효율성과 통계적 검정력 면에서 기존의 벡터 기반 방법을 능가한다.
• 정규분포 및 t₃ 분포 오차 하에서, 밴드 추정기 방법은 명목 5% 수준에 가까운 경험적 크기를 유지했다(예: 이표본 검정에서 5.4%). 대안 하에서 74.8%의 검정력을 확보했다.
• 고차원 설정(예: p=30, q=200, n=20)에서 표본 추정기 방법은 심각하게 크기가 작아(0% 경험적 크기) 구조적 가정이 없을 경우 성능이 열 劣했다.
• 표본 수나 시간 차원이 증가함에 따라 지원 복원 성능이 크게 향상되었으며, n=50, q=200일 때 일표본 오라클 추정기의 유사도 측정치는 99.6%에 도달했다.
• 실제 데이터 기반 가짜 시뮬레이션에서, 밴드 추정기 방법은 표본 추정기 및 벡터 기반 방법보다 뛰어난 성능을 보였으며, 특히 무거운 尾部 분포 하에서 두각을 나타냈다.
• 실제 주식 시장 데이터에 적용한 결과, 자원 및 여가 산업에서 성장 중인 시장에서 더 강한 공동 움직임을 관찰할 수 있었으며, 이는 시장 분할 및 프로사이클리시티에 대한 경제적 추론을 검증하는 데 기여했다.