[论文解读] Estimation of time-varying kernel densities and chronology of the impact of COVID-19 on financial markets

Matthieu Garcin, Jules Klein+1 more|arXiv (Cornell University)|Jul 17, 2020

Financial Risk and Volatility Modeling被引用 7

一句话总结

该论文提出了一种新颖的方法，通过最小化基于柯尔莫哥洛夫-斯米尔诺夫统计量的准则，以选择时变核密度估计中的带宽和折扣因子，从而确保概率积分变换（PITs）的均匀性和独立性。应用于新冠疫情市场数据后，揭示了截至2020年5月下旬，美国经历了最强冲击，欧洲恢复最慢，而中国则实现了最快反弹。

ABSTRACT

The time-varying kernel density estimation relies on two free parameters: the bandwidth and the discount factor. We propose to select these parameters so as to minimize a criterion consistent with the traditional requirements of the validation of a probability density forecast. These requirements are both the uniformity and the independence of the so-called probability integral transforms, which are the forecast time-varying cumulated distributions applied to the observations. We thus build a new numerical criterion incorporating both the uniformity and independence properties by the mean of an adapted Kolmogorov-Smirnov statistic. We apply this method to financial markets during the COVID-19 crisis. We determine the time-varying density of daily price returns of several stock indices and, using various divergence statistics, we are able to describe the chronology of the crisis as well as regional disparities. For instance, we observe a more limited impact of COVID-19 on financial markets in China, a strong impact in the US, and a slow recovery in Europe.

研究动机与目标

• 通过优化两个自由参数——带宽和折扣因子，提升金融市场上时变核密度估计的准确性。
• 通过强制实施概率积分变换（PITs）的均匀性和独立性统计要求，确保估计的概率密度预测的有效性。
• 开发一种整合PITs均匀性和独立性的数值准则，用于参数选择，避免依赖经验或启发式方法。
• 将该方法应用于新冠疫情爆发初期的真实金融市场数据，以重建市场冲击的时间序列和区域差异。
• 比较多种散度统计量（如赫林格、Kullback-Leibler等），以验证所观察到的危机时间序列和恢复模式的稳健性。

提出的方法

• 基于将柯尔莫哥洛夫-斯米尔诺夫统计量应用于PITs后导出的差异度量，提出一种新的带宽和折扣因子选择准则。
• 使用PITs——即在每个时间点上，将观测收益率的累积分布函数代入——作为预测有效性的诊断工具。
• 施加两项验证标准：均匀性（PITs应服从均匀分布）和独立性（PITs应序列不相关），两者均嵌入优化准则中。
• 将柯尔莫哥洛夫-斯米尔诺夫统计量适配用于评估PITs经验分布与均匀分布之间的差异，重点关注最大偏离值。
• 采用其他散度统计量（赫林格、Kullback-Leibler、L2）作为稳健性检验，以验证主要发现并评估对异常值的敏感性。
• 将该方法应用于2020年2月至5月下旬期间主要股票指数（如S&P 500、DAX、SSE 50等）的日收益率数据，以估计时变密度并检测制度转换。

实验结果

研究问题

• RQ1 如何选择时变核密度估计中的带宽和折扣因子，以确保所得密度预测的统计有效性？
• RQ2 在新冠疫情危机期间，不同散度统计量（如赫林格、Kullback-Leibler、柯尔莫哥洛夫-斯米尔诺夫）在多大程度上能产生一致的金融市场压力时间序列？
• RQ3 新冠疫情对不同地区金融市场的影响在时间上如何演变？各主要指数的峰值冲击发生在何时？
• RQ4 以收益率密度收敛至危机前水平为衡量标准，中国、美国和欧洲的金融市场从疫情引发的动荡中恢复的速度如何？
• RQ5 为何柯尔莫哥洛夫-斯米尔诺夫统计量产生了反直觉的峰值时间序列，相较于其他散度统计量，这揭示了其对分布尾部变化的何种敏感性？

主要发现

• 美国股市（S&P 500、纳斯达克）在新冠疫情中受到最强冲击，于2020年4月6日达到峰值，赫林格距离为0.562。
• 欧洲金融市场，尤其是DAX和EURO STOXX 50，恢复最慢，其峰值赫林格距离分别为0.466（3月27日）和0.484，截至2020年5月下旬仍显著偏离危机前水平。
• 中国上证50指数表现出最小影响（峰值为3月25日，赫林格距离0.381）和最快恢复，至2020年5月下旬距离仅剩0.122，表明已近乎收敛至危机前密度。
• 柯尔莫哥洛夫-斯米尔诺夫统计量产生了反直觉的峰值时间序列——欧洲最早（3月18日），随后是美国（3月23日），最后是日本（4月2日），这是由于其关注分布中心部分，对尾部分布变化不敏感。
• 其他散度统计量（赫林格、Kullback-Leibler、L2）对极端市场事件更敏感，提供了更一致且更易解释的区域危机影响时间序列。
• 该方法成功识别出危机影响和恢复速度的区域差异：中国表现出最小干扰和快速正常化，美国经历剧烈但短暂的冲击，而欧洲则长期面临市场不稳定。