[論文レビュー] Granger Causality in Expectiles: an M-vine copula test

Roberto Fuentes-Martínez, Irene Crimaldi|arXiv (Cornell University)|Mar 24, 2026

Financial Risk and Volatility Modeling被引用数 0

ひとこと要約

モデルフリーの期待分位数におけるGranger因果性を提案し、非線形・尾部依存関係を検出する多変量M-vineコプラ検定を開発。整合性証明、シミュレーション、株式市場への適用を含む。

ABSTRACT

A model-free measure of Granger causality in expectiles is proposed, generalizing the traditional mean-based measure to arbitrary positions of the conditional distribution. Expectiles are the only law-invariant risk measures that are both coherent and elicitable, making them particularly well-suited for studying distributional Granger causality where risk quantification and forecast evaluation are both relevant. Based on this measure, a test is developed using M-vine copula models that accounts for multivariate Granger causality with $d+1$ series under non-linear and non-Gaussian dependence, without imposing parametric assumptions on the joint distribution. Strong consistency of the test statistic is established under some regularity conditions. In finite samples, simulations show accurate size control and power increasing with sample size. A key advantage is the joint testing capability: causal relationships invisible to pairwise tests can be detected, as demonstrated both theoretically and empirically. Two applications to international stock market indices at the global and Asian regional level illustrate the practical relevance of the proposed framework.

研究の動機と目的

• 平均を超えた分布的Granger因果性を、整合性のある引出可能なリスク測度として期待分位数を用いて動機づける。
• 特定の期待分位レベルでのモデルフリーGC測度を定義する。
• 非線形・非ガウス依存を持つGCを評価するための多変量M-vineコプラ検定を開発する。
• 検定の一貫性を証明し、シミュレーションと応用を通じて有限サンプル性能を評価する。

提案手法

• 不等値二次損失と期待分位点最小化子を用いてtau-分位数でGCを定義する。
• 期待分位損失の対数比としてGC_tau(Z -> X)をモデルフリーで構成する。
• データに適合させたM-vineコプラモデルからのシミュレーションを通じて期待値を推定する。
• Zあり・なしの損失の対数差として検定統計量を計算し、適合させたM-vineを用いて予測を生成する。
• 無効仮説の下でのp値は、M-vine構造から連続的にコプラを抽出して無効仮説の下で再現抽出を行い、B回の複製を生成して推定する。
• 様々なDGPの下でモンテカルロシミュレーションを通じてサイズと力を評価し、非線形・尾部依存性を含む設定を含む。
• 対の検定やカーネルに基づく分位数因果検定と比較し、平均線形Granger因果性と対比して検討する。

実験結果

リサーチクエスチョン

• RQ1 期待分位数の損失を用いて、モデルフリーにGranger因果性を測定できるか。
• RQ2 多変量のM-vineコプラフレームワークは、尾部を含む異なる期待分位レベルでの共同Granger因果性を信頼性高く検出できるか。
• RQ3 提案検定は、非線形・高ヘッドサンプルのデータ下で、対検出検定および平均ベースの線形GC検定と比較してどのように性能が異なるか。
• RQ4 世界・アジアの株価指数といった実データ応用は、分布的検定だけで検出可能な共同因果性を示すか。

主な発見

• GC_tau測度は非負であり、tau-th期待分位におけるGranger因果性が存在しない場合には0となり、tau = 1/2のときは平均ベースの測度に退化する。
• M-vineコプラ検定は強い一貫性のある推定量を提供し、有限サンプルサイズのコントロールを良好に維持し、サンプルサイズが大きいほど検出力が上がる。
• M-vineフレームワークによる共同検定は、対検定には見えない因果関係を尾部領域で特に検出する。
• シミュレーションでは、特に有限サンプルと尾部依存性の下で、カーネルベースの分位数因果検定より検出力が優れている。
• 従来の線形Granger F検定と比較して、提案法は非線形依存性を捉え、非線形DGPにおいてより高い検出力を示す一方、線形設定ではサイズを同程度に保つ。
• 国際株価指数を対象とした実証応用は、対検定だけでは明らかでない共同因果性のパターンを示す。