[论文解读] A General Framework for Prediction in Time Series Models

Eric Beutner, Alexander Heinemann+1 more|arXiv (Cornell University)|Feb 5, 2019

Financial Risk and Volatility Modeling参考文献 25被引用 3

一句话总结

本文提出了一种时间序列模型预测的通用框架，正式验证了ARMA、GARCH及其扩展模型等流行模型的高层正则性条件。该框架在样本分割下建立了条件置信区间的渐近有效性，弥合了理论结果与计量经济学和风险管理中实际应用之间的鸿沟。

ABSTRACT

In this paper we propose a general framework to analyze prediction in time series models and show how a wide class of popular time series models satisfies this framework. We postulate a set of high-level assumptions, and formally verify these assumptions for the aforementioned time series models. Our framework coincides with that of Beutner et al. (2019, arXiv:1710.00643) who establish the validity of conditional confidence intervals for predictions made in this framework. The current paper therefore complements the results in Beutner et al. (2019, arXiv:1710.00643) by providing practically relevant applications of their theory.

研究动机与目标

• 为时间序列预测中的基本挑战提供解决方案：在基于过去数据的条件化与参数不确定性之间取得平衡。
• 形式化一个通用框架，以验证样本分割作为两个独立过程这一不切实际假设的现实替代方案。
• 证明广泛使用的模型——ARMA(1,1)、GARCH(1,1)、T-GARCH(1,1)及其扩展——满足条件推断所需的高层假设。
• 通过将贝特纳等人（2019）的理论结果扩展至具体、实际的应用场景，实现对现实世界时间序列模型的理论推广。
• 表明条件风险度量（如风险价值VaR和预期短缺ES）可嵌入到同一框架中。

提出的方法

• 该框架将预测对象定义为参数向量和时间序列无限过去状态的函数，表示为 $ \psi_{T+1} = \psi(X_T, X_{T-1}, \ldots; \theta_0) $。
• 通过将未知参数 $ \theta_0 $ 替换为基于非重叠估计样本 $ \mathbf{X}_{1:T_E} $ 的估计量 $ \hat{\theta}(\mathbf{X}_{1:T_E}) $，引入样本分割估计方法。
• 该方法依赖于验证一组高层假设：估计量收敛性、预测函数的可微性、梯度有界性，以及在真实参数邻域内海森矩阵有界性。
• 理论有效性通过样本分割方法与两个独立过程假设之间的渐近等价性建立，依赖于混合与弱依赖条件。
• 通过逐项验证假设，将该框架应用于ARMA(1,1)和GARCH类模型，包括E-GARCH、N-GARCH、GJR-GARCH和Q-GARCH。
• 通过将条件风险度量（如VaR和ES）表示为过去观测值和参数的函数，将其映射到框架中，从而在相同的理论结构下实现推断。

实验结果

研究问题

• RQ1 贝特纳等人（2019）提出的条件置信区间理论框架能否实际应用于标准时间序列模型？
• RQ2 ARMA(1,1)和GARCH(1,1)模型是否满足样本分割推断渐近有效的高层正则性条件？
• RQ3 GARCH模型的扩展（如T-GARCH、E-GARCH和Q-GARCH）能否嵌入到同一通用框架中？
• RQ4 在该框架下，条件风险度量（如风险价值VaR和预期短缺ES）在多大程度上可被视为预测对象？
• RQ5 是否存在某些GARCH类模型（如FI-GARCH或FIE-GARCH），由于长记忆或非混合性质而无法被该框架容纳？

主要发现

• 带漂移的ARMA(1,1)模型满足所有必需的高层假设，从而为其中条件均值预测提供了有效的条件推断。
• GARCH(1,1)和T-GARCH(1,1)模型满足该框架的假设，验证了样本分割在条件方差与波动率预测中的适用性。
• E-GARCH(1,1)、N-GARCH(1,1)、GJR-GARCH(1,1)和Q-GARCH(1,1)等扩展模型被正式证明可嵌入该框架，并验证了其必要正则性条件。
• 在T-GARCH(1,1)模型中，条件风险价值（VaR）和预期短缺（ES）被表示为过去观测值和参数的函数，使其纳入通用预测框架。
• 具有长记忆特性的模型（如FI-GARCH和FIE-GARCH）由于标准混合条件不成立，无法被当前框架容纳。
• 本文证实，样本分割在渐近意义上可复现两个独立过程的行为，从而验证了其在存在参数不确定性理论挑战下的实际应用价值。