[论文解读] Asymptotic behavior of the Laplacian quasi-maximum likelihood estimator of affine causal processes

Jean‐Marc Bardet, Yakoub Boularouk+1 more|arXiv (Cornell University)|Jan 2, 2016

Financial Risk and Volatility Modeling参考文献 22被引用 15

一句话总结

本文建立了拉普拉斯准最大似然估计量（QMLE）在广泛一类仿射因果时间序列（包括ARMA、GARCH、APARCH及其混合模型）中的强一致性与渐近正态性。通过最小化最小绝对偏差对比函数而非最小二乘法，该估计量对重尾创新项和异常值具有鲁棒性，仅需一阶矩（r=1）即可保证一致性，仅需二阶矩（r=2）即可实现渐近正态性，优于经典高斯QMLE所需的四阶矩条件。

ABSTRACT

We prove the consistency and asymptotic normality of the Laplacian Quasi-Maximum Likelihood Estimator (QMLE) for a general class of causal time series including ARMA, AR($\\infty$), GARCH, ARCH($\\infty$), ARMA-GARCH, APARCH, ARMA-APARCH,..., processes. We notably exhibit the advantages (moment order and robustness) of this estimator compared to the classical Gaussian QMLE. Numerical simulations confirms the accuracy of this estimator.

研究动机与目标

• 建立广义仿射因果时间序列（包括ARMA、GARCH及其混合模型）中拉普拉斯QMLE的渐近性质。
• 证明拉普拉斯QMLE在较弱矩条件（r=1）下实现强一致性，优于高斯QMLE（r=2）；在r=2下实现渐近正态性，而非r=4。
• 表明拉普拉斯QMLE对重尾创新项与异常值的鲁棒性优于经典高斯QMLE。
• 在单一、通用的因果随机过程框架下，统一并拓展现有关于LAD与非高斯QMLE估计器的研究结果。

提出的方法

• 本文将时间序列建模为随机递推方程（1.1）的因果解，其中创新过程为独立同分布的对称分布，可能非高斯。
• 拉普拉斯QMLE通过最小化最小绝对偏差对比函数定义：∑ₜ Mₜ⁻¹ |Xₜ − fₜ|，替代高斯QMLE中使用的经典最小二乘对比函数。
• 理论分析基于Doukhan与Wintenberger（2007）以及Bardet与Wintenberger（2009）建立的因果平稳过程框架，确保遍历性与混合条件。
• 在条件均值与方差函数的正则性条件下，利用鞅差中心极限定理与一致可积性论证，证明了估计量的一致性与渐近正态性。
• 通过ARMA-GARCH与APARCH模型中多项式表示的唯一性，确立了参数的可识别性，从而保证了参数可估计性。
• 通过数值模拟，比较了拉普拉斯QMLE与高斯QMLE在多种分布下的有限样本性能，包括正态分布、拉普拉斯分布及污染混合分布。

实验结果

研究问题

• RQ1 拉普拉斯QMLE在仿射因果过程中是否可在弱于高斯QMLE的矩条件下实现强一致性？
• RQ2 拉普拉斯QMLE是否可在二阶矩假设下实现渐近正态性，而非四阶矩？
• RQ3 在重尾创新项或异常值存在的情况下，拉普拉斯QMLE相较于高斯QMLE的表现如何？
• RQ4 拉普拉斯QMLE是否可在一个统一的理论框架下，适用于ARMA、GARCH、APARCH及其组合等多样化模型？

主要发现

• 拉普拉斯QMLE在E[|ζ₀|] < ∞（r=1）条件下实现强一致性，相较于高斯QMLE所需r≥2的条件，有显著改进。
• 拉普拉斯QMLE的渐近正态性在E[|ζ₀|²] < ∞（r=2）下成立，而高斯QMLE需E[|ζ₀|⁴] < ∞（r=4），表明拉普拉斯估计量对重尾数据更具鲁棒性。
• 数值模拟结果表明，对于非高斯创新项，拉普拉斯QMLE在估计精度上优于高斯QMLE，尤其在拉普拉斯或污染正态分布下表现更优。
• 模拟结果表明，拉普拉斯QMLE对异常值具有鲁棒性，其在模拟的混合正态分布（模拟重尾或污染数据）中表现更优。
• 本文首次建立了拉普拉斯QMLE在ARMA-GARCH、ARMA-APARCH、ARMA-ARCH(∞)及类似过程中的统一渐近理论。