[论文解读] Correlations of extreme stock returns within a non-Gaussian one-factor model

Pierre Cizeau, Marc Potters+1 more|arXiv (Cornell University)|Jun 2, 2000

Complex Systems and Time Series Analysis参考文献 5被引用 5

一句话总结

本文研究在高波动时期极端股票收益相关性是否可由以市场收益为关键因子的单因子模型解释。研究发现，大多数相关性动态可由条件均值捕捉，但诸如Lillo-Mantegna偏度等细微效应需通过引入依赖于市场的残差方差与偏度来扩展模型。

ABSTRACT

It is commonly believed that the correlations between stock returns increase in high volatility periods. We investigate how much of these correlations can be explained using conditional averages within a simple onefactor description. Using surrogate data with the true market return as the dominant factor, we show that most of these correlations can be accounted for. However, more subtle e#ects (such as the recently discovered LilloMantegna skewness) require an extension of the one factor model, where the variance and skewness of the residuals depend on the market return. 1 Introduction Understanding the relationship between the statistics of individual stock returns and that of the corresponding index is a major issue in several finance problems such as risk management [1] or market micro-structure modeling. It is also crucial for building optimized portfolios containing both index and stocks derivatives [2]. Although the index return is the (weighted) sum of stock returns, it...

研究动机与目标

• 理解在高波动时期极端股票收益相关性上升的现象中，有多少可由简单的单因子模型解释。
• 评估市场收益作为主导因子是否足以解释极端市场条件下观察到的相关性动态。
• 调查是否需要引入额外特征（如残差中的偏度）来扩展标准条件均值之外的模型。
• 评估单因子模型在捕捉如Lillo-Mantegna偏度等细微统计依赖关系方面的局限性。

提出的方法

• 使用真实市场收益生成的替代数据，模拟在单因子结构下的股票收益。
• 应用条件平均技术，基于市场收益的实际实现值来建模股票收益相关性。
• 将单因子模型扩展，使残差的方差与偏度依赖于市场收益的水平。
• 将经验相关性模式与模型生成的相关性模式进行比较，以评估模型的解释力。
• 采用统计验证方法，将市场驱动的动态与高阶依赖关系的影响分离开来。
• 分析极端收益事件，以检验模型在高波动市场状态下的表现。

实验结果

研究问题

• RQ1 在高波动时期，观察到的股票收益相关性上升在多大程度上可由市场收益作为单因子来解释？
• RQ2 是否存在残差中的统计模式（如收益分布的偏度）是标准单因子模型无法捕捉的？
• RQ3 在对市场收益进行条件化后，Lillo-Mantegna偏度效应是否依然存在？若存在，能否通过动态残差矩来建模？
• RQ4 残差的条件方差与偏度如何影响极端股票收益的相关性结构？

主要发现

• 采用条件均值的单因子模型可解释高波动时期观察到的股票收益相关性上升的大部分现象。
• 在极端市场条件下，大多数相关性动态可通过市场收益对个股收益的条件期望影响来捕捉。
• Lillo-Mantegna偏度效应（即负收益表现出更强相关性）无法仅通过标准单因子模型解释。
• 将模型扩展为允许残差的方差与偏度依赖于市场收益，显著提升了其再现经验相关性模式的能力。
• 该模型扩展成功捕捉了简单模型中缺失的收益依赖性的细微非对称性。
• 经验数据显示，熊市中残差偏度系统性更高，表明需要采用非高斯、状态依赖的残差分布。