[论文解读] Estimating long range dependence: finite sample properties and confidence intervals

Rafał Weron|arXiv (Cornell University)|Mar 24, 2001

Complex Systems and Time Series Analysis参考文献 39被引用 397

一句话总结

本论文通过蒙特卡洛模拟在高斯白噪声上评估了三种长程依赖估计量——R/S分析、去趋势波动分析（DFA）和周期图回归——的表现。在有限样本中，DFA始终优于其他方法。研究推导了所有方法的经验置信区间，显示其与启发式R/S值存在显著差异，而周期图回归的经验结果则与渐近理论结果高度一致。

ABSTRACT

A major issue in financial economics is the behavior of asset returns over long horizons. Various estimators of long range dependence have been proposed. Even though some have known asymptotic properties, it is important to test their accuracy by using simulated series of different lengths. We test R/S analysis, Detrended Fluctuation Analysis and periodogram regression methods on samples drawn from Gaussian white noise. The DFA statistics turns out to be the unanimous winner. Unfortunately, no asymptotic distribution theory has been derived for this statistics so far. We were able, however, to construct empirical (i.e. approximate) confidence intervals for all three methods. The obtained values differ largely from heuristic values proposed by some authors for the R/S statistics and are very close to asymptotic values for the periodogram regression method.

研究动机与目标

• 评估R/S分析、DFA和周期图回归在有限样本中估计长程依赖时的表现。
• 在DFA缺乏渐近分布理论的前提下，为所有三种估计量构建经验置信区间。
• 将经验置信区间与启发式和渐近值进行比较，尤其针对R/S和周期图方法。
• 将推导出的置信区间应用于真实金融时间序列，检验收益与波动率中是否存在长程依赖。
• 通过基于模拟的可靠推断，解决金融计量经济学中的争议，适用于短至中等样本规模。

提出的方法

• 在不同长度的高斯白噪声序列上进行蒙特卡洛模拟，以评估估计量的准确性。
• 采用Anis-Lloyd校正的R/S分析（R/S-AL），以校正小样本下极差的偏差。
• 通过将时间序列划分为段、对每一段去趋势化并计算均方根波动量，应用去趋势波动分析（DFA）。
• 使用周期图回归（Geweke-Porter-Hudak，GPH）方法，从零频附近的谱密度估计分数差分参数d。
• 通过模拟得到的分位数，为每种估计量在多种样本规模下推导经验置信区间。
• 将经验区间与理论（渐近）值和启发式值进行比较，尤其关注R/S统计量。

实验结果

研究问题

• RQ1 在来自高斯白噪声的有限样本中，R/S分析、DFA和周期图回归在估计赫斯特指数H时表现如何？
• RQ2 R/S-AL、DFA和GPH估计量在有限样本中的性质如何，尤其在偏差和方差方面？
• RQ3 这些估计量的经验置信区间与启发式或渐近值相比如何，特别是针对R/S分析？
• RQ4 基于模拟推导出的经验置信区间在实际应用中，相较于启发式或理论区间有多大改进？
• RQ5 在使用基于模拟的置信区间时，真实金融时间序列（如股票收益、电价）中长程依赖的实证显著性如何？

主要发现

• 在有限样本模拟中，去趋势波动分析（DFA）始终优于R/S分析和周期图回归，对赫斯特指数H的估计最准确且最稳定。
• R/S-AL估计量的经验置信区间与某些作者提出的启发式值存在显著差异，表明启发式区间在推断中不可靠。
• 周期图回归（GPH）方法的经验置信区间与渐近对应值非常接近，验证了渐近理论在大样本中的适用性。
• 对于GPH方法，经验置信区间可由如下公式良好近似：95% 置信区间 = [0.5 − exp(−0.71·N²/³ + 2.04), exp(−0.68·N²/³ + 1.78) + 0.5]，其中 N = log₂L。
• 在实证应用中，股票指数收益未发现显著的长程依赖（H ≈ 0.5），但绝对收益中存在强烈的长记忆特征（H > 0.8），表明波动聚集。
• 电价收益表现出均值回归行为（H < 0.5），GPH估计值显著低于0.5，与电力市场中价格波动的早期发现一致。