[论文解读] Event Conditional Correlation: Or How Non-Linear Linear Dependence Can Be

P-A. G. Maugis|arXiv (Cornell University)|Jan 6, 2014

Financial Risk and Volatility Modeling参考文献 21被引用 3

一句话总结

本文提出事件条件相关性（ECC），一种新的依赖参数，用于估计在特定事件条件下两个变量之间的相关性，以校正部分样本中的抽样偏差。该文提出了两种一致且渐近正态的估计量——一种用于直接估计ECC，另一种用于通过不同抽样制度进行反事实估计，表明即使在高斯假设下，依赖结构也可能表现出高度非线性，这对金融危机期间的金融风险建模具有重要意义。

ABSTRACT

Entries of datasets are often collected only if an event occurred: taking a survey, enrolling in an experiment and so forth. However, such partial samples bias classical correlation estimators. Here we show how to correct for such sampling effects through two complementary estimators of event conditional correlation: the correlation of two random variables conditional on a given event. First, we provide under minimal assumptions proof of consistency and asymptotic normality for the proposed estimators. Then, through synthetic examples, we show that these estimators behave well in small-sample and yield powerful methodologies for non-linear regression as well as dependence testing. Finally, by using the two estimators in tandem, we explore counterfactual dependence regimes in a financial dataset. By so doing we show that the contagion which took place during the 2007--2011 financial crisis cannot be explained solely by increased financial risk.

研究动机与目标

• 解决在仅在特定条件（如仅高绩效学生或市场危机期间）下收集数据时，经典相关性估计器引入的偏差问题。
• 为事件条件相关性（ECC）建立正式框架，作为在事件A发生且P(A) > 0条件下的条件线性依赖参数。
• 在最小正则性假设下，建立ECC估计量的一致性和渐近正态性的理论性质。
• 通过结合两个估计量，实现对依赖结构的反事实分析，从而从一种抽样条件下推断另一种条件下的ECC。
• 展示该方法在非线性回归、独立性检验以及不同风险制度下金融网络拓扑分析中的实用性。

提出的方法

• 提出一种新的依赖参数：ρXY|A，即给定事件A时X与Y的条件相关性，通过条件期望和条件方差定义。
• 基于底层参数（ρXY, ρXZ, ρYZ, δ）的一致估计量，利用Delta方法推导出ρXY|A的可接受估计量，且假设条件最少。
• 引入第二种估计量，允许从A′-样本（在不同事件A′下收集的数据）中估计ρXY|A，从而实现反事实推断。
• 采用分段线性逼近框架来建模条件方差和协方差，特别是在对阈值化变量Z进行条件化时。
• 应用Delta方法推导ECC估计量的渐近正态性，确保在正则性条件下统计推断的有效性。
• 使用基于模拟的验证（R语言与rgl包）来展示估计量在小样本和非高斯设定下的性能。

实验结果

研究问题

• RQ1 当数据仅在特定条件（如Z值较高）下收集时，经典相关性估计器为何会产生偏差？在这种抽样下，真实的依赖结构是什么？
• RQ2 能否在最小假设下构建事件条件相关性ρXY|A的一致且渐近正态的估计量？
• RQ3 在一种抽样制度（如A′-样本）下估计的依赖参数，在多大程度上可用于推断另一种制度（如A）下的参数？
• RQ4 即使在高斯模型中，条件相关性的行为有多非线性？这对高风险情景下的依赖建模有何启示？
• RQ5 事件条件相关性能否在部分抽样条件下改善非线性回归、独立性检验和金融网络分析？

主要发现

• 事件条件相关性可能与无条件相关性表现出显著不同的取值——例如，在三元高斯模型中，ρXY|Z>zc可能远高于ρXY。
• 所提出的估计量在最小正则性条件下具有一致性和渐近正态性，支持有效的统计推断。
• 在合成示例中，估计量在小样本中表现良好，支持其在数据有限的实际应用中的使用。
• 该方法支持反事实分析：通过结合两个估计量，可从A′-样本中推断ρXY|A，从而探索假设的依赖结构。
• 在金融数据集中，研究发现2007–2011年危机期间依赖性的增加（传染效应）无法仅由市场波动率上升完全解释，暗示存在额外的结构性或系统性因素。
• 对高波动率（Z > zc）进行条件化会显著改变协方差矩阵的特征向量，表明危机期间底层依赖结构被非平凡地重新配置。