[论文解读] Goodness-of-fit testing for the Cauchy distribution with application to financial modeling

M. Mahdizadeh, Ehsan Zamanzade|arXiv (Cornell University)|Jun 24, 2016

Financial Risk and Volatility Modeling参考文献 13被引用 3

一句话总结

本文提出六种基于Kullback-Leibler信息散度的柯西分布拟合优度检验，采用中位数和四分位距进行参数估计。这些检验具有一致性，在检测对称替代分布时优于传统的Kolmogorov-Smirnov与Anderson-Darling方法，其中$ Z_A $和$ \tilde{D}_2 $变体在模拟和真实金融数据应用中表现出更优的检验效能。

ABSTRACT

This article deals with goodness-of-fit test for the Cauchy distribution. Some tests based on Kullback-Leibler information are proposed, and shown to be consistent. Monte Carlo evidence indicates that the tests have satisfactory performances against symmetric alternatives. An empirical application to quantitative finance is provided.

研究动机与目标

• 开发柯西分布的具有一致性的拟合优度检验，该分布因重尾特性而常用于金融建模。
• 解决柯西分布中参数估计的挑战，其中标准方法如最大似然估计（MLE）复杂且矩不存在。
• 通过利用信息论度量（如Kullback-Leibler散度）改进现有检验方法（如Kolmogorov-Smirnov与Anderson-Darling），以提升性能。
• 通过蒙特卡洛模拟评估新检验在一系列对称替代分布（包括t分布和拉普拉斯分布）下的检验效能。
• 在真实金融数据上验证所提检验，具体为德国DAX指数的日收益率数据，以评估其实际适用性。

提出的方法

• 基于经验分布函数与理论分布函数之间的Kullback-Leibler（KL）信息散度，提出六种新的检验统计量。
• 由于柯西分布的原始矩不存在，采用中位数和四分位距作为位置参数（$ \tilde{\nu} $）与尺度参数（$ \tilde{\tau} $）的稳健估计量。
• 通过间距和经验分布函数对KL散度进行近似，推导出检验统计量$ Z_K $、$ Z_A $、$ Z_C $以及$ \tilde{D}_i $（i=1至7）。
• 在五种样本量（n=10, 20, 30, 50, 100）和九种替代分布下进行蒙特卡洛模拟，以评估检验效能与第一类错误率。
• 将检验应用于30个每日DAX收盘价的真实数据集（1991年1月1日），通过Q-Q图与直方图叠加拟合密度图进行视觉拟合评估。
• 将检验统计量与现有表格中的临界值（如表2）进行比较，以判断是否拒绝柯西分布拟合的原假设。

实验结果

研究问题

• RQ1 在对称替代分布下，基于KL的柯西分布拟合优度检验与经典检验（如Kolmogorov-Smirnov与Anderson-Darling）相比，其检验效能如何？
• RQ2 当应用于柯西分布时，信息论散度度量（如Kullback-Leibler散度）能否产生一致且高效的拟合优度检验？
• RQ3 在真实金融收益率数据上，所提检验的性能如何，特别是在捕捉重尾行为方面？
• RQ4 在各种对称替代分布与样本量下，所提检验统计量（$ Z_K $、$ Z_A $、$ \tilde{D}_i $）中，哪一种表现出最高的检验效能？
• RQ5 当真实分布偏离柯西分布（尤其是小样本下）时，新检验在保持第一类错误率与稳健性方面表现如何？

主要发现

• 所提的基于KL的检验，特别是$ Z_A $与$ \tilde{D}_2 $，在检测对称替代分布下柯西分布偏离时，始终优于传统的Kolmogorov-Smirnov与Anderson-Darling检验。
• 在$ t_3 $、$ t_5 $、标准正态分布、拉普拉斯分布与逻辑斯谛分布等对称替代分布下，$ Z_A $与$ \tilde{D}_2 $的检验效能比其他检验高出最多0.367（在样本量为50时的第二类错误率）。
• $ Z_A $在所有竞争检验中通常最为强大，仅在样本量为10时，$ \tilde{D}_2 $或$ \tilde{D}_4 $表现更优。
• 当真实分布为非对称时（如非中心t分布（0.3, 0.7）或Tukey’s t分布），检验性能较差，即使在样本量为100时，检验效能也无显著提升。
• 在真实DAX收益率数据（n=30）上，所有14项检验（包括新的KL基检验）在显著性水平0.05下均未能拒绝柯西分布的原假设，观测检验统计量（如$ Z_C = 5.761 $）低于临界值。
• 经验柯西Q-Q图与叠加拟合密度的直方图显示合理的一致性，支持柯西模型在金融收益率中的合理性，尽管其矩不存在。