[论文解读] Granger Causality in Expectiles: an M-vine copula test

Roberto Fuentes-Martínez, Irene Crimaldi|arXiv (Cornell University)|Mar 24, 2026

Financial Risk and Volatility Modeling被引用 0

一句话总结

提出一种基于模型无关的期望水平下的Granger因果度测量，并开发一种多变量M-vine Copula检验以检测它，包括一致性证明、仿真以及股票市场应用。

ABSTRACT

A model-free measure of Granger causality in expectiles is proposed, generalizing the traditional mean-based measure to arbitrary positions of the conditional distribution. Expectiles are the only law-invariant risk measures that are both coherent and elicitable, making them particularly well-suited for studying distributional Granger causality where risk quantification and forecast evaluation are both relevant. Based on this measure, a test is developed using M-vine copula models that accounts for multivariate Granger causality with $d+1$ series under non-linear and non-Gaussian dependence, without imposing parametric assumptions on the joint distribution. Strong consistency of the test statistic is established under some regularity conditions. In finite samples, simulations show accurate size control and power increasing with sample size. A key advantage is the joint testing capability: causal relationships invisible to pairwise tests can be detected, as demonstrated both theoretically and empirically. Two applications to international stock market indices at the global and Asian regional level illustrate the practical relevance of the proposed framework.

研究动机与目标

• 通过使用期望水平作为一个一致、可蕴含的风险度量，将分布式Granger因果推广到均值之外。
• 在给定的期望水平下定义一个模型无关的GC度量。
• 开发一个多变量的M-vine Copula检验，以评估非线性、非高斯依赖中的GC。
• 证明检验的一致性并通过仿真和应用评估有限样本性能。

提出的方法

• 用不对称二次损失和期望最小化来定义tau-th期望水平下的GC。
• 构建一个模型无关的GC度量 GC_tau(Z -> X)，其为期望损失的对数比。
• 通过对拟合自数据的M-vine Copula模型进行仿真来估计期望。
• 将检验统计量计算为在有/无Z下的两次损失对数差，并用拟合的M-vine生成预测。
• 在零假设下通过从M-vine结构逐步提取Copula并生成B个复本来进行模拟以获得p值。
• 通过在不同DGP下的Monte Carlo仿真评估大小和检验力，包括非线性和尾部相关设置。
• 与成对检验、核基分位数因果检验进行比较，并与均值线性Granger因果进行对比。

实验结果

研究问题

• RQ1 期望水平下的Granger因果是否可以用期望损失以模型无关的方式来衡量？
• RQ2 多变量的M-vine Copula框架是否能够在不同的期望水平（包括尾部）可靠地检测联合Granger因果？
• RQ3 在非线性和重尾数据下，所提出的检验相对于成对检验和线性均值的GC检验的表现如何？
• RQ4 在全球与亚洲股票指数的经验应用中，是否揭示出仅由多变量检验可检测的联合因果模式？

主要发现

• GC_tau度量是非负的，且当且仅当在tau-th期望水平下不存在Granger因果时等于零（tau = 1/2时简化为基于均值的度量）。
• M-vine Copula检验提供强一致的估计量，并在有限样本规模下保持良好的大小控制，且检验力随样本量增加而提高。
• 通过M-vine框架的联合检验能够检测出对成对检验不可见的因果关系，尤其在尾部区域。
• 在仿真中，该检验优于核基分位数因果检验，特别是在有限样本和尾部依赖下。
• 相比经典线性Granger F检验，所提出的方法能够捕捉非线性依赖，在非线性DGP中具有更高的检验力，同时在线性情形下大小保持可比性。
• 对国际股票指数的经验应用显示出只有通过多变量分析才能发现的联合因果模式，成对分析难以揭示。