[论文解读] Measuring Association between Random Vectors

Oliver Grothe, Friedrich Schmid+2 more|arXiv (Cornell University)|Jul 21, 2011

Financial Risk and Volatility Modeling参考文献 21被引用 6

一句话总结

本文提出了五种基于互 copula 的随机向量间关联度量，这些度量对边缘分布具有不变性，且能够捕捉正相关与负相关关系。这些度量将斯皮尔曼等级相关系数推广至多变量情形，并在金融数据中有效检测出时变关联模式，包括债券与股票指数关系中随时间从正相关转向负相关的转变。

ABSTRACT

This paper suggests five measures of association between two random vectors X = (X_1, ..., X_p) and Y = (Y_1, ..., Y_q). They are copula based and therefore invariant with respect to the marginal distributions of the components X_i and Y_j. The measures capture positive as well as negative association of X and Y. In case p = q = 1 they reduce to Spearman's rho. Various properties of these new measures are investigated. Nonparametric estimators, based on ranks, for the measures are derived and their small sample behaviour is investigated by simulation. The measures are applied to characterise strength and direction of association of bond and stock indices of five countries over time.

研究动机与目标

• 开发对边缘分布不变的两组随机向量间关联度量，以解决经典相关系数在非正态、金融数据中的局限性。
• 实现对正相关与负相关的检测，克服皮尔逊相关系数和距离相关系数等度量无法区分依赖方向的缺陷。
• 提供具有优良小样本性质的非参数、基于秩的估计量，以利于实际应用。
• 展示这些度量在分析不同金融资产类别（如债券与股票）之间时变依赖结构中的实用性。
• 通过基于 copula 的变换，将框架从双变量关联推广至多变量依赖结构。

提出的方法

• 度量基于两组随机向量 X 和 Y 联合分布的 copula 定义，确保对边缘分布的不变性。
• 基于 X 和 Y 的概率积分变换 U 和 V，推导出五种总体水平的度量，分别作用于变换后的向量 f(U) 和 g(V)。
• 通过在变换后的分量上应用双变量等级相关，将斯皮尔曼等级相关系数推广至多变量情形，保持对单调依赖的敏感性。
• 利用数据的秩构造非参数估计量，确保稳健性，并在无需矩条件限制下具有适用性。
• 通过模拟研究评估有限样本下的性能，结果表明当样本量 n ≥ 100 时表现良好。
• 实证应用采用 250 天滚动窗口，估计五国债券与股票指数之间的时变关联。

实验结果

研究问题

• RQ1 如何在对边缘分布不变且对正负依赖关系均敏感的前提下，度量两组随机向量之间的关联？
• RQ2 基于 copula 的度量能否将斯皮尔曼等级相关系数推广至多变量情形，同时保持可解释性与稳健性？
• RQ3 这些多变量关联度量的非参数秩估计量在小样本下的表现如何？
• RQ4 与典型相关系数、RV 系数和距离相关系数等经典度量相比，这些度量在捕捉金融数据中时变依赖关系方面表现如何？
• RQ5 所提出的度量能否检测出有意义的依赖结构转变，例如随时间从正相关转向负相关？

主要发现

• 所提出的度量成功捕捉了随机向量之间依赖的方向与强度，能够区分正相关与负相关，而经典度量则无法实现。
• 模拟结果表明，估计量具有优良的小样本性质，当样本量 n ≥ 100 时表现稳定。
• 在实证分析中，度量揭示出时变模式：1996 至 2002 年间，债券与股票指数之间的关联性下降；2002 至 2006 年间趋近于零；此后转为负相关。
• 基于平均成对关联（ρ̄）和单个分量关联（ρ₁ 至 ρ₄）的度量表现出更平滑、更一致的演化趋势，而典型相关系数、距离相关系数和 RV 系数则表现出量纲不一致的发散趋势。
• 在过滤后的数据上应用结果依然稳健，表明所观测到的依赖模式并非由收益的自相关性或异方差性所驱动。
• 该框架可通过将多变量依赖度量应用于 copula 衍生的变换分量，推广至 d 元关联分析。