[论文解读] Parsimonious Quantile Regression of Financial Asset Tail Dynamics via Sequential Learning

Yan Xing, Weizhong Zhang+3 more|arXiv (Cornell University)|Oct 16, 2020

Stock Market Forecasting Methods被引用 18

一句话总结

本文提出了一种基于新型参数化重尾分位数函数（HTQF）与长短期记忆网络（LSTM）的简约分位数回归框架，用于建模金融资产收益的时间变化、非对称尾部动态。该方法在样本外风险价值（VaR）预测中优于GARCH族模型，且避免了分位数交叉与病态问题。

ABSTRACT

We propose a parsimonious quantile regression framework to learn the dynamic tail behaviors of financial asset returns. Our model captures well both the time-varying characteristic and the asymmetrical heavy-tail property of financial time series. It combines the merits of a popular sequential neural network model, i.e., LSTM, with a novel parametric quantile function that we construct to represent the conditional distribution of asset returns. Our model also captures individually the serial dependences of higher moments, rather than just the volatility. Across a wide range of asset classes, the out-of-sample forecasts of conditional quantiles or VaR of our model outperform the GARCH family. Further, the proposed approach does not suffer from the issue of quantile crossing, nor does it expose to the ill-posedness comparing to the parametric probability density function approach.

研究动机与目标

• 为了比现有参数化模型更准确地建模金融资产收益的时间变化、非对称重尾行为。
• 通过引入灵活的时间变化参数化分位数函数，克服GARCH类模型假设对称重尾和固定尾部参数的局限性。
• 通过在序列学习框架中嵌入新型HTQF，解决传统分位数回归中的分位数交叉与参数爆炸问题。
• 通过单一、简约的参数化表示，实现对条件分位数、偏度与峰度的可解释建模。
• 通过结合序列神经网络与条件分位数估计，提升在多种资产类别中样本外风险价值（VaR）预测的准确性。

提出的方法

• 提出一种新型参数化分位数函数——重尾分位数函数（HTQF），通过两个灵活参数建模左右尾部的非对称重尾性。
• 利用LSTM网络基于历史收益序列建模HTQF参数的时间变化，捕捉波动率之外的高阶矩序列依赖性。
• 在多个概率水平上以分位数回归框架进行模型训练，确保单调性并避免分位数交叉。
• 采用基于分位数回归pinball损失的损失函数，优化模型参数以实现条件分位数估计。
• 将资产收益的条件分布建模为参数化的HTQF，其参数通过LSTM随时间演化，实现动态尾部风险评估。
• 将HTQF与深度学习结合，学习收益率序列中复杂非线性依赖关系，同时保持尾部分布参数的可解释性。

实验结果

研究问题

• RQ1 是否能够通过参数化分位数函数在不假设特定概率密度函数的前提下，有效建模金融收益率序列中的非对称、时变重尾行为？
• RQ2 与GARCH族模型相比，将LSTM与新型HTQF结合是否能提升样本外条件分位数与VaR预测的准确性？
• RQ3 所提出的框架是否能在保持简约性的同时，避免传统分位数回归中常见的分位数交叉问题？
• RQ4 估计的HTQF参数与金融收益率中可解释的风险特征（如偏度与峰度）之间有何关系？
• RQ5 该方法在包括股票指数、外汇与政府债券在内的多种资产类别中，是否具有尾部风险预测的泛化能力？

主要发现

• LSTM-HTQF模型在所有测试资产中均实现了最低的样本外分位数损失，S&P 500在τ=0.1时的平均损失为0.0737（108/111），显著优于GARCH-t（0.2246）与EGARCH-t（0.9701）。
• LSTM-HTQF模型在大多数资产上通过了τ=0.1预测的独立性与条件覆盖检验，仅5项测试（共16项）超过5%显著性水平（χ²=3.8415与5.9915分别）。
• 对于S&P 500，LSTM-HTQF模型的条件覆盖检验统计量为0.5651，远低于临界值5.9915，表明VaR预测具有可靠性。
• 该方法避免了分位数交叉，所有测试资产中均未发现独立性与条件覆盖检验的显著违规。
• LSTM-HTQF模型在预测极端分位数（如τ=0.1）方面表现优异，无论在股票指数还是货币与固定收益工具中，测试统计量均保持较低水平。
• 在回测中，LSTM-HTQF模型对DAX与FTSE 100的VaR预测最为准确，独立性检验p值分别为5.7355*与2.5901，表明对尾部风险误估具有鲁棒性。