[论文解读] Quantile Spectral Analysis for Locally Stationary Time Series

Stefan Birr, Stanislav Volgushev+3 more|arXiv (Cornell University)|Apr 17, 2014

Statistical Methods and Inference参考文献 53被引用 4

一句话总结

本文通过将基于经验的谱概念扩展至时变依赖结构，提出了一套用于局部平稳时间序列的分位数谱分析框架。该研究提出了一种用于时变对偶谱的局部滞后窗估计器，并建立了中心极限定理，从而能够检测非高斯、非平稳序列在不同分位数和时间点上的串行依赖关系——揭示了经典基于协方差的方法无法捕捉到的尾部动态特征。

ABSTRACT

Classical spectral methods are subject to two fundamental limitations: they only can account for covariance-related serial dependencies, and they require second-order stationarity. Much attention has been devoted lately to quantile-based spectral methods that go beyond covariance-based serial dependence features. At the same time, covariance-based methods relaxing stationarity into much weaker {\it local stationarity} conditions have been developed for a variety of time-series models. Here, we are combining those two approaches by proposing quantile-based spectral methods for locally stationary processes. We therefore introduce a time-varying version of the copula spectra that have been recently proposed in the literature, along with a suitable local lag-window estimator. We propose a new definition of local {\it strict} stationarity that allows us to handle completely general non-linear processes without any moment assumptions, thus accommodating our quantile-based concepts and methods. We establish a central limit theorem for the new estimators, and illustrate the power of the proposed methodology by means of a simulation study. Moreover, in two empirical studies (namely of the Standard \& Poor's 500 series and a temperature dataset recorded in Hohenpeissenberg) we demonstrate that the new approach detects important variations in serial dependence structures both across time and across quantiles. Such variations remain completely undetected, and are actually undetectable, via classical covariance-based spectral methods.

研究动机与目标

• 将基于分位数的谱分析从严格平稳过程推广至处理局部平稳时间序列。
• 发展一种时变对偶谱概念，以捕捉无需矩假设的分位数间串行依赖关系。
• 提出一种具有理论依据的时变对偶谱局部滞后窗估计器。
• 在弱正则性条件下，为所提出的估计器建立中心极限定理。
• 展示该方法在真实金融与环境数据中检测非高斯、非平稳依赖结构的能力。

提出的方法

• 提出一种新的局部严格平稳性定义，允许非线性、非高斯过程且无需矩限制。
• 引入一种以分位数水平 $(\tau_1, \tau_2)$ 和时间 $t$ 为索引的时变对偶谱，用于捕捉分位数间的条件依赖关系。
• 通过核加权平均秩基周期图的方法，开发一种局部滞后窗估计器，用于估计时变对偶谱。
• 采用带宽为 $B_n$ 与核函数 $K_n(k)$ 的局部谱平滑技术，以控制偏差与方差。
• 利用从经验对偶过程导出的秩基周期图，避免矩假设，提升对厚尾分布的稳健性。
• 在谱密度与核函数满足弱正则性条件的前提下，通过中心极限定理证明估计器的渐近正态性。

实验结果

研究问题

• RQ1 基于分位数的谱方法是否能够检测经典方法失效的非高斯、非平稳时间序列中的时变串行依赖？
• RQ2 在不依赖二阶平稳性或有限矩假设的前提下，如何将对偶谱概念扩展至局部平稳过程？
• RQ3 所提出的局部滞后窗估计器在时变对偶谱上的渐近行为如何？
• RQ4 该方法在检测金融与环境时间序列中的尾部依赖动态方面具有多大程度的识别能力？
• RQ5 与经典周期图相比，该方法在不同分位数上检测串行依赖的能力如何？

主要发现

• 所提出的方法在标普500指数序列中检测到显著的尾部依赖——在 $\tau = 0.1$ 与 $\tau = 0.9$ 的秩基对偶周期图中于原点处呈现明显峰态，而中位数 ($\tau = 0.5$) 无此现象，且经典方法未能识别该特征。
• 在霍恩施佩森堡的气温数据集中，该方法揭示了分位数间随时间变化的串行依赖结构，表明存在非平稳的尾部分布行为。
• 在弱正则性条件下（包括谱导数的统一收敛性与可积性），已建立局部估计器的中心极限定理。
• 估计器的偏差被证明为 $O(B_n^{-r})$ 阶，最优带宽选择可在偏差与方差之间实现平衡。
• 该方法在模拟数据与真实世界数据中均成功识别出非高斯、非平稳依赖结构，优于经典基于协方差的谱分析方法。
• 理论结果证实，即使在非线性、非椭圆分布及重尾依赖结构下，估计器仍具一致性和渐近正态性。