[论文解读] Robust Spectral Analysis

Andreas Hagemann|arXiv (Cornell University)|Nov 8, 2011

Financial Risk and Volatility Modeling参考文献 47被引用 28

一句话总结

本文引入分位数谱密度，通过检验时间序列中分位数交叉的周期性，实现对时间序列的稳健谱分析，捕捉周期行为中的分布变化。该方法在非高斯和非线性依赖结构下仍能提供一致的估计与推断，而经典谱方法在此类情况下会失效。

ABSTRACT

In this paper I introduce quantile spectral densities that summarize the cyclical behavior of time series across their whole distribution by analyzing periodicities in quantile crossings. This approach can capture systematic changes in the impact of cycles on the distribution of a time series and allows robust spectral estimation and inference in situations where the dependence structure is not accurately captured by the auto-covariance function. I study the statistical properties of quantile spectral estimators in a large class of nonlinear time series models and discuss inference both at fixed and across all frequencies. Monte Carlo experiments illustrate the advantages of quantile spectral analysis over classical methods when standard assumptions are violated.

研究动机与目标

• 解决在非高斯或重尾时间序列下，基于自协方差的经典谱分析方法失效时的局限性。
• 开发一种谱分析框架，以捕捉周期如何影响整个条件分布，而不仅限于均值。
• 实现对分布所有分位数中周期分量的有效统计推断。
• 提供稳健的估计程序，即使依赖结构偏离线性或二阶矩假设，仍保持一致性。
• 将谱分析扩展至传统方法缺乏理论依据的非线性时间序列模型。

提出的方法

• 提出基于时间序列观测中分位数交叉的新型谱表示——分位数谱密度。
• 通过经验分位数过程定义谱估计量，以捕捉条件分位数中的周期性行为。
• 推导在广义非线性时间序列模型类下，分位数谱估计量的渐近分布。
• 证明估计量在固定频率及所有频率上的一致性与渐近正态性。
• 采用重置自展法（wild bootstrap）程序，实现在不依赖矩条件情况下的谱特征稳健推断。
• 利用蒙特卡洛模拟，比较在分布偏离标准假设下，本方法与经典周期图方法的性能。

实验结果

研究问题

• RQ1 谱分析能否扩展至捕捉时间序列整个分布中的周期性行为，而不仅限于均值？
• RQ2 在非线性和非高斯时间序列模型下，分位数谱估计量的行为如何？
• RQ3 分位数谱估计量在固定频率及所有频率上的渐近性质为何？
• RQ4 当标准矩假设不成立时，能否通过分位数谱方法实现稳健推断？
• RQ5 在模型设定错误的有限样本下，分位数谱分析与经典谱方法相比表现如何？

主要发现

• 分位数谱密度能有效捕捉不同分布分位数中周期性影响的系统性变化。
• 所提出的分位数谱估计量在广义非线性时间序列模型类下具有一致性与渐近正态性。
• 即使高阶矩不存在，也可通过重置自展法实现稳健推断。
• 蒙特卡洛实验表明，当误差为重尾或偏态时，本方法相比经典周期图方法具有显著性能优势。
• 该方法能检测到均值基谱分析所遗漏的分布尾部中的周期性模式。
• 即使在严重偏离高斯性和线性假设的情况下，该方法仍保持良好的有限样本性能。