[论文解读] Testing and Support Recovery of Correlation Structures for Matrix-Valued Observations with an Application to Stock Market Data

Xin Chen, Dan Yang+4 more|arXiv (Cornell University)|Jun 30, 2020

Complex Systems and Time Series Analysis参考文献 68被引用 4

一句话总结

本文提出了一种矩阵值统计框架，利用克罗内克结构协方差模型，测试新兴市场与发达市场之间相关性结构相等性。通过将资产收益视为矩阵变量（资产 × 时间），该方法克服了基于向量方法的局限性——特别是小样本量和时间依赖性违反问题，在次高斯假设下实现了渐近最优推断，并在真实股票市场数据上表现出强劲的实证性能。

ABSTRACT

Estimation of the covariance matrix of asset returns is crucial to portfolio construction. As suggested by economic theories, the correlation structure among assets differs between emerging markets and developed countries. It is therefore imperative to make rigorous statistical inference on correlation matrix equality between the two groups of countries. However, if the traditional vector-valued approach is undertaken, such inference is either infeasible due to limited number of countries comparing to the relatively abundant assets, or invalid due to the violations of temporal independence assumption. This highlights the necessity of treating the observations as matrix-valued rather than vector-valued. With matrix-valued observations, our problem of interest can be formulated as statistical inference on covariance structures under sub-Gaussian distributions, i.e., testing non-correlation and correlation equality, as well as the corresponding support estimations. We develop procedures that are asymptotically optimal under some regularity conditions. Simulation results demonstrate the computational and statistical advantages of our procedures over certain existing state-of-the-art methods for both normal and non-normal distributions. Application of our procedures to stock market data reveals interesting patterns and validates several economic propositions via rigorous statistical testing.

研究动机与目标

• 解决当资产数量超过时间序列长度时，测试新兴市场与发达市场之间相关性矩阵相等性的统计挑战。
• 克服由于样本量小和时间依赖性违反导致的传统基于向量的方法不可行且无效的问题。
• 在矩阵变量次高斯模型下，开发测试零相关性和相关性相等性的渐近最优程序。
• 在高维、小样本量的金融数据中，实现相关性结构的准确支持恢复。
• 通过在真实股票市场数据上进行严格的统计检验，验证市场分割和联动模式的经济理论。

提出的方法

• 使用克罗内克积结构对协方差建模矩阵变量收益，假设误差服从次高斯分布。
• 制定单样本和双样本假设检验，用于相关性矩阵相等性检验，包括零相关性和完全相等性。
• 提出三种估计策略：Oracle估计器、基于样本的估计器以及带状结构估计器，用于时间协方差矩阵。
• 基于估计相关性矩阵之间差异的Frobenius范数构造检验统计量，并在正则条件下推导其渐近零分布。
• 对协方差矩阵的时间分量施加带状结构假设，以在高维设定下提高估计精度。
• 实施预白化程序以在非正态和重尾分布（如t₃分布）下稳定检验，改善经验尺寸控制。

实验结果

研究问题

• RQ1 当资产数量相对于时间序列长度较大时，我们能否严格检验新兴市场与发达市场之间资产收益相关性结构是否不同？
• RQ2 将收益视为矩阵变量（资产 × 时间）与标准向量化方法相比，在高维金融数据中如何改善统计推断？
• RQ3 在金融收益中常见的非正态、重尾分布下，矩阵变量方法的性能如何？
• RQ4 在低样本量情况下，对时间协方差矩阵进行带状估计在多大程度上能提高检验的准确性和统计功效？
• RQ5 实证结果在多大程度上支持关于市场分割、商品暴露以及新兴市场与发达市场顺周期性的经济理论？

主要发现

• 所提出的矩阵变量方法在次高斯假设下实现了渐近最优性，其计算效率和统计功效均优于基于向量的方法。
• 在正态分布和t₃分布误差下，带状估计器方法将经验尺寸保持在接近名义5%水平（如双样本检验为5.4%），并在备择假设下实现了74.8%的功效。
• 在高维设定下（p=30, q=200, n=20），样本估计器方法严重低估（经验尺寸为0%），表明在缺乏结构假设时性能极差。
• 随着样本量或时间维度的增加，支持恢复性能显著提升：当n=50, q=200时，单样本Oracle估计器的相似性度量达到99.6%。
• 基于真实数据的伪模拟显示，带状估计器方法在重尾分布下优于样本估计器和基于向量的方法。
• 在真实股票市场数据上的应用揭示，新兴市场中商品和休闲行业表现出更强的联动性，验证了关于市场分割和顺周期性的经济命题。