[论文解读] Uniform Inference for Characteristic Effects of Large Continuous-Time Linear Models

Yuan Liao, Xiye Yang|arXiv (Cornell University)|Nov 13, 2017

Monetary Policy and Economic Impact参考文献 49被引用 4

一句话总结

本文针对高频数据下的大维连续时间线性因子模型，提出了一种对特征效应进行一致有效推断的方法，通过横截面自展法解决当特异型贝塔方差接近零时渐近分布的不连续性问题。该方法实现了对非参数特征效应的稳健估计与推断，无需预先检验特异型成分是否存在或其强度如何。

ABSTRACT

We consider continuous-time models with a large panel of moment conditions, where the structural parameter depends on a set of characteristics, whose effects are of interest. The leading example is the linear factor model in financial economics where factor betas depend on observed characteristics such as firm specific instruments and macroeconomic variables, and their effects pick up long-run time-varying beta fluctuations. We specify the factor betas as the sum of characteristic effects and an orthogonal idiosyncratic parameter that captures high-frequency movements. It is often the case that researchers do not know whether or not the latter exists, or its strengths, and thus the inference about the characteristic effects should be valid uniformly over a broad class of data generating processes for idiosyncratic parameters. We construct our estimation and inference in a two-step continuous-time GMM framework. It is found that the limiting distribution of the estimated characteristic effects has a discontinuity when the variance of the idiosyncratic parameter is near the boundary (zero), which makes the usual "plug-in" method using the estimated asymptotic variance only valid pointwise and may produce either over- or under- coveraging probabilities. We show that the uniformity can be achieved by cross-sectional bootstrap. Our procedure allows both known and estimated factors, and also features a bias correction for the effect of estimating unknown factors.

研究动机与目标

• 为具有高频数据的大维连续时间线性因子模型中的特征效应提供一致有效的推断。
• 解决当特异型成分方差接近零时，标准‘插补’推断方法失效的问题。
• 开发一种无需预先检验特异型成分是否存在或其强度的推断方法。
• 允许已知和估计的因子存在，包括对因子估计效应的偏差校正。
• 将框架扩展至一般模型，其中结构参数可分解为特征成分与正交成分。

提出的方法

• 将因子贝塔建模为可观测特征的非参数函数（特征贝塔）与正交特异型成分之和。
• 采用两步连续时间广义方法矩（GMM）框架进行估计，使用样条逼近未知的时变函数 g_t(·)。
• 应用横截面自展法构造在整个参数空间上一致有效的置信区间，包括特异型方差接近零的边界情形。
• 在两步GMM过程中引入对未知因子估计的偏差校正。
• 通过线性样条投影 Φ_t 和 P_t = Φ_t(Φ_t'Φ_t)^{-1}Φ_t' 估计特征效应系数 θ_t。
• 针对每个交易日的 θ_t 各个分量构建自展置信区间，以评估其显著性。

实验结果

研究问题

• RQ1 当特异型成分方差接近零时，如何实现对特征效应的一致有效推断？
• RQ2 特征效应估计量极限分布的不连续性对标准‘插补’推断有何影响？
• RQ3 能否构建一种自展程序，确保在所有可能的特异型方差取值（包括零）下均保持一致有效性？
• RQ4 不同因子（如市场、HML、SMB）的估计特征效应如何随时间变化？
• RQ5 在一致推断框架下，公司特征如规模、价值、动量和波动率在多大程度上显著影响因子贝塔？

主要发现

• 当特异型成分方差接近零时，估计特征效应的极限分布表现出不连续性，导致标准‘插补’推断失效。
• 横截面自展法通过考虑特异型方差的边界行为，实现了统一有效推断，确保在所有参数配置下覆盖概率均保持有效。
• 在2008年，波动率对市场因子具有显著正向影响（53.4%的正向显著性），价值对HML因子具有显著正向影响（89.2%），规模对SMB因子具有显著负向影响（98.4%的负向显著性）。
• 在2011年，波动率对市场因子具有极高的正向显著性（95.6%），价值对HML因子具有强烈正向影响（98.4%），动量对SMB因子表现出显著负向影响（45.0%的负向显著性）。
• 规模对市场贝塔的影响不显著，可能是因为条件控制了波动率，且标普500成分股的规模相对较大。
• 通过B样条拟合的估计 g_t(·) 函数在各年度表现出一致的模式，显示波动率和价值特征对因子贝塔具有强烈且持续的影响。