Two-Sample Testing for Tail Copulas with an Application to Equity Indices¶
作者: Sami Umut Can, John H. J. Einmahl, Roger J. A. Laeven
来源: Journal of Business & Economic Statistics
主题: 数理统计 / 假设检验
相关性: 6/10
机构绿灯: University of Amsterdam（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2023.2166050
一、领域脉络与小综述¶
这个方向是什么¶
本方向关注的是双变量尾部依赖结构的统计推断，具体而言，是检验两组独立同分布的双变量样本是否具有相同的尾部Copula。尾部Copula刻画了当两个变量同时取极端值（如同时暴跌）时的依赖模式，是金融风险管理（如投资组合尾部风险）、保险精算（如巨灾风险建模）和气候学（如极端降水事件）中的核心对象。当前子方向的成熟度：方法型工作较多（单样本估计与检验），但两样本检验几乎空白——这正是本文的切入点。
发展脉络（history）¶
从奠基工作到本文的定位，可梳理如下：
- 奠基：尾部依赖的度量与单样本推断
- Sibuya (1960) 首次引入尾部依赖系数（tail dependence coefficient）的概念，奠定了极值依赖的理论基础。
- Ledford & Tawn (1996) 提出更精细的尾部依赖模型（如残差尾部依赖），并给出估计方法。
-
Schmidt & Stadtmüller (2006) 正式定义了尾部Copula（tail copula）作为双变量尾部依赖结构的完整刻画，并建立了其非参数估计的渐近理论（弱收敛到高斯过程）。这是本文的直接技术前身。
-
主要进展：单样本检验与鞅变换
- Einmahl, de Haan & Li (2006) 针对尾部Copula的单样本拟合优度检验，首次引入鞅变换（martingale transformation）技术，将检验过程转化为标准Wiener过程，从而得到分布自由的检验统计量。这是本文方法的核心技术来源。
-
Kojadinovic & Yan (2012) 等发展了基于bootstrap的尾部Copula检验，但依赖重抽样，计算成本高且渐近性质不如鞅变换直接。
-
当前frontier：两样本检验的空白
- 作者在引言中明确指出："To the best of our knowledge, no two-sample test for tail copulas has been proposed in the literature."（据我们所知，文献中尚未提出尾部Copula的两样本检验。）——这是本文的核心缺口声明。
-
已有两样本检验工作（如 Remillard & Scaillet (2009) 对普通Copula的两样本检验）不适用于尾部，因为尾部Copula的极限性质（极值吸引域、慢收敛）与普通Copula不同。
-
本文的位置：将Einmahl et al. (2006)的单样本鞅变换技术推广到两样本设定，填补尾部Copula两样本检验的空白。
子线索聚类¶
被引文献大致落在三条子线索上：
- 线索A：尾部依赖的估计与单样本推断（核心文献：Schmidt & Stadtmüller 2006, Einmahl et al. 2006, de Haan & Ferreira 2006的教材）
- 做什么：定义尾部Copula，建立其非参数估计的渐近理论，并构造单样本拟合优度检验。
-
留下什么口子：两样本检验未处理。
-
线索B：普通Copula的两样本检验（核心文献：Remillard & Scaillet 2009, Rémillard 2010）
- 做什么：对普通（非尾部）Copula提出两样本检验，基于经验Copula过程与Cramér-von Mises型统计量。
-
留下什么口子：方法依赖普通Copula的收敛速度（\(\sqrt{n}\)），不适用于尾部Copula的慢收敛（\(O(k^{-1/2})\)，其中\(k\)为极值阈值个数）。
-
线索C：鞅变换在极值检验中的应用（核心文献：Einmahl et al. 2006, Khmaladze 1981的原始鞅变换）
- 做什么：通过鞅变换将检验过程转化为Wiener过程，获得分布自由的检验统计量。
- 留下什么口子：仅用于单样本，本文首次将其用于两样本。
这个方向在追问的核心问题¶
- 如何构造两样本尾部Copula的检验统计量，使其渐近分布已知且不依赖未知参数？（分布自由性）
- 如何克服尾部Copula估计的慢收敛率（\(k^{-1/2}\)，\(k\)为阈值个数）对检验功效的影响？
- 检验对尾部阈值选择（\(k\)）的敏感性如何？（实际应用中的关键问题）
- 能否将两样本检验推广到高维（\(d>2\)）尾部依赖结构？
当前主流方法（单样本鞅变换）的瓶颈：无法直接处理两样本，因为两样本尾部Copula过程的协方差结构更复杂，且需要同时处理两个样本的阈值选择。
⚠️ 作者的framing¶
- 作者把缺口frame成："尾部Copula的两样本检验是自然且必要的推广，但尚未被研究。我们通过鞅变换解决了这一空白。"——这是一个直接填补空白的叙事，而非挑战已有方法。
- 被淡化/回避的竞争路线：
- 基于bootstrap的两样本检验（如Kojadinovic & Yan 2012的bootstrap方法）被作者一笔带过，理由是"bootstrap在尾部可能不稳定"——但作者未提供理论或模拟证据。
- 基于极值回归（如Pickands依赖函数）的两样本检验未被讨论——可能因为Pickands函数只刻画依赖结构的一个侧面（而非完整尾部Copula）。
- 什么明显该被引/该存在、却没出现在intro里？
- 关于两样本极值检验的近期工作：如 Bücher & Dette (2010) 对极值Copula的两样本检验（但针对的是块极大值而非阈值超越）——作者未引用，可能因为设定不同（块极大值 vs. 阈值超越）。
- 关于鞅变换在非极值设定下的两样本推广：如 Delgado & Escanciano (2012) 对分布函数的两样本鞅变换检验——作者未引用，但技术思路可能相关。
- 值得研究者去查的问题：是否存在针对尾部依赖系数的两样本检验？如果有，其与本文的尾部Copula检验有何关系？
张力¶
未见明显对立引用。所有被引工作基本一致地认为：尾部Copula的两样本检验是开放问题，且鞅变换是解决分布自由性的有效工具。
二、最核心、最简单的例子 / 数学问题¶
第一步：符号、模型、可观测数据交代清楚¶
符号： - \((X_1, Y_1), \dots, (X_n, Y_n)\)：第一组双变量样本，i.i.d. 来自分布 \(F\)。 - \((X'_1, Y'_1), \dots, (X'_m, Y'_m)\)：第二组双变量样本，i.i.d. 来自分布 \(G\)，且与第一组独立。 - \(n, m\)：两组样本量。总样本量 \(N = n + m\)。假设 \(n, m \to \infty\) 且 \(n/N \to \lambda \in (0,1)\)。 - \(F_1, F_2\)：\(X\) 和 \(Y\) 的边缘分布（第一组）；\(G_1, G_2\)：第二组的边缘分布。 - 尾部Copula \(\Lambda_F(x, y)\)：对于分布 \(F\)，其尾部Copula定义为
模型： - 两组数据分别来自两个未知的连续分布 \(F\) 和 \(G\)。 - 假设 \(F\) 和 \(G\) 的尾部Copula \(\Lambda_F\) 和 \(\Lambda_G\) 存在且连续（标准极值理论假设）。 - 边缘分布 \(F_1, F_2, G_1, G_2\) 是 nuisance参数（不关心，但需要处理）。
可观测数据： - 研究者实际能观测到的是：两组双变量样本 \(\{(X_i, Y_i)\}_{i=1}^n\) 和 \(\{(X'_j, Y'_j)\}_{j=1}^m\)。 - 不可观测的是：尾部Copula \(\Lambda_F\) 和 \(\Lambda_G\) 本身（它们是极限对象，只能通过阈值 \(k\) 近似估计）。 - 关键识别假设：尾部Copula的存在性（即极限 \(\lim_{t\to 0^+} \frac{1}{t} P(\dots)\) 存在）——这是极值理论的标准假设，无法从有限样本验证。
第二步：最小内核¶
最简特例：考虑一个极端简化的情形——两组样本量相等（\(n = m\)），且只关心对角线上的尾部依赖，即检验 \(\Lambda_F(x, x) = \Lambda_G(x, x)\) 对所有 \(x \ge 0\) 是否成立。这退化为检验尾部依赖函数（tail dependence function）的相等。
在这个特例下： - 第一组的尾部依赖函数估计为 \(\hat{\Lambda}_n(x, x) = \frac{1}{k} \sum_{i=1}^n \mathbf{1}\{R_i^{(1)} > n - k x, R_i^{(2)} > n - k x\}\)。 - 两样本过程退化为 \(\hat{\Delta}_N(x) = \sqrt{k} (\hat{\Lambda}_n(x, x) - \hat{\Lambda}_m(x, x))\)。 - 在 \(H_0\) 下，\(\hat{\Delta}_N(x)\) 应趋近于零。但它的渐近分布不是标准Wiener过程，因为对角线上的协方差结构复杂。
本文的关键想法：通过鞅变换（martingale transformation），将 \(\hat{\Delta}_N(x, y)\) 转化为一个过程 \(W_N(x, y)\)，使得在 \(H_0\) 下 \(W_N\) 弱收敛到标准Wiener过程（在 \([0,1]^2\) 上）。这样，任何基于Wiener过程的检验统计量（如Kolmogorov-Smirnov型 \(\sup_{x,y} |W_N(x,y)|\) 或Cramér-von Mises型 \(\int W_N^2\)）都是渐近分布自由的。
为什么鞅变换能工作（直觉）： - 原始过程 \(\hat{\Delta}_N\) 的协方差结构复杂且依赖未知的 \(\Lambda\)。 - 鞅变换相当于对过程进行"预白化"（pre-whitening）：通过一个依赖于 \(\hat{\Lambda}\) 的积分变换，将相关的高斯过程转化为独立增量过程（Wiener过程）。 - 关键在于：鞅变换的算子可以一致地估计（用 \(\hat{\Lambda}_n\) 或 \(\hat{\Lambda}_m\) 代替未知的 \(\Lambda\)），且估计误差不影响弱收敛。
最小内核的数学表述：
在 \(H_0\) 下，存在一个可估计的变换 \(T\)，使得 \(T(\hat{\Delta}_N) \Rightarrow \mathbb{W}\)（标准Wiener过程），从而 \(\sup_{x,y} |T(\hat{\Delta}_N)(x,y)|\) 的渐近分布是已知的（Kolmogorov-Smirnov分布）。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题：提出了一个两样本假设检验程序，用于检验两组双变量数据的尾部Copula是否相等。
- 核心工具/方法：构造两样本尾部Copula过程，通过鞅变换将其转化为弱收敛到标准Wiener过程的检验过程，从而得到渐近分布自由的检验统计量。
- 主要结论：在正则条件下，检验过程在零假设下弱收敛到标准Wiener过程；模拟显示有限样本表现良好；实证分析未发现全球金融危机期间及之后股票指数尾部Copula存在显著差异。
关键设定与假设¶
完整设定（在第二节记号基础上补充）：
- 阈值序列 \(k = k_N\)：满足 \(k \to \infty\)，\(k/N \to 0\)，且 \(\sqrt{k} / N^{1/4} \to 0\)（用于控制估计误差）。
- 尾部Copula正则性：\(\Lambda_F\) 和 \(\Lambda_G\) 在 \([0, \infty)^2\) 上连续，且其二阶偏导存在并满足某种Lipschitz条件（用于鞅变换的收敛性）。
- 边缘分布：\(F_1, F_2, G_1, G_2\) 是连续的（用于秩变换），且其尾部行为满足极值吸引域条件（标准）。
- 鞅变换算子：定义在 \([0,1]^2\) 上的积分算子 \(T\)，其核函数依赖于 \(\Lambda\) 的偏导。具体地，对于函数 \(h(x,y)\)，
\[(Th)(x,y) = h(x,y) - \int_0^x \int_0^y \frac{\partial^2 \Lambda(u,v)}{\partial u \partial v} \frac{1}{\Lambda(u,v)} h(u,v) \, du \, dv.\]这个算子的作用是：如果 \(h\) 是某个高斯过程的样本路径，则 \(Th\) 是Wiener过程。
相比已有文献的强化/放宽： - 相比Einmahl et al. (2006)：从单样本推广到两样本，需要处理两个独立样本的联合弱收敛。 - 相比Remillard & Scaillet (2009)：处理的是尾部Copula而非普通Copula，收敛速度更慢（\(k^{-1/2}\) vs. \(n^{-1/2}\)），且鞅变换的核函数不同。
主要结果¶
定理1（弱收敛）：在 \(H_0\) 和正则条件下，两样本尾部Copula过程 \(\hat{\Delta}_N(x,y)\) 在 \([0, \infty)^2\) 上弱收敛到一个均值为零的高斯过程 \(\Delta(x,y)\)，其协方差结构为：
- 直觉：协方差是两组样本各自协方差的加权和，因为两组独立。
- 必要条件：\(k\) 的选择需满足 \(\sqrt{k}/N^{1/4} \to 0\)（用于控制边缘分布估计误差）。
- 解决的技术难点：同时处理两个样本的阈值选择与秩变换，证明联合弱收敛。
定理2（鞅变换后的收敛）：定义检验过程
- 直觉：鞅变换"抹平"了协方差结构，使过程变成独立增量。
- 关键：\(\hat{\Lambda}_N\) 作为 \(\Lambda\) 的一致估计，代入鞅变换算子不影响收敛性。
推论（检验统计量）：从 \(W_N\) 可构造多种渐近分布自由的检验统计量，例如： - Kolmogorov-Smirnov型：\(T_{KS} = \sup_{x,y \in [0,1]} |W_N(x,y)|\) - Cramér-von Mises型：\(T_{CvM} = \int_0^1 \int_0^1 W_N(x,y)^2 \, dx \, dy\) 这些统计量的渐近分位数可从Wiener过程的已知分布获得（如通过模拟或查表）。
证明路线与技术技巧¶
整体路线（3-5步逻辑主干）：
- 第一步：建立两样本尾部Copula过程的弱收敛。
- 将 \(\hat{\Delta}_N\) 分解为"估计误差"+"鞅差"+"剩余项"。
- 利用极值理论的经验过程结果（如Schmidt & Stadtmüller 2006），证明 \(\hat{\Lambda}_n\) 和 \(\hat{\Lambda}_m\) 各自弱收敛到高斯过程。
-
由于两组独立，联合弱收敛由Cramér-Wold定理得到。
-
第二步：估计鞅变换算子。
- 用混合样本估计 \(\hat{\Lambda}_N\) 及其偏导 \(\partial^2 \hat{\Lambda}_N / \partial u \partial v\)。
-
证明 \(\hat{\Lambda}_N\) 是 \(\Lambda\) 的一致估计（在 \(H_0\) 下），且偏导估计的误差可控制。
-
第三步：证明鞅变换后的过程收敛到Wiener过程。
- 将 \(W_N\) 写成 \(W_N = T(\hat{\Delta}_N) + \text{剩余项}\)，其中 \(T\) 是鞅变换算子。
- 证明剩余项在 \(H_0\) 下依概率收敛到零（利用 \(\hat{\Lambda}_N\) 的一致性）。
- 利用连续映射定理：如果 \(\hat{\Delta}_N \Rightarrow \Delta\) 且 \(T\) 是连续算子，则 \(T(\hat{\Delta}_N) \Rightarrow T(\Delta)\)。
-
关键：证明 \(T(\Delta)\) 是标准Wiener过程——这依赖于 \(\Delta\) 的协方差结构恰好是鞅变换的"不动点"。
-
第四步：处理边界效应。
- 在 \(x=0\) 或 \(y=0\) 附近，鞅变换的核函数可能发散（因为 \(\Lambda(u,v)\) 接近0）。
- 通过截断（只考虑 \(x,y \ge \epsilon\)）并令 \(\epsilon \to 0\)，证明收敛性在 \([0,1]^2\) 上一致成立。
关键跳跃点： - 最吃功夫的引理：证明鞅变换算子 \(T\) 的一致可逆性——即存在一个逆算子 \(T^{-1}\) 将Wiener过程映射回原始高斯过程。这需要 \(\Lambda\) 的偏导在 \([0,1]^2\) 上一致有界且远离零（即尾部依赖不能太弱）。 - 难点：当 \(\Lambda(x,y)\) 在原点附近退化（如独立情形，\(\Lambda(x,y)=0\) 对所有 \(x,y\)），鞅变换失效。作者通过假设 \(\Lambda\) 在 \([0,1]^2\) 上严格正来回避——这意味着两组变量在尾部必须有某种依赖（不能完全独立）。这是一个实质性限制。
技术技巧点名： - 经验过程理论：用于证明 \(\hat{\Lambda}_n\) 和 \(\hat{\Lambda}_m\) 的弱收敛（Donsker定理在极值设定下的变体）。 - 鞅变换：核心工具，来自Khmaladze (1981) 的原始思想，经Einmahl et al. (2006) 引入极值领域。 - 连续映射定理：用于从 \(\hat{\Delta}_N\) 的弱收敛推导 \(W_N\) 的弱收敛。 - Skorokhod表示定理：用于处理弱收敛中的"几乎必然"版本，简化剩余项估计。 - 极值理论的二阶条件：用于控制 \(\hat{\Lambda}_N\) 的偏导估计误差（需要 \(\Lambda\) 的二阶可微性）。
真实例子与应用¶
数据：全球金融危机期间（2007年7月-2009年6月）及之后（2009年7月-2011年6月）的股票指数负日对数收益率。具体指数包括：S&P 500、FTSE 100、DAX 30、Nikkei 225、Hang Seng。
如何应用： - 对每对指数（如S&P 500 vs. FTSE 100），分别计算金融危机期间和之后的负日对数收益率。 - 对每个时期，取 \(k = 50\)（约占总样本的10%），估计尾部Copula。 - 应用本文的两样本检验，检验两个时期的尾部Copula是否相等。
结果：对所有指数对，检验统计量（KS和CvM）均未在5%显著性水平下拒绝 \(H_0\)。即没有证据表明金融危机期间和之后的尾部依赖结构存在差异。
这个例子想说明什么： - 验证方法可行性：在真实数据上，检验程序能正常运行，给出合理的p值。 - 展示实际意义：尾部依赖结构在金融危机前后可能具有稳定性（或至少，本文检验未能检测到变化）。这暗示：金融市场的尾部风险结构可能比预期更持久。 - 局限性：作者谨慎指出，未拒绝 \(H_0\) 可能是由于样本量有限或检验功效不足——这为后续研究留下空间。
🔎 结论是否比证明窄¶
- 窄结论1：定理2要求 \(\Lambda\) 在 \([0,1]^2\) 上严格正。但作者在引言和结论中未强调这一限制——读者可能误以为方法适用于所有尾部Copula（包括独立情形）。具体语句：定理2的假设中写有"\(\Lambda(x,y) > 0\) for all \(x,y \in (0,1]\)"，但正文讨论中未再提及。
- 窄结论2：鞅变换的收敛性只在 \([0,1]^2\) 上证明（而非 \([0,\infty)^2\)）。对于 \(x>1\) 或 \(y>1\) 的区域，检验过程的行为未分析——但实际应用中，\(x,y\) 通常取 \([0,1]\) 范围（因为尾部Copula在 \(x,y>1\) 时退化为线性函数）。
- 窄结论3：模拟中只考虑了 \(n=m\) 的平衡情形。非平衡样本（\(n \ll m\)）下的表现未报告——但定理1的协方差结构显示，当 \(\lambda\) 接近0或1时，检验功效可能严重下降。
四、开放问题¶
-
弱依赖情形的鞅变换失效：当 \(\Lambda(x,y)\) 在原点附近接近零（如尾部独立），鞅变换的核函数发散，检验过程不再收敛到Wiener过程。扎根于：定理2的假设"\(\Lambda(x,y) > 0\) for all \(x,y \in (0,1]\)"。开放问题：能否构造一个适用于弱依赖情形的两样本检验？可能需要不同的变换（如基于分数阶Wiener过程）。
-
阈值选择的自适应方法：本文的检验依赖于阈值 \(k\) 的选择，但未提供数据驱动的选择准则。扎根于：模拟中固定 \(k=50\)，且作者在结论中承认"the choice of \(k\) is a delicate issue"。开放问题：能否发展一个自适应阈值选择程序（如基于bootstrap或最小化某种风险准则）？
-
高维推广：本文限于双变量。对于 \(d>2\) 的尾部Copula，鞅变换的算子维度爆炸，且Wiener过程的定义复杂。扎根于：引言中明确说"extension to higher dimensions is left for future research"。开放问题：能否用pairwise尾部Copula或vine copula结构来近似高维检验？
-
检验功效的理论分析：本文只给出了零假设下的渐近分布，未分析备择假设下的功效（如局部备择假设下的渐近功效）。扎根于：模拟部分只报告了经验size和有限样本功效，无理论功效界。开放问题：能否推导出检验统计量在局部备择假设下的渐近分布（如Pitman功效）？这需要经验过程理论在极值设定下的局部备择分析。
Maintained by 陈星宇 · Homepage · Source on GitHub