跳转至

Causal Non-causal State Space Models and the Modelling of Financial Bubbles

作者: Frederik Bjerg Krabbe
主题: 经济理论 / 应用
相关性: 7/10
链接: https://arxiv.org/abs/2608.28115

一、领域脉络与小综述

这个方向是什么

这个子方向关注的是混合因果-非因果时间序列模型，其根本的科学问题是：如何刻画和推断那些呈现“局部指数增长后急剧下跌”的经济金融时间序列（如股票价格泡沫）。这类模型的核心特征是，时间序列的演化方向不再局限于传统的时间正向（因果），而是允许部分动态过程在时间反向（非因果）上定义，从而自然地生成泡沫式的尖峰和崩溃形态。该方向当前处于方法与应用并行发展的阶段：混合因果-非因果自回归模型已有较成熟的应用，但更一般的因果-非因果状态空间模型在推断方法上仍存在明显缺口。

发展脉络

  • 奠基工作：Gouriéroux and Zakoïan (2017) 提出了非因果自回归模型（式(1)）和因果-非因果卷积自回归模型（式(9)-(11)）。前者用反向时间AR(1)生成泡沫（一个大的冲击在反向时间中指数衰减，在正向时间中表现为指数增长后崩溃），后者将观测序列分解为因果高斯AR（基本面）与非因果稳定AR（泡沫）之和。这是本文所有讨论的起点。
  • 主要进展：Lanne and Saikkonen (2011) 及后续一系列工作（Lanne et al., 2012; Lanne and Luoto, 2013; Gourieroux and Jasiak, 2016; Lanne and Luoto, 2017; Fries and Zakoian, 2019; Hecq et al., 2020; Cavaliere et al., 2020; Fries, 2022）将混合因果-非因果自回归模型成功应用于股票价格、大宗商品价格、通胀、加密货币等。在多元情形下，Lanne and Saikkonen (2013)、Gourieroux and Jasiak (2016, 2017)、Davis and Song (2020) 将其扩展到GDP、政府收支、利率等宏观变量。这些工作证明了该模型族的实证价值，但推断方法主要针对自回归形式，而非更一般的状态空间形式。
  • 当前frontier：Gouriéroux et al. (2021) 首次尝试为因果-非因果卷积自回归模型设计滤波算法，提出了一个部分滤波器（partial filter），但作者自己承认该滤波器不是最优的——它只使用t-1, t, t+1时刻的信息，而非全样本信息。虽然理论上可以扩展到使用t-h到t+h甚至全样本，但“无法数值计算”（原文p.2: “it is not possible to compute it numerically”），这构成了一个明确的缺口。
  • 本文的位置：本文直接填补这个缺口——系统研究因果-非因果状态空间模型的推断问题。作者证明，当非因果马尔可夫过程的转移核有密度时，模型可转化为因果状态空间模型从而应用标准技术；当转移核无密度但因果过程有密度时，可转化为非因果状态空间模型。此外，作者将卷积自回归模型与理性预期股价模型联系起来，为其提供了经济学理论基础，这是对Gourieroux et al. (2020)的推广。

子线索聚类

  1. 混合因果-非因果自回归模型的应用：这是最活跃的线索，以Lanne、Saikkonen、Luoto、Fries、Zakoian等为代表，专注于将模型应用于各类经济金融时间序列，并发展相应的估计（如伪极大似然）和预测方法。这些工作通常假设模型为自回归形式，推断相对直接。
  2. 因果-非因果状态空间模型的理论与推断：这是本文的核心线索，目前参与者极少（主要是Gouriéroux、Jasiak、Zakoïan及其合作者）。核心挑战在于：非因果过程的转移核方向与时间正向相反，导致标准滤波算法（如卡尔曼滤波、粒子滤波）无法直接应用。本文提出的“变换为因果/非因果状态空间模型”策略是这一线索的关键进展。
  3. 理性预期泡沫模型：这是一个更经典的金融经济学线索（Campbell et al., 1997; Campbell and Shiller, 1988），将股价分解为基本面价值与理性泡沫。Gourieroux et al. (2020) 已证明非因果稳定自回归模型可与理性预期模型一致，本文将其推广到因果-非因果卷积模型。

这个方向在追问的核心问题

  1. 如何从观测序列中识别并分离出泡沫成分？ 卷积模型将观测分解为因果（基本面）和非因果（泡沫）两个不可观测成分，但只有一个观测方程，存在明显的可识别性问题（本文第5节的模拟实验也证实了这一点）。
  2. 如何实时检测泡沫？ 即滤波问题：给定截至当前时刻的观测，如何估计当前泡沫的大小？本文用粒子滤波实现了实时估计。
  3. 如何为泡沫模型提供经济学理论基础？ 即证明这些看似“统计上方便”的模型与经典金融理论（如理性预期模型）一致。
  4. 如何对非因果过程进行最优推断？ 当转移核无密度时，标准变换策略失效，需要发展新的数值方法。

⚠️ 作者的 framing

  • 作者把缺口 frame 成：“因果-非因果状态空间模型很少被使用，因为缺乏滤波和预测算法”（引用Gouriéroux et al., 2021, p.1230）。因此，本文的贡献被定位为“提供推断方法”，从而让这类模型变得可用。同时，作者将卷积模型与理性预期模型联系起来，为模型提供了“经济学合理性”，这进一步增强了其吸引力。
  • 被淡化或回避的竞争路线：作者没有深入讨论直接使用非因果自回归模型（式(1)）作为泡沫检测工具的可能性——事实上，在实证部分，非因果模型也被用作基准，且能检测到泡沫。作者通过“非因果模型在互联网泡沫之前也检测到一个泡沫，这与Phillips et al. (2011)的证据矛盾”来论证卷积模型更优，但这一论证依赖于对“何时存在泡沫”的先验判断。此外，作者没有讨论单位根检验（如Phillips et al., 2011的GSADF检验）这一更主流的泡沫检测方法。
  • 什么明显该被引/该存在、却没出现在intro里？ 作者没有引用任何关于状态空间模型的可识别性的文献（如Koopman and Ooms, 2003; Harvey, 1989），尽管可识别性是本文第5节模拟中暴露的核心问题。也没有引用关于粒子滤波在非因果模型中的应用的文献（可能因为确实很少）。

张力

未见明显对立引用。所有被引工作基本都认可混合因果-非因果模型在泡沫建模中的价值，分歧主要在于具体模型形式和推断方法的选择。

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：
  • \(Y_t\)：可观测的时间序列（如股价），\(t=1,\dots,T\)。
  • \(X^F_t\)：不可观测的因果成分（基本面价值），服从因果高斯AR(1)。
  • \(X^B_t\)：不可观测的非因果成分（泡沫），服从非因果稳定AR(1)。
  • \(\rho_F\)：因果AR(1)的自回归系数，\(|\rho_F|<1\)。
  • \(\rho_B\)：非因果AR(1)的自回归系数，\(|\rho_B|<1\)。
  • \(\varepsilon^F_t \sim \text{i.i.d. } N(0, \sigma^2_F)\)：因果成分的噪声。
  • \(\varepsilon^B_t \sim \text{i.i.d. } S(\alpha, 0, \sigma_B, \beta)\)：非因果成分的噪声，服从稳定分布。
  • \(\alpha \in (0,2]\)：稳定分布的稳定性指数，控制尾部厚度。
  • \(\beta \in [-1,1]\)：稳定分布的偏度参数。
  • \(\mu_F\)：因果AR(1)的截距。
  • \(\theta = (\mu_F, \rho_F, \sigma^2_F, \rho_B, \alpha, \sigma_B, \beta)'\)：待估参数向量。
  • \(R\)：理性预期模型中的期望回报率（常数）。
  • \(D_t\)：股息。
  • \(F_t\)：基本面价值（理性预期模型中的现值）。

  • \(B_t\)：理性泡沫。

  • 模型（因果-非因果卷积自回归模型，式(9)-(11)）：

    \[Y_t = X^F_t + X^B_t\]
    \[X^F_t = \mu_F + \rho_F X^F_{t-1} + \varepsilon^F_t, \quad \varepsilon^F_t \sim \text{i.i.d. } N(0, \sigma^2_F)\]
    \[X^B_t = \rho_B X^B_{t+1} + \varepsilon^B_t, \quad \varepsilon^B_t \sim \text{i.i.d. } S(\alpha, 0, \sigma_B, \beta)\]
    其中 \(\varepsilon^F_s\) 与 \(\varepsilon^B_t\) 对所有 \(s,t\) 独立。\(X^F_t\) 是因果的（只依赖过去），\(X^B_t\) 是非因果的（只依赖未来）。两个成分独立。

  • 可观测数据：研究者能观测到的是 \(Y_t\)（一个标量时间序列）。不可观测的是 \(X^F_t\) 和 \(X^B_t\)（两个潜在状态）。这是典型的“两个潜在状态、一个观测”的欠定问题，可识别性依赖于模型结构的约束（如 \(X^F_t\) 是高斯、\(X^B_t\) 是稳定分布）。

第二步：最小内核

最简特例：设 \(\alpha=1, \beta=0\)，即 \(\varepsilon^B_t\) 服从柯西分布（Cauchy）。此时模型退化为：

\[Y_t = X^F_t + X^B_t\]
\[X^F_t = \mu_F + \rho_F X^F_{t-1} + \varepsilon^F_t, \quad \varepsilon^F_t \sim N(0, \sigma^2_F)\]
\[X^B_t = \rho_B X^B_{t+1} + \varepsilon^B_t, \quad \varepsilon^B_t \sim \text{Cauchy}(0, \sigma_B)\]
在这个特例下，核心思路是： 1. 泡沫的生成机制：非因果AR(1)在反向时间中是因果的。假设在 \(t=\tau\) 时刻有一个大的柯西冲击 \(\varepsilon^B_\tau\)。在反向时间中，\(X^B_t\) 从 \(\tau\) 开始指数衰减（因为 \(|\rho_B|<1\)）。转换到正向时间，这意味着 \(X^B_t\) 在 \(t<\tau\) 时指数增长，在 \(t=\tau\) 时达到峰值，然后崩溃。这正是泡沫的典型形态。 2. 推断的挑战：标准的状态空间模型滤波（如卡尔曼滤波）假设状态是因果马尔可夫过程（即 \(X_t\) 只依赖 \(X_{t-1}\)）。但这里的 \(X^B_t\) 依赖 \(X^B_{t+1}\)，方向相反。因此，不能直接应用标准滤波算法。 3. 本文的关键想法：将非因果过程 \(X^B_t\) 的反向时间转移核（即 \(P(X^B_t | X^B_{t+1})\)）转换为正向时间转移核（即 \(P(X^B_{t+1} | X^B_t)\)）。如果这个转换后的核有显式表达式，那么整个模型就变成了一个因果状态空间模型（状态为 \((X^F_t, X^B_t)\)），可以应用标准粒子滤波。在柯西特例下，反向时间转移核是柯西分布，其正向时间转移核可以通过贝叶斯公式（式(15)）显式计算，因为柯西分布有密度。 4. 核心数学困难：当非因果过程的转移核没有密度时（例如，观测方程是确定性的 \(Y_t = X^F_t + X^B_t\)，没有观测噪声），式(15)中的分母积分可能不存在或无法计算。此时，作者建议反过来：将因果过程 \(X^F_t\) 的正向时间转移核转换为反向时间转移核，从而将模型转化为非因果状态空间模型，然后应用本文第3.3节发展的非因果滤波算法。

一句话总结：这篇论文在数学上干的事是：为因果-非因果状态空间模型设计了一套“方向转换”策略，使得标准滤波算法（粒子滤波）能够应用于这类模型，并证明了其中一个特例（卷积自回归模型）与经典金融理论一致。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：因果-非因果状态空间模型的状态推断（滤波、平滑）和参数推断（极大似然估计、经验特征函数估计）问题，并以因果-非因果卷积自回归模型为具体实例，将其与理性预期股价模型联系起来。
  2. 核心工具/方法：通过将非因果马尔可夫过程的正向时间转移核转换为反向时间转移核（或反之），将因果-非因果状态空间模型变换为标准的因果（或非因果）状态空间模型，从而应用粒子滤波等标准推断技术；对于参数估计，使用经验特征函数估计（ECFE），因为似然函数不可得。
  3. 主要结论：①卷积自回归模型在特定条件下（\(\alpha<1, \beta=1, \rho_B^{\alpha-1}=1+R\)）与理性预期股价模型一致；②当转移核有密度时，因果-非因果状态空间模型可转化为因果状态空间模型进行推断；③当转移核无密度时，可转化为非因果状态空间模型进行推断；④在互联网泡沫数据上，卷积模型能实时和后验检测泡沫，且比纯非因果模型更合理（后者在泡沫前也检测到泡沫）。

关键设定与假设

  • 定义1（因果-非因果状态空间模型）：这是全文的基础。关键假设包括：
  • (i) \((X^F_t)\) 是因果马尔可夫过程，转移核为 \(P^F_t\)。
  • (ii) \((X^B_t)\) 是非因果马尔可夫过程，转移核为 \(P^B_t\)（注意：条件在 \(X^B_{t+1}\) 上）。
  • (iii) 两个过程独立。
  • (iv) 给定两个状态，观测 \(Y_t\) 条件独立，转移核为 \(\Phi_t\)。
  • 相比已有文献：这个定义比Gouriéroux and Zakoïan (2017)的卷积模型更一般，允许非线性和非高斯的状态转移和观测方程。
  • 理性预期模型的一致性条件（式(12)）：\(\rho_B^{\alpha-1} = 1+R\) 且 \(\alpha<1, \beta=1\)。这个条件将非因果AR(1)的系数与期望回报率 \(R\) 联系起来，使得 \(E[X^B_t | X^B_{t-1}] = (1+R)X^B_{t-1}\)，与理性泡沫的鞅性质（式(8)）一致。这是一个很强的约束，将模型参数与经济学参数绑定。
  • 非因果状态空间模型的推断假设（第3.3节）：假设观测核有密度（式(18)），即 \(\phi_t(x_t, y_t)\) 存在。这对于应用粒子滤波是必要的。但卷积模型的观测核是狄拉克δ函数（没有密度），因此作者在实证中采用了近似（在观测方程中加入一个小的高斯噪声，见第5节）。
  • 经验特征函数估计的条件：作者引用了Knight and Yu (2002)的一般条件，但没有验证这些条件是否适用于卷积模型（原文p.16: “It is, however, not immediately clear whether the general conditions in Knight and Yu (2002) hold for the causal non-causal convolution autoregressive model”）。这是一个重要的开放性假设。

主要结果

  • 定理/命题1（模型变换，Proposition 1）：任何因果-非因果状态空间模型都可以转化为一个因果状态空间模型，只要非因果过程的反向时间转移核（即正向时间中的转移核 \(\tilde{P}_t\)）存在。这个变换通过式(13)隐式定义，当非因果转移核有密度时，\(\tilde{P}_t\) 有显式表达式（式(15)）。
  • 直觉：非因果过程在反向时间中是因果的，所以我们可以“倒着跑”这个过程，从而得到一个正向时间中的因果马尔可夫链。
  • 必要条件：非因果转移核必须有密度（或至少能计算式(13)中的积分）。
  • 定理/命题2（非因果状态空间模型的滤波，Proposition 2 & 3）：给出了非因果状态空间模型的滤波分布（\(\pi_t\)）和平滑分布（\(\pi_{t|s}\)）的表达式。滤波分布通过前向函数 \(\beta_k\) 和后向核 \(\alpha_k\) 的乘积计算（Proposition 2），平滑分布类似（Proposition 3）。
  • 直觉：在非因果模型中，信息流动方向与因果模型相反。后向核 \(\alpha_k\) 从未来向过去传播信息（类似于因果模型中的前向滤波），前向函数 \(\beta_k\) 从过去向未来传播信息（类似于因果模型中的后向平滑）。两者结合得到全样本信息下的状态分布。
  • 技术难点：这些表达式涉及高维积分，必须用粒子滤波等数值方法近似。
  • 定理/命题3（卷积模型的新结果，Proposition 4-7）：
  • Proposition 4：给出了非因果AR(1)的条件期望 \(E[X^B_t | X^B_{t-1}] = \text{sign}(\rho_B) |\rho_B|^{\alpha-1} X^B_{t-1}\)。这是连接模型与理性预期模型的关键（式(12)）。
  • Proposition 5：给出了非因果AR(1)的最佳线性预测（在尺度准则下），结果依赖于 \(\alpha\) 和 \(|\rho_B|^\alpha\) 的值，呈现分段形式。这展示了稳定分布的非标准性质：当 \(\alpha<2\) 时，条件期望和最佳线性预测不同。
  • Proposition 6：给出了卷积模型 \(Y_{t-p:t}\) 的特征函数的显式表达式（乘积形式）。这是经验特征函数估计的基础。
  • Proposition 7：在 \(\alpha=1, \beta=0\)（柯西噪声）的特例下，\(Y_t\) 服从Voigt分布，其密度可用Faddeeva函数表示。

证明路线与技术技巧

  • 整体路线（以模型变换为例）：
  • 定义反向时间转移核：通过式(13)将非因果转移核 \(P^B_t(X^B_{t+1}, \cdot)\) 转换为正向时间转移核 \(\tilde{P}_t(X^B_t, \cdot)\)。这个转换基于一个恒等式：联合分布 \(P(X^B_t, X^B_{t+1})\) 可以有两种分解方式。
  • 构造因果状态空间模型：将新的因果马尔可夫过程 \(\tilde{X}_t = (X^F_t, X^B_t)\) 与观测 \(Y_t\) 组合，其转移核为 \(P^F_t \times \tilde{P}_t\)，观测核为 \(\Phi_t\)。
  • 证明分布等价：通过计算联合分布（Lemma 1），证明原模型和新模型在分布上相同（Proposition 1的证明）。
  • 关键跳跃点：
  • 从隐式到显式：式(13)是隐式定义，但式(15)给出了当非因果转移核有密度时的显式表达式。这个跳跃依赖于Lemma C.1（条件分布的贝叶斯公式）和Lemma C.2（后向核的递归计算）。
  • 非因果滤波公式的推导：Proposition 2和3的证明依赖于将联合分布写为特定形式（见证明中的第一个等式），然后应用Lemma C.1得到条件分布。关键技巧是将非因果过程的联合分布分解为从未来到过去的乘积（即 \(P^B_1(X^B_2, dX^B_1) \cdots P^B_{T-1}(X^B_T, dX^B_{T-1}) \Pi^B_T(dX^B_T)\)），这与因果过程的分解方向相反。
  • 技术技巧点名：
  • 粒子滤波（Particle Filter）：用于近似非因果状态空间模型中的滤波和平滑分布（第5节、第6节）。具体使用了Gordon et al. (1993)的滤波器和Klaas et al. (2006)的平滑器。
  • 经验特征函数估计（Empirical Characteristic Function Estimation, ECFE）：用于参数估计，因为似然函数不可得。通过最小化经验特征函数与理论特征函数（Proposition 6）之间的加权 \(L^2\) 距离来估计参数。
  • 稳定分布的性质：大量使用稳定分布的特征函数、尺度性质、以及条件期望和最佳线性预测的解析结果（Proposition 4, 5）。
  • Faddeeva函数：用于计算Voigt分布的密度（Proposition 7）。

真实例子与应用

  • 数据：月度纳斯达克指数真实价格和股息，1973年12月至2003年12月。数据来源：CRSP（价格、股息）和FRED（CPI）。
  • 方法应用：
  • 从价格和股息计算价差 \(P^S_t = P_t - D_t/R\)，其中 \(R=0.007\)（月期望真实回报率）。
  • 用经验特征函数估计（\(p=1, w(u)=\exp(-u'u)\)）估计卷积模型（记为M）和非因果模型（记为M_b）的参数（Table 3）。
  • 用粒子滤波（2500个粒子）估计滤波和平滑后的基本面价值（\(X^F_t\)）和泡沫（\(X^B_t\)）。
  • 结果：
  • 卷积模型能实时检测到泡沫：在样本早期，价差主要由基本面驱动；在样本末期（互联网泡沫时期），价差主要由泡沫驱动（Figure 7）。
  • 后验估计显示，泡沫的规模比实时估计的更小，且基本面价值也参与了价差的上升。
  • 与非因果模型对比：非因果模型在整个样本期都检测到正泡沫，包括在互联网泡沫之前，这与Phillips et al. (2011)的证据矛盾。卷积模型只在样本末期检测到泡沫，因此被认为“更现实”（Figure 8）。
  • 这个例子想说明什么：①卷积模型可以作为一个实时泡沫检测工具；②卷积模型比纯非因果模型更合理，因为它能区分基本面驱动和泡沫驱动的价格变动；③模型与理性预期理论一致，提供了经济学解释。

🔎 结论是否比证明窄

  • 是。实证部分（第6节）假设了 \(\alpha<1, \beta=1\) 以及 \(\rho_B^{\alpha-1}=1+R\)（式(12)），这使得泡沫成分 \(X^B_t\) 非负且满足理性泡沫的鞅性质。但理论部分（第4节）对 \(\alpha\) 和 \(\beta\) 没有这个限制（Proposition 4-7适用于更一般的稳定分布）。因此，实证结论（卷积模型能检测泡沫）是在一个非常特殊的参数子集下得到的，不能直接推广到一般情形。作者在Table 3的注释中承认了这一点（“Note that, for all \(\alpha \in (0,1)\), Equation (12) can be solved for \(\rho_B \in (0,1)\), but that Equation (12) cannot be solved for \(\alpha \in (0,1)\) for all \(\rho_B \in (0,1)\)”）。
  • 此外，经验特征函数估计的渐近性质没有被证明（原文p.16明确说“leave the asymptotic properties ... for future research”），因此Table 3中的参数估计值缺乏标准误和置信区间，其可靠性依赖于蒙特卡洛模拟（Table 1, 2）的有限样本表现。

四、开放问题（点到为止）

  1. 经验特征函数估计的渐近理论：本文使用的ECFE的渐近性质（一致性、渐近正态性）在卷积模型下尚未建立。作者引用了Knight and Yu (2002)的一般条件，但未验证其是否成立。扎根点：原文p.16 “It is, however, not immediately clear whether the general conditions in Knight and Yu (2002) hold for the causal non-causal convolution autoregressive model. We therefore leave the asymptotic properties of the empirical characteristic function estimator for the causal non-causal convolution autoregressive model for future research”。

  2. 泡沫成分的可识别性：第5节的模拟显示，当只有一个观测 \(Y_t\) 时，状态估计（\(X^F_t, X^B_t\)）只在部分时期接近真实值；当增加一个对 \(X^F_t\) 的观测时，估计显著改善。这表明在标准设定下，两个潜在状态可能不可完全识别。扎根点：原文p.17-18 “It is, however, unsatisfactory that the estimated states are only close to the true states in some periods. A possible explanation is that the causal non-causal convolution autoregressive model has two unobserved components but only one observed component, making it difficult to identify both unobserved components from the observed one.”

  3. 非因果转移核无密度时的数值方法：本文的理论（Proposition 1）指出，当非因果转移核无密度时，模型变换在理论上可行但实际无用。作者提出的替代方案（转化为非因果状态空间模型）要求因果转移核有密度。对于两者都无密度的情况，没有给出解决方案。扎根点：原文p.9 “It is, however, not useful to transform it into a causal state space model since the transition kernel of the non-causal Markov process does not have a density.”

  4. 模型扩展到多变量或时变参数：本文只考虑了单变量、常参数的情形。将因果-非因果状态空间模型扩展到多变量（如多个资产价格）或时变参数（如泡沫的膨胀速度随时间变化）是自然的方向。扎根点：引言中提到了多变量混合因果-非因果VAR的应用（Lanne and Saikkonen, 2013; Davis and Song, 2020），但本文的推断方法尚未扩展到这些设定。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论