跳转至

Tensor-BEKK: Conditional Covariance Modeling and Inference for Tensor-Valued Time Series

作者: Huan Gong, Feiyu Jiang
主题: 统计计算 / 算法
相关性: 6/10
链接: https://arxiv.org/abs/2609.18157

一、领域脉络与小综述

  • 这个方向是什么：本文属于"张量值时间序列的波动率建模"这一子方向。其根本统计问题是：当观测数据天然以多维数组（张量）形式组织时（如"国家 × 资产类别"的收益率矩阵、"行业 × 规模 × 投资"的股票组合），如何对条件协方差矩阵进行建模与推断。传统做法是将张量向量化后套用多元 GARCH 模型，但参数维度随总维度 d 以 O(d²) 增长，且丢失了张量的多模态结构。该方向当前处于快速发展期：均值建模（张量自回归、张量因子模型）已较成熟，但条件协方差（二阶矩）建模仍相对薄弱，本文是少数直接处理张量波动率的工作之一。

  • 发展脉络（history）：

  • 奠基工作：Engle (1982) 和 Bollerslev (1986) 奠定了 (G)ARCH 单变量波动率建模框架；Engle and Kroner (1995) 提出 BEKK 参数化，通过矩阵递推保证条件协方差正定性，成为多元波动率建模的基石。Boussama et al. (2011) 给出了 BEKK 模型平稳性与几何遍历性的充分条件，为后续 QMLE 理论提供了基础。
  • 主要进展（多元波动率的降维）：为缓解维度灾难，学界发展出动态条件相关模型（Engle, 2002; Aielli, 2013）、因子 GARCH（Lanne and Saikkonen, 2007; Engle et al., 2019）、动态等相关（Engle and Kelly, 2012）等。这些工作都在"降低参数维度"与"保持模型灵活性"之间做权衡，但均针对向量化数据。
  • 当前 frontier（张量时间序列）：均值层面已有矩阵自回归（Chen et al., 2021）、张量因子模型（Chen et al., 2022; Han et al., 2024c）等。波动率层面，Yu et al. (2025a) 提出 Matrix-GARCH，通过行/列方向的 BEKK 递推建模矩阵值波动率；Yu et al. (2025b) 提出张量 DCC 模型，先标准化再建模模态相关。本文的定位是：在向量化 BEKK 递推中直接嵌入 Kronecker 结构，从而同时获得降维与模态解释。

  • 本文的位置：作者明确说"the present paper develops a tensor-structured framework by imposing Kronecker structures directly on the BEKK coefficient matrices"，并指出与 Matrix-GARCH 的关键区别在于递推形式（本文保持向量化 BEKK 递推，而 Yu et al. 2025a 在矩阵层面递推）。本文是第一个为张量 BEKK 提供完整推断理论（识别、QMLE 渐近、检验）的工作。

  • 子线索聚类：

  • 多元 GARCH 与 BEKK 理论（Engle and Kroner 1995; Comte and Lieberman 2003; Boussama et al. 2011; Francq and Zakoian 2019）：提供模型设定、平稳性条件与 QMLE 渐近理论的模板。本文的 Proposition 2.3 直接引用 Boussama et al. (2011, Theorem 2.4)。
  • 张量/矩阵时间序列的均值建模（Chen et al. 2021; Wang et al. 2019; Han et al. 2024c; Chang et al. 2026）：确立"保留多模态结构"的建模哲学，本文将其从一阶矩推广到二阶矩。
  • 张量/矩阵波动率建模（Yu et al. 2025a Matrix-GARCH; Yu et al. 2025b TDCC）：最直接的竞争对手。本文与 Yu et al. 2025a 的区别在于递推形式与识别策略；与 Yu et al. 2025b 的区别在于本文强调推断理论而 TDCC 侧重建模与预测。

  • 因子模型与降维（Lanne and Saikkonen 2007; Engle et al. 2019; Chen and Lam 2024; Barigozzi et al. 2026a）：TF-BEKK 的因子扩展直接借鉴此线索。

  • 这个方向在追问的核心问题：

  • 如何在不丢失张量结构的前提下降低波动率模型的参数维度？ 本文的答案是 Kronecker 结构（参数从 O(d²) 降至 O(Σ d_k²)）。
  • 如何保证 Kronecker 分解的识别性？ 因为 Kronecker 分解存在尺度与置换不确定性，本文用 Cholesky 分解加归一化条件解决。
  • 如何在张量设定下做假设检验与模型诊断？ 本文开发了模态特定的受限得分检验和 portmanteau 检验。

  • 高维张量波动率如何估计？ 本文的答案是 TF-BEKK 因子模型 + 两步估计。

  • ⚠️ 作者的 framing（这是作者的说法）：作者把缺口 frame 成"现有张量时间序列文献几乎只关注条件均值，条件协方差建模被忽视；而向量化 BEKK 参数过多且无法解释模态结构"。因此本文是"显然的下一步"：在 BEKK 递推上直接加 Kronecker 约束。作者淡化的竞争路线包括：(1) Yu et al. (2025a) 的 Matrix-GARCH 其实已经处理了矩阵情形，本文的增量主要是从矩阵到高阶张量 + 完整推断理论；(2) 稀疏化方法（如 Basu and Michailidis 2015 的稀疏 VAR）作为另一种降维思路未被讨论；(3) 因子模型（TF-BEKK）与直接稀疏化之间的比较未被深入探讨。什么明显该被引、却没出现在 intro 里：作者引了张量因子模型文献，但未引张量回归/张量 PCA 的近期工作（如 Han et al. 2024c 虽被引，但未讨论其与波动率建模的衔接）；也未引任何关于"张量正态分布"或"矩阵正态分布"的统计推断文献（如 Gupta & Nagar 的经典著作），这些与张量协方差建模直接相关。

  • 张力：未见明显对立引用。但有一个值得注意的潜在张力：Yu et al. (2025a) 的 Matrix-GARCH 采用行/列递推，而本文采用 Kronecker 结构递推——两者对"模态间波动率交互"的建模方式不同，可能导致不同的实证结论。作者没有直接讨论这种差异的实质影响。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：
  • \(X_t \in \mathbb{R}^{d_1 \times \cdots \times d_m}\)：m 阶张量值时间序列（观测对象），t 为时间指标。
  • \(x_t = \text{vec}(X_t) \in \mathbb{R}^d\)：张量的向量化，\(d = \prod_{k=1}^m d_k\)。
  • \(H_t = \text{Var}(x_t \mid \mathcal{F}_{t-1})\)：条件协方差矩阵（目标 estimand，要建模的对象），\(\mathcal{F}_t = \sigma(X_t, X_{t-1}, \ldots)\) 为自然滤波。
  • \(\Omega, A, B \in \mathbb{R}^{d \times d}\)：全局 BEKK 系数矩阵（截距、ARCH、GARCH）。
  • \(\Omega_k, A_k, B_k \in \mathbb{R}^{d_k \times d_k}\)：模态 k 的系数矩阵（参数，要估计的对象）。
  • \(\eta_t \in \mathbb{R}^d\)：i.i.d. 创新序列，\(E(\eta_t) = 0\)，\(\text{Var}(\eta_t) = I_d\)。
  • \(\theta\)：所有自由参数的向量；\(\Theta\)：参数空间。
  • \(\otimes\)：Kronecker 积。
  • \(\times_k\)：张量的模态 k 乘积（mode-k product）。
  • \(d_{-k} = \prod_{\ell \neq k} d_\ell\)：除模态 k 外的总维度。
  • \(\pi^A_k, \pi^B_k\)：模态 k 的 ARCH/GARCH 溢出强度（ spillover intensity，由 (4.1) 定义）。
  • \(r_k\)：TF-BEKK 中模态 k 的因子数。
  • \(P_k\)：模态 k 的载荷空间投影矩阵。

  • \(J_k\)：预指定的参考矩阵，用于固定因子方向。

  • 模型（数据生成机制）：

    \[x_t = H_t^{1/2} \eta_t, \quad H_t = \Omega + A x_{t-1} x_{t-1}^\top A^\top + B H_{t-1} B^\top,\]
    其中 \(\Omega = \Omega_m \otimes \cdots \otimes \Omega_1\)，\(A = A_m \otimes \cdots \otimes A_1\)，\(B = B_m \otimes \cdots \otimes B_1\)。

直观理解：向量化后的过程遵循经典 BEKK(1,1) 递推，但系数矩阵被强制分解为各模态 Kronecker 积。这意味着"模态间的波动率传导"被建模为可分离的（separable）——模态 k 的 ARCH 效应由 \(A_k\) 单独控制，不与其他模态纠缠。

  • 可观测数据：\(\{X_t\}_{t=1}^T\)，即 T 个时间点的张量观测值。研究者能观测到的是张量本身；观测不到的是潜在创新 \(\eta_t\)、条件协方差 \(H_t\) 以及模态系数 \(A_k, B_k, \Omega_k\)——这些只能通过模型假设与估计来推断。

第二步：最小内核

剥掉所有一般性设定，取 m=2, d₁=d₂=2（即 2×2 矩阵值时间序列），并假设 \(\Omega = I_4\)（无截距项）。此时模型退化为：

\[H_t = (A_2 \otimes A_1) x_{t-1} x_{t-1}^\top (A_2 \otimes A_1)^\top + (B_2 \otimes B_1) H_{t-1} (B_2 \otimes B_1)^\top.\]

要证明的核心命题（本文 Theorem 3.5 + 3.6 的退化版本）：在上述设定下，若 \(\rho(A \otimes A + B \otimes B) < 1\)（其中 \(A = A_2 \otimes A_1\)，\(B = B_2 \otimes B_1\)），则： 1. 存在唯一的严格平稳遍历解 \(\{H_t\}\)； 2. 高斯 QMLE \(\hat{\theta}_T\) 满足 \(\hat{\theta}_T \xrightarrow{a.s.} \theta_0\) 且 \(\sqrt{T}(\hat{\theta}_T - \theta_0) \xrightarrow{d} N(0, J_0^{-1} I_0 J_0^{-1})\)。

为什么这个命题非平凡：Kronecker 结构引入了两个困难。第一，识别：\(A_2 \otimes A_1\) 的分解不唯一——对任意 \(c \neq 0\)，\((c A_2) \otimes (c^{-1} A_1) = A_2 \otimes A_1\)。因此必须施加归一化条件（如 \((A_k)_{11} = 1\)），否则参数不可识别。第二，渐近推断：由于 \(H_t\) 是过去所有观测的非线性函数，得分函数和 Hessian 的矩条件需要精细的遍历性论证，不能直接套用 i.i.d. 情形。

证明怎么走（在最小内核下）： - 平稳性：将递推写为随机递推方程 \(H_t = \Psi(H_{t-1}, x_{t-1})\)，验证 \(\Psi\) 是 Lipschitz 的且 Lipschitz 常数（由 \(\rho(B \otimes B)\) 控制）小于 1，然后用 Bougerol 和 Picard 的随机递推理论得到唯一平稳解。 - 一致性：证明 \(T^{-1} \sum_{t=1}^T \ell_t(\theta)\) 在 \(\Theta\) 上一致收敛到期望 \(-E[\ell_t(\theta)]\)，且期望在 \(\theta_0\) 处有唯一最小值。关键是用遍历性定理处理 \(\ell_t(\theta)\) 的相依性。 - 渐近正态性：对得分函数做 Taylor 展开，证明 \(J_T(\theta^*) \xrightarrow{p} J_0\) 且 \(T^{-1/2} \sum_{t=1}^T \nabla \ell_t(\theta_0) \xrightarrow{d} N(0, I_0)\)。这里用到鞅差序列的中心极限定理（因为 \(\nabla \ell_t(\theta_0)\) 关于 \(\mathcal{F}_{t-1}\) 是鞅差）。

核心思想一句话：Kronecker 结构把"高维向量 BEKK"的估计问题拆成"若干低维模态 BEKK"的估计问题，代价是需要处理识别约束和更复杂的渐近论证——本文的贡献在于证明了这个折衷在理论上可行。

三、这篇论文做了什么

三句话： 1. 研究了什么问题：如何为张量值时间序列建立条件协方差模型，使得参数维度可控且具有模态特定的解释，并配套完整的推断理论。 2. 核心工具/方法：在经典 BEKK(1,1) 递推上施加 Kronecker 积结构（\(\Omega = \otimes_k \Omega_k\) 等），用高斯 QMLE 估计，并开发模态特定的得分检验和 portmanteau 诊断检验；高维情形下提出 TF-BEKK 因子扩展。 3. 主要结论：在标准正则条件下，QMLE 强相合且渐近正态；得分检验和 portmanteau 检验有正确的渐近尺寸；模拟和两个实证（货币期货、中国股票张量组合）显示方法可行且优于若干基准。

关键设定与假设： - 模型设定：式 (2.1)–(2.2)，即向量化 BEKK(1,1) + Kronecker 系数矩阵。参数维度从 O(d²) 降至 O(Σ d_k²)。例如 2×2×2 张量（d=8），BEKK 自由参数约 8×9=72 个，而 T-BEKK 仅需 3×(2×3)=18 个（未计截距）。 - 识别条件（Assumption 2.4）：(i) \(\Omega_k = C_k C_k^\top\)（Cholesky）；(ii) 对 k≥2，\((C_k)_{11} = (A_k)_{11} = (B_k)_{11} = 1\)，\((A_1)_{11}, (B_1)_{11} > 0\)；(iii) 全局映射 \(\theta \mapsto \{H_t(\theta)\}\) 是单射。这些条件消除了 Kronecker 分解的尺度/置换不确定性。 - 平稳性条件：Proposition 2.3，\(\rho(A \otimes A + B \otimes B) < 1\)，且创新分布有正密度。这是经典 BEKK 条件的直接移植。 - 矩条件：Assumption 3.3 要求得分和海赛的矩有界，且创新有有限 8 阶矩（由 Proposition 3.4 的 \(E\|x_t\|^6 < \infty\) 蕴含）。 - 相比已有文献：相比向量 BEKK（Engle and Kroner 1995），本文加了 Kronecker 约束但保留了递推形式；相比 Matrix-GARCH（Yu et al. 2025a），本文的递推在向量化空间进行，且提供了完整的识别和检验理论；相比 TDCC（Yu et al. 2025b），本文更侧重推断而非预测。

主要结果： - Theorem 3.5（强相合性）：在 Assumptions 2.4, 3.1–3.2 下，\(\hat{\theta}_T \xrightarrow{a.s.} \theta_0\)。证明依赖紧参数空间上的均匀收敛和识别唯一性。 - Theorem 3.6（渐近正态性）：在 Assumptions 2.4–3.3 下，\(\sqrt{T}(\hat{\theta}_T - \theta_0) \xrightarrow{d} N(0, J_0^{-1} I_0 J_0^{-1})\)。证明用鞅差 CLT 处理得分，用一致大数定律处理海赛。关键点：由于 \(H_t\) 是无限历史的函数，需要证明得分是鞅差——这依赖于 \(E(x_t \mid \mathcal{F}_{t-1}) = 0\) 和 \(H_t\) 的可测性。 - Theorem 4.1（得分检验）：模态特定的受限得分检验统计量渐近 \(\chi^2\)。检验的约束是 \( \text{off}(A_k) = 0\)（或 \(B_k\)），即"模态 k 无跨坐标溢出"。 - Theorem 5.1（portmanteau 检验）：基于二次型残差 \(u_t = x_t^\top H_t^{-1} x_t - d\) 的自相关构造统计量，渐近 \(\chi^2_h\)。证明需要处理参数估计效应（用 Bahadur 表示吸收）。 - Theorem 6.3（TF-BEKK 两步估计）：第一步用模态度 PCA 估计载荷空间，第二步对估计的因子序列拟合 T-BEKK。在 \(\sqrt{T}(\delta_T + d^{-1/2}) \to 0\) 条件下，两步估计量与 oracle 估计量渐近等价。

证明路线与技术技巧： - 整体路线（以 Theorem 3.6 为例）： 1. 建立 \(H_t(\theta)\) 对 \(\theta\) 的连续性和对初始值的几何遗忘性（用递推压缩性）。 2. 证明得分函数 \(s_t(\theta) = \nabla_\theta \ell_t(\theta)\) 是鞅差，且其协方差矩阵 \(I_0\) 正定。 3. 用鞅差 CLT 得到 \(T^{-1/2} \sum s_t(\theta_0) \xrightarrow{d} N(0, I_0)\)。 4. 对 \(\nabla_\theta s_t(\theta)\) 用一致大数定律，得到海赛收敛到 \(J_0\)。 5. 组合得到 \(\sqrt{T}(\hat{\theta}_T - \theta_0) = -J_0^{-1} T^{-1/2} \sum s_t(\theta_0) + o_p(1)\)。 - 关键跳跃点： - 识别约束的处理：Kronecker 分解的归一化（Assumption 2.4(ii)）使得参数空间不再是开的，标准 MLE 理论需要处理边界。作者用"约束参数空间上的相合性"（Theorem 3.5 的证明）绕开。 - 得分鞅差性质的证明：需要验证 \(E[\nabla_\theta \ell_t(\theta_0) \mid \mathcal{F}_{t-1}] = 0\)。这依赖 \(H_t(\theta_0)\) 是 \(\mathcal{F}_{t-1}\)-可测的，且 \(x_t = H_t^{1/2} \eta_t\) 的条件分布是椭球等高——这是高斯拟似然的本质。 - portmanteau 检验中参数估计效应：检验统计量涉及 \(\hat{\theta}_T\)，需要证明其影响可被一致估计的修正项吸收。作者用 Bahadur 表示（式 (5.2) 中的 \(M_h, N_h\) 项）处理。 - 技术技巧点名： - 随机递推方程 + Bougerol-Picard 定理：用于证明平稳性和遍历性（Proposition 2.3）。 - 鞅差 CLT（如 Brown 或 Hall-Heyde 形式）：用于得分统计量的渐近正态性。 - 一致大数定律（ULLN）：用于海赛的收敛，需要参数空间紧性和矩条件。 - Cholesky 分解 + 归一化：用于处理 Kronecker 分解的识别。 - 模态度 PCA：TF-BEKK 第一步估计载荷空间，借鉴了张量因子分析（Chen et al. 2024; Han et al. 2024c）的估计技巧。 - Delta 方法与链式法则：用于 spillover 强度的推断（Theorem 4.2）。

真实例子与应用： - 应用 1：货币期货矩阵。数据为 2×2 矩阵（2 种货币对 × 2 种合约），周度收益率，2001–2026 年共 1335 个观测。先用 VAR(5) 过滤均值，再对残差拟合 T-BEKK(1,1)。结果：估计的谱半径 \(\hat{\rho}_{sp} = 0.99556\)，表明波动率高度持续；模态特定的得分检验未拒绝"货币组间无溢出"的原假设（p 值 0.93–0.98），说明 Kronecker 结构的可分离假设在该数据上合理。这个例子想说明：T-BEKK 的模态特定检验能提供可解释的结论（哪些模态间有溢出），而向量 BEKK 无法做到。 - 应用 2：中国股票张量组合。数据为 5×3×3 张量（5 行业 × 3 规模 × 3 投资），日度收益率，2020–2025 年共 1050 个观测。用 TF-BEKK（因子秩 (2,2,2)）做协方差预测，再求解带约束的最小方差组合。结果：TF-BEKK 的年化收益率 22.21%、IR 1.19，高于 MF-GARCH（16.23%, 0.90）、RiskMetrics（19.16%, 1.02）等基准。这个例子想说明：在高维张量场景下，因子降维 + Kronecker 结构的组合在组合优化中有实际价值。

🔎 结论是否比证明窄： - 论文在摘要和结论中声称"建立了 T-BEKK 的完整推断理论"，但 Theorem 3.6 的渐近正态性要求 \(E\|\eta_t\|^4 < \infty\) 且 \(J_0, I_0\) 正定，这些条件在正文中未给出可验证的充分条件（如创新分布的支撑条件）。具体位置：Theorem 3.6 的陈述后没有像 Proposition 3.4 那样的"primitive condition"讨论。 - 论文声称 TF-BEKK 的"two-step estimator is asymptotically equivalent to the oracle"，但 Theorem 6.3 的证明依赖"first-step estimation is sufficiently accurate"（\(\sqrt{T}(\delta_T + d^{-1/2}) \to 0\)），而 \(\delta_T\) 的显式表达式（含特征值间隙条件）只在补充材料中出现。具体位置：Theorem 6.3 的陈述中"Under the stated oracle regularity conditions"。 - 论文在应用 2 中直接使用 TF-BEKK 做组合优化，但没有讨论载荷空间估计误差对组合权重的影响——这是一个"证明之外"的 claim。

四、开放问题

  1. 非对称性与高阶动态：论文结论部分提到"the T-BEKK recursion could be extended to accommodate asymmetric volatility responses and higher-order dynamics"。具体要证什么：在 Kronecker 结构下，如何引入杠杆效应（如 NGARCH 型）或更高阶滞后，同时保持正定性和识别性？扎根于结论段第一点。

  2. 稀疏/低秩模态结构：论文提到"sprsity or low-rank restrictions on the mode-specific ARCH and GARCH matrices may provide further dimension reduction"。具体要证什么：当 d_k 较大时，对 \(A_k, B_k\) 施加稀疏或低秩约束后的估计率和检验行为如何？扎根于结论段第二点。

  3. 时变载荷与因子结构：论文提到"future research could consider time-varying factor structures that allow the loading spaces and factor ranks to evolve"。具体要证什么：在 TF-BEKK 中，如果载荷矩阵 \(R_k\) 随时间变化，两步估计的收敛率会如何退化？扎根于结论段第三点。

  4. 增长滞后阶的 portmanteau 检验：论文提到"Extending the portmanteau result to a growing lag order as in Hong (1996)"。具体要证什么：当 h → ∞ 时，检验统计量的极限分布是否仍为 \(\chi^2\)，还是需要正态化？扎根于结论段第四点。

  5. 一个值得注意的张力：论文的识别策略依赖预指定参考矩阵 \(J_k\)（式 6.2），但 \(J_k\) 的选择会影响估计结果。作者没有讨论 \(J_k\) 的敏感性——这是一个可查证的问题：读补充材料 Assumption S.2.4，看 \(J_k\) 需要满足什么条件，然后思考这些条件是否在实践中可验证。

提醒：若要确认上述开放问题是否是真 gap，建议去读以下近期工作的 intro：(a) Yu et al. (2025a) Matrix-GARCH 的后续讨论；(b) 张量因子模型的近期进展（Chen et al. 2024; Han et al. 2024c）；(c) 高维 GARCH 的稀疏估计文献。如果这些文献的 intro 都指向同一缺口，那就是共识；如果互相矛盾，那可能是更值得挖掘的机会。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论