跳转至

Asymmetric Garch Modelling Without Moment Conditions

作者: Yuxin Tao, Huan Gong, Dong Li
来源: Statistica Sinica
主题: 数理统计 / 假设检验
相关性: 4/10
机构绿灯: Tsinghua University(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是重尾时间序列的统计推断,具体而言是:当 GARCH 类模型的创新分布具有无限方差甚至无限均值时,如何建立参数估计的相合性与渐近正态性理论,并构造可行的假设检验程序。该方向的根本张力在于:金融收益率数据普遍呈现厚尾特征(经验尾指数常低于 2),而经典 GARCH 推断理论几乎都建立在有限四阶矩或至少有限二阶矩的假设之上——一旦放松矩条件,似然函数的期望、信息矩阵的有限性、以及估计量的收敛速率都可能失效。该方向的成熟度属于"理论框架已基本建立、但特定分布族下的缺口仍明确存在"的状态:GARCH 的 QMLE 理论在有限矩条件下已相当完备(Francq & Zakoïan 的系列工作),但稳定分布创新(允许 α<2 甚至 α≤1)下的完整推断框架此前尚属空白。

发展脉络(history)

奠基工作:Bougerol & Picard (1992a,b) 建立了 GARCH 过程严格平稳性的充要条件——即本文第 2.2 节中 γ_α := E log a(η_1) < 0 这一判据的来源。这一工作为后续所有"平稳 vs 爆炸"两分法的推断理论提供了概率论基石。主要进展:Francq & Zakoïan (2013) 将非平稳非对称 GARCH 的 QMLE 理论推进到"爆炸情形",证明了即使严格平稳性不成立,QMLE 仍可渐近正态(除截距项外),并建立了基于 LAN 性质的最优检验。这是本文最直接的竞争与参照系——本文的实证部分明确使用与 Francq & Zakoïan (2012, 2013) 相同的四只股票数据以便对比。当前 frontier:在 QMLE 框架下,创新分布的矩条件从有限四阶矩(Hall & Yao, 2003 处理了无限四阶矩但有限方差的情形)逐步放松。本文声称的贡献是将这一链条推到无限方差甚至无限均值的稳定分布情形。本文的位置:作者将稳定分布(α∈(0,2))直接嵌入 GARCH 结构,而非作为外生扰动,从而同时处理了厚尾、波动率聚集和杠杆效应,并在平稳与爆炸两种情形下统一建立 MLE 的渐近理论。

子线索聚类

被引文献大致落在三条子线索上:

  1. GARCH 模型的平稳性与遍历性理论(Bougerol & Picard 1992a,b; Hörmann 2008):研究 GARCH 递推的随机收缩性质,给出严格平稳的充要条件。Hörmann (2008) 的 augmented GARCH 框架统一了众多 GARCH 变体,并利用扰动序列的独立性直接推导泛函中心极限定理,回避了传统混合条件。
  2. 重尾创新下的估计理论(Hall & Yao, 2003; Zhang et al., 2020; Andrews et al., 2009):处理无限四阶矩或稳定分布噪声下的 M 估计与 MLE。Andrews et al. (2009) 是本文最直接的技术近邻——它研究了稳定噪声驱动的 AR 过程的 MLE,但未涉及 GARCH 结构。Zhang et al. (2020) 用 LAD 处理尾指数 α∈(1,2] 的 G-GARCH 噪声,但估计量是 LAD 而非 MLE。
  3. 金融应用中的厚尾建模与风险度量(Mandelbrot 1963; Fama 1965; Taleb 2020; Chen & Wang 2025):论证稳定分布在金融数据中的适用性,以及无限均值模型在风险管理中的意义。Chen & Wang (2025) 系统讨论了无限均值模型在风险度量中的合理性与陷阱,为本文的实证动机提供了理论背书。

这个方向在追问的核心问题

  1. 估计量的收敛速率:当创新分布落入稳定分布的吸引域且 α<2 时,MLE 是否仍保持 √n 速率?还是退化为 n^{1/α} 速率(如 Andrews et al. 2009 在 AR 模型中发现的那样)?本文的回答是:GARCH 结构下除截距项外,MLE 仍以 √n 速率收敛,这与 Francq & Zakoïan (2013) 在有限矩情形下的结论一致,但证明难度显著增加。
  2. 信息矩阵的有限性:稳定分布的 Fisher 信息在 α<2 时是否有限?本文通过引入尾指数参数 α 并利用稳定分布的特殊结构(特征函数形式)绕过了这一困难。
  3. 爆炸情形的推断:当 γ_α > 0 时,波动率过程以指数速率增长,此时如何识别参数?Francq & Zakoïan (2013) 的答案是"除截距外可识别",本文将其推广到稳定创新。
  4. 诊断检验的分布无关性:在无限矩条件下,如何构造渐近分布无关的拟合优度检验?本文采用 Khmaladze (1981) 的鞅变换来消除参数估计效应。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"现有 GARCH 推断理论要么要求有限矩(Francq & Zakoïan 2013),要么处理稳定噪声但不涉及 GARCH 结构(Andrews et al. 2009),两者之间缺乏一座桥梁。" 因此本文的定位是"填补这一空白"的显然下一步。作者淡化的竞争路线包括:(i) QMLE 而非 MLE——Francq & Zakoïan 的框架使用高斯拟似然,对创新分布不做假设,而本文使用真实似然,需要精确知道稳定分布的密度(数值计算代价高);(ii) 贝叶斯方法——稳定分布的贝叶斯推断已有大量文献,但作者完全未提及;(iii) 半参数方法——不假设创新分布的具体形式,仅假设其属于稳定分布的吸引域,用极值理论估计尾指数。作者对这三条路线均未讨论。值得注意的缺席:参考文献中未出现任何关于"稳定分布 GARCH 的极值理论"或"正则变化"的经典文献(如 Resnick、Embrechts 等人的工作),尽管这些工具对处理 α<2 的尾部行为是自然的技术选择。

张力

未见明显对立引用。但存在一个微妙的张力:Francq & Zakoïan (2013) 的 QMLE 框架不依赖创新分布的具体形式,而本文的 MLE 框架要求精确知道稳定分布。这意味着本文的"无需矩条件"优势是以"分布假设更强"为代价换来的——作者在引言中未明确讨论这一 trade-off。另一个潜在张力:Chen & Wang (2025) 指出无限均值模型在风险管理中可能导致反直觉的结论(如分散化失效),而本文的实证部分恰恰推荐使用这类模型进行 VaR/ES 预测,二者之间存在需要读者自行判断的张力。


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

模型(式 2.2):观测序列 {y_t : t = 1, ..., n},满足

y_t = σ_t η_t,  σ_t² = ω + φ⁺(y⁺{t-1})² + φ⁻(y⁻{t-1})² + ψ σ_{t-1}²,

其中 x⁺ = max{x, 0},x⁻ = −min{x, 0}。

参数 / 待估对象: - θ = (ω, φ⁺, φ⁻, ψ, α)′ ∈ ℝ⁴₊ × (0,2),其中 ω > 0 是截距(尺度参数),φ⁺, φ⁻ > 0 是不对称杠杆参数,ψ > 0 是持久性参数,α ∈ (0,2) 是稳定分布的尾指数。 - 记 ϑ = (φ⁺, φ⁻, ψ, α)′ 为去掉截距后的参数向量(爆炸情形下 ω 不可识别,故 ϑ 是实际可推断的对象)。

随机变量 / 创新:{η_t} 是 i.i.d. 的标准对称稳定随机变量,记为 η_t ~ S(α, 0, 1, 0),其特征函数为 φ(s) = exp(−|s|^α)。密度 f_α(x) 无闭式表达(除 α=1,2 特例),需数值积分。关键性质:当 α < 2 时 E|η_t|^p = ∞ 对所有 p ≥ α 成立;当 α ≤ 1 时 E|η_t| = ∞。

可观测数据:仅 {y_0, y_1, ..., y_n}。注意 y_0 和 σ_0 的初始值被设定为 0(文中 (y_0, σ̃_0(θ)) ≡ (0,0)),这是一个截断近似——实际似然基于此初始条件。

潜在 / 不可观测量:σ_t(真实波动率过程)、η_t(真实创新)、以及 γ_α := E log a(η_1)(Lyapunov 指数,决定平稳 vs 爆炸)。

估计方法:条件极大似然估计(MLE),对数似然为

L̃n(θ) = Σ{t=1}^n ℓ̃_t(θ),  ℓ̃_t(θ) = −log σ̃_t(θ) + log f_α(y_t / σ̃_t(θ)),

其中 σ̃t(θ) 是由递推 σ̃t²(θ) = ω + φ⁺(y⁺{t-1})² + φ⁻(y⁻{t-1})² + ψ σ̃_{t-1}²(θ) 从初始值 (y_0, σ̃_0) = (0,0) 生成的可观测波动率估计。

第二步:最小内核

剥去所有技术假设后,本文的核心数学问题是:

设 {η_t} 为 i.i.d. 标准对称稳定随机变量,尾指数 α₀ ∈ (0,2)。考虑递推 σ_t² = ω₀ + φ₀⁺(y⁺{t-1})² + φ₀⁻(y⁻{t-1})² + ψ₀ σ_{t-1}²,其中 y_t = σ_t η_t。问:基于观测 {y_t} 的 MLE 是否相合?收敛速率是多少?

最简特例:取 φ⁺ = φ⁻ = φ(对称 GARCH),ψ = 0(ARCH(1)),此时模型退化为

y_t = σ_t η_t,  σ_t² = ω + φ y_{t-1}².

在这个特例下,σ_t² 是 y_{t-1}² 的确定性函数,递推结构消失,似然变成独立乘积。此时 MLE 的相合性可归结为:单次观测的对数似然贡献 ℓ_t(θ) = −½ log(ω + φ y_{t-1}²) + log f_α(y_t / √(ω + φ y_{t-1}²)) 是否具有良好定义的期望,且期望在 θ₀ 处取唯一最大值。由于 y_t 服从重尾分布(尾指数 α₀),ℓ_t(θ) 的期望可能发散——这正是本文需要克服的核心困难。本文的技术贡献在于证明:尽管 E|y_t|^p = ∞,但对数似然的期望在 θ₀ 的邻域内仍然有限且连续,从而经典的一致相合性论证(紧参数空间 + 一致收敛 + 可识别性)可以推行。

为什么难:当 α₀ ≤ 1 时,y_t 甚至没有有限均值,这意味着: - 样本矩(如 Σ y_t²/n)发散,基于矩的估计方法(如 QMLE)失效; - 似然函数的梯度可能无界,需要精细的截断或加权论证; - 信息矩阵的有限性需要单独验证(本文通过稳定分布的特殊结构证明 Fisher 信息有限)。

本文的破局思路:利用稳定分布的特征函数形式 exp(−|s|^α) 及其密度 f_α 的解析性质(如 f_α(x) ~ c_α |x|^{−α−1} 当 |x|→∞),直接对似然函数进行分析,而非通过矩条件。具体地,本文证明了: 1. 可识别性(Lemma 若干):θ ≠ θ₀ 时,E[ℓ_t(θ)] < E[ℓ_t(θ₀)],且 E[ℓ_t(θ₀)] > −∞; 2. 一致收敛:sup_{θ∈Θ} |L̃_n(θ)/n − E[ℓ_t(θ)]| → 0 a.s.,通过遍历性 + 紧性 + 随机函数的连续性; 3. 渐近正态性:√n(θ̂_n − θ₀) → N(0, Σ⁻¹),其中 Σ 为 Fisher 信息矩阵,通过证明得分函数的鞅差结构 + Lyapunov 中心极限定理。

爆炸情形(γ_α > 0):此时 σ_t 以指数速率增长,y_t 非平稳。本文的关键洞见是:尽管过程爆炸,但归一化后的残差 y_t/σ_t = η_t 仍是 i.i.d. 稳定分布,因此似然函数的结构在"比例"意义上仍然良好。截距 ω 在爆炸情形下不可识别(因为 σ_t² 的增长由 φ⁺, φ⁻, ψ 主导),但 ϑ = (φ⁺, φ⁻, ψ, α) 仍可 √n 一致估计。这类似于 Francq & Zakoïan (2013) 在有限矩情形下的发现,但证明需要处理稳定分布的无矩特性。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在创新分布为标准化对称稳定分布(允许无限方差甚至无限均值)的 GARCH(1,1) 模型中,建立 MLE 的强相合性与渐近正态性,覆盖平稳(γ_α < 0)和爆炸(γ_α > 0)两种情形,并构造诊断检验、平稳性检验和不对称性检验。
  2. 核心工具 / 方法:基于稳定分布特征函数和密度解析性质的直接似然分析;利用鞅差序列的中心极限定理;Khmaladze (1981) 鞅变换构造分布无关的拟合优度检验;提出不依赖平稳性先验的"通用"渐近方差估计量。
  3. 主要结论:MLE 在两种情形下均强相合且渐近正态(除爆炸情形的截距 ω 外);Fisher 信息矩阵有限且可一致估计;修正的 Kolmogorov 型检验统计量渐近分布无关;实证表明稳定创新假设能显著改善厚尾数据的 VaR/ES 预测。

关键设定与假设

  • 假设 1:{η_t} 是 i.i.d. 标准化对称稳定随机变量,密度 f_{α₀},α₀ ∈ (0,2)。相比已有文献(Francq & Zakoïan 2013 要求 E|η_t|^{2+δ} < ∞),这是大幅放宽——本文允许 E|η_t| = ∞。
  • 假设 2:参数空间 Θ 紧,θ₀ ∈ Θ 为内点。这是 MLE 理论的常规假设。
  • 假设 3:θ₀ 为 Θ 的内点(用于渐近正态性)。
  • 隐含假设:φ⁺, φ⁻, ψ > 0(排除退化情形);初始值 (y₀, σ̃₀) = (0,0) 的截断效应可忽略(通过证明似然对初始值的依赖指数衰减)。

相比已有文献的放宽/强化: - 放宽:创新分布的矩条件从有限四阶(Hall & Yao, 2003)或有限二阶(Francq & Zakoïan, 2013)放宽到完全无矩。 - 强化:本文要求创新分布精确为稳定分布(而非仅假设重尾),这使 MLE 可行但牺牲了 QMLE 的分布稳健性。这是一个明确的 trade-off,作者未充分讨论。

主要结果

定理 1(平稳情形,γ_α < 0): - (i) 若 Θ 中所有 θ 满足 ψ < 1,则 θ̂_n → θ₀ a.s.; - (ii) 若 θ₀ 为内点,则 √n(θ̂_n − θ₀) → N(0, Σ⁻¹),其中 Σ 为 Fisher 信息矩阵。

定理 2(爆炸情形,γ_α > 0): - (i) ϑ̂_n → ϑ₀ a.s.; - (ii) 若 θ₀ 为内点,则 √n(ϑ̂_n − ϑ₀) → N(0, Υ⁻¹),其中 Υ 为"去截距"后的 Fisher 信息矩阵。 - 关键差异:ω 在爆炸情形下不可识别,故不估计;Υ 的表达式与 Σ 不同,反映了爆炸情形下信息结构的改变。

定理 3(Fisher 信息矩阵估计):定义了基于积分(∫)和基于残差(res)的两类估计量,均强相合。积分法在 α 较小时更稳定,残差法在 α 接近 2 时更优——这一"双轨"设计是本文的实用贡献。

定理 4(通用方差估计):构造了 Υ̂_*,在平稳和爆炸两种情形下均一致估计渐近方差。这是本文最具操作价值的贡献——使用者无需事先判断过程是否平稳,可直接进行推断。

定理 5(平稳性检验):基于 γ̂_n 的渐近正态性构造检验,原假设 H₀: γ_α < 0(平稳)对 H₁: γ_α ≥ 0(爆炸)。检验统计量 T_n = √n γ̂_n / σ̂_u 在 H₀ 下渐近标准正态(单边检验)。

定理 6(诊断检验):修正的 Kolmogorov 型统计量 T^D_n,通过 Khmaladze 变换消除参数估计效应,在 H₀: α₀ = α* 下渐近分布无关(收敛到 sup|B(r)|)。临界值 10%、5%、1% 分别为 1.9571、2.2340、2.8080。

定理 7(不对称性检验):检验 H₀: φ⁺ = φ⁻,利用通用方差估计量构造 Wald 型检验,无需平稳性先验。

证明路线与技术技巧

整体路线(以定理 1 为例): 1. 截断近似:用有限初始值 (y₀, σ̃₀) = (0,0) 的似然 L̃_n(θ) 逼近理论似然 L_n(θ),证明二者之差 o(1) a.s.(利用 GARCH 递推的指数衰减性质)。 2. 期望有限性:证明 E[ℓ(θ)] θ₀ 邻域内有限且连续。关键技巧:利用稳定分布的尾部性质 f(x) c |x|−α−1},将 ℓ(θ) 的分解为有界部分 + 可积尾部。 3. 一致收敛:在紧参数空间 Θ 上,利用遍历性 + 随机函数的连续性 + 阿泽拉-阿斯科利定理,证明 sup_Θ |L̃_n(θ)/n − E[ℓ_t(θ)]| → 0 a.s.。 4. 可识别性:证明 E[ℓ(θ)] θ₀ 处取唯一最大值。关键技巧*利用稳定分布特征函数的解析性,将 E[ℓ_t(θ)] 的差分解为 Kullback-Leibler 散度 + 非负修正项。 5. 渐近正态性:对得分函数做泰勒展开,证明其满足鞅差结构,利用鞅中心极限定理 + 信息矩阵的连续性。

关键技巧点名: - 稳定分布密度的尾部展开:f_α(x) ~ c_α |x|^{−α−1},用于控制似然函数的矩。 - Lyapunov 指数的符号判定:γ_α = E log a(η₁) 的符号决定平稳 vs 爆炸,本文利用这一二分法统一处理两种情形。 - Khmaladze 鞅变换:用于消除参数估计对诊断检验的影响,使检验统计量渐近分布无关。 - 通用方差估计:通过"去截距"技巧构造 Υ̂_*,使其在两种情形下均有效——这避免了实践中必须先做平稳性检验的循环依赖。

真实例子与应用

数据:四只个股日收益率——Icagen (ICGN, 928 obs)、Monarch Community Bancorp (MCBF, 868 obs)、KV Pharmaceutical (KV-A, 1221 obs)、China MediaExpress (CCME, 488 obs)。与 Francq & Zakoïan (2012, 2013) 相同,便于直接对比。

结果: 1. 模型拟合:sGARCH(1,1) 的 AIC 低于 AGARCH(1,1) 和 skew-t GARCH(1,1)(除 MCBF 外),说明稳定创新假设在厚尾数据上更优。 2. 平稳性检验:ICGN 和 CCME 拒绝平稳性(γ_α > 0),MCBF 和 KV-A 不拒绝。值得注意的是,这与 Francq & Zakoïan (2013) 在有限矩框架下的结论部分不同——作者将此归因于稳定分布对极端观测的"容忍度"更高。 3. 不对称性检验:ICGN 在 5% 水平下拒绝对称性(φ⁺ ≠ φ⁻),其余三只不拒绝。作者指出,Francq & Zakoïan (2013) 的 AGARCH 模型在 ICGN 上检测到不对称性,而本文的 sGARCH 模型未检测到——这暗示厚尾创新可能吸收了部分杠杆效应,是一个值得注意的实证发现。 4. VaR/ES 回测:sGARCH(1,1) 的 VaR/ES 预测在 Kupiec、Christoffersen、McNeil-Frey 三项检验中均未拒绝(p > 0.1),而 AGARCH(1,1) 和 skew-t GARCH(1,1) 在多数情形下至少拒绝一项。作者据此声称 sGARCH 在尾部风险预测上更可靠。

例子想说明什么:核心论点是——当数据具有厚尾特征时,强制假设有限矩的模型(AGARCH、t-GARCH)会导致错误的推断结论(如误判平稳性、误判不对称性),而稳定创新假设能提供更稳健的推断和更准确的尾部风险预测。

🔎 结论是否比证明窄

明确的窄结论: 1. 定理 2 的截距不可识别:爆炸情形下 ω 不可估计,但作者在实证中仍报告了 ω 的估计值(表 2 中 ω̂ 有数值)。这暗示实证部分的 ω̂ 可能基于平稳假设,与理论框架存在不一致。 2. 定理 5 的平稳性检验:原假设是复合的(γ_α < 0),检验的临界值基于正态近似,但作者未证明该检验在 γ_α 接近 0 时的一致性(即局部备择假设下的功效性质)。 3. 定理 6 的诊断检验:作者声称 T^D_n 对"参数估计效应"稳健,但 Khmaladze 变换要求估计量 √n 收敛——这在爆炸情形下对 ϑ 成立,但对 ω 不成立。作者未明确说明 T^D_n 在爆炸情形下是否仍有效。 4. 实证中的模型比较:AIC 比较涉及不同分布族的似然值(稳定 vs t),但作者未讨论 AIC 在重尾模型下的有效性(AIC 的推导依赖有限矩假设)。

泛化声称:作者在结论中声称"所提框架可自然推广到更高阶 GARCH 和多元情形",但文中未给出任何形式化论证。这是一个典型的"结论比证明宽"的例子。


四、开放问题

  1. 临界情形 γ_α = 0:作者在 Remark 3 中明确承认,临界情形(γ_α = 0)下 MLE 的渐近行为" largely unresolved"。这是一个明确的开放问题——需要新的技术工具来处理临界点附近的非标准收敛速率。扎根于 Remark 3 的原文:"To the best of our knowledge, the behavior of y_t in this critical case remains largely unresolved in the literature."

  2. 高阶 GARCH 的推广:作者在结论中声称可推广到 GARCH(p,q),但 Chan & Ng (2009) 已指出这类推广涉及"技术挑战"。具体而言,p,q > 1 时递推结构更复杂,Lyapunov 指数的计算不再有闭式表达,MLE 的相合性论证需要新的工具。扎根于引言中对 Chan & Ng (2009) 的引用。

  3. 偏斜稳定创新的引入:作者在 Remark 4 中讨论了偏斜稳定分布(β ≠ 0)的困难——密度计算不稳定、参数可识别性存疑。这是一个自然的扩展方向,但需要先解决数值稳定性问题。扎根于 Remark 4 的原文。

  4. 变点检测:实证分析中 MCBF 的拟合不佳被归因于"可能的变点",但作者未给出正式的变点检验程序。将结构性突变纳入 sGARCH 框架是一个开放问题。扎根于第 6 节对 MCBF 的讨论。

  5. 诊断检验的局部功效:定理 6 的 Kolmogorov 型检验只证明了原假设下的分布收敛,未分析局部备择假设下的功效。对于"检测偏离稳定分布的程度"这一问题,目前没有理论保证。扎根于定理 6 的陈述范围。

顺带提醒:要确认上述哪一条是真正的 gap,建议去读近 5 年 Journal of Econometrics、Econometric Theory、Bernoulli 上关于"稳定分布 GARCH"和"重尾时间序列推断"的论文引言——如果多篇独立工作都指向同一问题,那大概率是共识性 gap;如果各说各话,则可能是机会也可能是死胡同。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论