一种分位相干性的半参数估计方法及其在二元金融时间序列聚类中的应用

在多变量时间序列分析中，谱相干性衡量两个时间序列在不同频率上的线性依赖。然而，真实数据应用常在频域表现出非线性依赖。常规相干分析无法捕捉此类依赖。另一方面，分位相干性通过基于三角分位回归在一组分位水平上定义相干性来刻画非线性依赖。本文提出一种分位相干性的新估计技术。所提方法为半参数方法，其利用向量自回归（VAR）模型谱的参数形式逼近分位相干性，并结合跨分位的非参数平滑。在给定分位水平上，我们通过执行分位周期图的傅里叶逆变换计算分位自协方差函数（QACF）。随后，我们利用多元 Durbin-Levinson 算法估计 VAR 参数并推导分位相干性的估计量。最后，我们使用非参数平滑器跨分位平滑分位相干性的初步估计。数值结果表明所提估计方法优于非参数方法。我们表明基于分位相干性的二元时间序列聚类相较于普通 VAR 相干性具有优势。在应用方面，由分位相干性结合市场基准识别出的金融股票簇被证明具有引人注目且信息更丰富的分散投资组合结构，投资者可利用其做出更好决策。