马赛克置换检验：一种针对因子模型的精确非参数拟合优度检验
统计方法学
2024-09-30 v2
摘要
金融机构通常依赖基本面因子模型来解释资产收益之间的相关性并管理风险。然而在重大事件（例如 COVID-19）发生后，分析师可能会重新评估现有风险模型是否依然适用：具体而言，在考虑了一组已知的因子暴露后，资产收益的残差是否独立？基于这一动机，我们引入了马赛克置换检验，这是一种针对已有因子模型的非参数拟合优度检验。我们的方法可以利用现代机器学习技术来检测模型违规情况，同时可证明地控制假阳性率，即拒绝一个拟合良好的模型的概率，而无需做出渐近近似或参数假设。这一特性有助于防止分析师不必要地重建准确的模型，从而避免浪费资源并增加风险。为了说明我们的方法，我们将马赛克置换检验应用于 BlackRock 基本面股票风险 (BFRE) 模型。尽管 BFRE 模型通常能解释资产之间最显著的相关性，但我们发现了某些房地产股票之间存在无法解释的相关性的证据，并且我们展示了添加新因子可以改善模型拟合。我们在 Python 包 mosaicperm 中实现了我们的方法。
引用
@article{arxiv.2404.15017,
title = {The mosaic permutation test: an exact and nonparametric goodness-of-fit test for factor models},
author = {Asher Spector and Rina Foygel Barber and Trevor Hastie and Ronald N. Kahn and Emmanuel Candès},
journal= {arXiv preprint arXiv:2404.15017},
year = {2024}
}
备注
42 pages, 13 figures