协变量增广的实时CUSUM监测程序用于资产价格泡沫检测

《Econometric Theory》：COVARIATE-AUGMENTED CUSUM BUBBLE MONITORING PROCEDURES

　　

摘要：研究人员针对现有Hommes?van?Dijk (HB) 及Harvey等(AHLTZ)提出的CUSUM(累积和)实时泡沫监测程序在存在协变量(covariate)及误差项具时变无条件异方差(unconditional heteroskedasticity)与序列相关(serial correlation)时第一类错误率(False Positive Rate, FPR)失控的问题，提出一种协变量增广的CUSUMWMV(Covariate?Augmented CUSUM with Weighted Least Squares and Volatility adjustment)监测程序。该方法基于Null回归模型 Δyt= μ + β(L)xt+ α(L)Δyt?1+ vt，采用贝叶斯信息准则(Bayesian Information Criterion, BIC)从训练样本中选择滞后阶数p、q及是否引入协变量，通过递归加权最小二乘(recursive Weighted Least Squares, WLS)获得残差，并利用单侧核函数的一阶非参数估计(nonparametric kernel?smoothing estimator)对时变波动率σt2进行实时估计，在此基础上构造标准化CUSUM统计量SWMVTt。研究人员证明，在原假设H0: δ = 0下，T?1/2SWMVT?Tr?? W(r)?W(1)，1＜r≤λ，且监测边界满足 limT→∞Pr(|SWMVTt|＞ct√t 对某t∈{T+1,…,?λT?}) ≤ exp(?bα/2)。对于固定及轻度爆炸性替代假设(δ = c/Td, 0≤d≤2/3)，该监测程序相合(consistent)。蒙特卡洛(Monte Carlo)模拟显示，所提方法在协变量相关、时变波动率及序列相关存在时均能良好控制FPＲ，并在协变量与yt具真实关联时较标准CUSUMV有所提升。该方法适用于金融时间序列中兼顾协变量信息与时变波动率的实时泡沫检测。

《Econometric Theory》刊载论文"A Covariate?Augmented Real?Time CUSUM Monitoring Procedure for Detecting Asset Price Bubbles"解读

一、研究背景与动机

传统Hommes和van?Dijk(HB, 1991)提出的实时CUSUM(累积和)监测程序以及Astill等(AHLTZ, 2018)扩展的CUSUM^V程序，假定Δy_t在原假设下无序列相关且误差项为条件同方差(conditionally homoskedastic)。在实际金融时间序列中，常伴随协变量(如宏观经济或市场因子x_t)的影响、Δy_t因模型误设产生序列相关，以及误差具时变无条件异方差(unconditional heteroskedasticity, 如波动率平滑迁移)。现有HB和CUSUM^V方法在此情形下第一类错误率(False Positive Rate, FPR)严重膨胀，且未充分利用与y_t相关的协变量信息。为填补这一空白，研究人员发展了协变量增广的CUSUM^WMV(Covariate?Augmented CUSUM with Weighted Least Squares and Volatility adjustment)实时监测框架，允许Null模型含截距、滞后差分Δy_t?k(k=1,…,p)及协变量x_t?j(j=0,…,q)，可处理时变波动率与序列相关，并在原假设下保有既定的渐近拒绝边界，同时对爆炸性泡沫替代假设具相合性(consistency)。

二、主要关键技术方法

研究人员设定Null模型Δy_t=μ+β(L)x_t+α(L)Δy_t?1+v_t, v_t=σ_tη_t，其中σ_t²=σ²(t/T)为光滑时变波动率函数。采用贝叶斯信息准则(BIC)基于训练样本(T个观测)选择p、q及协变量取舍。构造递归加权最小二乘(recursive WLS)估计量φ?_t^W及相应递归残差ê_j^W。利用单侧截断核函数K(·)(推荐截断高斯核)与交叉验证自动选窗宽N_t^cv*，基于OLS残差{f_i,t^*}非参数估计各时点波动率σ?_j,N,t²。最终形成协变量增广CUSUM统计量SWMV_T^t=∑_j=T+1^tê_j^W/σ?_j,N,j，监测临界函数为c_t=√(b_α+ln(t/T))，b_α=0.1679(对应名义α=0.05单侧检验)。证明依托函数中心极限定理(FCLT)、弱收敛及引理族(见Supplementary Material)。

三、研究结果

(a) Assumption?1–3（基本假设）

假设1要求Null模型参数空间紧致且真值在内，β(L)与α(L)为稳定滞后多项式(根在单位圆外)；假设2规定η_t为鞅差分序列(martingale difference sequence, MDS)，E|η_t|^2r＜∞, α(L)特征根模≠1，且协变量g_t=(1,Δy_t?1,…,x_t,…)'的渐进协阵正定并连续，g_t、g_tg_t'与η_t的条件方差无关；假设3要求核函数K(·)在(0,1)严格正、连续可微且单侧截断，窗宽N满足N→∞, N/T→0, N^3/2/T→∞。这些假设确保WLS相合性与波动率估计的一致性。

(b) Theorem?1（原假设下的弱收敛）

在H₀: δ=0及Assumptions?1–3下，研究人员证明T^?1/2SWMV_T^?Tr?? W(r)?W(1), 1＜r≤λ，其中W(·)为标准Brown运动。由此推出Corollary?1：lim_T→∞Pr(|SWMV_T^t|＞c_t√t 对某t∈{T+1,…,?λT?}) ≤ exp(?b_α/2)。表明CUSUM^WMV在协变量、时变波动率及序列相关下仍保有HB型监控边界，FPＲ渐近受控。

(c) Theorem?2（替代假设的相合性）

对于替代假设H₁: δ=c/T^d(t＞?τT?)，c＞0, 0≤d≤2/3，在相同假设下lim_T→∞Pr(|SWMV_T^t|＞c_t√t 对某t∈{?τT?+1,…,?λT?})=1。即该方法对固定爆炸根(δ=c)及轻度爆炸性(mildly explosive, 0＜d≤2/3)替代均相合，能一致检测泡沫起始点。

(d) Monte Carlo Simulation（蒙特卡洛模拟）

DGP设定y_t=y_t?1+δ·y_t?1+u_t, u_t具时变σ_1,t²(平滑Logistic跃迁1→√4于t=219)，协变量x_t+1=ρx_t+ε_2,t，误差向量(ε_1,t,ε_2,t)'～NIID(0,Σ_t)，考虑四种Σ_t设定(同方差、双变量时变波动、仅ε_1,t时变、时变相关)。对比标准CUSUM、CUSUM^V、CUSUM^V*(仅Δy滞后无协变量)及CUSUM^WMV(BIC选模)。结果显示：标准CUSUM在时变波动率下FPＲ剧增至＞30%；CUSUM^V与CUSUM^WMV将FPＲ控制在名义水平≈10%；当协变量与y_t具真实关联(β≠0)时，CUSUM^WMV的真阳性率(True Positive Rate, TPR)高于CUSUM^V与CUSUM^V*；BIC选型使CUSUM^WMV在协变量无关时退化为CUSUM^V，避免功效损失。

四、讨论与结论

讨论部分指出CUSUM^WMV拒绝还可能源于协变量自身结构性突变(如本身出现爆炸性、均值漂移位)，研究人员建议对候选协变量先行单位根与均值漂变检验，并同步运行单变量CUSUM监测剔除异常协变量。若Null模型无截距且无协变量(p可为零)，程序退化为AHLTZ的CUSUM^V；若BIC选中无协变量仅含Δy滞后，则等价于CUSUM^V*。对于2/3＜d＜1的极轻度爆炸替代，未截尾波动率估计可能随N发散过快影响相合性，可引入ln(T)截尾予以补救，留待后续研究。局部爆炸替代δ=c/T下，SWMV_T^t之渐近分布为W(r)?W(1)+α(1)c∫_τ^rU(s)/σ(s)ds，可用于计算局部Power。

研究结论( translated )：

研究人员提出了一种协变量增广的实时CUSUM^WMV监测程序，用于检测具时变无条件波动率与序列相关的资产价格泡沫模型中之爆炸性行为。该程序基于递归加权最小二乘残差与非参数时变波动率估计，在原假设下弱收敛至Brownian桥且监控边界与经典HB程序相同，故FPＲ渐近受控；对固定及中度轻度爆炸替代假设(δ=c/T^d, d≤2/3)具相合性。蒙特卡洛实验证实，相较于标准CUSUM与CUSUM^V，所提方法在协变量相关、时变波动率情境下更好控制FPＲ，并在协变量具解释力时提升检测功效。该方法拓展了实时泡沫监测框架，可兼容宏观或市场协变量信息并适应金融数据常见的波动率结构变迁。