使用分位数回归和Granger因果性探索金融网络
摘要：在后危机时代，金融监管机构和政策制定者对数据驱动工具对衡量系统风险和识别系统重要公司的兴趣越来越大。基于Granger因果关系（GC）的技术在近年来建立金融公司之间的网络，使用它们的股票收益时间序列，获得了相当大的关注。现有的GC网络方法建模于条件均值之上，并且不能区别收益分布的上下尾部的连接性 - 这对于系统性风险分析来说是至关重要的。我们提出了一种使用全系统尾部分析来衡量金融部门之间连接性的统计方法，此方法能够区分收益分布的上下尾部的连接性。我们使用基于正常和Lasso稀疏惩罚的分位数回归的双变量和多变量GC分析提出了我们称之为分位数Granger因果关系（QGC）的方法。通过考虑这些金融网络的中心性度量，我们可以评估系统性风险的积累并识别风险传播渠道。我们在一个分位数向量自回归模型下提供了QGC估计量的渐近理论，并展示了其在模拟数据上相较于常规GC分析的好处。我们将我们的方法应用到大型美国公司的月度股票收益上，并展示了基于下尾部的网络在历史数据中比基于均值的网络更准确地检测出系统性风险时期的能力。在对印度大型银行进行类似分析时，我们发现上下尾部网络传递不同的信息，并且有潜力区分市场上由正面消息与负面消息引导的高连接性时期。
作者：Kara Karpman, Samriddha Lahiry, Diganta Mukherjee, and Sumanta Basu
论文ID：2207.10705
分类：Statistical Finance
分类简称：q-fin.ST
提交时间：2022-07-27