Enhancing Causal Discovery in Financial Networks with Piecewise Quantile Regression
利用分段分位数回归改进金融网络中的因果发现AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确分析金融收益的尾部相互作用，并通过分位数回归构建关联网络。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用分段分位数回归改进金融网络中的因果发现
- 研究问题
- 如何在金融资产收益序列之间识别均值分析难以呈现的分布关联，尤其是尾部之间的作用与方向不对称？
- 方法与思路
- 作者将分位数回归与分段线性嵌入结合，构建描述尾部相互作用的网络，并应用于二百六十条加密货币收益序列。
- 材料陈述的贡献
- 摘要称发现显著尾部间效应与方向不对称，自身影响较多、跨资产作用较稀疏，综合各类连接时比特币影响突出。
- 阅读关注点
- 核对文中因果性的定义、分位数及嵌入方案，以及网络边检验和多重比较处理；关注结果对样本区间的敏感性。
- 阅读边界
- 所据版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未提供干预识别依据，因果解释边界仍需核对。
原文摘要
Financial networks can be constructed using statistical dependencies found within the price series of speculative assets. Across the various methods used to infer these networks, there is a general reliance on predictive modelling to capture cross-correlation effects. These methods usually model the flow of mean-response information, or the propagation of volatility and risk within the market. Such techniques, though insightful, don't fully capture the broader distribution-level causality that is possible within speculative markets. This paper introduces a novel approach, combining quantile regression with a piecewise linear embedding scheme - allowing us to construct causality networks that identify the complex tail interactions inherent to financial markets. Applying this method to 260 cryptocurrency return series, we uncover significant tail-tail causal effects and substantial causal asymmetry. We identify a propensity for coins to be self-influencing, with comparatively sparse cross variable effects. Assessing all link types in conjunction, Bitcoin stands out as the primary influencer - a nuance that is missed in conventional linear mean-response analyses. Our findings introduce a comprehensive framework for modelling distributional causality, paving the way towards more holistic representations of causality in financial markets.