Robust Nonparametric Testing for Structural Changes in Multivariate Volatility via Multiple Quantiles
利用多分位数稳健检验多变量波动率的结构变化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：摘要检验多变量波动率矩阵的结构变化，并应用于 Fama–French 三因子协方差稳定性，支持波动率、结构变化和金融因子分类。
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…
利用多分位数稳健检验多变量波动率的结构变化
- 研究问题
- 如何在厚尾创新和序列依赖下，非参数检验多变量波动率矩阵是否稳定，同时避免常见平方损失方法的高阶矩要求？
- 方法与思路
- 作者聚合多个分位水平的有界广义得分，构造加权 leave-q-out U 统计量，删除相邻索引对以弱化依赖引起的中心化影响。
- 材料陈述的贡献
- 摘要称，标准化统计量渐近正态，对具有正积分信号的固定备择一致，并对平滑及趋近多重断点的局部变化具有非平凡功效。
- 阅读关注点
- 核对分位得分如何反映波动矩阵变化、删近邻规则与方差估计，以及一致性信号条件、局部备择尺度和剩余矩条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未给出完整条件和模拟数值，因子协方差不稳定的应用结论也不直接指明断点或成因。
原文摘要
We propose an omnibus nonparametric test for structural changes in the multivariate volatility matrix. The test aggregates bounded generalized quantile scores over a range of quantile levels and has a weighted leave-$q$-out $U$-statistic representation. Deleting nearby index pairs renders the centering effect induced by serial dependence asymptotically negligible. All quantities required for implementation, including the variance estimator used for standardization, are constructed under the null, without specifying volatility dynamics under the alternative. The standardized statistic converges to a standard normal distribution. We establish consistency against fixed alternatives that generate a positive integrated quantile-score signal and derive nontrivial local power against smooth departures and increasingly sharp transitions approaching multiple structural breaks. The bounded-score construction avoids the finite fourth- or eighth-moment conditions commonly imposed by least-squares and quasi-likelihood procedures, while aggregation across quantiles uses more distributional information than single-quantile methods. Monte Carlo results show satisfactory size and favorable power under heavy-tailed innovations, with competitive performance under Gaussian innovations. An application to the Fama--French three-factor model provides evidence against stability of the factor covariance matrix over the full sample and several economically relevant subsamples.