A semi-parametric estimation method for quantile coherence with an application to bivariate financial time series clustering
分位数相干性的半参数估计及双变量金融时间序列聚类应用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：摘要核心是多变量时间序列的频域依赖估计与聚类，金融数据是应用场景。
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…
分位数相干性的半参数估计及双变量金融时间序列聚类应用
- 研究问题
- 如何估计不同频率和分位水平下的非线性序列依赖，并据此进行双变量金融时间序列聚类，补充普通线性相干分析？
- 方法与思路
- 作者从分位数周期图逆傅里叶变换得到分位数自协方差，用多变量 Durbin–Levinson 算法拟合 VAR 谱，再跨分位数平滑。
- 材料陈述的贡献
- 摘要报告该半参数估计在数值比较中优于非参数方法，并称基于分位数相干性的股票聚类比普通 VAR 相干分析提供更多结构信息。
- 阅读关注点
- 应核对 VAR 近似阶数、分位数平滑参数、估计对象与聚类距离的定义，以及数值比较的设计和金融聚类结果的稳定性。
- 阅读边界
- 这是 arXiv 预印本，未核实同行评审或期刊接收。摘要未说明渐近条件和数值差异，聚类结构不能据此解释为投资表现改善。
原文摘要
In multivariate time series analysis, spectral coherence measures the linear dependency between two time series at different frequencies. However, real data applications often exhibit nonlinear dependency in the frequency domain. Conventional coherence analysis fails to capture such dependency. The quantile coherence, on the other hand, characterizes nonlinear dependency by defining the coherence at a set of quantile levels based on trigonometric quantile regression. This paper introduces a new estimation technique for quantile coherence. The proposed method is semi-parametric, which uses the parametric form of the spectrum of a vector autoregressive (VAR) model to approximate the quantile coherence, combined with nonparametric smoothing across quantiles. At a given quantile level, we compute the quantile autocovariance function (QACF) by performing the Fourier inverse transform of the quantile periodograms. Subsequently, we utilize the multivariate Durbin-Levinson algorithm to estimate the VAR parameters and derive the estimate of the quantile coherence. Finally, we smooth the preliminary estimate of quantile coherence across quantiles using a nonparametric smoother. Numerical results show that the proposed estimation method outperforms nonparametric methods. We show that quantile coherence-based bivariate time series clustering has advantages over the ordinary VAR coherence. For applications, the identified clusters of financial stocks by quantile coherence with a market benchmark are shown to have an intriguing and more informative structure of diversified investment portfolios that may be used by investors to make better decisions.