分布型格兰杰因果关系的在线监测
Online Monitoring of Distributional Granger Causality
发布时间：
本工作论文构建了一个统一框架，用于在预测模型已训练并部署之后对分布型格兰杰因果关系进行在线监测。其目标是实时检测某个被遗漏的预测变量块是否开始对响应变量分布的条件分位数、expectile（期望分位数）或其他可诱导泛函提供增量预测内容。
总体框架是一种受限模型得分架构：在稳定的第一阶段（Phase I）训练样本上估计仅含 X 的基准模型，冻结估计量，构造被排除变量块的得分贡献，并在第二阶段（Phase II）对其进行序贯监测。为在弱相依与条件异方差下实现广泛适用的在线推断，本文构建了自正则化 KS 与 CvM 检测器，无需估计长期方差即可给出枢轴（pivotal）停止规则。
对于分位数与在险价值（VaR）监测，本文增加了一个更为专门的分支，基于超越事件（exceedance hits）的条件校准。通过利用从被遗漏变量块中提取的可预测特征对命中过程进行下注，本文构造了任意时刻有效的分位数 e 过程，其在可选停止下仍保持有效，并允许混合、自适应与重启等扩展。这使监测问题获得了直接的尾部风险解释，并与更一般的自正则化方法形成互补。
概述与贡献
我们在预测回归设定下刻画在线分布型预测因果关系，该设定嵌套了常见的 VAR 型设定但不限于此；我们明确区分了“无增量预测内容”的结构性原假设与由冻结的第一阶段预测器所隐含的操作性原假设。本文给出了统一的理论：自正则化监测统计量的枢轴原假设极限与局部功效结果，以及分位数 e 过程分支的有限样本任意时刻有效性保证。
更广泛地说，本文展示了一个共同的遗漏变量块得分过程如何支撑两种互补的监测策略。自正则化分支是适用于分位数、expectile 及其他可诱导泛函的一般计量解决方案，而 e 过程分支则是针对分位数／VaR 的专门改进，在精确序贯有效性尤为重要时利用额外的校准结构。
实证与模拟证据
蒙特卡洛实验考察了多种监测环境，包括位置突变、对称尺度变化、下行尾部备择、渐进开启以及训练样本受污染等设计。结果显示各方法之间存在清晰的分工：HAC／RSMS KS 规则是强有力的通用检测器；后期加权 CvM 规则在预测内容集中于尾部或逐渐累积时尤为有用；而分位数 e 过程在精确的检验水平控制、开放式监测以及训练样本受污染的情形下尤具吸引力。
在实证方面，本文利用 BTC 现货市场控制变量与 Deribit 期权市场信号，研究小时频率的 BTC 下行风险监测。示例表明，不同的检测器可能给出经济含义截然不同的警报轮廓：在该样本上，e 过程分支保持保守且未发出警报，而反应更灵敏的 CvM 警报相对于买入并持有策略产生了不同的“警报—交易”绩效轮廓。
获取方式
出于版权考虑，本网站不提供论文全文。