核估计的边界问题
解释在有界支撑的端点附近,常规核密度估计为什么可能出现边界偏差,并讨论可行的修正办法。
提示 1点击展开
观察核窗口越过支撑边界时,估计量实际使用了多少概率质量;与内部点比较。
提示 2点击展开
思考边界核、反射法或局部多项式法各需要什么条件,修正时还要检查估计量是否保持非负。
线性模型便于解释,但真实金融关系未必是一条直线。本章先介绍核密度估计:核函数负责局部加权,带宽决定平滑程度;随后讨论偏差、方差、均方误差、边界问题和高维数据中的“维数诅咒”。DAX 收益率及 FTSE–DAX 联合分布的例子帮助我们观察收益分布的形状。
后半章讲非参数回归,包括 Nadaraya–Watson 核回归和局部多项式方法。学完后,你应能解释为什么带宽往往比核函数形式更关键,理解局部加权估计的基本思想,也能理解灵活拟合与统计精度之间的取舍。
本章选取 3 道习题。先独立思考,遇到困难时再逐步展开提示;完整题面及数据要求请参阅教材。
解释在有界支撑的端点附近,常规核密度估计为什么可能出现边界偏差,并讨论可行的修正办法。
观察核窗口越过支撑边界时,估计量实际使用了多少概率质量;与内部点比较。
思考边界核、反射法或局部多项式法各需要什么条件,修正时还要检查估计量是否保持非负。
在独立同分布抽样、密度二次连续可微、二阶对称核的设定下,推导固定内部点处核密度估计的渐近偏差、方差和均方误差,并选择最优带宽。设 h→0、Th→∞,密度为正;讨论二阶导数为零时的例外情况。
对期望中的积分进行换元后,将密度函数作泰勒展开,并利用核函数的对称性判断哪些项会消失。
推导方差时,需区分单个核函数项的方差与样本平均的方差,并观察带宽如何影响有效的局部样本量。
将主导的偏差平方项与主导的方差项放在一起比较;在求解最优带宽前,需检查曲率项是否为零,且此推导仅适用于内部点。
独立生成 X∼U[−3,3] 和 ε∼N(0,0.3²),令 Y=X³+ε。比较 Nadaraya–Watson 与局部多项式回归,绘制拟合及残差图,并研究样本量和噪声水平变化的影响。
固定随机数种子,明确带宽选择方法;两种方法应使用同一批模拟数据和相同的评价网格点。
将内部区域与边界区域分开评价,观察在斜率较大或窗口不对称时,单纯的局部平均方法的表现。
仅凭一次拟合图不足以判断方法的优劣。应重复模拟,并区分估计条件均值的误差与包含新噪声的预测误差。
用核密度估计与非参数回归观察数据形状,理解带宽、局部加权与估计精度之间的关系。
正文演示:比较核函数,并用 R 内置的 DAX 历史序列估计收益率密度。
数据说明:DAX 数据来自 R 内置 EuStockMarkets,是历史样本,不是实时行情。
打开本章 GitHub 目录 ↗ 查看本章代码索引点击下方条目可在线查看源码,或从 GitHub 下载。
不预先指定完整的函数形式,能否从数据中看出收益分布与市场间的关系?通过核函数、带宽和局部拟合,体会非参数估计的灵活性与取舍。
动手实践:绘制三种核函数;估计 DAX 收益密度;局部拟合 FTSE 与 DAX 收益的关系。
数据说明:使用 EuStockMarkets 公开历史样本;以观测序号保存,不补造交易日期。
打开本章 Python 目录 ↗ 查看 Python 导读与运行说明书中 R 示例与公开数据按章整理,附有运行说明。可从各章演示程序开始,也可对照正文逐段学习。点击或扫描二维码即可打开仓库。
github.com/Jiajing-Sun/financial-econometrics-r