王志堅(jiān)，王斌會(huì)

（1.華南師范大學(xué) 經(jīng)濟(jì)與管理學(xué)院，廣州 510631；2.廣東財(cái)經(jīng)大學(xué) 統(tǒng)計(jì)與數(shù)學(xué)學(xué)院，廣州 510320；3.暨南大學(xué) 管理學(xué)院，廣州 510632）

0 引言

金融時(shí)間序列數(shù)據(jù)在觀測(cè)過(guò)程中經(jīng)常會(huì)受到一些突發(fā)事件的影響，如金融海嘯或新監(jiān)管政策的頒布等，這些事件往往會(huì)導(dǎo)致異常點(diǎn)（也稱離群值）產(chǎn)生。雖然關(guān)于時(shí)間序列異常點(diǎn)分類的標(biāo)準(zhǔn)并不統(tǒng)一，但從現(xiàn)有的文獻(xiàn)看，加性異常點(diǎn)（AO）與革新異常點(diǎn)（IO）是最基本的分類形式。時(shí)間序列異常點(diǎn)往往攜帶重要的投資信息。因此，如何快速、有效地從金融時(shí)序中找到這些異常點(diǎn)并挖掘出其背后所隱含的投資信息，對(duì)于金融風(fēng)險(xiǎn)的研究不僅具有理論上的意義，而且具有較強(qiáng)的現(xiàn)實(shí)價(jià)值。

關(guān)于時(shí)間序列異常點(diǎn)檢測(cè)方法的研究，在早期，學(xué)者們多是基于時(shí)間序列線性模型尋找離群值[1-4]。近年來(lái)，學(xué)者們開(kāi)始關(guān)注非線性時(shí)間序列模型的異常值檢測(cè)[5-8]。本文在參考文獻(xiàn)[9，10]的基礎(chǔ)上推導(dǎo)出了IO及AO型異常點(diǎn)穩(wěn)健聯(lián)合檢測(cè)法。并通過(guò)模擬和實(shí)證分析驗(yàn)證了穩(wěn)健聯(lián)合檢測(cè)法的可行性和有效性并將其應(yīng)用于金融時(shí)間序列數(shù)據(jù)異常值的檢測(cè)。該方法不僅對(duì)于金融風(fēng)險(xiǎn)的研究具有理論上的意義，而且對(duì)金融時(shí)間序列的穩(wěn)健建模具有一定的參考價(jià)值。

1 時(shí)序IO與AO型異常點(diǎn)穩(wěn)健聯(lián)合檢測(cè)法原理

對(duì)于時(shí)序IO型異常點(diǎn)檢測(cè)原理文獻(xiàn)[9]有詳細(xì)的闡述，這里就不重復(fù)。由文獻(xiàn)[9]可知，對(duì)IO型異常點(diǎn)的檢測(cè)關(guān)鍵是要計(jì)算出檢驗(yàn)統(tǒng)計(jì)量值，而λ取值由模IO型殘差aT及標(biāo)準(zhǔn)差σ決定。顯然，標(biāo)準(zhǔn)差σ是不穩(wěn)健的，單個(gè)極端值就能將其改變很大，從而極大影響了IO型異常值的檢測(cè)效力，因此有必要對(duì)σ進(jìn)行穩(wěn)健改進(jìn)。

而對(duì)于時(shí)序AO型異常點(diǎn)檢測(cè)原理文獻(xiàn)[10]有詳細(xì)的闡述，由文獻(xiàn)[10]可知，對(duì)AO型異常點(diǎn)的檢測(cè)關(guān)鍵是要計(jì)算出檢驗(yàn)統(tǒng)計(jì)量值。顯然λ由τ、ω、σ AoATa決定。由前文分析可知，τ取決于時(shí)間序列結(jié)構(gòu)，而ωAT由τ及含有異常點(diǎn)模型殘差ei所決定，但每個(gè)觀測(cè)值模型殘差ei只與觀測(cè)值自己本身有關(guān)，各個(gè)觀測(cè)值對(duì)彼此的殘差互不影響，因而λAo的取值主要由τ及σa決定。τ及σa須由樣本數(shù)據(jù)進(jìn)行估計(jì)，而σa的估計(jì)與每個(gè)觀測(cè)值息息相關(guān)，當(dāng)樣本數(shù)據(jù)存在異常點(diǎn)時(shí)，σa常被高估，甚至單個(gè)極端的異常點(diǎn)就能把σa變得面目全非，從而“淹沒(méi)”（masking）或“掩蓋”（swamping）現(xiàn)象發(fā)生，導(dǎo)致檢測(cè)失敗。因此為了準(zhǔn)確計(jì)算檢驗(yàn)統(tǒng)計(jì)量λAo，有必要對(duì)其進(jìn)行穩(wěn)健改進(jìn)，也即對(duì)σa作穩(wěn)健化變換?？梢?jiàn)兩種檢測(cè)法的檢測(cè)統(tǒng)計(jì)量均由于含有標(biāo)準(zhǔn)差而導(dǎo)致檢驗(yàn)統(tǒng)計(jì)量不穩(wěn)健。

另外，上文在介紹IO及AO型異常點(diǎn)檢測(cè)原理時(shí)，有一個(gè)隱含的假設(shè)就是異常點(diǎn)類型是已知的，所不知的是異常點(diǎn)所發(fā)生時(shí)刻T。但在大數(shù)據(jù)時(shí)代背景下，由于各種隨機(jī)因素的影響，使得實(shí)際的金融時(shí)間序列數(shù)據(jù)中通常含有多種類型異常點(diǎn)，即出現(xiàn)混合異常點(diǎn)現(xiàn)象，此時(shí)異常點(diǎn)類型和性質(zhì)事先無(wú)從得知，需要將其檢測(cè)出來(lái)。鑒于此，本文給出穩(wěn)健聯(lián)合檢測(cè)統(tǒng)計(jì)量。

首先，要對(duì)兩種異常點(diǎn)檢測(cè)統(tǒng)計(jì)量的標(biāo)準(zhǔn)差進(jìn)行穩(wěn)健改進(jìn)，標(biāo)準(zhǔn)差常用的穩(wěn)健估計(jì)量有以下幾個(gè)：

（1）縮尾標(biāo)準(zhǔn)差（WSD），表達(dá)式為：

縮尾標(biāo)準(zhǔn)差指的是縮尾數(shù)據(jù)的標(biāo)準(zhǔn)差。

（2）絕對(duì)離差均值（MAD），表達(dá)式為：

顯然其穩(wěn)健性體現(xiàn)在表達(dá)式中的中位數(shù)MED上。

（3）絕對(duì)離差中位數(shù)（MAD），表達(dá)式為：

顯然其穩(wěn)健性體現(xiàn)在表達(dá)式中的雙重中位數(shù)MED上。

（4）四分位數(shù)間距（IQR），表達(dá)為下：

其中，Q(0.75)和Q(0.25)分別是數(shù)據(jù)由小到大排序后的第三和第一分位數(shù)。其穩(wěn)健性體現(xiàn)在數(shù)據(jù)排序后異常點(diǎn)被排在序列的兩端，當(dāng)異常點(diǎn)比例未達(dá)到總數(shù)據(jù)的25%時(shí)，異常點(diǎn)對(duì)IQR沒(méi)有干擾。

為避免異常點(diǎn)檢測(cè)過(guò)程中發(fā)生“淹沒(méi)”或“掩蓋”現(xiàn)象，經(jīng)反復(fù)試驗(yàn)比較，本文選用絕對(duì)離差均值來(lái)作為標(biāo)準(zhǔn)差σ的穩(wěn)健尺度估計(jì)，即用去替代檢驗(yàn)統(tǒng)計(jì)量和中的σ與σ，以達(dá)到抗異常值a目的，來(lái)提高檢測(cè)效力。原始IO型異常點(diǎn)檢測(cè)統(tǒng)計(jì)量經(jīng)改進(jìn)后變?yōu)槿缦路€(wěn)健檢測(cè)統(tǒng)計(jì)量：

其中，表示穩(wěn)健的表示穩(wěn)健的σa。

其次，如在時(shí)刻T出現(xiàn)混合異常點(diǎn)現(xiàn)象，則只需先算出該時(shí)刻的穩(wěn)健IO型異常點(diǎn)檢測(cè)統(tǒng)計(jì)量及穩(wěn)健AO型異常點(diǎn)檢測(cè)統(tǒng)計(jì)量，再比較兩種穩(wěn)健檢測(cè)統(tǒng)計(jì)量絕對(duì)值大小并作出判斷：

具體檢查流程圖如圖1所示：

另外，Jonathan D Cryer和Kung-Sik Chan（2008）提出用殘差絕對(duì)均值乘以π作為標(biāo)準(zhǔn)差的穩(wěn)健估計(jì)，本文將該方法記為J-K法，并比較原始檢測(cè)法、J-K檢測(cè)法及本文提出的穩(wěn)健聯(lián)合檢測(cè)法的檢測(cè)效果。

2 模擬研究

下面通過(guò)模擬來(lái)比較本文提出的穩(wěn)健聯(lián)合檢測(cè)算法與傳統(tǒng)檢測(cè)法對(duì)異常點(diǎn)檢測(cè)效力，在此用ARMA(1,1)模型模擬產(chǎn)生100個(gè)隨機(jī)數(shù)，其中自相關(guān)系數(shù)為0.5，移動(dòng)平均系數(shù)為-0.8。而后在該序列中隨機(jī)抽取預(yù)先設(shè)定好的不同比例數(shù)據(jù)，用來(lái)自隨機(jī)產(chǎn)生的均勻分布數(shù)據(jù)去替代之，作為ARMA(1,1)模型異常點(diǎn)。在此構(gòu)造以下四種情形的污染率：ε=2%，ε=6%，ε=10%，ε=20%。需要說(shuō)明的是，之所以將污染率比例設(shè)為偶數(shù)百分比，是因?yàn)樵谛蛄兄行枰獦?gòu)造IO與AO兩種類型異常點(diǎn)，而且它們各占一半，個(gè)數(shù)均為整數(shù)。先給出四種被污染序列的時(shí)序圖（如圖2），以期從直觀上了解被污染序列。

圖1 時(shí)間序列IO與AO異常值穩(wěn)健聯(lián)合檢測(cè)算法流程圖

圖2 四種不同污染率下的ARMA（1,1）時(shí)序圖

接下來(lái)，分別采用原始檢測(cè)法、J-K檢測(cè)法及穩(wěn)健聯(lián)合檢測(cè)法對(duì)以上不同污染率序列中的IO及AO型異常點(diǎn)進(jìn)行檢測(cè)，根據(jù)圖1，用前面三種方法對(duì)以上四種污染率序列進(jìn)行異常值檢測(cè)，檢測(cè)結(jié)果如表1及下頁(yè)表2所示：

表1 三種檢測(cè)法檢測(cè)到總的異常點(diǎn)個(gè)數(shù)對(duì)比表

從表1可以看出，當(dāng)污染率為2%時(shí)，穩(wěn)健聯(lián)合檢測(cè)法與其他兩種檢測(cè)法一樣，準(zhǔn)確率為100%，說(shuō)明穩(wěn)健聯(lián)合檢測(cè)法具有可行性。而在后三種污染率情形下，本文提出的穩(wěn)健檢測(cè)法檢測(cè)效力均顯著高于其他檢測(cè)法，說(shuō)明穩(wěn)健檢測(cè)法具有有效性。

表2 三種檢測(cè)法分別檢測(cè)到IO及AO異常點(diǎn)個(gè)數(shù)對(duì)比表

從表2可以看出，以真實(shí)異常點(diǎn)類型個(gè)數(shù)為參照，當(dāng)污染率為2%時(shí)，三種檢測(cè)法均檢測(cè)到IO及AO各一個(gè),檢測(cè)結(jié)果與真實(shí)個(gè)數(shù)一致。當(dāng)污染率為6%時(shí)，原始檢測(cè)法檢測(cè)到3個(gè)IO異常點(diǎn)，2個(gè)AO異常點(diǎn)，而J-K檢測(cè)法與穩(wěn)健聯(lián)合檢測(cè)法均檢測(cè)到3個(gè)IO、3個(gè)AO?？梢?jiàn)，原始檢測(cè)法漏檢了一個(gè)AO，而后面兩種檢測(cè)結(jié)果與真實(shí)個(gè)數(shù)一致。當(dāng)污染率為10%時(shí)，原始檢測(cè)法只檢測(cè)到1個(gè)IO異常點(diǎn)、0個(gè)AO異常點(diǎn)，而J-K檢測(cè)法與穩(wěn)健聯(lián)合檢測(cè)法均檢測(cè)到5個(gè)IO、5個(gè)AO?？梢?jiàn)，原始檢測(cè)法漏檢了4個(gè)IO、5個(gè)AO,而后面兩種檢測(cè)結(jié)果與真實(shí)個(gè)數(shù)一致。當(dāng)污染率為20%時(shí)，原始檢測(cè)法檢測(cè)到IO、AO均為0個(gè)，而J-K檢測(cè)法2個(gè)IO、1個(gè)AO，穩(wěn)健檢測(cè)法7個(gè)IO、7個(gè)AO。從總的檢測(cè)結(jié)果來(lái)看，隨著污染率的增加，三種檢測(cè)法正確率均在減少，而原始檢測(cè)法減少最厲害，特別是在高污染率情況下，顯然原始檢測(cè)法對(duì)異常點(diǎn)的檢測(cè)已顯得無(wú)能為力。其次是J-K檢測(cè)法，穩(wěn)健聯(lián)合檢測(cè)法正確率最高，雖有影響，但影響不大，可見(jiàn)穩(wěn)健聯(lián)合檢測(cè)法改進(jìn)效果顯著。

3 實(shí)證檢驗(yàn)

為了驗(yàn)證穩(wěn)健聯(lián)合檢測(cè)的效果，本文選取深圳證券交易所的一只股票——貴州茅臺(tái)，日期為2008年1月2日至2013年3月29日，共1267個(gè)樣本，數(shù)據(jù)來(lái)源于銳思金融數(shù)據(jù)庫(kù)(www.resset.cn)。選取貴州茅臺(tái)這只股票是基于以下考慮：2012年12月中央出臺(tái)了“八項(xiàng)規(guī)定”“六項(xiàng)禁令”及一系列限制公款消費(fèi)的規(guī)定，在全國(guó)掀起了遏制公款消費(fèi)的風(fēng)暴，在這個(gè)背景下作為高端白酒中的“領(lǐng)頭羊”、堪稱“國(guó)酒”的茅臺(tái)酒首當(dāng)其沖受到影響，茅臺(tái)股價(jià)及收益率理所當(dāng)然離不開(kāi)其銷售量的影響，因此，此時(shí)研究該股票收益率的異常現(xiàn)象與本文的研究目標(biāo)相吻合。

圖3為貴州茅臺(tái)收盤價(jià)及收益率圖。可以看出貴州茅臺(tái)的收盤價(jià)時(shí)序圖的波動(dòng)幅度還是比較大，其中分別存在一個(gè)明顯的波谷及波峰；從收益率的時(shí)序圖來(lái)看，圖中有些值偏離主體數(shù)據(jù)較顯著；因此初步判定茅臺(tái)股票收益率數(shù)據(jù)存在異常值。

圖3 貴州茅臺(tái)收盤價(jià)圖（左）及收益率圖（右）

下面，按照穩(wěn)健聯(lián)合檢測(cè)流程圖對(duì)股票收益率異常點(diǎn)進(jìn)行檢測(cè)。首先建立時(shí)序ARMA模型，在建立ARMA模型之前需要確定模型的階數(shù)，在這里用理論擴(kuò)展的自相關(guān)函數(shù)表（EACF）來(lái)確定模型階數(shù)，如表3所示，可以看出表3建議收益率序列擬合的模型為ARMA(0,0)。

表3 收益率序列的EACF表

結(jié)合圖3，可以判斷導(dǎo)致這種現(xiàn)象的原因是收益率序列中有異常點(diǎn)存在，異常點(diǎn)干擾了序列的相關(guān)性。由于一般經(jīng)濟(jì)系統(tǒng)中在沒(méi)有季節(jié)周期因素情況下，其自回歸的階數(shù)一般不超過(guò)5，移動(dòng)平均階數(shù)不超過(guò)2。為了擬合所需要的模型，下面對(duì)1至5的階數(shù)組合后再進(jìn)行反復(fù)試驗(yàn)，選取階數(shù)的標(biāo)準(zhǔn)是：先看系數(shù)的顯著性，再比較AIC的值，在這個(gè)標(biāo)準(zhǔn)下最后選擇了模型ARMA(1,1)，估計(jì)結(jié)果如表4。

表4 序列{rt}的ARMA(1,1)模型參數(shù)估計(jì)結(jié)果

得到如下模型：

用該模型根據(jù)上文的檢測(cè)原理，對(duì)異常點(diǎn)進(jìn)行檢測(cè)，表5為常規(guī)檢測(cè)法檢測(cè)到的異常點(diǎn)分布表。

表5 常規(guī)檢測(cè)法檢測(cè)到的異常點(diǎn)分布表

從表5可以看出，常規(guī)檢測(cè)法共檢測(cè)到9個(gè)異常點(diǎn)，其中AO型異常點(diǎn)4個(gè)、IO型異常點(diǎn)5個(gè)。表6為J-K檢測(cè)法檢測(cè)到的異常點(diǎn)分布表。

表6 J-K檢測(cè)法檢測(cè)到的異常點(diǎn)分布表

從表6可以看出，J-K檢測(cè)法共檢測(cè)到12個(gè)異常點(diǎn)，其中AO型異常點(diǎn)5個(gè)、IO型異常點(diǎn)7個(gè)。表7（見(jiàn)下頁(yè)）為穩(wěn)健聯(lián)合檢測(cè)法檢測(cè)到的異常點(diǎn)分布表。

從表7可以看出，穩(wěn)健聯(lián)合檢測(cè)法共檢測(cè)到28個(gè)異常點(diǎn)，其中AO型異常點(diǎn)6個(gè)、IO型異常點(diǎn)22個(gè)。在所有被檢測(cè)到的異常點(diǎn)中IO型居多，而且表中有2個(gè)年頭異常點(diǎn)相對(duì)比較集中，分別是2008年與2012年。究其原因，2008年是因?yàn)殂氪ǖ卣鸺叭蚪鹑陲L(fēng)暴；2012年是受中央限制“三公消費(fèi)”政策影響。這是原因都導(dǎo)致了貴州茅臺(tái)這只股票的股價(jià)震蕩不定，容易產(chǎn)生異常點(diǎn)。據(jù)了解，“三公消費(fèi)”幾乎占到茅臺(tái)銷售量的四成，中央“禁令”的出臺(tái)導(dǎo)致2013年1月至4月茅臺(tái)銷售量下降23.8%。比較原始檢測(cè)法、J-K檢測(cè)法及穩(wěn)健聯(lián)合檢測(cè)法對(duì)收益率異常點(diǎn)的檢測(cè)結(jié)果，發(fā)現(xiàn)凡是原始檢測(cè)法、J-K檢測(cè)法檢測(cè)到的異常點(diǎn)均被穩(wěn)健聯(lián)合檢測(cè)法檢測(cè)到，由此說(shuō)明改進(jìn)后檢測(cè)法的可行性；另外發(fā)現(xiàn)凡是被穩(wěn)健聯(lián)合檢測(cè)法檢測(cè)到而未被原始檢測(cè)法及J-K檢測(cè)法檢測(cè)到的異常點(diǎn)都是由于現(xiàn)實(shí)客觀原因所導(dǎo)致。

表7 穩(wěn)健聯(lián)合檢測(cè)法檢測(cè)到的異常點(diǎn)分布表

4 結(jié)束語(yǔ)

基于假設(shè)檢驗(yàn)的IO、AO型異常點(diǎn)檢測(cè)法檢驗(yàn)統(tǒng)計(jì)量對(duì)離群值是敏感的，導(dǎo)致檢驗(yàn)統(tǒng)計(jì)量不穩(wěn)健。鑒于此，本文經(jīng)反復(fù)試驗(yàn)比較，選用絕對(duì)離差均值作為標(biāo)準(zhǔn)差σ的穩(wěn)健尺度估計(jì)，構(gòu)建出IO、AO型異常點(diǎn)穩(wěn)健聯(lián)合檢測(cè)算法。

模擬和實(shí)證研究均表明本文提出的穩(wěn)健聯(lián)合檢測(cè)算法具有可行性和有效性，并且能更好地捕捉到我國(guó)金融市場(chǎng)的異常特點(diǎn)。該方法不僅對(duì)于金融風(fēng)險(xiǎn)的研究具有理論上的意義，而且對(duì)金融時(shí)間序列的穩(wěn)健建模具有一定的參考價(jià)值。