Confidence Sets for the Emergence, Collapse, and Recovery Dates of a Bubble

Probleemstelling

Sinds de baanbrekende werken van Phillips et al. (2011) (PWY) en Phillips et al. (2015) (PSY) zijn er veel methoden ontwikkeld om de aanwezigheid van financiële bubbels (explosief gedrag) te detecteren. Echter, zodra een bubbel is geïdentificeerd, is het vaak moeilijk om de exacte data van ontstaan (emergence), instorting (collapse) en herstel (recovery) nauwkeurig te schatten en te valideren.

Bestaande literatuur biedt wel consistente schatters voor de breukdata (break dates), maar er ontbreekt een methodologie om betrouwbaarheidsintervallen (confidence sets) voor deze data te construeren. Traditionele methoden, die vertrouwen op de asymptotische verdeling van de schatter van het breekpunt, presteren in dit specifieke geval slecht: de resulterende intervallen zijn vaak extreem breed en dekken bijna alle mogelijke data, waardoor ze weinig informatief zijn.

Methodologie

De auteurs stellen een nieuwe aanpak voor waarbij betrouwbaarheidsintervallen worden geconstrueerd door het inverteren van hypothesetoetsen voor de locatie van het breekpunt, in plaats van het gebruik van de verdeling van de schatter zelf. Dit concept is geïnspireerd op Elliott en Müller (2007) en Eo en Morley (2015).

1. Het Model:
Het artikel baseert zich op een model met drie regimes voor een tijdsreeks $y_t$:

• Regime 1 (Random Walk): $1 \le t \le T_e$
• Regime 2 (Explosief): $T_e < t \le T_c$ met $\phi_a = 1 + a/T^\alpha$ ($a>0, 0<\alpha<1$).
• Regime 3 (Mean Reverting): $T_c < t \le T_r$ met $\phi_b = 1 - b/T^\beta$ ($b>0, 0<\beta<1$).
• Regime 4 (Terug naar Random Walk): $T_r < t \le T$.

De data $T_e$, $T_c$ en $T_r$ worden behandeld als breekpunten in de AR(1)-coëfficiënten.

2. Toetsingsstatistieken:
Voor elk van de drie data (ontstaan, instorting, herstel) worden twee soorten toetsen ontwikkeld en gecombineerd:

• LR-type toetsen (Likelihood Ratio): Gebaseerd op het principe van het maximaliseren van de likelihood ratio tussen een nulhypothese (breekpunt op $T_1$) en een alternatief (breekpunt op $T_2$). De auteurs introduceren specifieke schalingen en correcties voor eindige steekproeven om vertekening (size distortion) te verminderen.
• EM-type toetsen (Elliott-Müller): Gebaseerd op een gewogen gemiddelde van likelihood-ratios, waarbij aannames worden gedaan over de verdeling van de breekgrootte en de breekdatum. Deze toetsen gebruiken een-sided t-statistieken omdat de richting van de breuk bekend is (bijv. van een eenheidsroot naar explosief gedrag).

3. Asymptotische Theorie:
De auteurs leiden de limietverdelingen af onder zowel de nul- als alternatieve hypothese.

• De verdelingen zijn vaak niet-standaard en hangen af van Brownse bewegingen ($W(\cdot)$).
• Er wordt aangetoond dat specifieke toetsen consistent zijn voor breuken in één richting (bijv. $T_{echte} > T_{getoetst}$), maar niet in de andere. Daarom worden combinaties van toetsen (links- en rechtse kant) gebruikt om een tweezijdig betrouwbaarheidsset te vormen.
• Voor de hersteldata ($T_r$) is de situatie complexer omdat de limietverdeling afhangt van de relatie tussen de explosieve snelheid ($\alpha$) en de herstelsnelheid ($\beta$).

4. Empirische Validatie:
De prestaties worden geëvalueerd via Monte Carlo-simulaties. De auteurs vergelijken de empirische dekking (coverage rate) en de gemiddelde lengte van de betrouwbaarheidssets voor verschillende scenario's (kleine, middelgrote en grote bubbels).

Belangrijkste Resultaten

1. Superioriteit van de Inversie-methode: De traditionele methode (gebaseerd op de verdeling van de schatter) resulteert in intervallen die zo breed zijn dat ze de hele steekproef omvatten (empirische dekking $\approx 100\%$, maar nutteloos). De voorgestelde inversie-methode levert veel smaller en informatiever intervallen op.
2. Gecombineerde Toetsen (LEe, LEc, LEr):
   • De beste prestaties worden geboekt door specifieke combinaties van LR- en EM-type toetsen (aangeduid als $LE^e$, $LE^c$, en $LE^r$).
   • Voor middelgrote en grote bubbels (snelle explosiviteit) controleren deze gecombineerde methoden de dekking nauwkeurig rond het nominale niveau (90%) en produceren ze redelijk korte intervallen.
   • Voor kleine bubbels (langzame explosiviteit) is de dekking soms lager dan het nominale niveau (under-coverage), wat een inherent probleem is bij zwakke explosiviteit.
3. Asymptotische Consistentie: De toetsen zijn consistent in de richting waarvoor ze zijn ontworpen. De asymmetrie in de betrouwbaarheidssets (meer data aan de ene kant van het puntgeschatte breekpunt dan aan de andere) wordt theoretisch voorspeld en bevestigd in de simulaties.
4. Empirische Toepassing (Nikkei 225):
   • De methode wordt toegepast op Japanse aandelenprijzen (2012-2013).
   • Het 90% betrouwbaarheidsset voor het ontstaan van de bubbel omvat de datum van de aankondiging van de inflatiedoelstelling van de Bank of Japan (januari 2013), hoewel het puntgeschatte begin eerder ligt.
   • Het interval voor de instorting is zeer smal (slechts 10 datapunten).
   • Het interval voor het herstel is breed en suggereert dat het herstel later kan hebben plaatsgevonden dan het puntgeschatte moment.

Bijdrage en Significantie

• Methodologische Innovatie: Dit is het eerste artikel dat systematische methoden biedt om betrouwbaarheidssets te construeren voor de data van het ontstaan, instorten en herstellen van bubbels. Het vult een belangrijke lacune in de literatuur over bubbeldetectie.
• Praktische Nut: In plaats van alleen een puntsschatting te geven (wat onzekerheid maskeert), biedt deze methode een interval dat de onzekerheid kwantificeert. Dit is cruciaal voor beleidsmakers en beleggers om te begrijpen hoe zeker men kan zijn over het tijdstip van een bubbel.
• Robuustheid: De auteurs tonen aan dat door het combineren van verschillende toetsstatistieken (LR en EM), de empirische dekking goed gecontroleerd kan worden terwijl de lengte van het interval beperkt blijft.
• Toekomstig Onderzoek: De auteurs wijzen erop dat de constructie van een gezamenlijk betrouwbaarheidsset voor alle drie de data tegelijkertijd (in plaats van apart) computationeel zeer complex is en voorbehouden blijft aan toekomstig onderzoek.

Kortom, het artikel biedt een robuust statistisch raamwerk om de timing van financiële bubbels niet alleen te schatten, maar ook om de onzekerheid rondom die schattingen formeel te kwantificeren.