技术摘要：极端情况下的格兰杰因果关系

1. 问题陈述

时间序列中的因果发现对于理解动态系统至关重要，尤其是在高波动性和极端事件期间。然而，最先进的方法主要关注分布“主体”内的因果关系（例如，均值或方差中的因果关系）。这些经典方法往往无法捕捉仅在极端事件中显现的机制，例如极端股票回报对其他资产的影响，或极端降水对河流洪涝的影响。此外，标准的因果推断对隐藏混杂因素高度敏感，而现有的极端事件分析方法通常依赖于关于正则变化、尾部等价性或特定参数模型的强假设，这限制了它们在处理重尾和轻尾变量方面的适用性。

本文旨在建立一个框架，该框架能够正式定义并推断专门针对极端情况下的格兰杰型因果关系，并具备处理非线性、高维序列的能力，且在特定尾部条件下对隐藏混杂因素具有鲁棒性。

2. 方法论

2.1 理论框架：极端情况下的因果关系

作者为二元过程 $(X, Y)$ 引入了两种新的极端情况因果关系定义，其中过程以变量集 $Z$ 为条件（$Z$ 可能包括 $X$ 和 $Y$ 的过去值以及潜在的混杂因素）。这些定义依赖于因果尾系数，这是对 Gnecco 等人 (2020) 引入的系数的推广。

令 $F$ 为满足对于所有 $x$ 都有 $F(x) < 1$ 的分布函数。针对 $Z$ 调整后的因果尾系数定义为：
$$\Gamma_{X \to Y|C} := \lim_{v \to \infty} \mathbb{E}[F(Y_{t+1}) \mid X_t > v, C^{-X}_t]$$
其中 $C^{-X}_t$ 表示排除 $X$ 过去信息的集合。

本文定义了两种形式的极端因果关系：

1. 尾部因果关系 ($X \xrightarrow{tail} Y$)： 如果上述条件期望值不同于基准期望值 $\mathbb{E}[F(Y_{t+1}) \mid C^{-X}_t]$，则称 $X$ 的上尾部导致了 $Y$ 的尾部。
2. 极端因果关系 ($X \xrightarrow{ext} Y$)： 如果系数几乎处处等于 1，则称一个 $X$ 中的极端事件导致了一个 $Y$ 中的极端事件。这意味着 $X$ 中的极端事件使得 $Y$ 中的极端事件变得确定（概率趋近于 1）。

该框架扩展到了非单位滞后（最大滞后 $p$）、瞬时效应、双侧尾部（使用 $|X|$ 和 $|Y|$）以及有界支撑集。

2.2 等价性与鲁棒性

作者建立了这些新定义与经典概念之间的正式等价关系：

• 在假设 A1（结构依赖在尾部不消失）下，$X \xrightarrow{ext} Y \iff X \xrightarrow{tail} Y \iff X \xrightarrow{G} Y$（格兰杰因果关系）。
• 对隐藏混杂因素的鲁棒性： 一个关键的理论贡献是，在正则变化假设（特别是 Grey 假设）和平稳性下，可以忽略对混杂因素 $Z$ 的调整来测试极端因果关系。具体而言，$\Gamma_{X \to Y|C} = 1 \iff \Gamma_{X \to Y|\emptyset} = 1$。这使得在检测极端因果联系时，即使不显式建模高维混杂因素也是可行的，前提是 $X$ 的极端行为是由其自身的创新充分驱动的。

2.3 估计与推断

本文提出了一种非参数、无模型的推断程序：

• 估计量： 通过在 $X_t$ 为极端值（超过阈值 $\tau_n$）且混杂因素 $Z_t$（及潜在的 $Y_t$）非极端的时刻集合 $S$ 上对 $F(y_{t+1})$ 求平均，构建样本估计量 $\hat{\Gamma}_{X \to Y|Z}$。
• 集合选择： 提出了两个集合用于 $S$：
  • $S_1$：以 $X_t$ 为极端值且 $Z_t$（及 $Y_t$）低于固定阈值为条件。
  • $S_2$：以 $X_t$ 为极端值且 $(Y_t, Z_t)$ 落在特定点 $(y_0, z_0)$ 附近的一个小球内为条件。
• 一致性： 定理 2 和定理 3 证明了当样本量 $n \to \infty$ 时，这些估计量是一致的。
• 算法： 一种分类算法（算法 1）将估计的系数与基准进行比较。如果 $\hat{\Gamma} \approx 1$，则判定为存在极端因果关系；否则，判定为不存在极端因果关系。
• 多元扩展： 算法 2 将此扩展到估计 $m$ 个变量的完整因果图。它利用鲁棒性属性，首先进行成对筛选（忽略混杂因素），然后通过对父节点进行条件化来细化图结构，其时间复杂度为 $O(m^2 n \log n)$。
• 检验： 使用移动块自助法（moving block bootstrap）来构建尾部因果关系检验的置信区间，从而保留时间依赖性。

3. 关键结果

3.1 理论贡献

• 等价性： 本文证明了在温和的结构假设（A1/A2）下，极端情况下的因果关系与经典的格兰杰因果关系及结构因果关系是等价的。
• 混杂鲁棒性： 定理 1 确立了对于满足 Grey 假设的正则变化过程，如果直接路径在尾部占据主导地位，那么存在隐藏混杂因素不会改变对极端因果关系（$\Gamma=1$）的检测。
• 无免费午餐定理： 作者证明，如果不限制模型类（例如，不限于结构因果模型），则不存在有效的水平检验来判定格兰杰非因果性或极端情况下的非因果性，这强调了所使用的结构假设的必要性。

3.2 经验表现

• 模拟实验： 在 VAR 和 GARCH 模型（包括高斯和重尾模型）中，与最先进的方法（如带有 RobustParCorr 的 PCMCI 和 GPDC）进行对比研究，结果显示该方法：
  • 在几乎所有设置中，特别是在高维和重尾场景下，实现了显著更低的平均模型误差。
  • 计算效率更高（例如，在 20 个变量的数据集上，约 6 秒对比 PCMCI-GPDC 的超过 1 小时）。
  • 展示了在其他方法失效的情况下对隐藏混杂因素的鲁棒性。
• 实际应用：
  • 水文气象学： 应用于瑞士河流流量和降水数据。该方法成功识别出源站点的极端降水会导致下游站点的极端径流（极端因果关系），同时对于因果联系是概率性或被地理因素阻断的站点，则仅显示出尾部因果关系。
  • 加密货币： 分析了 14 种高频加密货币回报。该框架识别出比特币和莱特币是极端市场运动的主要驱动力，揭示了符合市场常识的连贯因果结构（例如，比特币作为领先指标）。

4. 意义与主张

本文声称提供了第一个连接预测因果关系与极端事件分析的极端情况下的格兰杰因果关系正式框架。其意义在于：

1. 处理极端情况： 提供了一种专门为高影响、低概率事件设计的工具，在这些事件中，基于均值的经典方法是不够的。
2. 鲁棒性： 为即使在存在隐藏混杂因素的情况下也能检测到极端因果联系提供了理论保证，这是观测因果推断中的一个重大挑战。
3. 实用价值： 提供了一个快速、非参数化且开源的实现，其准确性和速度优于现有的最先进方法，适用于从金融到气候科学等广泛领域。

作者指出，虽然该框架功能强大，但它依赖于特定的尾部假设（正则变化、Grey 假设）和结构属性。他们承认，关于将这些鲁棒性结果扩展到 Kesten-Goldie 假设以及开发更快速、具有理论依据的替代自助法检验程序，仍存在开放性问题。