[論文レビュー] A Dynamic Bayesian Model for Interpretable Decompositions of Market Behaviour

Théophile Griveau-Billion, Ben Calderhead|arXiv (Cornell University)|Apr 17, 2019

Market Dynamics and Volatility参考文献 21被引用数 3

ひとこと要約

本稿では、GPUスケーラブルなフレームワークを用いて、解釈可能な内生的および外生的要因に多変量市場ボラティリティを分解する、動的ベイジアンモデルである異質的同時グラフィカル動的線形モデル（H-SGDLM）を提案する。HAR-RVモデルを動的グラフィカル構造に統合することで、長期ボラティリティ予測が向上し、18年間にわたるS&P 500株式の大きな変動を予測する際、65.93%の精度を達成。標準のHAR-RVおよびSGDLMモデルを上回る性能を示した。

ABSTRACT

We propose a heterogeneous simultaneous graphical dynamic linear model (H-SGDLM), which extends the standard SGDLM framework to incorporate a heterogeneous autoregressive realised volatility (HAR-RV) model. This novel approach creates a GPU-scalable multivariate volatility estimator, which decomposes multiple time series into economically-meaningful variables to explain the endogenous and exogenous factors driving the underlying variability. This unique decomposition goes beyond the classic one step ahead prediction; indeed, we investigate inferences up to one month into the future using stocks, FX futures and ETF futures, demonstrating its superior performance according to accuracy of large moves, longer-term prediction and consistency over time.

研究の動機と目的

• 市場ボラティリティを内生的（資産固有）および外生的（市場全体）な駆動要因に分解できるスケーラブルで解釈可能なモデルの開発。
• 標準のSGDLMフレームワークを拡張し、異質的自己回帰実現ボラティリティ（HAR-RV）モデルを統合することで、多変量ボラティリティ推定の精度を向上。
• カルマンフィルタによる時間発展係数ダイナミクスを活用し、最大1か月先までの長期予測を可能に。
• 係数分解を通じて経済的に意味のあるシグナルを生成し、市場ストレスおよび大規模な変動予測を強化。
• 時間変動型でスパースな多変量モデリングにより、異なる市場環境下でも予測の堅牢性と一貫性を確保。

提案手法

• H-SGDLMモデルは、HAR-RVモデルと同時グラフィカル動的線形モデル（SGDLM）を統合し、各資産の対数ボラティリティを個別的要因、系列間要因、特定要因を有するDLMとしてモデル化可能に。
• 状態ベクトルと精度の正規-ギャンマ共役事前分布を用いることで、カルマンフィルタ方程式による効率的な逐次ベイズ更新が可能に。
• 多変量後確率を条件付き独立な正規-ギャンマ成分に分解するための変分ベイズ近似を適用し、GPUスケーラビリティを実現。
• 状態の進化は、ブロック割引を用いたランダムウォークでモデル化され、外部（外生的）および親（内生的）変数はそれぞれ異なる割引係数δφおよびδγで更新。
• 係数ダイナミクスの構造的シフトを検出するため、スケールスケープ変化点アルゴリズムを採用し、大規模な変動予測の信頼性を向上。
• システム行列の逆行列（I−Γ）−1から導出された変換状態平均および共分散行列を用いて、予測分布からのサンプリングにより予測を生成。

実験結果

リサーチクエスチョン

• RQ1 動的ベイジアンモデルは、経済的に解釈可能な内生的および外生的要因に多変量市場ボラティリティを分解可能か？
• RQ2 HAR-RVモデルを動的グラフィカル構造に統合することで、特に大規模な変動に対して長期ボラティリティ予測精度が向上するか？
• RQ3 本モデルは、1ステップ先予測を越えて、数週間先の市場ストレスインジケーターを一貫して予測可能か？
• RQ4 時間変動係数およびその内生的／外生的要因への分解が、時間経過に伴い予測性能をどのように向上させるか？
• RQ5 本モデルの性能は、異なる市場環境および資産クラスにおいても、どの程度安定しているか？

主な発見

• H-SGDLMモデルは、18年間（2001–2019年）にわたる487種のヨーロッパ株式において、大きな正の分散変動（>9.28%）の63.89%を正しく予測。これは、HAR-RV（53.24%）および標準SGDLM（34.69%）を著しく上回った。
• 同期間のS&P 500市場において、本モデルは大規模な分散変動予測で65.93%の精度を達成。市場間での一般化性能が顕著に優れていた。
• バックテストによる確認により、本モデルの予測性能は時間経過にわたり一貫しており、市場状況の変化に対しても堅牢であることが示された。
• 係数の内生的および外生的要因への分解により、新たな信頼性の高いシグナルが生成され、長期推論およびストレス予測の精度が向上した。
• 本モデルの予測分布は、68%以上の大きな負の変動を捉えており、新しい分解を用いた場合、大規模な変動に対する信頼区間カバレッジがより狭くなった。
• GPU並列推論パイプラインにより、数千種の資産にわたる効率的スケーリングが実現され、リアルタイム市場監視およびリスク管理応用に適したモデルとなった。