[論文レビュー] A General Framework for Prediction in Time Series Models

Eric Beutner, Alexander Heinemann+1 more|arXiv (Cornell University)|Feb 5, 2019

Financial Risk and Volatility Modeling参考文献 25被引用数 3

ひとこと要約

本稿は、ARMA、GARCH、およびその拡張モデルのような一般的なモデルにおける高レベルの正則性条件を形式的に検証する予測の一般枠組みを提案する。サンプル分割に基づく条件付き信頼区間の漸近的妥当性を確立し、計量経済学およびリスク管理分野における理論的結果と実用的応用を橋渡しする。

ABSTRACT

In this paper we propose a general framework to analyze prediction in time series models and show how a wide class of popular time series models satisfies this framework. We postulate a set of high-level assumptions, and formally verify these assumptions for the aforementioned time series models. Our framework coincides with that of Beutner et al. (2019, arXiv:1710.00643) who establish the validity of conditional confidence intervals for predictions made in this framework. The current paper therefore complements the results in Beutner et al. (2019, arXiv:1710.00643) by providing practically relevant applications of their theory.

研究の動機と目的

• 時系列予測における根本的課題に取り組むこと：過去のデータに条件づけることと、パラメータの不確実性を考慮することのバランスをとること。
• 二つの独立なプロセスという現実的でない仮定の代替として、サンプル分割の使用を形式化する一般枠組みを定式化すること。
• 広く使われているモデル—ARMA(1,1)、GARCH(1,1)、T-GARCH(1,1)、およびその拡張—が、条件付き推論に必要な高レベルの仮定を満たしていることを示すこと。
• Beutnerら（2019）の理論的結果を、具体的かつ実用的な応用として、現実世界の時系列モデルに拡張すること。
• 条件付きリスク指標、たとえばバリューオブリスク（VaR）や期待ショートフォールド（ES）が、同じ枠組みに組み込まれることを示すこと。

提案手法

• この枠組みは、予測対象をパラメーターベクトルと時系列の無限過去の関数として定義する：$ \psi_{T+1} = \psi(X_T, X_{T-1}, \ldots; \theta_0) $。
• 未知のパラメータ $ \theta_0 $ を非重複な推定サンプル $ \mathbf{X}_{1:T_E} $ に基づく推定器 $ \hat{\theta}(\mathbf{X}_{1:T_E}) $ で置き換えることで、サンプル分割推定器を導入する。
• 推定器の収束、予測関数の微分可能性、近傍における有界な勾配、および有界なヘッセ行列といった高レベルの仮定のセットを検証することに依存する。
• 混合性および弱相関性の条件に依拠して、サンプル分割法と二つの独立プロセスの仮定との間で漸近的同等性を確立することで、理論的妥当性を裏付ける。
• ARMA(1,1)およびGARCH型モデル（E-GARCH、N-GARCH、GJR-GARCH、Q-GARCHを含む）に対して、仮定を個別に検証することで、この枠組みへの適用を実施する。
• 条件付きリスク指標（VaR や ES）は、過去の観測値とパラメータの関数として表現することで、同じ理論的構造内での推論が可能になるように枠組みに統合する。

実験結果

リサーチクエスチョン

• RQ1 Beutner ら（2019）の条件付き信頼区間の理論的枠組みが、標準的な時系列モデルに実用的に応用可能か。
• RQ2 ARMA(1,1) および GARCH(1,1) モデルが、サンプル分割に基づく推論の漸近的妥当性に必要な高レベルの正則性条件を満たしているか。
• RQ3 T-GARCH や E-GARCH、Q-GARCH などの GARCH モデルの拡張が、同じ一般枠組みに統合可能か。
• RQ4 バリューオブリスク（VaR）や期待ショートフォールド（ES）といった条件付きリスク指標が、この枠組みにおいて予測対象として扱える範囲はどの程度か。
• RQ5 長記憶性や非混合性の性質を示す GARCH 型モデル（例：FI-GARCH や FIE-GARCH）は、現在の枠組みでは取り入れられないのか。

主な発見

• ドリフト項を含む ARMA(1,1) モデルは、すべての必要な高レベルの仮定を満たしており、条件付き平均予測における有効な条件付き推論を可能にする。
• GARCH(1,1) および T-GARCH(1,1) モデルは、この枠組みの仮定を満たしており、条件付き分散およびボラティリティ予測におけるサンプル分割法の使用が正当化される。
• E-GARCH(1,1)、N-GARCH(1,1)、GJR-GARCH(1,1)、Q-GARCH(1,1) などの拡張モデルは、形式的にこの枠組みに埋め込み可能であり、必要な正則性条件の検証がなされている。
• T-GARCH(1,1) モデルにおける条件付きバリューオブリスク（VaR）および期待ショートフォールド（ES）は、過去の観測値とパラメータの関数として表現され、一般予測枠組みに組み込まれた。
• 長記憶性を示すモデル（FI-GARCH や FIE-GARCH）は、標準的な混合条件が満たされないため、現在の枠組みでは対応できない。
• 本稿は、サンプル分割法が二つの独立プロセスの挙動を漸近的に再現することを確認しており、パラメータ不確実性の理論的課題にもかかわらず、実用的応用における有効性を裏付けた。