[論文レビュー] Adaptive exponential power distribution with moving estimator for nonstationary time series

Jarek Duda|arXiv (Cornell University)|Jan 1, 2020

Financial Risk and Volatility Modeling参考文献 5被引用数 2

ひとこと要約

本稿では、非定常時系列におけるスケールパラメータσを|x−μ|κの指数移動平均を用いて更新することで、計算的に効率的で時間的に変化する推定を可能にする、動的指数パワー分布（EPD）モデルと移動最尤推定器を提案する。この手法は、静的モデルよりも顕著に対数尤度を向上させ、Dow Jones Industrial Average（DJIA）の株式において、ガウス分布（κ=2）よりもラプラス型（κ≈1）に近い重い尾部を示す最適な尾部の重さ（κ）が得られる。

ABSTRACT

While standard estimation assumes that all datapoints are from probability distribution of the same fixed parameters $θ$, we will focus on maximum likelihood (ML) adaptive estimation for nonstationary time series: separately estimating parameters $θ_T$ for each time $T$ based on the earlier values $(x_t)_{t

研究の動機と目的

• 非定常時系列における固定パラメータの静的パラメトリック推定の限界を解消すること。固定パラメータでは、変化する分布的特性を捉えることが困難である。
• 重み付き歴史的データを用いてパラメータを動的に更新する、計算的に効率的な適応的推定フレームワークの構築。
• 特にスケールパラメータσの適応的EPD推定が、標準的な静的モデルやGARCHベースのモデルよりも優れた対数尤度を達成するかの評価。
• 金融リターンにおける最適な形状パラメータκの特定。ガウス分布（κ=2）やラプラス分布（κ=1）を仮定する仮定に疑問を呈する。

提案手法

• 指数的減衰重みを用いた移動最尤推定器を提案：θT = arg maxθ ∑t<T ηT−t ln(ρθ(xt)) ただしη ∈ (0,1]。
• ガウス分布（κ=2）やラプラス分布（κ=1）を一般化する指数パワー分布（EPD）族ρ(x) ∝ exp(−|(x−μ)/σ|κ/κ)に適用。
• スケールパラメータσの推定において、標準平均の代わりに指数移動平均を導入：(σT+1)^κ = η(σT)^κ + (1−η)|xT−μ|^κ。これにより、低コストな適応的推定が可能となる。
• 位置（μ）とスケール（σ）のそれぞれに別個の指数移動平均を適用。σの調整パrameter η ≈ 0.94、μの調整パrameter ν ≈ 0.997。
• 左尾部と右尾部のパラメータを別々に持つ非対称EPD（AEPD）を検討。連続性条件はα = [C(κl)σr / (C(κr)σl) + 1]⁻¹で与えられる。
• 勾配ベースの最適化を高次元の代替手法として採用。計算コストは高くなるが、対数尤度のさらなる向上が可能となる。

実験結果

リサーチクエスチョン

• RQ1 指数移動尤度を用いた適応的推定は、非定常時系列において静的最尤推定と比較して対数尤度を向上させるか？
• RQ2 実際の金融時系列において、EPDの最適形状パラメータκはκ=2（ガウス分布）とは顕著に異なるか？
• RQ3 |x−μ|^κの指数移動平均を用いた適応的EPDモデルは、GARCH(1,1)などの確立されたモデルと同等の性能を示すか？
• RQ4 適応的推定は推定された尾部挙動にどのように影響を及ぼすか？静的モデルと比較して、より薄いか、またはより重いか？
• RQ5 σT+1)^κ = η(σT)^κ + (1−η)|xT−μ|^κという単純な適応的スケール更新ルールは、計算コストを増加させることなく、より複雑なモデルを上回る性能を発揮するか？

主な発見

• 100年分のDJIA日次リターンデータにおいて、|x−μ|^κの指数移動平均を用いた適応的EPD推定は、静的MLEと比較して顕著に高い対数尤度を達成する。
• 適応的モデルの最適形状パラメータκは2未満であり、常に1（ラプラス分布）に近い値を示しており、ガウスモデルが仮定するよりも重い尾部であることが示唆される。
• 最近29社のDJIA企業において、最適κは企業間で顕著に異なるため、株式市場全体に共通の尾部挙動は存在しない。
• σのη ≈ 0.94を用いた適応的EPDモデルは、ガウス（κ=2）の innovations を仮定するより複雑なGARCH(1,1)モデルと同等の対数尤度を達成する。
• 指数的重み係数ηの最適化をさらに実施しても、対数尤度の向上はわずかであり、このデータに対しては初期値η ≈ 0.94がほぼ最適であると示唆される。
• 本手法により、各ステップでの完全な再最適化を必要とせず、時間的に変化するスケールおよび形状パラメータの効率的かつリアルタイム推定が可能となる。