[論文レビュー] An ECM algorithm for Skewed Multivariate Variance Gamma Distribution in Normal Mean-Variance Representation

Thanakorn Nitithumbundit, Jennifer Chan|arXiv (Cornell University)|Apr 6, 2015

Financial Risk and Volatility Modeling参考文献 19被引用数 6

ひとこと要約

本稿では、自己回帰的平均構造を有する多変量スケーリング・バナシア・ガンマ（MSVG）分布における最尤推定を改善するため、ハイブリッドECM（HECM）アルゴリズムを提案する。これは、非有界な尤度と収束問題に対処するもので、MCECMとECMEステップを組み合わせることで、計算効率と安定性を向上させ、重い裾野と相関構造を有する金融時系列データのモデリングに成功している。

ABSTRACT

Normal mean-variance mixture distributions are widely applied to simplify a model's implementation and improve their computational efficiency under the Maximum Likelihood (ML) approach. Especially for distributions with normal mean-variance mixtures representation such as the multivariate skewed variance gamma (MSVG) distribution, it utilises the expectation-conditional-maximisation (ECM) algorithm to iteratively obtain the ML estimates. To facilitate application to financial time series, the mean is further extended to include autoregressive terms. Techniques are proposed to deal with the unbounded density for small shape parameter and to speed up the convergence. Simulation studies are conducted to demonstrate the applicability of this model and examine estimation properties. Finally, the MSVG model is applied to analyse the returns of five daily closing price market indices and standard errors for the estimated parameters are computed using Louis's method.

研究の動機と目的

• 形状母数が小さい場合に顕著になる多変量スケーリング・バナシア・ガンマ（MSVG）分布推定における非有界尤度問題に対処する。
• 複雑な金融時系列モデルの最尤（ML）推定における計算効率と収束安定性を向上させる。
• 金融リターンの自己相関を捉えるために、平均部に自己回帰（AR）項を含める形でMSVGモデルを拡張する。
• 正規分布混合平均・分散表現を用いた堅牢な推定フレームワークを構築し、パラメータ推定を簡素化する。
• 非対称的で重い裾野、相関のあるリターンを有する現実の金融データにMSVGモデルを適合させるための実用的でスケーラブルなアルゴリズムを提供する。

提案手法

• データが潜在的なガンマ分布に従う混合変数の下で条件付き正規分布に従うという、MSVG分布の正規分布混合表現を採用する。
• 欠損している潜在変数を扱い、最尤推定を簡素化するため、期待値/条件付き最大化（ECM）アルゴリズムフレームワークを実装する。
• MCECM（マルチサイクルECM）とECME（期待値/条件付き最大化いずれか）ステップを組み合わせたハイブリッドECM（HECM）アルゴリズムを提案し、収束性と安定性を向上させる。
• 形状母数νが小さい場合に尤度が発散するのを防ぐために、閾値Δを用いた密度キャッピング機構を導入する。
• 平均および形状母数（μ, γ）を更新した後、共分散行列Σの更新の前に追加のEステップを追加し、非有界密度下でのΣ推定の安定化を図る。
• ルイズの手法を用いて推定パラメータの標準誤差を計算し、統計的推論の信頼性を確保する。

実験結果

リサーチクエスチョン

• RQ1 EM/ECMフレームワークは、多変量スケーリング・バナシア・ガンマ（MSVG）分布における非有界尤度問題に対処するためにどのように適合可能か？
• RQ2 金融時系列におけるAR(1)平均構造を有するMSVGモデルの最尤推定を安定的かつ効率的に行うために、どのようなアルゴリズム的修正が必要か？
• RQ3 収束速度と推定精度の観点から、提案されたHECMアルゴリズムは、標準的なECMおよびECMEアルゴリズムに比べてどのように性能を発揮するか？
• RQ4 HECMアルゴリズムは、高次元的で相関のある、重い裾野を持つ非対称分布の金融リターンデータをどの程度効果的に処理できるか？
• RQ5 次元d = 2, 3の場合に最適な密度キャッピング閾値Δの範囲は何か？

主な発見

• HECMアルゴリズムは、形状母数νが小さい場合に生じる非有界MSVG密度に起因する発散推定（例：1/λi や logλi）の問題を効果的に解決した。
• ハイブリッド手法は、MCECMの高速な初期収束とECMEの安定した最終収束を組み合わせ、全体的な計算効率を向上させた。
• HECMアルゴリズムは、MSVG AR(1)モデルに対して安定的かつ正確な最尤推定を提供し、ルイズの手法により標準誤差も計算可能である。
• シミュレーション研究により、HECMアルゴリズムは、非有界尤度条件下でも標準ECMおよびECMEより収束速度とロバストネスの面で優れていることが確認された。
• 5つの主要市場インデックス（DAX, S&P 500, FTSE 100, AORD, CAC）への実応用では、AICc値が低いため、i.i.d. MSVGモデルに比べてMSVG ARモデルがより良好なフィットを示した。
• フィッティングされた周辺密度は、AR(1)フィルタリングされた残差の実測ヒストグラムとよく一致しており、共通の形状母数νを成分間で共有する制限があるものの、良好なモデルフィットを示した。