[論文レビュー] BayesDccGarch - An Implementation of Multivariate GARCH DCC Models

José Augusto Fioruci, Ricardo S. Ehlers+1 more|arXiv (Cornell University)|Dec 9, 2014

Financial Risk and Volatility Modeling参考文献 3被引用数 6

ひとこと要約

本論文は、非対称および重たい尾を持つ誤差分布を伴う多変量GARCH DCCモデルのベイズ推定を実装するRパッケージBayesDccGarchを紹介する。MCMCサンプリングを用い、適応的ランダムウォークメトロポリス・ハスティングスアルゴリズムを適用することで、動的条件付き相関を推定し、金融リターンのボラティリティおよび依存構造の頑健なモデリングを可能にするとともに、リスク管理およびポートフォリオ分析における計算効率と柔軟性を向上させる。

ABSTRACT

Multivariate GARCH models are important tools to describe the dynamics of multivariate times series of financial returns. Nevertheless, these models have been much less used in practice due to the lack of reliable software. This paper describes the { t R} package {\bf BayesDccGarch} which was developed to implement recently proposed inference procedures to estimate and compare multivariate GARCH models allowing for asymmetric and heavy tailed distributions.

研究の動機と目的

• 実務における多変量GARCH DCCモデルの推定のための信頼できるソフトウェアの不足に対処すること。
• 非対称および重たい尾を持つ誤差分布を用いた金融リターンダイナミクスの柔軟なモデリングを可能にすること。
• ベイズ推定とMCMC手法を用いた計算的に効率的で統計的に頑健な実装を提供すること。
• 時間変動する条件付き相関を捉えることで、ポートフォリオリスク管理および共分散予測を促進すること。
• 事後分布シミュレーションおよび診断を通じて、モデル比較と不確実性の定量化を支援すること。

提案手法

• 時間変動する条件付き相関をモデル化するため、動的条件付き相関（DCC）多変量GARCH(1,1)仕様を用いる。
• 個々の分散が一変量GARCH(1,1)過程に従い、相関が標準化された残差に基づくGARCH型方程式で進化する多変量GARCH構造を採用する。
• 非情報的事前分布とMCMCサンプリングを用いたベイズ推定を実施し、ランダムウォークメトロポリス・ハスティングスアルゴリズムを用いる。
• 1ブロックおよび1回に1つのパラメータの更新をサポートし、最適な受容率を得るために提案分散の適応的チューニングを実施する。
• 非対称性と厚い尾を捉えるために、歪み付き多変量スルーティングt分布および歪み付き一般化誤差分布（GED）を誤差項に適用する。
• codaパッケージを用いてMCMC診断および事後分析を実施し、トレースプロット、自己相関、密度推定を含む。

実験結果

リサーチクエスチョン

• RQ1 非対称および重たい尾を持つ誤差分布を伴う多変量GARCH DCCモデルを、どのように効率的に推定できるか？
• RQ2 歪度および厚い尾を持つモーメントが、金融リターンにおける動的条件付き相関の推定に及ぼす影響は何か？
• RQ3 ベイズMCMCアプローチは、古典的準最大尤度法と比較して、頑健性および不確実性の定量化においてどのように性能を発揮するか？
• RQ4 提案されたRパッケージBayesDccGarchは、実際の金融データにおける多変量ボラティリティダイナミクスの推定と診断を信頼できてか？
• RQ5 歪度および相関ダイナミクスの事後推定値は、市場のストレスや時間変動するリスク伝播をどの程度反映しているか？

主な発見

• BayesDccGarchパッケージは、歪み付き多変量t分布およびGED分布を用いた多変量DCC-GARCHモデルのベイズ推定を成功裏に実装した。
• 歪度パラメータの事後推定値は、DAXおよびCAC40指数に顕著な非対称性を示している一方、NIKKEI指数はほぼ対称性を示している。
• MCMCサンプラーは安定した収束を示し、受容率が0.20から0.50の間で推移しており、提案分布のチューニングが効果的であったことが示された。
• モデルは時間変動する条件付き相関を捉えており、市場のボラティリティが高まる時期に相関が高くなる傾向が観察された。
• コレスキー分解と適応的提案共分散行列の使用により、MCMCアルゴリズムの混合性および収束性が向上した。
• パッケージは完全な事後推定、診断、実行時間の追跡を提供し、頑健な統計的分析およびモデル比較を支援する。