[論文レビュー] Bayesian Analysis of Value-at-Risk with Product Partition Models

Giacomo Bormetti, Maria Elena De Giuli+2 more|ArXiv.org|Sep 1, 2008

Financial Risk and Volatility Modeling参考文献 16被引用数 4

ひとこと要約

本稿では、パラメトリックな積分集合モデル（PPMs）を用いて、金融リターンのクラスタリングをモデル化するとともに正規性を保持し、外れ値検出を可能にするベイジアン・バリューオブリスク（VaR）推定手法を提案する。PPMsを平均値または分散に適用することにより、閉形式のVaR式が得られ、特に低ボラティリティ環境下でも標準的手法を上回る市場リスクの捕捉が可能であり、Mib30データを用いた尤度比検定による強い実証的妥当性が確認された。

ABSTRACT

In this paper we propose a novel Bayesian methodology for Value-at-Risk computation based on parametric Product Partition Models. Value-at-Risk is a standard tool to measure and control the market risk of an asset or a portfolio, and it is also required for regulatory purposes. Its popularity is partly due to the fact that it is an easily understood measure of risk. The use of Product Partition Models allows us to remain in a Normal setting even in presence of outlying points, and to obtain a closed-form expression for Value-at-Risk computation. We present and compare two different scenarios: a product partition structure on the vector of means and a product partition structure on the vector of variances. We apply our methodology to an Italian stock market data set from Mib30. The numerical results clearly show that Product Partition Models can be successfully exploited in order to quantify market risk exposure. The obtained Value-at-Risk estimates are in full agreement with Maximum Likelihood approaches, but our methodology provides richer information about the clustering structure of the data and the presence of outlying points.

研究の動機と目的

• 非i.i.d.なリターンを扱えるが正規分布を放棄しない、強固なベイジアンVaR推定手法の開発。
• 共通の平均値または分散を持つリターンのクラスタを特定し、異常観測の検出を可能にする。
• PPMsを用いて柔軟で非i.i.d.な正規モデル下で閉形式のVaR式を提供する。
• 実市場データを用いた尤度比検定（KupiecおよびChristoffersen）により、モデルの性能を検証する。
• PPMsを平均値に適用するか分散に適用するかの性能を比較し、異なる有意水準における最適な設定を同定する。

提案手法

• パラメトリックな積分集合モデル（PPMs）を用いて、リターンのパラメータ（平均値または分散）のベクトルを、等価な値を持つクラスタに分割する。
• すべての可能な分割構造に事前分布を割り当て、クラスタ構造およびパrameter値のベイジアン推論を可能にする。
• マルコフ連鎖モンテカルロ（MCMC）を用いたギブスサンプリングにより、VaRおよびモデルパラメータの後erior分布を計算する。
• PPMの仮定下で、標準的なガウス分布の公式を一般化した閉形式のVaR式を導出する。
• 744日間のローリングウィンドウを用いて、1000日分のイタリアMib30株価指数リターン系列にモデルを適用し、アウトオブサンプルの妥当性を検証する。
• Kupiecの無条件カバレッジ検定およびChristoffersenの条件付き独立性検定（LR統計量を用いて）により、モデルの性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 PPMsは、正規性を保持しつつ、金融リターンのクラスタリングを効果的にモデル化できるか、かつ閉形式のVaR計算を可能にするか？
• RQ2 平均値に適用したPPMsと分散に適用したPPMsの間で、VaR推定における性能に差は生じるか？
• RQ3 PPMsは、金融リターン系列における外れ値をどの程度効果的に検出・対応できるか？
• RQ4 PPMsベースのベイジアンVaRモデルは、実証的妥当性において、標準的な最尤推定法を上回るか、あるいは同等の性能を示すか？
• RQ5 特に低ボラティリティ期間において、VaR推定値はどの程度のロバストネスを示すか？

主な発見

• PPMベースのVaRモデルは、特に5%有意水準において、最尤推定法と一貫した推定値を生成する。
• 分散に適用したモデル（σ²-PPM）は、事前分布への感受性およびモデル適合度において、平均値に適用したモデル（μ-PPM）を上回るロバストネスを示す。
• LTO.MI系列において、α=5%のσ²-PPMモデルは、予想される13例の例外に対してわずか5例の例外しか生じず、時間経過に伴うボラティリティ低下による過剰な保守性が示された。
• モデルはクラスタリングと外れ値の同定を副次的に行い、点推定を超えたリスクモニタリングを強化する。
• Christoffersenの統合検定（LRCC）では、ほとんどの設定で5%有意水準で帰無仮説が採択されず、統計的妥当性が裏付けられた。
• 本手法は計算的に実行可能であり、古典的モデルに比べてより豊かな推論的洞察を提供する。特に、レジームシフトや異常行動の検出において顕著な優位性を示す。