[論文レビュー] Bayesian emulation for optimization in multi-step portfolio decisions

Kaoru Irie, Mike West|arXiv (Cornell University)|Jul 6, 2016

Forecasting Techniques and Applications参考文献 25被引用数 8

ひとこと要約

本稿では、多段階ポートフォリオ最適化のためのベイジアンエミュレーションフレームワークを導入し、複雑な意思決定問題を合成統計モデル内の事後モード推定問題に変換する。動的線形モデルと状態空間構造を活用することで、さまざまな損失関数のもとで最適ポートフォリオウェイトを効率的に計算可能であり、特に取引コストが存在する状況において、従来の短視眼的アプローチに比べて優れた安定性とパフォーマンスを示す。

ABSTRACT

We discuss the Bayesian emulation approach to computational solution of multi-step portfolio studies in financial time series. "Bayesian emulation for decisions" involves mapping the technical structure of a decision analysis problem to that of Bayesian inference in a purely synthetic "emulating" statistical model. This provides access to standard posterior analytic, simulation and optimization methods that yield indirect solutions of the decision problem. We develop this in time series portfolio analysis using classes of economically and psychologically relevant multi-step ahead portfolio utility functions. Studies with multivariate currency, commodity and stock index time series illustrate the approach and show some of the practical utility and benefits of the Bayesian emulation methodology.

研究の動機と目的

• 心理的および経済的に意味のある効用関数を伴う長期的・多段階的ポートフォリオ意思決定に対するベイジアン手法の不足を解消すること。
• 各損失関数ごとにカスタマイズを要しない汎用的な計算フレームワークを構築することを目的とし、合成統計モデルを用いる。
• 多段階損失関数をベイジアン意思決定理論に組み込むことで、複数期間にわたるポートフォリオの安定性とパフォーマンスを向上させること。
• 為替、商品、株価インデックスを含む実世界の金融時系列データにおいて、ベイジアンエミュレーションの実用的価値を示すこと。
• パrameter選択の感度と取引コストの観点から、プロファイル化された損失関数とマージナル損失関数の間のトレードオフを明らかにすること。

提案手法

• ポートフォリオ最適化問題を、最適ポートフォリオウェイトに一致する事後モードを持つ完全に合成された統計モデルとして定式化することで、意思決定問題をベイジアン推論問題に変換する。
• 2次損失関数およびラプラス損失関数の場合、エミュレーティングモデルは条件付き線形かつ正規分布に従う状態空間モデル（動的線形モデル）として構築可能であり、前向きフィルタリングと後ろ向きスムージング（FFBS）により効率的な事後分布計算が可能となる。
• スパarsity誘導型ペナルティの場合は、拡張された latent 変数を導入した非正規状態空間モデルに拡張され、MCMC および FFBS/EM 法を用いた事後モード探索が可能となる。
• 予測（多変量依存性ネットワークモデルを用いて）と意思決定のプロセスを分離することで、モジュラかつスケーラブルな最適化が実現可能となる。
• 最適ウェイトは、エミュレーティングモデルの事後分布のマージナルモードを特定することで導出され、これが元の意思決定問題の解に相当する。
• 本アプローチは、プロファイル化された損失関数とマージナル損失関数の両方の定式化をサポートしており、後者はパrameterの変動および取引コストに対してより高いロバストネスを示している。

実験結果

リサーチクエスチョン

• RQ1 各損失関数ごとに数値的手法をカスタマイズすることなく、ベイジアンエミュレーションを用いて多段階ポートフォリオ最適化問題をどのように解けるか？
• RQ2 ポートフォリオの安定性と累積リターンという観点から、プロファイル化された損失関数とマージナル損失関数の定式化には、どのようなパフォーマンス差が生じるか？
• RQ3 取引コストが存在する状況において、ベイジアンエミュレーションアプローチは、従来の短視眼的（1ステップ）最適化と比べてどのように異なるか？
• RQ4 非正規のノイズ項を有する合成モデルは、不足をより重く罰する非対称損失関数をどの程度生成可能か？
• RQ5 異なるペナルティパラメータ（λ）は、提案されたエミュレーションフレームワーク下でのポートフォリオの安定性とパフォーマンスにどのように影響を与えるか？

主な発見

• 2009年から2012年の期間にわたり、為替（FX）、商品、株価インデックスのデータにおいて、ベイジアンエミュレーションアプローチは、従来の短視眼的ポートフォリオ戦略を常に上回る累積リターンを達成した。
• 取引コスト（δ = 0.001）が存在する状況では、プロファイル化された戦略とマージナル戦略の両方の累積リターンが著しく低下したが、マージナル戦略はパrameter変動に対してより安定しており、λの変化に敏感ではなかった。
• λ = 100 および λ = 10,000 の条件下で、マージナルポートフォリオは、ウェイトの軌道がより安定しており、プロファイルドポートフォリオに比べて大きな不均衡なリバランスのリスクが低かった。
• マージナル戦略は、ウェイトをゼロに収縮させるが、正確にゼロにはならないという特徴を示しており、これはエミュレーティングモデルにおけるマージナルモードの理論的性質と整合的であった。
• プロファイルドポートフォリオは、ウェイトの軌道がより変動が大きく、特に高いペナルティ値下でλに非常に敏感であり、パフォーマンスの劣化リスクが顕著に高まっていた。
• 拡張されたラプラス損失関数の使用により、ポートフォリオは市場の下落を緩和し、回復を促進することができ、長期投資家にとって心理的・実用的に魅力的であることが示された。