[論文レビュー] Dynamic Functional Principal Component

Siegfried Hörmann, Łukasz Kidziński+1 more|arXiv (Cornell University)|Oct 26, 2012

Holomorphic and Operator Theory参考文献 2被引用数 5

ひとこと要約

本稿では、関数時系列における次元削減のための動的関数主成分（DFPC）手法を提案する。古典的FPCAを拡張し、Brillingerの動的主成分にインspiredされた周波数領域アプローチによって系列依存性を組み込む。シミュレーションおよび取引内時間の金融カーブの実データ分析を通じて、静的FPCAが無視する時系列的構造を捉えることができ、予測性能が著しく向上することが示された。

ABSTRACT

In this paper, we address the problem of dimension reduction for time series of functional data $(X_t\colon t\in\mathbb{Z})$. Such {\it functional time series} frequently arise, e.g., when a continuous-time process is segmented into some smaller natural units, such as days. Then each~$X_t$ represents one intraday curve. We argue that functional principal component analysis (FPCA), though a key technique in the field and a benchmark for any competitor, does not provide an adequate dimension reduction in a time-series setting. FPCA indeed is a {\it static} procedure which ignores the essential information provided by the serial dependence structure of the functional data under study. Therefore, inspired by Brillinger's theory of {\it dynamic principal components}, we propose a {\it dynamic} version of FPCA, which is based on a frequency-domain approach. By means of a simulation study and an empirical illustration, we show the considerable improvement the dynamic approach entails when compared to the usual static procedure.

研究の動機と目的

• 系列依存性を持つ関数時系列を取り扱う古典的関数主成分分析（FPCA）の限界に対処すること。
• 関数データの時間的依存構造を活用するFPCAの動的拡張を開発すること。
• 関数時系列の予測的・動的特徴をよりよく捉える周波数領域フレームワークを提供すること。
• 静的FPCAが、低分散成分に高い予測価値を示すような時系列的情報を利用しないことを実証すること。
• 予測や関数時系列のモデリングに適した、非相関で動的に最適な成分を生成する手法を確立すること。

提案手法

• 周波数領域におけるスペクトル解析を用いて、Brillingerの動的主成分理論を関数的設定に適応する。
• 関数時系列のスペクトル密度作用素のスペクトル分解として、動的関数主成分を定義する。
• 周波数領域におけるKarhunen-Loève型展開を用い、関数時系列を動的成分の線形結合として表現する。
• 経験的スペクトル密度行列を用いて、スペクトル密度作用素および動的成分の推定器を構築する。
• 弱依存性およびモーメント条件の下で一貫性を保証するため、正則化および近似技術（例：m-近似）を適用する。
• 得られた動的成分が時系列全体で非相関であり、データの最も予測可能な変動を捉えていることを保証する。

実験結果

リサーチクエスチョン

• RQ1 静的FPCAと比較して、関数時系列の予測的構造をよりよく捉えるために、関数PCAの動的拡張が有効であるか。
• RQ2 FPCAで系列依存性を無視すると、次元削減が非効率的になり、モデル構築に悪影響を及ぼす程度はどの程度か。
• RQ3 周波数領域アプローチを関数データに適応させ、時間的依存性を反映する成分を抽出する方法は何か。
• RQ4 弱依存性およびモーメント条件の下で、提案された動的成分は一貫性のある推定器であるか。
• RQ5 動的FPC手法は、取引内時間の金融カーブなどの実世界の関数時系列において、予測精度とデータ解釈性を向上させるか。

主な発見

• 動的FPC手法は、特に瞬間的分散が低くても高い予測価値を有する成分において、静的FPCAを著しく上回る予測的変動の捉え方を実現する。
• 静的FPCはラグ付きの相互相関を示すため、成分ごとの時系列解析には不適切である一方、動的FPCは時系列全体で非相関である。
• m-近似可能性および有限な4次のモーメントの下で、動的成分の推定が一貫性を持つことが確認された。
• シミュレーション研究では、動的FPCが静的FPCAよりも関数時系列の再構築および予測においてより高い正確性を示した。
• 取引内時間の金融取引データに対する実証的分析により、動的FPCが古典的FPCAが捉えられない意味のある時系列的パターンを抽出することが確認された。