[論文レビュー] Dynamic Model Averaging for Practitioners in Economics and Finance: The eDMA Package

Leopoldo Catania, Nima Nonejad|arXiv (Cornell University)|Jun 17, 2016

Monetary Policy and Economic Impact被引用数 6

ひとこと要約

本論文は、経済学者および金融関係者による動的モデル平均化（DMA）のための効率的な実装を可能にするeDMA Rパッケージを紹介する。OpenMPを用いた並列計算により、標準のCPU実装に比べ最大133倍の高速化を実現し、高機能な予測が標準的なハードウェアでも可能になる。DanglとHalling（2012）が提唱した主な改良点も統合しており、経済的・金融的データに適したDMAが実現される。

ABSTRACT

Raftery, Karny, and Ettler (2010) introduce an estimation technique, which they refer to as Dynamic Model Averaging (DMA). In their application, DMA is used to predict the output strip thickness for a cold rolling mill, where the output is measured with a time delay. Recently, DMA has also shown to be useful in macroeconomic and financial applications. In this paper, we present the eDMA package for DMA estimation implemented in R. The eDMA package is especially suited for practitioners in economics and finance, where typically a large number of predictors are available. Our implementation is up to 133 times faster then a standard implementation using a single-core CPU. Thus, with the help of this package, practitioners are able to perform DMA on a standard PC without resorting to large clusters, which are not easily available to all researchers. We demonstrate the usefulness of this package through simulation experiments and an empirical application using quarterly U.S. inflation data.

研究の動機と目的

• 経済学および金融分野における動的モデル平均化（DMA）の計算負荷を軽減すること。特に、多数の予測子と時変係数が関与する場合に生じる高い計算コストに対処する。
• 大規模なモデル空間を扱う際、メモリと処理時間の制約により性能が著しく低下する、従来の単一コア実装の限界を克服すること。
• 並列処理をサポートするユーザーフレンドリーで高パフォーマンスなRパッケージを提供し、経済的予測に広く用いられる推計的手法の拡張を統合すること。
• 高性能コンピュータクラスタへのアクセスがなくても、標準的なデスクトップまたはラップトップでDMAを効率的に行えるようにすること。
• DanglとHalling（2012）が提唱した、マクロ経済および金融データに適した修正された分散公式といった、主要な手法的改善への互換性を確保すること。

提案手法

• C++を用いてDMAを実装し、Armadilloライブラリを活用して高速計算を実現。RcppおよびRcppArmadilloを介してRに公開することで、高性能な計算を可能にする。
• OpenMPを活用して共有メモリ型並列処理を複数CPUコアで実行し、処理時間を顕著に短縮する。
• Rafteryら（2010）およびDanglとHalling（2012）の手法的拡張を統合し、時変係数および経済データに適した再定義された条件付き分散公式を実装する。
• 各時点で予測子のすべての組み合わせに対するモデル平均化をサポートし、古くなったモデルの性能を低下させるための忘れらる要因（forgetting factor）を導入する。
• 標準的なRメソッド（例：plot()、coef()、residuals()）を提供し、既存のRワークフローへの容易な統合とモデルの簡単な確認を可能にする。
• 効率的なデータ構造とアルゴリズム設計によりメモリ使用量を最適化し、中程度の規模のアプリケーションでもスケーラビリティを確保する。

実験結果

リサーチクエスチョン

• RQ1 標準的なマルチコアハードウェアを備えた経済学・金融分野の実務家が、DMAを計算的に実行可能にするにはどうすればよいか？
• RQ2 eDMAパッケージの並列実装は、従来の単一コアアプローチに比べて、処理時間をどの程度短縮できるか？
• RQ3 特に小標本設定下において、g-ピリオアラムの選択がDMA予測の性能に与える影響はどの程度か？
• RQ4 DanglとHalling（2012）が提唱した分散調整の統合により、マクロ経済および金融時系列データにおけるDMAの性能が向上するか？
• RQ5 さまざまな標本サイズ、予測子数、および忘れらる要因のグリッドポイントに対して、DMAを実行する実用的な計算コストはどの程度か？

主な発見

• eDMAパッケージは、標準的な単一コアCPU実装に比べ最大133倍の高速化を達成しており、標準的なラップトップでもリアルタイムまたはニアリアルタイムでのDMAが可能になる。
• 一般的な経済的応用において、8コアCPU搭載の商用ラップトップ上ではDMA推定が約30分で完了するため、クラスタを必要とせずに大規模な予測が可能になる。
• g-ピリオアラムの選択が性能に顕著な影響を及ぼす：bZellnerPrior = TRUEの場合、g = 0.1およびg = 20はg = T/2およびg = Tに比べて劣る結果を示す。後者はより安定している。
• bZellnerPrior = FALSEの場合、すべてのg値（0.1、20、T/2、T）が、MSE（0.937–0.967）およびPLD（20.186–20.664）の観点で同等の予測性能を示し、頑健性が確認された。
• パッケージは効率的なメモリ使用を実現しており、中規模アプリケーションでもメモリ消費量が著しく増加しない。
• 米国四半期インフレーションデータを用いた実応用では、eDMAを用いたDMAが安定的かつ信頼性の高い予測を生成しており、モデルの包含確率がデータダイナミクスの変化に適切に適合していることが示された。