[論文レビュー] FNETS: Factor-adjusted network estimation and forecasting for high-dimensional time series

Matteo Barigozzi, Haeran Cho+1 more|Bristol Research (University of Bristol)|Jan 16, 2022

Complex Systems and Time Series Analysis参考文献 61被引用数 6

ひとこと要約

FNETSは、強い自己相関およびクロスセクショナル相関を示す高次元時系列に対して、要因調整付きベクトル自己回帰（VAR）フレームワークを提案する。動的主成分分析、ℓ₁正則化Yule-Walker推定、精度行列推定を組み合わせることで、3つの異なるネットワーク（グレインジャー因果、同時相関、リードラグ）を構築し、一般な尾部条件のもとで一様な一致性レートを達成する。これにより、次元とサンプルサイズが発散する状況下でも、高次元においてロバストな予測とネットワーク推定が可能になる。

ABSTRACT

We propose FNETS, a methodology for network estimation and forecasting of high-dimensional time series exhibiting strong serial- and cross-sectional correlations. We operate under a factor-adjusted vector autoregressive (VAR) model which, after accounting for pervasive co-movements of the variables by {\it common} factors, models the remaining {\it idiosyncratic} dynamic dependence between the variables as a sparse VAR process. Network estimation of FNETS consists of three steps: (i) factor-adjustment via dynamic principal component analysis, (ii) estimation of the latent VAR process via $\ell_1$-regularised Yule-Walker estimator, and (iii) estimation of partial correlation and long-run partial correlation matrices. In doing so, we learn three networks underpinning the VAR process, namely a directed network representing the Granger causal linkages between the variables, an undirected one embedding their contemporaneous relationships and finally, an undirected network that summarises both lead-lag and contemporaneous linkages. In addition, FNETS provides a suite of methods for forecasting the factor-driven and the idiosyncratic VAR processes. Under general conditions permitting tails heavier than the Gaussian one, we derive uniform consistency rates for the estimators in both network estimation and forecasting, which hold as the dimension of the panel and the sample size diverge. Simulation studies and real data application confirm the good performance of FNETS.

研究の動機と目的

• 強い自己相関およびクロスセクショナル依存性の下で、スペクトル密度固有値が有界でない場合に標準的高次元VARモデルに見られる限界を解消すること。
• グレインジャー因果、同時相関、リードラグ関係を含む、高次元時系列における動的ネットワークの推定と予測を統合的に扱うフレームワークの構築。
• ガウス分布より重い尾部を含む一般な尾部条件のもとで、ネットワークおよび予測推定器の一様な一致性レートの確立。
• 広範な共通要因を除去した後、固有の依存関係のスパース推定を可能にすることで、解釈可能性と統計的効率性の向上。
• 大規模経済・金融パネルにおけるネットワーク推定と予測のための包括的ツールキットの提供。

提案手法

• 動的主成分分析（DPCA）を用いて共通要因を抽出し、観測時系列を調整することで、広範な連動を除去する。
• 残差の固有VAR過程をℓ₁正則化Yule-Walker推定器を用いて推定し、遷移行列のスパarsityを強制する。
• 3つの異なるネットワークを構築する：(1) 非ゼロVAR係数からなる有向ネットワーク（グレインジャー因果）、(2) 偏相関行列からなる無向ネットワーク（同時相関依存）、(3) リードラグおよび同時相関効果を捉える長期的偏相関ネットワーク。
• VARのノイズ項の精度行列推定を用いて、固有成分における条件付き独立構造を回復する。
• 2段階の予測手順を実装する：まずDPCAを用いて要因プロセスを予測し、次に正則化推定器を用いて固有VARを予測する。
• 一般なモーメントおよび尾部条件（サブガウスおよびサブワイブル尾部を含む）のもとで、すべての推定器の理論的一致率を導出する。

実験結果

リサーチクエスチョン

• RQ1 要因調整付きVARモデルは、高次元時系列における広範な共通要因とスパースな固有依存関係を効果的に分離できるか？
• RQ2 グレインジャー因果、同時相関、リードラグの3種類の異なる動的ネットワークは、高次元時系列データから一貫して推定可能か？
• RQ3 次元とサンプルサイズが発散する状況下で、特に重尾ノイズの下で、ネットワークおよび予測推定器の一様一致レートは何か？
• RQ4 次元とともに非ゼロパラメータ数がゆっくりと増加する場合に、提案されたℓ₁正則化Yule-Walker推定器は推定精度を維持できるか？
• RQ5 標準VARモデルが強いクロスセクショナルおよび自己相関のため失敗する高次元パネルにおいて、このフレームワークは信頼性の高い予測を提供できるか？

主な発見

• FNETSフレームワークは、サブワイブル分布を含む一般な尾部条件のもとで、ネットワーク推定器の一様一致性を達成し、ガウス仮定を超えて拡張された。
• 固有VAR過程のℓ₁正則化Yule-Walker推定器は、次元、サンプルサイズ、尾部挙動に依存する一様一致レートを達成し、集中不等式を用いて明示的な境界が導出された。
• 強いクロスセクショナルおよび自己相関の下でも、シミュレーションおよび46社の金融機関データセットを用いた実データで、意味のあるスパースネットワーク構造が的確に回復された。
• FNETSの予測性能は、特に2008–2009年の金融危機のようなボラティリティの高い状況下で、標準VARモデルを著しく上回った。
• 3ネットワークフレームワーク（グレインジャー、同時相関、長期的偏相関）により、標準VARネットワークよりも包括的で豊かな動的依存関係の解釈が可能になった。
• 252資産のボラティリティパネルへの実応用では、FNETSが標準的手法がスペクトル密度固有値が有界でないために失敗する状況でも、安定的かつ解釈可能なネットワーク構造を同定した。