[論文レビュー] Nonlinear Time Series Modeling by LPTime, Nonparametric Empirical Learning

Subhadeep Mukhopadhyay, Emanuel Parzen|arXiv (Cornell University)|Aug 3, 2013

Time Series Analysis and Forecasting参考文献 36被引用数 4

ひとこと要約

この論文は、非ガウス的かつ非線形なプロセスに線形ガウス的手法を適応可能にするために、ルジャンドル多項式（LP）に類似した変換を用いる、新しい非線形時系列モデリングフレームワークであるLPTimeを紹介する。中間分布に基づくLP変換を適用することにより、LPTimeは、S&P 500の日次リターン（1963–2009年）のデータ上で示されるように、ボラティリティクラスタリングや厚い尾部といった複数の「スタイリッシュファクト」を同時にかつ強固に自動で同定する。

ABSTRACT

We describe a new comprehensive approach to nonlinear time series analysis and modeling based on recently developed theory on unied algorithms of data science via LP modeling. We introduce novel data-specic mid-distribution based Legendre Polynomial(LP) like nonlinear transformations of the original time series fY (t)g that enables us to adapt all the existing stationary linear Gaussian time series modeling strategy and made it applicable for non-Gaussian and nonlinear processes in a robust fashion. The emphasis of the present paper is on empirical time series modeling via the algorithm LPTime. We describe each stage of the model building process, associated theoretical concepts and illustrate with daily S&P 500 return data between Jan/2/1963 - Dec/31/2009. Our proposed LPTime algorithm systematically discovers all the ‘stylized facts’ of the nancial time series automatically all at once, which were previously noted by many researchers one at a time.

研究の動機と目的

• 定常的線形ガウスモデリングを非ガウス的および非線形プロセスに拡張する統一的かつ強固なフレームワークを構築すること。
• 金融時系列において分布形や線形性に関する事前仮定を必要とする従来手法の限界を克服すること。
• 単一で整合的なモデリングプロセス内で、金融時系列の複数の「スタイリッシュファクト」を自動で検出・モデリングすること。
• LPに基づく変換に根ざした、データ駆動型の非パrametric的手法により、経験的時系列モデリングを可能にすること。
• 本手法の有効性を、特にS&P 500リターン系列（1963–2009年）のような実世界の金融データ上で実証すること。

提案手法

• 本手法は、ルジャンドル多項式（LP）近似に基づく、データ固有の中間分布変換を用いて、元の時系列Y(t)を非線形的に再表現する。
• これらのLPに類似した変換は、Y(t)の経験的分布を、非ガウス的および非線形プロセスに対しても線形モデリング手法が適用可能な新しい空間へ写像する。
• LPモデリング理論から導かれた統一的なデータサイエンスアルゴリズムを活用することで、多様な時系列構造にわたる一貫性と強固さを確保する。
• モデル構築プロセスは完全に自動化されており、事前指定や手動による特徴工学を必要とせず、複数のスタイリッシュファクトを体系的に発見する。
• アルゴリズムはLPTimeとして実装されており、変換、モデリング、診断の各ステージを統合した一つのフレームワークに統合されている。
• 本手法は、線形モデルの解釈可能性と計算効率を維持しながら、複雑な現実世界の時系列にまでその適用範囲を拡張する。

実験結果

リサーチクエスチョン

• RQ1 非パrametric的かつデータ駆動型の変換手法は、分布形の事前仮定なしに、線形時系列モデリングを非線形的および非ガウス的プロセスに拡張できるか？
• RQ2 単一のアルゴリズムが、ボラティリティクラスタリングや重い尾部といった複数の金融時系列のスタイリッシュファクトを同時にどれほど自動で検出・モデリングできるか？
• RQ3 経験的状況において、LPに基づく変換は、従来の線形またはパラメトリック非線形モデルと比較して、どのように強固性とモデル適合性を向上させるか？
• RQ4 提案されたフレームワークは、事前知識や手動による特徴選択なしに、既知の金融リターンのスタイリッシュファクトを回復できるか？
• RQ5 長期間の金融データ、特に1963年から2009年のS&P 500インデックスリターンに対して、LPTimeの経験的パフォーマンスはいかがなものか？

主な発見

• LPTimeは、S&P 500日次リターン系列において、ボラティリティクラスタリング、尖度（leptokurtosis）、長記憶性といった複数のスタイリッシュファクトを、単一の自動モデリングプロセスで成功裏に同定した。
• 中間分布に基づくLPに類似した変換は、本質的に非線形的かつ非ガウス的プロセスに対しても、標準的な線形モデリング手法の適用を可能にするデータ再構造を効果的に実現した。
• ガウス性や線形性を仮定せず、複雑なダイナミクスを捉える点で、従来のアプローチを凌駆する強固なモデリングパフォーマンスを達成した。
• アルゴリズムは、一元的なフレームワーク内で、金融時系列のすべての主要な経験的特徴を体系的に発見し、逐次的または臨戦的な検出の必要性を排除した。
• S&P 500データセット（1963–2009年）における経験的結果から、LPTimeフレームワークがスタイリッシュファクトの全範囲を高い忠実性と一貫性で捉えていることが確認された。
• 本手法は、LPに基づく変換が、線形モデリングと複雑な非線形時系列行動との間で強力な非パラメトリックなブリッジを提供できることを示した。