[論文レビュー] Seasonal fractional long-memory processes. A semiparametric estimation approach

Valdério Anselmo Reisen, Wilfredo Palma+2 more|arXiv (Cornell University)|Nov 25, 2010

Financial Risk and Volatility Modeling参考文献 21被引用数 3

ひとこと要約

本稿では、二つの異なる季節的周期を持つ季節的分数マーチン過程の半パラメトリック推定法を提案する。周波数の対数スペクトル密度に対する多変量回帰を用いた手法であり、$d_1$ および $d_2$ の二重分数差分パラメータを正確に推定する。モンテカルロ実験および実データ（PM₁₀）による検証により、複雑な季節的および長記憶的ダイナミクスを示す環境時系列への適用性と高い性能が確認された。

ABSTRACT

This paper explores seasonal and long-memory time series properties by using the seasonal fractional ARIMA model when the seasonal data has one and two seasonal periods and short-memory counterparts. The stationarity and invertibility parameter conditions are established for the model studied. To estimate the memory parameters, the method given in Reisen, Rodrigues and Palma (2006 a,b) is generalized here to deal with a time series with two seasonal fractional long-memory parameters. The asymptotic properties are established and the accuracy of the method is investigated through Monte Carlo experiments. The good performance of the estimator indicates that it can be an alternative competitive procedure to estimate seasonal long-memory time series data. Artificial and PM10 series were considered as examples of applications of the proposed estimation method.

研究の動機と目的

• 二つの季節的分数差分パラメータを有する季節的ARFIMAモデルのための半パラメトリック推定法の開発。
• 複数の季節的周期を有する提案モデルの定常性および可逆性条件の確立。
• Reisenら（2006）の推定フレームワークを、二つの季節的長記憶成分を同時に扱えるように拡張。
• モンテカルロシミュレーションを用いて推定量の漸近的性質および有限標本性能を評価。
• 実世界の環境データ（例：日次PM₁₀濃度）を用いて、本手法の実用的有用性を示す。

提案手法

• 本手法は、周波数における対数スペクトル密度の多変量回帰を用い、半パラメトリックな手法により分数差分パラメータ $d_1$ および $d_2$ を推定する。
• スペクトル密度モデルは $f(\lambda) = f^*(\lambda) |\lambda|^{-2d_1} \prod_{i=1}^{2} |\lambda - \lambda_{ij}|^{-2d_i}$ として指定され、二つの季節的長記憶成分を捉える。
• $d_1$ および $d_2$ の推定値は、対数スペクトル回帰の傾きから得られ、バンド幅の選択が正確性に重要である。
• 性能とモデル適合度の妥当性を検証するため、人工データおよび実際のPM₁₀濃度データに本手法を適用する。
• 創発過程のモデル次数選択にはアカイケ情報量基準（AIC）を用い、フィルタリング後にMA(1)成分が好ましいと判明した。
• 最終的なモデルはSARFIMA(0, $d_1$, 1)×(0, $d_2$, 0)₇であり、推定値は $\hat{d}_1 = 0.1918$, $\hat{d}_2 = 0.1798$, および $\hat{\theta} = -0.2673$ である。

実験結果

リサーチクエスチョン

• RQ1 長記憶時系列において、二つの異なる季節的分数差分パラメータを効果的に推定できる半パラメトリック推定量は存在するか？
• RQ2 異なる標本サイズおよびパrameter設定下での推定量の漸近的および有限標本的性質は、どのように評価されるか？
• RQ3 本手法は、季節的長記憶ダイナミクスを推定するパラメトリック代替手法と比較して優れているか、あるいは同等の性能を示すか？
• RQ4 本手法は、複数の季節的サイクルを有する環境時系列において、長記憶行動を信頼性高く検出および定量できるか？
• RQ5 バンド幅の選択が、推定された記憶パラメータの安定性および正確性に与える影響は何か？

主な発見

• PM₁₀データでは、最適なバンド幅パラメータ $\alpha = 0.54$ が、$\hat{d}_1 = 0.1918$ および $\hat{d}_2 = 0.1798$ の安定した推定値をもたらし、標準誤差が小さく信頼区間も狭かった。
• F検定により、帰無仮説 $H_0: \mathbf{d} = \mathbf{0}$ は強く棄却され、両方の季節的成分に顕著な長記憶的挙動が存在することが示された。
• AIC基準により、SARFIMA(0, $d_1$, 1)×(0, $d_2$, 0)₇モデルが選択され、$\hat{\theta} = -0.2673$ および標準誤差0.0214であった。これは、フィルタリングされた創発過程に良好な適合であることを示している。
• 推定係数 $\hat{\pi}_j^*$ は急速に減衰し、$\hat{\pi}_{731}^* \approx 10^{-6}$ に達しており、AR(∞)表現における遠方の自己回帰項の寄与が無視できることが確認された。
• 残差解析では異常は認められず、ほとんどすべての自己相関が信頼区間内に収まっており、最終モデルの適切さが裏付けられた。
• モンテカルロ実験により、標本サイズが1080に達するまで推定量が高精度を維持し、パラメータ推定値が安定的かつ一貫的であることが示された。