[論文レビュー] Unveiling the Impact of Macroeconomic Policies: A Double Machine Learning Approach to Analyzing Interest Rate Effects on Financial Markets

Anoop Kumar, Suresh Dodda+2 more|arXiv (Cornell University)|Mar 31, 2024

Monetary Policy and Economic ImpactEconomics, Econometrics and Finance被引用数 3

ひとこと要約

本研究では、勾配ブースティングと因果推論を組み合わせたダブルマシンラーニング（DML）フレームワークを用いて、1986年から2021年までの米国連邦準備制度理事会（FRB）の金利引き上げが、固定利回りおよび株式型共済投資信託のリターンに与える影響を分析している。金利が1%上昇すると、アクティブに管理されるファンドのリターンは11.97%低下することが判明したが、パッシブ型ファンドは感受性が低く、機械学習が金融資産におけるマクロ経済的要因の因果的影響を特定する力の高さを示している。

ABSTRACT

This study examines the effects of macroeconomic policies on financial markets using a novel approach that combines Machine Learning (ML) techniques and causal inference. It focuses on the effect of interest rate changes made by the US Federal Reserve System (FRS) on the returns of fixed income and equity funds between January 1986 and December 2021. The analysis makes a distinction between actively and passively managed funds, hypothesizing that the latter are less susceptible to changes in interest rates. The study contrasts gradient boosting and linear regression models using the Double Machine Learning (DML) framework, which supports a variety of statistical learning techniques. Results indicate that gradient boosting is a useful tool for predicting fund returns; for example, a 1% increase in interest rates causes an actively managed fund's return to decrease by -11.97%. This understanding of the relationship between interest rates and fund performance provides opportunities for additional research and insightful, data-driven advice for fund managers and investors

研究の動機と目的

• 1986年から2021年までの米国連邦準備制度理事会（FRB）の金利変更が共済投資信託リターンに与える因果的影響を検討すること。
• ダブルマシンラーニング（DML）フレームワーク内での勾配ブースティングと線形回帰の性能を比較し、因果推論の観点から評価すること。
• アクティブ運用とパッシブ運用のファンドが金利ショックに対してどのように異なる感受性を示すかを調査すること。
• ファンドマネージャーや投資家が金利リスクへの露出を把握するためのデータドリブンな知見を提供すること。

提案手法

• 本研究では、高次元の設定においても頑健な推論を可能にするため、ダブルマシンラーニング（DML）フレームワークを用いて、金利変更がファンドリターンに与える因果的影響を推定している。
• DMLフレームワーク内では、ファンドリターンの予測に勾配ブースティング（例：XGBoost）と線形回帰モデルを機械学習推定器として用いている。
• DMLアプローチにより、まずノイズパラメータ（例：条件付き平均や感受度スコア）を機械学習手法で推定することで、交絡要因の制御が可能となる。
• 因果効果の推定と条件付き期待値の推定を分離することで、高次元データにおけるバイアスを低減している。
• 固定利回りおよび株式型共済投資信託の月次データを36年分用い、アクティブ運用とパッシブ運用のスタイルに分けて分析している。
• 二重ロバスト性の性質により因果推論が検証されており、一方のノイズモデルが誤指定であっても一貫した推定が保証されている。

実験結果

リサーチクエスチョン

• RQ1 1986年から2021年までの米国連邦準備制度理事会（FRB）の金利変更が、固定利回りおよび株式型共済投資信託のリターンに因果的に与える影響は何か？
• RQ2 アクティブに管理される共済投資信託は、パッシブに管理されるファンドよりも金利変更に対してより高い感受性を示すか？
• RQ3 本研究のファイナンシャルアプリケーションにおいて、DMLフレームワーク内での勾配ブースティングと線形回帰のどちらの機械学習モデルが、より正確かつ頑健な因果推定を提供するか？
• RQ4 マクロ経済政策の変化、特に金利変更が、共済投資信託ポートフォリオにおけるシステマティックリスクをどの程度引き起こすか？

主な発見

• 米国金利が1%上昇すると、アクティブ運用ファンドのリターンは統計的に有意に11.97%低下する。
• パッシブ運用ファンドは金利変更に対して感受性が低く、アクティブ運用ファンドよりも金利リスクへの露出が低いという仮説が裏付けられた。
• DMLフレームワーク内では、勾配ブースティングが線形回帰を上回り、予測精度と頑健性の両面で優れた性能を示した。
• DMLフレームワークは、高次元の交絡要因が存在する中でも、金利変更がファンドリターンに与える因果的影響を的確に分離できた。
• 本研究では、機械学習技術を因果推論と組み合わせることで、ファイナンシャル・エコノメトリクス分野において信頼性の高い、実務的応用可能な知見を導出できることが確認された。
• 結果として、非線形的かつ高次元な文脈において、マクロ・ファイナンス連携を分析する際、ダブルマシンラーニングの有用性が実証された。