[論文レビュー] Wavelet-Based Prediction for Governance, Diversification and Value Creation Variables

Inès Kahloul, Anouar Ben Mabrouk+1 more|arXiv (Cornell University)|Nov 23, 2010

Economic and Technological Systems Analysis参考文献 20被引用数 11

ひとこと要約

本稿では、1995年から2005年までのフランス企業のガバナンス、多様化、バリューエーキューショング変数における欠損データを埋めるために、ウェーブレットに基づく動的再構成手法を提案する。この手法は、精度とノイズ耐性においてニューラルネットワークを上回り、時系列をマルチスケール成分に分解することで、時間的・周波数的局在性を保ちながら、正確な欠損値補完を可能にする。

ABSTRACT

We study the possibility of completing data bases of a sample of governance, diversification and value creation variables by providing a well adapted method to reconstruct the missing parts in order to obtain a complete sample to be applied for testing the ownership-structure/diversification relationship. It consists of a dynamic procedure based on wavelets. A comparison with Neural Networks, the most used method, is provided to prove the efficiency of the here-developed one. The empirical tests are conducted on a set of French firms.

研究の動機と目的

• 企業ガバナンス、多様化、バリューエーキューショングに関する実証的研究における不完全なデータという重要な課題に対処すること。
• 金融変数の短い年次時系列における欠損値を再構成する、強固で動的な手法を開発すること。
• 最も広く使われている代替手法であるニューラルネットワークと比較して、提案されたウェーブレットに基づく手法の妥当性を検証すること。
• コーポレートファイナンスにおける所有構造／多様化関係の検証を可能にする完全なデータサンプリングを可能とすること。
• 完全に再構成されたデータセットを用いた多様化戦略の決定要因および結果に関する今後の研究を支援すること。

提案手法

• ガバナンス、多様化、バリューエーキューショング時系列をマルチスケール成分に分解するために、離散ウェーブレットパケット変換（WP）を用いる。
• 時間的および周波数的局在性を活用したウェーブレット係数に基づく動的再構成手順を適用し、欠損値を推定する。
• コンpactサポートと消失モーメントを有するため、Daubechies 10（db10）ウェーブレットを信号分解に採用する。
• スケールごとの近似係数と詳細係数を組み合わせることで、欠損データを再構成し、ノイズの増幅を最小限に抑える。
• 実測値と予測値の間の平均二乗誤差（RMSE）および相対誤差（ROE）を用いて、再構成精度を検証する。
• 同じウェーブレットフレームワークを用いた明示的再構成と、ニューラルネットワークベンチマークとを比較する。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレットに基づく再構成は、短い年次時系列におけるガバナンス、多様化、バリューエーキューショング変数の欠損データを効果的に回復できるか？
• RQ2 欠損観測値を含む金融時系列において、ウェーブレットに基づく補完はニューラルネットワークと比較して、精度とノイズ耐性で優れているか？
• RQ3 ウェーブレットに基づく再構成は、元の信号特性および時間的ダイナミクスをどの程度保持しているか？
• RQ4 提案手法は、不完全なデータセット上での所有構造／多様化関係の信頼性のある実証的検証を可能にするか？
• RQ5 再構成誤差は、下流のファイナンス分析およびモデル妥当性にどのような影響を及えるか？

主な発見

• DMC企業のROEについて、2000年の平均RMSEは0.1124であり、予測値0.0361と実測値0.0361が一致しており、高い精度を示している。
• ROA変数に関しては、2005年にウェーブレット法で0.0259を予測し、実測値と完全に一致した。
• 2002年には、ウェーブレット法でROEを0.0331に再構成し、実測値0.0331とよく一致しており、一貫性のある性能を示した。
• 特に短い時系列におけるノイズ増幅の最小化という点で、ウェーブレット法はニューラルネットワークを上回る再構成精度を達成した。
• ウェーブレットパケット値（WPV）を用いた明示的再構成は、ウェーブレット予測値と同等の結果をもたらし、手法の整合性を検証した。
• ウェーブレットアプローチは、1995年から2005年までの69軒のフランス企業の欠損データを効果的に再構成し、所有構造および多様化に関する今後の研究の完全なサンプル分析を可能にした。