[論文レビュー] What can we see from Investment Simulation based on Generalized (m,2)-Zipf law?

Hokky Situngkir, Yohanes Surya|CogPrints (University of Southampton)|Apr 28, 2005

Complex Systems and Time Series Analysis参考文献 3被引用数 4

ひとこと要約

本稿では、価格変動を長さmのテキスト的「語」に変換することで、金融時系列を分析するための新しい投資シミュレーションフレームワークを提案する。一般化された(m,2)-Zipf法を用い、語の頻度をランク付けし、強度パラメータD(t)を適用することで、市場の方向性を予測し、ポートフォリオの成長をシミュレートする。その結果、時間スケールが大きいほど支配的語の長さが長くなり、逆に時間スケールが小さいと短くなる傾向が明らかになった。また、市場トレンドの「荒さ」は、トレンドの持続性と記憶性と関連していることが示された。

ABSTRACT

The paper revisits the investment simulation based on strategies exhibited by Generalized (m,2)-Zipf law to present an interesting characterization of the wildness in financial time series. The investigations of dominant strategies on each specific time series shows that longer words dominant in larger time scale exhibit shorter dominant ones in smaller time scale and vice versa. Moreover, denoting the term wildness based on persistence over short term trend and memory represented by particular length of words, we can see how wild historical fluctuations over time series data coped with the Zipf strategies.

研究の動機と目的

• 価格変動をテキスト的シーケンスに変換することで、金融市場ダイナミクスを特徴付ける新しい分析フレームワークの構築を目的とする。
• 一般化された(m,2)-Zipf法の下で、支配的語パターンの構造と関連して、金融時系列における短期トレンドの持続性と記憶効果がどのように関連するかを調査することを目的とする。
• 語の頻度ランクに基づいた投資戦略をシミュレートし、異なる時間スケールおよび金融商品におけるパフォーマンスを評価することを目的とする。
• 支配的語の長さ（m）と金融時系列データの「荒さ」との関係を明らかにすることを目的とする。
• 大きな時間スケール（例：日足）における支配的戦略が、小さな時間スケール（例：時間足またはセッション単位）における長い語長か短い語長かを特定することを目的とする。

提案手法

• 1時間ごとの価格変動に基づき、上昇を「u」、下落を「d」として、金融時系列データを長さmのバイナリ「語」に変換する。
• 一般化された(m,2)-Zipf法を適用し、語の頻度をランク付けする。ランクRと頻度fの逆関係をf ≈ R^(-a)としてモデル化し、a = |2H - 1|とする。
• 上昇／下落確率のバイアスを補正するため、f' = p^m-n(u) * p^n(d)を用いる。ここで、p(u)とp(d)は上昇および下落の経験的確率である。
• 予測の強度D(t) = |(p_up(t) - p_down(t)) / (p_up(t) + p_down(t))|を計算し、時刻tにおける購入または売却の割合を決定する。
• 時間経過に伴う総ポートフォリオ価値をψ_total = ψ_start + Σ(p_i - p_i-1) * D_iでシミュレートする。また、ψ(t) = ψ(t-1) + [p(t) - p(t-1)] * D(t)を用いる。
• 異なるm値（例：Zipf(2,2)、Zipf(7,2)）におけるパフォーマンスを比較し、支配的戦略を特定するとともに、持続性と記憶性に基づいて「荒さ」を評価する。

実験結果

リサーチクエスチョン

• RQ1 同じ金融商品について、時間スケール（例：日足対時間足）が異なる場合、(m,2)-Zipfフレームワークにおける支配的語の長さ（m）はどのように変化するか？
• RQ2 一般化された(m,2)-Zipf法の下で、語のシーケンスに埋め込まれた記憶効果と関連して、短期トレンドの持続性とはどのような関係にあるか？
• RQ3 価格変動の持続性と記憶性によって定義される金融時系列の「荒さ」と、投資シミュレーションにおける最適なm値の関係は何か？
• RQ4 高いボラティリティを示す金融商品（例：為替レート）は、DJIAやNASDAQのような低いボラティリティのインデックスと比較して、短い支配的語長を示すか？
• RQ5 複数の金融商品にわたって、大きな時間スケールにおける支配的語長と小さな時間スケールにおける語長の間に、系統的な逆関係が存在するか？

主な発見

• ジャカルタ・コンposite・インデックス（IHSG）では、Zipf(6,2)戦略で最良のパフォーマンスを示した。一方、DJIAとNASDAQはそれぞれZipf(4,2)およびZipf(5,2)で最高の結果を記録した。
• ハン・シーン指数では、日足データでは支配的戦略がZipf(7,2)であったが、セッション単位ではZipf(4,2)、時間足ではZipf(3,2)に移行しており、時間分解能が高くなるにつれて支配的語の長さが短くなっていることが示された。
• 日経225では、日足データでは支配的戦略がZipf(3,2)であったが、セッションおよび時間足シミュレーションでは長めの語（Zipf(6,2)）に移行しており、ハン・シーンと逆のパターンが観察された。
• GBP/USDでは、日足データでZipf(7,2)、時間足データでZipf(8,2)という支配的戦略を示し、この通貨ペairsでは時間スケールが大きくなるにつれて語長が増加する傾向が見られた。
• ユーロ/USDや為替レートのYen/USDでは、短い語長（Zipf(3,2)およびZipf(2,2)）でより良いパフォーマンスを示し、短い持続性と記憶性から生じる高い「荒さ」が裏付けられた。
• 本研究では、時間スケールが大きい場合の長い支配的語が、時間スケールが小さい場合に短くなること、逆に短い語が大きいスケールでは長い語に変化することを確認した。これは、市場ダイナミクスに時間スケール依存性のある構造が存在することを示している。