[논문 리뷰] A Dynamic Bayesian Model for Interpretable Decompositions of Market Behaviour

Théophile Griveau-Billion, Ben Calderhead|arXiv (Cornell University)|2019. 04. 17.

Market Dynamics and Volatility참고 문헌 21인용 수 3

한 줄 요약

이 논문은 GPU 확장 가능한 프레임워크를 사용하여 다변량 시장 변동성을 해석 가능한 내생적 요인과 외생적 요인으로 분해하는 동적 베이지안 모델인 이질적 동시 그래픽 동적 선형 모델(Heterogeneous Simultaneous Graphical Dynamic Linear Model, H-SGDLM)을 제안한다. 칼만 필터링을 통한 시간에 따라 변화하는 계수 역동성과 함께 HAR-RV 모델을 동적 그래픽 구조에 통합함으로써 장기 변동성 예측 성능을 향상시켰다. S&P 500 주식의 큰 움직임을 18년간 예측할 때 정확도가 65.93%에 달했으며, 표준 HAR-RV 및 SGDLM 모델을 능가했다.

ABSTRACT

We propose a heterogeneous simultaneous graphical dynamic linear model (H-SGDLM), which extends the standard SGDLM framework to incorporate a heterogeneous autoregressive realised volatility (HAR-RV) model. This novel approach creates a GPU-scalable multivariate volatility estimator, which decomposes multiple time series into economically-meaningful variables to explain the endogenous and exogenous factors driving the underlying variability. This unique decomposition goes beyond the classic one step ahead prediction; indeed, we investigate inferences up to one month into the future using stocks, FX futures and ETF futures, demonstrating its superior performance according to accuracy of large moves, longer-term prediction and consistency over time.

연구 동기 및 목표

• 시장 변동성을 내생적(자산 특이적) 및 외생적(시장 전반적) 동력으로 분해할 수 있는 확장 가능하고 해석 가능한 모델을 개발하는 것.
• 표준 SGDLM 프레임워크를 개선하기 위해 다변량 변동성 추정을 향상시키기 위해 이질적 자기회귀 실현 변동성(HAR-RV) 모델을 통합하는 것.
• 칼만 필터링을 통한 시간에 따라 변화하는 계수 역동성을 활용해 최대 1개월 전까지의 장기 예측을 가능하게 하는 것.
• 계수 분해를 통해 경제적으로 의미 있는 신호를 생성하여 시장 긴장도 및 큰 움직임 예측을 향상시키는 것.
• 시간에 따라 변화하는 희박한 다변량 모델링을 통해 다양한 시장 제도에서 예측의 강건성과 일관성을 확보하는 것.

제안 방법

• H-SGDLM 모델은 HAR-RV 모델과 동시 그래픽 동적 선형 모델(SGDLM)을 결합하여 각 자산의 로그 변동성은 고유의, 상관관계가 있는, 특정 요인을 포함한 DLM로 모델링할 수 있도록 한다.
• 상태 벡터와 정밀도에 대해 정규-감마 공액 사전분포를 사용하여 칼만 필터 방정식을 통한 효율적 순차 베이지안 업데이트를 가능하게 한다.
• 다변량 후행분포를 조건부 독립 정규-감마 성분으로 분리하기 위해 변분 베이즈 근사법을 적용하여 GPU 확장성을 확보한다.
• 상태 진동은 블록 할인을 적용한 랜덤 워크로 모델링되며, 외부(외생적) 및 부모(내생적) 변수는 각각 다른 할인 인자 δφ 및 δγ로 업데이트된다.
• 계수 역동성의 구조적 이질성을 탐지하기 위해 스케일 스페이스 변화점 알고리즘을 적용하여 큰 움직임에 대한 예측 신뢰도를 향상시킨다.
• 예측은 시스템 행렬의 역행렬 (I−Γ)−1로부터 유도된 변환된 상태 평균과 공분산 행렬을 사용하여 예측 분포에서 샘플링함으로써 생성된다.

실험 결과

연구 질문

• RQ1 동적 베이지안 모델은 다변량 시장 변동성을 경제적으로 해석 가능한 내생적 요인과 외생적 요인으로 분해할 수 있는가?
• RQ2 HAR-RV 모델을 동적 그래픽 구조에 통합함으로써 장기 변동성 예측 정확도, 특히 큰 움직임에 대해 향상되는가?
• RQ3 모델은 1단계 예측을 넘어서 시장 긴장도 지표를 수주 전에 일관되게 예측할 수 있는가?
• RQ4 시간에 따라 변화하는 계수와 그 내생적/외생적 요인으로의 분해가 시간이 지남에 따라 예측 성능을 어떻게 향상시키는가?
• RQ5 모델의 성능은 다양한 시장 제도와 자산 유형 간에 얼마나 안정적으로 유지되는가?

주요 결과

• H-SGDLM 모델은 18년간(2001–2019) 487개 유럽 주식에서 변동성의 큰 양의 이동(>9.28%)을 63.89% 정확도로 예측했으며, 이는 HAR-RV(53.24%) 및 표준 SGDLM(34.69%)를 뛰어넘는 성과였다.
• 동일 기간 동안 S&P 500 유니버스에서 모델은 큰 변동성 이동 예측 정확도가 65.93%에 달했으며, 다양한 시장에서의 일반화 능력을 입증했다.
• 백테스트를 통해 모델의 큰 움직임 예측 성능는 시간이 지나도 일관되었으며, 변화하는 시장 조건에 대한 강건성을 확인했다.
• 내생적 및 외생적 요인으로의 계수 분해는 장기 추론 및 긴장도 예측을 향상시킨 신뢰할 수 있는 새로운 신호를 생성했다.
• 모델의 예측 분포는 큰 음의 이동의 68% 이상을 포괄했으며, 새로운 분해를 사용할 경우 큰 이동에 대한 신뢰구간 커버리지가 더욱 좁아졌다.
• GPU 병렬 추론 파이프라인은 수천 개 자산에 걸쳐 효율적인 확장성을 가능하게 하여 실시간 시장 모니터링 및 리스크 관리 응용 분야에 적합하다.