[논문 리뷰] A General Framework for Prediction in Time Series Models

Eric Beutner, Alexander Heinemann외 1명|arXiv (Cornell University)|2019. 02. 05.

Financial Risk and Volatility Modeling참고 문헌 25인용 수 3

한 줄 요약

이 논문은 ARMA, GARCH 및 그 확장형과 같은 인기 있는 모델들에 대해 고수준의 정규성 조건을 공식적으로 검증하는 일반적 프레임워크를 제안한다. 표본 분할 기반의 조건부 신뢰구간의 점근적 타당성을 확립함으로써, 이론적 결과와 경제학 및 리스크 관리 분야의 실용적 응용을 연결한다.

ABSTRACT

In this paper we propose a general framework to analyze prediction in time series models and show how a wide class of popular time series models satisfies this framework. We postulate a set of high-level assumptions, and formally verify these assumptions for the aforementioned time series models. Our framework coincides with that of Beutner et al. (2019, arXiv:1710.00643) who establish the validity of conditional confidence intervals for predictions made in this framework. The current paper therefore complements the results in Beutner et al. (2019, arXiv:1710.00643) by providing practically relevant applications of their theory.

연구 동기 및 목표

• 시계열 예측의 근본적 과제인 과거 데이터에 대한 조건부화와 모수 불확실성의 고려 간 균형을 맞추는 것.
• 두 개의 독립된 과정이라는 비현실적인 가정 대신 표본 분할을 현실적인 대안으로 공식화하는 일반적 프레임워크를 정립하는 것.
• 일반적으로 사용되는 모델들 — ARMA(1,1), GARCH(1,1), T-GARCH(1,1) 및 그 확장형 — 이 조건부 추론에 필요한 고수준 가정을 만족함을 보여주는 것.
• Beutner 등 (2019)의 이론적 결과를 실제 응용 가능한 사례로 확장하여 구체적이고 실용적인 응용을 제공하는 것.
• 조건부 리스크 측도인 Value-at-Risk 및 Expected Shortfall이 동일한 프레임워크 내에 통합될 수 있음을 보여주는 것.

제안 방법

• 프레임워크는 예측 객체를 모수 벡터와 시계열의 무한한 과거에 대한 함수로 정의한다: $ \psi_{T+1} = \psi(X_T, X_{T-1}, \ldots; \theta_0) $.
• 비중복 추정 표본 $ \mathbf{X}_{1:T_E} $ 기반으로 미지의 모수 $ \theta_0 $ 를 추정치 $ \hat{\theta}(\mathbf{X}_{1:T_E}) $ 로 대체함으로써 표본 분할 추정기 도입.
• 이 방법은 다음과 같은 고수준 가정의 검증에 의존한다: 추정기 수렴성, 예측 함수의 미분 가능성, 이웃 영역 내에서 유계인 기울기, 그리고 유계인 헤시안 행렬.
• 혼합성 및 약한 의존성 조건을 바탕으로, 표본 분할 방법과 두 개의 독립된 과정 가정 간의 점근적 동치성을 통해 이론적 타당성 확보.
• ARMA(1,1) 및 GARCH 유형 모델(예: E-GARCH, N-GARCH, GJR-GARCH, Q-GARCH)에 대해 각각 조건을 검증함으로써 프레임워크 적용.
• 과거 관측치와 모수에 대한 함수로 표현함으로써 VaR 및 ES와 같은 조건부 리스크 측도를 프레임워크에 매핑함으로써 동일한 이론적 구조 내에서 추론 가능하게 함.

실험 결과

연구 질문

• RQ1 Beutner 등 (2019)의 조건부 신뢰구간 이론적 프레임워크가 표준 시계열 모델에 실용적으로 적용 가능한가?
• RQ2 ARMA(1,1) 및 GARCH(1,1) 모델이 표본 분할 기반 추론의 점근적 타당성을 확보하기 위해 필요한 고수준 정규성 조건을 만족하는가?
• RQ3 T-GARCH, E-GARCH, Q-GARCH와 같은 GARCH 모델의 확장형들이 동일한 일반적 프레임워크에 통합될 수 있는가?
• RQ4 Value-at-Risk 및 Expected Shortfall과 같은 조건부 리스크 측도가 이 프레임워크 내에서 예측 객체로 간주될 수 있는 정도는 어느 정도인가?
• RQ5 장기 기억성 또는 비혼합성 특성을 지닌 GARCH 유형 모델들 — 예를 들어 FI-GARCH 또는 FIE-GARCH — 는 현재 프레임워크에서 수용되지 않을 수 있는가?

주요 결과

• 드리프트를 가진 ARMA(1,1) 모델은 모든 필요한 고수준 가정을 만족하여 조건부 평균 예측에 대해 유효한 조건부 추론이 가능하다.
• GARCH(1,1) 및 T-GARCH(1,1) 모델은 프레임워크의 가정을 만족하여 조건부 분산 및 변동성 예측에 대한 표본 분할의 사용이 타당하다고 검증된다.
• E-GARCH(1,1), N-GARCH(1,1), GJR-GARCH(1,1), Q-GARCH(1,1) 등의 확장형은 공식적으로 프레임워크에 통합 가능하며, 필요한 정규성 조건이 검증된다.
• T-GARCH(1,1) 모델 내 조건부 Value-at-Risk (VaR) 및 Expected Shortfall (ES) 는 과거 관측치와 모수의 함수로 표현되어 일반 예측 프레임워크 내에 포함된다.
• 장기 기억성을 지닌 모델들 — 예를 들어 FI-GARCH 및 FIE-GARCH — 는 표준 혼합 조건의 실패로 인해 현재 프레임워크에서 수용되지 않는다.
• 논문은 표본 분할이 두 개의 독립된 과정의 행동을 점근적으로 재현함을 확인하여, 모수 불확실성의 이론적 과제가 존재하더라도 실용적 적용에서의 타당성을 검증한다.