[논문 리뷰] An ECM algorithm for Skewed Multivariate Variance Gamma Distribution in Normal Mean-Variance Representation

Thanakorn Nitithumbundit, Jennifer Chan|arXiv (Cornell University)|2015. 04. 06.

Financial Risk and Volatility Modeling참고 문헌 19인용 수 6

한 줄 요약

이 논문은 자기회귀 평균 구조를 갖는 다변량 비대칭 분산 감마(MSVG) 분포에 대한 최대우도 추정을 향상시키기 위해 하이브리드 ECM(HECM) 알고리즘을 제안한다. 이는 발산 우도 및 수렴 문제를 해결하며, MCECM와 ECME 단계를 융합하여 계산 효율성과 안정성을 향상시킨다. 이 알고리즘은 뚜렷한 꼬리와 상관관계를 가지는 금융 시계열을 성공적으로 모델링한다.

ABSTRACT

Normal mean-variance mixture distributions are widely applied to simplify a model's implementation and improve their computational efficiency under the Maximum Likelihood (ML) approach. Especially for distributions with normal mean-variance mixtures representation such as the multivariate skewed variance gamma (MSVG) distribution, it utilises the expectation-conditional-maximisation (ECM) algorithm to iteratively obtain the ML estimates. To facilitate application to financial time series, the mean is further extended to include autoregressive terms. Techniques are proposed to deal with the unbounded density for small shape parameter and to speed up the convergence. Simulation studies are conducted to demonstrate the applicability of this model and examine estimation properties. Finally, the MSVG model is applied to analyse the returns of five daily closing price market indices and standard errors for the estimated parameters are computed using Louis's method.

연구 동기 및 목표

• 형태 매개변수 ν가 작을 경우 발생하는 다변량 비대칭 분산 감마(MSVG) 분포 추정에서의 발산 우도 문제를 해결한다.
• 복잡한 금융 시계열 모델의 최대우도(ML) 추정에서 계산 효율성과 수렴 안정성을 향상시킨다.
• 금융 수익률의 순차적 의존성을 포착하기 위해 평균에 자기회귀(AR) 항을 포함시켜 MSVG 모델을 확장한다.
• 정규 분포의 평균-분산 혼합 표현을 활용해 파라미터 추정을 단순화하는 강력한 추정 프레임워크를 개발한다.
• 비대칭적이고 꼬리가 두꺼우며 상관관계가 있는 수익률을 갖는 실제 금융 데이터에 대해 적용 가능한 확장 가능한 알고리즘을 제공한다.

제안 방법

• 잠재적인 감마 분포를 갖는 혼합 변수에 조건부로 정규 분포를 가지는 MSVG 분포의 정규 평균-분산 혼합 표현을 채택한다.
• 누락된 잠재 변수를 처리하고 최대우도 추정을 단순화하기 위해 기대/조건부 최대화(ECM) 알고리즘 프레임워크를 구현한다.
• MCECM(다중주기 ECM)와 ECME(기대/조건부 최대화 어느 것) 단계를 융합한 하이브리드 ECM(HECM) 알고리즘을 제안하여 수렴성과 안정성을 향상시킨다.
• 형태 매개변수 ν가 작고 관측치가 평균 근처에 집중할 경우 발산 추정을 방지하기 위해 임계값 Δ를 갖는 밀도 캡처 메커니즘을 도입한다.
• 분산 공분산 행렬 Σ를 갱신하기 전에 평균 및 형태 매개변수 (μ, γ) 갱신 후 추가적인 E단계를 삽입하여 Σ 추정의 안정성을 확보한다.
• 루이스의 방법을 사용해 추정된 파라미터의 표준오차를 계산하여 통계적 추론의 신뢰성을 확보한다.

실험 결과

연구 질문

• RQ1 EM/ECM 프레임워크는 다변량 비대칭 분산 감마(MSVG) 분포에서 형태 매개변수 ν가 작을 경우 발생하는 발산 우도 문제를 어떻게 다룰 수 있는가?
• RQ2 금융 시계열에서 AR(1) 평균 구조를 갖는 MSVG 모델의 최대우도 추정에서 안정적이고 효율적인 수렴을 확보하기 위해 어떤 알고리즘 수정이 필요한가?
• RQ3 HECM 알고리즘의 수렴 속도와 추정 정확도 측면에서 기존의 표준 ECM 및 ECME 알고리즘과 비교해 성능은 어떠한가?
• RQ4 HECM 알고리즘은 비대칭 분포를 갖는 고차원적이고 상관관계가 있으며 꼬리가 두꺼운 금융 수익률 데이터를 어느 정도 잘 처리할 수 있는가?
• RQ5 다양한 차원(d = 2, 3)에서 HECM 알고리즘의 밀도 캡처 임계값 Δ의 최적 범위는 무엇인가?

주요 결과

• HECM 알고리즘은 형태 매개변수 ν가 작을 경우 MSVG 밀도가 유계가 아니게 되어 발생하는 발산 추정(예: 1/λi 및 logλi) 문제를 성공적으로 해결한다.
• 하이브리드 접근법은 MCECM의 빠른 초기 수렴성과 ECME의 안정적인 최종 수렴성을 결합하여 전체적인 계산 효율성을 향상시킨다.
• HECM 알고리즘은 표준오차를 루이스의 방법으로 계산함으로써 MSVG AR(1) 모델에 대해 안정적이고 정확한 최대우도 추정치를 제공한다.
• 시뮬레이션 연구 결과, HECM 알고리즘은 발산 우도 조건 하에서 표준 ECM 및 ECME보다 수렴 속도와 강건성 측면에서 뛰어나다는 것이 확인되었다.
• 다섯 개의 주요 시장 인덱스(DAX, S&P 500, FTSE 100, AORD, CAC)에 대한 실증 분석 결과, AICc 값이 낮아 i.i.d. MSVG 모델보다 MSVG AR 모델이 더 좋은 적합도를 보였다.
• 적합된 주변 밀도는 AR(1) 필터링 잔차의 경험 히스토GRAM과 밀도적으로 잘 일치하여, 공통 형태 매개변수 ν가 구성 요소 전반에 걸쳐 사용되는 제약에도 불구하고 좋은 모델 적합도를 보였다.