[논문 리뷰] BayesDccGarch - An Implementation of Multivariate GARCH DCC Models

José Augusto Fioruci, Ricardo S. Ehlers외 1명|arXiv (Cornell University)|2014. 12. 09.

Financial Risk and Volatility Modeling참고 문헌 3인용 수 6

한 줄 요약

이 논문은 이질적이고 비정규 분포 오차항을 갖는 다변량 GARCH DCC 모형에 대한 베이지안 추론을 구현하는 R 패키지 BayesDccGarch를 소개한다. MCMC 샘플링을 통해 적응형 랜덤워크 메트로폴리스-해스팅스 알고리즘을 사용하여 동적 조건부 상관관계를 추정함으로써 금융 수익률의 변동성과 의존성에 대한 강력한 모델링이 가능해지며, 이는 리스크 관리 및 포트폴리오 분석에서 계산 효율성과 유연성을 향상시킨다.

ABSTRACT

Multivariate GARCH models are important tools to describe the dynamics of multivariate times series of financial returns. Nevertheless, these models have been much less used in practice due to the lack of reliable software. This paper describes the { t R} package {\bf BayesDccGarch} which was developed to implement recently proposed inference procedures to estimate and compare multivariate GARCH models allowing for asymmetric and heavy tailed distributions.

연구 동기 및 목표

• 실제 응용에서 다변량 GARCH DCC 모형을 추정하기 위한 신뢰할 수 있는 소프트웨어의 부족을 해결한다.
• 비대칭성과 뚜렷한 꼬리 특성을 가진 오차 분포를 통해 금융 수익률의 역학을 민첩하게 모형화할 수 있도록 한다.
• 베이지안 추론과 MCMC 방법을 사용하여 계산적으로 효율적이고 통계적으로 강력한 구현을 제공한다.
• 시간에 따라 변화하는 조건부 상관관계를 포착하여 포트폴리오 리스크 관리 및 공분산 예측을 촉진한다.
• 사후 시뮬레이션과 진단을 통해 모델 비교 및 불확실성 정량화를 지원한다.

제안 방법

• 시간에 따라 변화하는 조건부 상관관계를 모형화하기 위해 동적 조건부 상관관계(DCC) 다변량 GARCH(1,1) 구조를 사용한다.
• 개별 분산이 단변량 GARCH(1,1) 과정을 따르고, 상관관계는 표준화된 잔차에 대한 GARCH 유형의 방정식을 통해 변화하는 다변량 GARCH 구조를 적용한다.
• 비정보성 사전 분포와 함께 MCMC 샘플링을 사용한 베이지안 추론을 수행한다. 이때 랜덤워크 메트로폴리스-해스팅스 알고리즘을 사용한다.
• 일괄 처리 및 한 번에 하나의 매개변수 업데이트를 모두 지원하며, 제안 분산의 적응형 조정을 통해 최적의 수용률을 달성한다.
• 비대칭성과 뚜렷한 꼬리 특성을 포착하기 위해 비대칭 다변량 t 분포와 비대칭 일반화된 오차 분포(GED)를 오차항에 적용한다.
• coda 패키지를 사용하여 MCMC 진단 및 사후 분석을 수행하며, 이는 추적도, 자기상관도, 밀도 추정 등을 포함한다.

실험 결과

연구 질문

• RQ1 비대칭성과 뚜렷한 꼬리 특성을 가진 오차항을 갖는 다변량 GARCH DCC 모형은 어떻게 효율적으로 추정할 수 있는가?
• RQ2 왜곡과 뚜렷한 꼬리 특성을 가진 잔차는 금융 수익률의 동적 조건부 상관관계 추정에 어떤 영향을 미치는가?
• RQ3 클래식한 준최대우도 추정법에 비해 베이지안 MCMC 접근법은 강건성과 불확실성 정량화 측면에서 어떻게 성능이 뛰어나게 되는가?
• RQ4 제안된 R 패키지 BayesDccGarch는 실제 금융 데이터에서 다변량 변동성 역학을 신뢰성 있게 추정하고 진단할 수 있는가?
• RQ5 비대칭성과 상관관계 역학의 사후 추정치는 시장의 긴장 상태와 시간에 따라 변화하는 리스크 전이 현상을 어느 정도 반영하는가?

주요 결과

• BayesDccGarch 패키지는 비대칭 다변량 t 및 GED 분포를 갖는 다변량 DCC-GARCH 모형에 대한 베이지안 추정을 성공적으로 실현하였다.
• 비대칭성 매개변수의 사후 추정치는 DAX와 CAC40 지수에서 뚜렷한 비대칭성을 나타내었으며, NIKKEI 지수는 거의 대칭성을 보였다.
• MCMC 샘플러는 안정적인 수렴을 보였으며, 수용률이 0.20에서 0.50 사이를 유지하여 제안 분포의 효과적인 조정이 이루어졌음을 시사한다.
• 모델은 시간에 따라 변화하는 조건부 상관관계를 포착하였으며, 시장 변동성 증가 기간 동안 높은 상관관계가 관찰되었다.
• 체로프스키 분해와 적응형 제안 공분산 행렬의 사용은 MCMC 알고리즘의 혼합 및 수렴을 향상시켰다.
• 패키지는 전체 사후 추론, 진단, 런타임 추적 기능을 제공하여 강력한 통계 분석과 모델 비교를 지원한다.