[논문 리뷰] Copula Variational LSTM for High-dimensional Cross-market Multivariate Dependence Modeling

Jia Xu, Longbing Cao|arXiv (Cornell University)|2023. 05. 09.

Stock Market Forecasting Methods인용 수 4

한 줄 요약

이 논문은 이질적인 금융 시계열 간의 고차원적이고 비정규적인 상관관계를 모델링하기 위해 정규 빈 커플라와 통합된 새로운 변분 LSTM 아키텍처인 WPVC-VLSTM을 제안한다. 시간적 동적 특성과 비대칭 잠재 상관관계를 함께 학습함으로써, 포트폴리오 예측 및 리스크 추정에서 벤치마크를 능가한다.

ABSTRACT

We address an important yet challenging problem - modeling high-dimensional dependencies across multivariates such as financial indicators in heterogeneous markets. In reality, a market couples and influences others over time, and the financial variables of a market are also coupled. We make the first attempt to integrate variational sequential neural learning with copula-based dependence modeling to characterize both temporal observable and latent variable-based dependence degrees and structures across non-normal multivariates. Our variational neural network WPVC-VLSTM models variational sequential dependence degrees and structures across multivariate time series by variational long short-term memory networks and regular vine copula. The regular vine copula models nonnormal and long-range distributional couplings across multiple dynamic variables. WPVC-VLSTM is verified in terms of both technical significance and portfolio forecasting performance. It outperforms benchmarks including linear models, stochastic volatility models, deep neural networks, and variational recurrent networks in cross-market portfolio forecasting.

연구 동기 및 목표

• 이질적인 금융 시장 간의 복잡한 고차원적 상관관계를 모델링하는 데 도전하는 것.
• 비정규적이고 비 stationary하며 비대칭적인 多변량 금융 시계열에서 관측 가능하고 잠재적인 상관관계를 포착하는 것.
• 변분 순차 학습과 커플라 기반 상관관계 모델링을 통합하여 동적이고 계층적인 결합을 개선된 방식으로 표현하는 것.
• 명시적이고 암묵적인 시장 간 영향을 모델링하여 이질적 시장 간 포트폴리오 예측 및 리스크 관리 능력을 향상시키는 것.

제안 방법

• 시계열 상관관계 학습을 위해 변분 autoencoder와 장기 기억 신경망(LSTM)을 융합한 하이브리드 모델인 WPVC-VLSTM를 제안한다.
• 잠재 변수 간의 비정규적이고 장거리에 걸친, 비대칭적인 상관관계를 모델링하기 위해 정규 빈 커플라를 사용한다.
• 교차시장 결합과 상호작용의 깊고 확률적인 표현을 학습하기 위해 변분 추론을 적용한다.
• 고차원 환경에서 계층적이고 이질적인 상관관계 패턴을 포착하기 위해 가중치가 부여된 부분 빈 커플라를 도입한다.
• 비정규 가정 하에 확률적 최대화와 시간 역행 전파를 통해 모델을 종합적으로 훈련한다.
• 실제 금융 시장 데이터를 대상으로 모델 아키텍처를 검증하며, 포트폴리오 리스크 및 수익률 예측에 집중한다.

실험 결과

연구 질문

• RQ1 다변량 금융 시계열에서 고차원적이고 비정규적인 상관관계를 효과적으로 모델링할 수 있는 방법은 무엇인가?
• RQ2 변분 순차 학습과 커플라 기반 상관관계 모델링을 통합함으로써 예측 정확도에 어떤 영향을 미치는가?
• RQ3 제안된 모델은 기존의 벤치마크보다 이질적 금융 시장 간의 명시적 및 암묵적 결합을 더 효과적으로 포착할 수 있는가?
• RQ4 비I.I.D. 및 비 stationary 시장 조건 하에서 이종 시장 간 포트폴리오 리스크 추정에서 모델의 성능은 어떠한가?
• RQ5 정규 빈 커플라의 사용이 잠재 변수 공간에서 비대칭적이고 장거리 상관관계를 얼마나 향상시키는가?

주요 결과

• WPVC-VLSTM는 선형 모델, 스토하스틱 볼atility 모델, 딥 네ural 네트워크, 변분 순환 네트워크보다 이종 시장 간 포트폴리오 예측에서 뚜렷한 승리를 거두었다.
• 99% 신뢰수준에서 WPVC-VLSTM의 Value at Risk(VaR)는 0.81%를 기록했으며, ARMA-GARCH의 4.07%와 GP-Vol의 10%에 비해 훨씬 우수한 리스크 추정 성능를 보였다.
• LRUC 검정 결과, WPVC-VLSTM의 p-값은 99%에서 0.857, 95%에서 0.536, 90%에서 0.294로 모두 0.05 기준선을 크게 초월하여 모델 정확도에 대한 유의미한 기각이 없음을 시사했다.
• LRIT 검정 결과, WPVC-VLSTM의 p-값은 99%에서 0.128, 95%에서 0.665, 90%에서 0.208로 나타나 추가로 통계적 안정성을 확인했다.
• 99% 수준에서 ARMA-GARCH와 GP-Vol 대비 VaR 추정 오차를 80% 이상 감소시켜 강력한 예측 성능를 입증했다.
• WPVC-VLSTM는 주식, FX, 상품 등 이질적 시장 간의 계층적, 비대칭적, 비선형적 상관관계를 효과적으로 포착했으며, 가우시안 또는 대칭적 상관관계를 가정하는 기존 모델들을 능가했다.