[논문 리뷰] Dynamic Covariance Models for Multivariate Financial Time Series

Yue Wu, José Miguel Hernández-Lobato외 1명|arXiv (Cornell University)|2013. 05. 18.

Financial Risk and Volatility Modeling참고 문헌 17인용 수 24

한 줄 요약

이 논문은 전통적인 BEKK 및 일반화된 위샤르 과정을 개선하기 위해 시장 조건 변화에 적응할 수 있도록 매개변수 확산을 적용한 베이지안 프레임워크를 사용하는 베이지안 다변량 동적 공분산(BMDC) 모델을 제안한다. 입자 필터링을 활용한 효율적이고 확장 가능한 추론을 통해 다양한 데이터셋과 차원에서 실제 금융 데이터에 대해 뛰어난 예측 성능을 달성한다.

ABSTRACT

The accurate prediction of time-changing covariances is an important problem in the modeling of multivariate financial data. However, some of the most popular models suffer from a) overfitting problems and multiple local optima, b) failure to capture shifts in market conditions and c) large computational costs. To address these problems we introduce a novel dynamic model for time-changing covariances. Over-fitting and local optima are avoided by following a Bayesian approach instead of computing point estimates. Changes in market conditions are captured by assuming a diffusion process in parameter values, and finally computationally efficient and scalable inference is performed using particle filters. Experiments with financial data show excellent performance of the proposed method with respect to current standard models.

연구 동기 및 목표

• 점추정 대신 전체 사후 분포 추론을 통해 전통적인 BEKK 모델의 과적합 및 국소 최적해 문제를 해결한다.
• 모델 매개변수에 대한 확산 과정을 도입하여 시장 조건의 동적 변화를 포착한다.
• 계산적으로 효율적인 입자 필터링을 통해 확장 가능한 고차원 추론을 가능하게 한다.
• 다변량 금융 시계열의 공분산 행렬 예측 정확도를 향상시킨다.
• 실제 금융 데이터셋에서 표준 BEKK, 대각 BEKK 및 일반화된 위샤르 과정 모델보다 뛰어난 성능을 내는가를 평가한다.

제안 방법

• 시간에 따라 변화하는 공분산 행렬이 스토케스틱 매개변수를 가진 BEKK 유형의 구조를 따르는 베이지안 다변량 동적 공분산(BMDC) 모델을 수립한다.
• 모델 매개변수의 시간 변화를 모델링하기 위해 확산 과정을 도입하여 변화하는 시장 제도에의 적응을 가능하게 한다.
• 고차원에서의 효율적 계산을 가능하게 하기 위해 정규화된 보조 입자 필터를 사용하여 순차적 베이지안 추론을 수행한다.
• 가중치를 부여한 입자들을 사용하여 매개변수 및 공분산 행렬에 대한 사후 분포를 근사함으로써 추론을 수행한다.
• 데이터 생성을 위해 시간에 따라 변화하는 공분산을 가진 가우시안 우도를 사용하며, 예측은 사후 평균 추정치에 기반한다.
• 입자 다양성을 유지하고 열악한 성능을 줄이기 위해 입자 필터에 재표본 및 정규화 기법을 적용한다.

실험 결과

연구 질문

• RQ1 BEKK과 같은 다변량 GARCH 유형 모델에서 과적합 및 국소 최적해 문제를 완전한 베이지안 접근법이 줄일 수 있는가?
• RQ2 정적 매개변수 모델에 비해 모델 매개변수에 대한 확산 과정이 시장 조건 변화를 얼마나 효과적으로 포착할 수 있는가?
• RQ3 입자 필터링이 시간에 따라 변화하는 공분산을 가진 고차원 다변량 금융 시계열에 대해 확장 가능한 추론을 가능하게 하는가?
• RQ4 제안된 BMDC 모델이 실제 금융 데이터에서 BEKK, 대각 BEKK 및 일반화된 위샤르 과정 모델보다 더 뛰어난 예측 성능을 내는가?
• RQ5 환율(FX) 및 주식 인덱스와 같은 다양한 차원과 수익 특성을 가진 데이터셋에서 모델의 성능은 어떠한가?

주요 결과

• BMDC는 환율(FX, 3D) 및 주식(EQUITY, 5D) 데이터셋에서 각각 2130 및 3090의 누적 예측 로그우도를 기록하여 BEKK, BEKK-Full 및 GWP를 모두 능가했다.
• BEKK-Full은 매개변수 수가 많아지면서 과적합이 심화되어 대각 BEKK보다 성능이 열 劣했다.
• GWP는 실질적인 공분산 추정치로부터 생성된 EQUITY 데이터셋에서는 BEKK를 능가했지만, 실제 환율(FX) 데이터셋에서는 BEKK가 GWP를 능가했다.
• BMDC 모델은 고주기 및 다자산 시나리오를 포함한 다양한 시장 제도와 데이터 유형에서 뛰어난 안정성을 보였다.
• 입자 필터링 덕분에 기존 최대우도 추정 방법이 실패하는 고차원 금융 시계열에 대해서도 효율적인 추론이 가능해져 모델의 확장성이 확보되었다.
• 매개변수 확산을 포함한 베이지안 프레임워크 덕분에 모델은 금융 시장의 구조적 변화에 적응할 수 있었으며, 이는 예측의 안정성과 정확도를 향상시켰다.