[논문 리뷰] FNETS: Factor-adjusted network estimation and forecasting for high-dimensional time series

Matteo Barigozzi, Haeran Cho외 1명|Bristol Research (University of Bristol)|2022. 01. 16.

Complex Systems and Time Series Analysis참고 문헌 61인용 수 6

한 줄 요약

FNETS는 강한 시계열 및 교차 섹션 상관관계를 가지는 고차원 시계열 자료를 위한因자조정된 벡터자기회귀(VAR) 프레임워크를 제안한다. 동적 주성분 분석, ℓ₁-정규화된 Yule-Walker 추정, 정밀도 행렬 추론을 조합함으로써, 그랜저 인과성, 동시성, 리드-래그 관계를 반영하는 세 가지 별개의 네트워크를 구축하고, 일반적인 尾尾 조건 하에서 균일한 일致성 속도를 보장하여, 발산하는 차원과 표본 크기를 고려한 고차원에서의 강인한 예측 및 네트워크 추론을 가능하게 한다.

ABSTRACT

We propose FNETS, a methodology for network estimation and forecasting of high-dimensional time series exhibiting strong serial- and cross-sectional correlations. We operate under a factor-adjusted vector autoregressive (VAR) model which, after accounting for pervasive co-movements of the variables by {\it common} factors, models the remaining {\it idiosyncratic} dynamic dependence between the variables as a sparse VAR process. Network estimation of FNETS consists of three steps: (i) factor-adjustment via dynamic principal component analysis, (ii) estimation of the latent VAR process via $\ell_1$-regularised Yule-Walker estimator, and (iii) estimation of partial correlation and long-run partial correlation matrices. In doing so, we learn three networks underpinning the VAR process, namely a directed network representing the Granger causal linkages between the variables, an undirected one embedding their contemporaneous relationships and finally, an undirected network that summarises both lead-lag and contemporaneous linkages. In addition, FNETS provides a suite of methods for forecasting the factor-driven and the idiosyncratic VAR processes. Under general conditions permitting tails heavier than the Gaussian one, we derive uniform consistency rates for the estimators in both network estimation and forecasting, which hold as the dimension of the panel and the sample size diverge. Simulation studies and real data application confirm the good performance of FNETS.

연구 동기 및 목표

• 강한 시계열 및 교차 섹션 의존성 하에서 스펙트럼 밀도 고유값이 유계가 아닌 경우에 발생하는 표준 고차원 VAR 모델의 한계를 해결하기 위해.
• 그랜저 인과성, 동시성, 리드-래그 관계를 포함한 고차원 시계열 자료에서의 동적 네트워크 추정 및 예측을 위한 통합 프레임워크를 개발하기 위해.
• 가장 일반적인 꼬리 조건, 즉 정규분포보다 더 무거운 尾尾를 포함한 조건 하에서 네트워크 및 예측 추정기의 균일 일치 속도를 확립하기 위해.
• 광범위하게 퍼진 공통 요인을 제거한 후 잔차적 독립적 의존성의 희박한 추정을 가능하게 하여 해석 가능성과 통계적 효율성을 향상시키기 위해.
• 대규모 경제 및 금융 패널에서 네트워크 추론 및 예측을 위한 완전한 도구 세트를 제공하기 위해.

제안 방법

• 관측된 시계열 자료에서 광범위한 공동 움직임을 제거하기 위해 동적 주성분 분석(DPCA)을 적용하여 공통 요인을 추출한다.
• 전이 행렬의 희박성 조건을 강제하기 위해 잔차적 독립적 VAR 과정을 ℓ₁-정규화된 Yule-Walker 추정기로 추정한다.
• 세 가지 별개의 네트워크를 구축한다: (1) 비영인 VAR 계수에서 유도된 방향성 네트워크(그랜저 인과성), (2) 부분상관계수 행렬에서 유도된 무방향 네트워크(동시성 의존성), (3) 리드-래그 및 동시성 효과를 포괄하는 장기적 부분상관계수 네트워크.
• VAR의 오차항에 대한 정밀도 행렬 추정을 통해 잔차적 구성요소 내 조건부 독립성 구조를 복원한다.
• 이중 단계의 예측 절차를 구현한다: 먼저 DPCA를 통해 요인 과정을 예측하고, 그 다음 정규화된 추정기를 사용해 잔차적 VAR를 예측한다.
• 일반적인 모멘트 및 꼬리 조건, 즉 준정규분포 및 준-웨이불 꼬리 조건 하에서 모든 추정기의 이론적 균일 일치 속도를 유도한다.

실험 결과

연구 질문

• RQ1 인자조정된 VAR 모델은 강한 교차 섹션 및 시계열 상관관계 하에서 고차원 시계열 자료에서 광범위한 공통 요인과 희박한 잔차적 의존성을 효과적으로 분리할 수 있는가?
• RQ2 그랜저 인과성, 동시성, 리드-래그 관계를 포함한 세 가지 별개의 동적 네트워크는 고차원 시계열 자료에서 일관되게 추정될 수 있는가?
• RQ3 차원과 표본 크기가 발산할 때, 특히 무거운 꼬리 오차항을 가진 경우 네트워크 및 예측 추정기의 균일 일치 속도는 어떻게 되는가?
• RQ4 비제로 매개변수의 수가 차원에 따라 느리게 증가할 때, 제안된 ℓ₁-정규화된 Yule-Walker 추정기는 추정 정확도를 유지하는가?
• RQ5 표준 VAR 모델이 강한 교차 섹션 및 시계열 상관관계로 인해 실패하는 고차원 패널에서 이 프레임워크는 신뢰할 수 있는 예측을 제공할 수 있는가?

주요 결과

• FNETS 프레임워크는 서브-웨이불 분포를 포함한 일반적인 꼬리 조건 하에서도 네트워크 추정기의 균일 일치성을 달성하여 정규분포 가정을 초월한다.
• 잔차적 VAR 과정에 대한 ℓ₁-정규화된 Yule-Walker 추정기는 차원, 표본 크기, 꼬리 행동에 따라 균일 일치 속도를 확보하며, 농도 부등식을 통해 명시적인 경계가 도출된다.
• 강한 교차 섹션 및 시계열 상관관계 하에서도 의미 있는 희박한 네트워크 구조를 효과적으로 복원함을 시뮬레이션과 46개 금융 기업의 실데이터에서 입증하였다.
• 특히 2008–2009 금융위기와 같은 변동성이 큰 시기에는 FNETS의 예측 성능이 표준 VAR 모델보다 뚜렷이 뛰어나다.
• 세 네트워크 프레임워크(그랜저, 동시성, 장기적 부분상관계수)는 표준 VAR 네트워크보다 더 풍부한 해석 가능성을 제공한다.
• 252개 자산의 변동성 패널에 대한 실증 적용에서 FNETS는 표준 방법이 스펙트럼 밀도 고유값이 무한대가 되어 실패하는 상황에서도 안정적이고 해석 가능한 네트워크 구조를 식별하였다.