[논문 리뷰] Gaussian Process Conditional Copulas with Applications to Financial Time Series

José Miguel Hernández-Lobato, James Robert Lloyd외 1명|LA Referencia (Red Federada de Repositorios Institucionales de Publicaciones Científicas)|2013. 07. 01.

Gaussian Processes and Bayesian Inference참고 문헌 24인용 수 11

한 줄 요약

이 논문은 시간에 따라 변화하는 금융 시계열의 복합도 파라미터를 모델링하기 위해 가우시안 프로세스를 사용하는 베이지안 비모수 프레임워크를 제안한다. 이는 시간과 같은 조건 변수에 따라 조건화된 비선형적이고 다각적인 의존성 구조를 가능하게 하며, 통화 및 주식 페어 간의 다변량 의존성 예측에서 정적 및 동적 복합도 모델보다 뛰어난 성능을 보인다.

ABSTRACT

The estimation of dependencies between multiple variables is a central problem in the analysis of financial time series. A common approach is to express these dependencies in terms of a copula function. Typically the copula function is assumed to be constant but this may be inaccurate when there are covariates that could have a large influence on the dependence structure of the data. To account for this, a Bayesian framework for the estimation of conditional copulas is proposed. In this framework the parameters of a copula are non-linearly related to some arbitrary conditioning variables. We evaluate the ability of our method to predict time-varying dependencies on several equities and currencies and observe consistent performance gains compared to static copula models and other time-varying copula methods.

연구 동기 및 목표

• 금융 시계열에서 시간에 따라 변화하거나 조건 변수에 의존하는 의존성 구조를 포괄하지 못하는 정적 복합도 모델의 한계를 해결한다.
• 시간과 같은 조건 변수에 따라 비선형 함수로 모델링되는 다중 복합도 파라미터를 가우시안 프로세스를 사용해 표현한다.
• 이전의 가우시안 프로세스 기반 방법이 단일 파라미터 복합도에 국한된 점을 고려해, 다중 파라미터를 가진 조건부 복합도에 대한 확장 가능한 추론 프레임워크를 개발한다.
• 동적 의존성 패턴을 포착함으로써 금융 리스크 모델링, 예를 들어 VaR 및 포트폴리오 구성에서의 예측 정확도를 향상시킨다.
• 시장 급변 상황에서 다양한 금융 자산(주식 및 통화 페어 포함)에 대한 강건성과 일반화 능력을 입증한다.

제안 방법

• 조건 변수(예: 시간)의 잠재 함수로 복합도 파라미터를 모델링하여 비선형적이고 비모수적인 관계를 허용한다.
• 가우시안, 스튜던트-t, SJC 등의 파라미터터블 복합도 가족을 사용하며, 이들의 파라미터는 조건 변수의 가우시안 프로세스 추정 함수에 의해 결정된다.
• 관측 데이터를 [0,1] 구간의 균일한 마진으로 변환하기 위해 확률적 적분 변환을 적용한다.
• 계층적 GP-복합도 모델에서의 비가역적 우도를 처리하기 위해 근사 베이지안 추론을 위해 기대치 기반 추정(EP)을 사용한다.
• 가우시안 프로세스 출력값을 유효한 파라미터 공간(예: 자유도 ν > 0, 상관계수 τ ∈ [−1,1])으로 매핑하기 위해 링크 함수(예: 시그모이드, 항등함수)를 통합한다.
• 이중 단계 프로세스를 통해 모델을 훈련한다: 먼저 조건부 마진 분포를 추정(예: AR(1)-GARCH(1,1)를 통해), 그 다음 변환된 데이터에 대해 조건부 복합도를 피팅한다.

실험 결과

연구 질문

• RQ1 가우시안 프로세스 기반 프레임워크는 정적 복합도 모델보다 더 높은 유연성으로 시간에 따라 변화하는 복합도 파라미터를 효과적으로 모델링할 수 있는가?
• RQ2 제안된 가우시안 프로세스 조건부 복합도(GPCC) 모델은 다른 동적 복합도 모델에 비해 변화하는 의존성 패턴을 얼마나 잘 포착하는가?
• RQ3 스튜던트-t, SJC 등의 다중 파라미터 복합도로의 확장은 단일 파라미터 GP-복합도 접근법에 비해 모델링 정확도를 향상시키는가?
• RQ4 2008년 글로벌 경기침체나 2010년 유로존 부도 위기와 같은 금융 위기 기간 동안 GPCC 모델은 극단적 의존 패턴을 얼마나 잘 포착하는가?
• RQ5 시간을 조건 변수로 포함함으로써, 일정하거나 GARCH 기반 복합도 파라미터를 가정하는 모델보다 더 뛰어난 예측 성능을 달성할 수 있는가?

주요 결과

• GPCC-T(GP로 추정된 ν와 τ를 가진 스튜던트-t 복합도)는 8개 주식 페어에 대해 평균 테스트 로그우도에서 가장 높은 성능을 기록했으며, GPCC-G와 GPCC-SJC를 모두 초월했다.
• EUR-CHF 및 USD-CHF 데이터에서는 2008–2012년 위기 기간 동안 ν(t)의 급격한 감소를 포착하여 꼬리 의존성 증가와 외곽치에 대한 강건성을 시사했다.
• RBS-BARC에 대해서는 GPCC-T가 2010년에 낮은 ν(t) 값을 예측하여 가우시안 복합도가 부적합할 것임을 확인했으며, GPCC-G는 GPCC-T에 비해 유의미하게 열등한 성능을 보였다.
• GPCC-SJC는 τᴸ(t)에 비해 τᵁ(t)에 비해 더 노이지하고 불안정한 예측을 보였으며, 이는 GPCC-T에 비해 낮은 강건성을 시사한다.
• 이 방법은 정적 복합도 모델(CONST-G, CONST-T, CONST-SJC), 제도 전환 HMM, GARCH 기반 동적 복합도 모델(TVC, DSJCC)을 항상 뛰어넘었다.
• 이 프레임워크는 특히 시장 급변 상황에서 통화 및 주식 시계열에 대해 강력한 예측 성과를 보였으며, 동적 의존성 구조를 모델링할 수 있는 능력을 입증했다.