[논문 리뷰] Generalised Wishart Processes

Andrew Gordon Wilson, Zoubin Ghahramani|arXiv (Cornell University)|2010. 12. 31.

Advanced Statistical Methods and Models참고 문헌 23인용 수 21

한 줄 요약

이 논문은 일반화된 위샤르트 과정(GWP)을 소개한다. GWP는 위샤르트 분포를 가진 마진을 가지며, 시간과 공변량을 포함한 임의의 종속 변수를 사용해 시간에 따라 변화하는 공분산 행렬을 모델링하는 확률적 과정이다. 이는 결측 데이터가 있는 금융 데이터와 고차원적 확장성에서도 복잡한 공분산 구조, 특히 비대각 성분을 더 잘 포착할 수 있으며, 자유 매개변수 없이 해석 가능한 베이지안 추론을 가능하게 하여 다변량 GARCH 및 표준 위샤르트 과정보다 뛰어난 성능을 보인다.

ABSTRACT

We introduce a stochastic process with Wishart marginals: the generalised Wishart process (GWP). It is a collection of positive semi-definite random matrices indexed by any arbitrary dependent variable. We use it to model dynamic (e.g. time varying) covariance matrices. Unlike existing models, it can capture a diverse class of covariance structures, it can easily handle missing data, the dependent variable can readily include covariates other than time, and it scales well with dimension; there is no need for free parameters, and optional parameters are easy to interpret. We describe how to construct the GWP, introduce general procedures for inference and predictions, and show that it outperforms its main competitor, multivariate GARCH, even on financial data that especially suits GARCH. We also show how to predict the mean of a multivariate process while accounting for dynamic correlations.

연구 동기 및 목표

• 기존의 다변량 변동성 모델, 즉 다변량 GARCH 및 위샤르트 과정의 한계를 해결한다. 이러한 모델은 높은 매개변수 복잡성, 낮은 확장성, 제한된 종속성 구조로 인해 어려움을 겪는다.
• 시간과 이자율과 같은 공변량을 포함한 임의의 종속 변수에 따라 인덱싱된 동적 공분산 행렬 Σ(t)를 모델링하는 통합 프레임워크를 개발한다.
• 자유 매개변수가 없이도 결측 데이터와 복잡한 공분산 구조(예: 주기적, 매끄럽거나 마르코프가 아닌 종속성)에서 강력한 추론과 예측을 가능하게 한다.
• 경제학 및 기계학습 분야에서 고차원 시계열 모델링을 위한 다변량 GARCH 및 표준 위샤르트 과정의 일반적이고 해석 가능하며 확장 가능한 대안을 제공한다.
• 금융 위기 기간과 관측값 결측 등의 실제 데이터 과제를 다룰 때 모델의 우월성을 입증한다.

제안 방법

• 일반화된 위샤르트 과정(GWP)을 정의한다. 이는 위샤르트 분포를 가진 마진을 가지며, 공분산 행렬 Σ(t)가 임의의 색인 집합(예: 시간, 공변량)에 따라 변화하는 확률적 과정이다.
• 핵심 기반 공분산 구조(예: 제곱 지수 핵심)를 사용하여 서로 다른 색인 지점에서의 Σ(t) 간의 종속성을 모델링함으로써 시간적 및 공변량 기반의 역동성에 대한 민감한 모델링을 가능하게 한다.
• 위샤르트 및 역위샤르트 우선분포를 사용한 공액 베이지안 추론을 통해 Σ(t)에 대한 효율적인 사후 업데이트 및 예측 분포를 가능하게 하며, 이는 결측 데이터 처리에도 적용된다.
• 이전의 위샤르트 과정이 가진 오르nstain-Uhlenbeck의 구조를 넘어서는 복잡한 종속성(비마르코프, 비자기적)을 허용하는 비마르코프, 비자기적 프레임워크를 도입한다.
• 실제 데이터와 참 공분산 행렬이 알려진 시뮬레이션 데이터를 사용하여, 한 단계 앞선 예측과 과거 데이터 복원을 위한 예측 절차를 구현한다.
• 실제 금융 데이터(EXCHANGE)와 주식 지수의 실측 공분산 행렬에서 생성된 시뮬레이션 데이터(EQUITY)에 GWP를 적용하여 참값 Σ(t)와의 비교를 가능하게 하며, 이는 기준 비교를 가능하게 한다.

실험 결과

연구 질문

• RQ1 위샤르트 마진을 가지는 확률적 과정이 시간과 외부 공변량을 포함한 임의의 종속 변수에 따라 인덱싱된 동적 공분산 행렬을 일반화하여 모델링할 수 있는가?
• RQ2 GWP가 금융 데이터에서 복잡한 시간에 따라 변화하는 공분산 구조, 특히 비대각 성분을 다변량 GARCH 및 표준 위샤르트 과정보다 더 잘 포착하는가?
• RQ3 GWP는 자유 매개변수가 없고 복잡한 매개변수 조정이 필요 없이도 결측 데이터와 고차원 설정을 다룰 수 있는가?
• RQ4 기본 Σ(t)가 알려진 상황에서 GWP는 기존 모델 대비 진정한 공분산 역학을 얼마나 잘 복원하는가?
• RQ5 GWP는 이전 모델이 고정된 오르nstain-Uhlenbeck의 구조를 가진 점을 넘어서 주기성, 매끄러움, 비마르코프 종속성과 같은 다양한 공분산 패턴을 얼마나 잘 모델링할 수 있는가?

주요 결과

• GARCH는 금융 수익률 데이터에 특히 적합함에도 불구하고, GWP는 EXCHANGE 및 EQUITY 데이터셋에서 GARCH를 모두 능가한다.
• GWP는 고정된 오르nstain-Uhlenbeck 공분산 구조에 제한된 표준 위샤르트 과정(WP)보다 뚜렷이 뛰어난 성능을 보이며, GWP가 더 복잡한 상호의존성을 포착할 수 있음을 시사한다.
• GWP는 비대각 공분산 성분(공동 이동성)을 예측하는 데서 뛰어난 성능을 보이며, 이는 금융 자산 간의 동적 상관계수를 더 잘 모델링할 수 있음을 의미한다.
• 그림 3에서 볼 수 있듯이, GWP는 과거 공분산 행렬을 효과적으로 복원한다. GWP 예측은 대각 분산과 비대각 공분산 모두에서 참값 Σ(t)를 잘 따라간다.
• GWP는 단지 200개의 학습 데이터 포인트만으로도 정확한 한 단계 앞선 예측과 과거 예측을 수행할 수 있으며, 이는 실제 금융 데이터에서의 확장성과 강건성을 보여준다.
• 자유 매개변수가 없고, 예를 들어 핵심 길이 척도와 같은 선택적 초매개변수의 해석 가능성 덕분에, GWP는 고차원 응용 분야에서 실용적이며 이론적으로도 타당한 모델이다.