[논문 리뷰] Non-linear dependences in finance

Rémy Chicheportiche|arXiv (Cornell University)|2013. 09. 18.

Complex Systems and Time Series Analysis참고 문헌 1인용 수 5

한 줄 요약

이 학위논문은 금융 시계열에서 비선형적 의존성 모델링을 위한 고급 통계 도구를 소개하며, 주식 수익률 간 횡단적 의존성과 시간적 변동성 클러스터링에 초점을 맞춘다. 자기각성 과정을 위한 새로운 코풀라 기반 프레임워크와 일반화된 ARCH 유사 피드백 메커니즘을 제안하여, 모델 매개변수에 따라 거듭제곱 법칙 및 지수 감쇠 행동을 보이는 코풀라 이론에 의해 변동성 클러스터링을 통합할 수 있음을 입증한다.

ABSTRACT

The thesis is composed of three parts. Part I introduces the mathematical and statistical tools that are relevant for the study of dependences, as well as statistical tests of Goodness-of-fit for empirical probability distributions. I propose two extensions of usual tests when dependence is present in the sample data and when observations have a fat-tailed distribution. The financial content of the thesis starts in Part II. I present there my studies regarding the "cross-sectional" dependences among the time series of daily stock returns, i.e. the instantaneous forces that link several stocks together and make them behave somewhat collectively rather than purely independently. A calibration of a new factor model is presented here, together with a comparison to measurements on real data. Finally, Part III investigates the temporal dependences of single time series, using the same tools and measures of correlation. I propose two contributions to the study of the origin and description of "volatility clustering": one is a generalization of the ARCH-like feedback construction where the returns are self-exciting, and the other one is a more original description of self-dependences in terms of copulas. The latter can be formulated model-free and is not specific to financial time series. In fact, I also show here how concepts like recurrences, records, aftershocks and waiting times, that characterize the dynamics in a time series can be written in the unifying framework of the copula.

연구 동기 및 목표

• 금융 데이터에서 의존성과 뚜렷한 꼬리 분포를 고려한 적합도 검정을 위한 강력한 통계적 검정을 개발하기 위해.
• 실제 시장 데이터에 기반한 캘리브레이션을 거친 새로운 요인 모델을 사용하여 매일의 주식 수익률 간 횡단적 의존성을 모델링하기 위해.
• 자기각성 피드백 메커니즘을 통해 변동성 클러스터링의 기원과 구조를 설명하기 위해.
• 코풀라 기반 프레임워크를 통해 시계열에서의 재발, 기록, 대기 시간 개념을 통합하기 위해.
• 금융을 초월한 적용이 가능한 코풀라 기반의 모델에 의존하지 않는 시간적 의존성 기술을 수립하기 위해.

제안 방법

• 표준 적합도 검정을 확장하여 실증 데이터에서 의존성과 무거운 꼬리 분포를 고려한다.
• 실제 금융 시계열에 기반한 새로운 요인 모델을 제안하여 주식 수익률 간 횡단적 의존성을 모델링한다.
• ARCH 피드백 메커니즘을 일반화하여 수익률의 자기각성을 포함하고, 상관관계 구조에 거듭제곱 법칙 감쇠를 도입한다.
• 특정 파rametric 모델을 가정하지 않고 시간적 의존성을 기술하기 위해 코풀라를 사용하여 동적 개념의 통합적 처리를 가능하게 한다.
• 라플라스 변환과 渐近적 분석을 적용하여 일반화된 모델에서 상관관계 함수의 장기적 행동을 유도한다.
• 상관관계 함수가 거듭제곱 법칙 또는 지수 감쇠 행동을 보일 조건을 유도하며, 이는 모델 매개변수인 β와 ε에 따라 달라진다.

실험 결과

연구 질문

• RQ1 표준 적합도 검정은 어떻게 의존성과 뚜렷한 꼬리 분포를 갖는 금융 데이터를 다룰 수 있도록 수정될 수 있는가?
• RQ2 매일의 주식 수익률 간 횡단적 의존성의 구조는 무엇이며, 새로운 요인 모델을 통해 어떻게 모델링할 수 있는가?
• RQ3 금융 시계열에서 변동성 클러스터링의 기반이 되는 메커니즘은 무엇이며, 기존의 표준 ARCH 프레임워크를 초월해 일반화할 수 있는가?
• RQ4 코풀라를 사용하여 시계열의 동적 개념인 재발과 대기 시간을 통합적으로 표현할 수 있는가?
• RQ5 자기각성 과정에서 상관관계 함수가 어떤 조건에서 거듭제곱 법칙 또는 지수 감쇠 행동을 보일 수 있는가?

주요 결과

• 제안된 적합도 검정은 의존성과 뚜렷한 꼬리 분포 하에서도 강력하며, 금융 데이터 분석에서 통계적 추론을 향상시킨다.
• 새로운 요인 모델은 주식 수익률 간 횡단적 의존성을 성공적으로 캡처하며, 실측 결과와 강한 일치를 보인다.
• 일반화된 ARCH 유사 피드백 메커니즘은 β = 1 - 2ε 이면 거듭제곱 법칙 감쇠를 보이는 상관관계 함수를 생성한다. (0 < ε < 1/2)
• 코풀라 기반 프레임워크는 자기의존성에 대한 모델에 의존하지 않는 기술을 제공하며, 재발, 기록, 후진사고를 하나의 형식론으로 통합한다.
• 渐近적 분석 결과, 상관관계의 지수 감쇠는 오직 β = 0일 때에만 일관되며, 이는 특정 매개변수 영역에서 자기각성 메커니즘과 본질적인 불일치를 시사한다.
• 모델은 s² → 0일 때临계 상태에 도달하며, 이때 기능적 의존성이 완벽하게 균형을 이루며, 거듭제곱 법칙 영역에서 일관성을 확보하기 위해 β = 1 - 2ε여야 한다.