[논문 리뷰] Parsimonious Quantile Regression of Financial Asset Tail Dynamics via Sequential Learning

Yan Xing, Weizhong Zhang외 3명|arXiv (Cornell University)|2020. 10. 16.

Stock Market Forecasting Methods인용 수 18

한 줄 요약

이 논문은 재무 자산 수익률의 시변적이고 비대칭적인 꼬리 동역학을 모델링하기 위해 새로운 파arametric heavy-tailed quantile function (HTQF)과 Long Short-Term Memory (LSTM) 네트워크를 사용하는 간결한 분위수 회귀 프레임워크를 제안한다. 이 방법은 GARCH 계열 모델보다 시험 외 VaR 예측에서 뛰어난 성능을 보이며, 분위수 교차 및 비정상 문제를 피한다.

ABSTRACT

We propose a parsimonious quantile regression framework to learn the dynamic tail behaviors of financial asset returns. Our model captures well both the time-varying characteristic and the asymmetrical heavy-tail property of financial time series. It combines the merits of a popular sequential neural network model, i.e., LSTM, with a novel parametric quantile function that we construct to represent the conditional distribution of asset returns. Our model also captures individually the serial dependences of higher moments, rather than just the volatility. Across a wide range of asset classes, the out-of-sample forecasts of conditional quantiles or VaR of our model outperform the GARCH family. Further, the proposed approach does not suffer from the issue of quantile crossing, nor does it expose to the ill-posedness comparing to the parametric probability density function approach.

연구 동기 및 목표

• 기존의 파arametric 모델보다 재무 자산 수익률의 시변적이고 비대칭적인 무거운 꼬리 행동을 더 정확하게 모델링하기 위해.
• GARCH 유형 모델이 대칭적인 꼬리와 고정된 꼬리 매개수를 가정하는 한계를 극복하기 위해, 시간에 따라 변하는 민감한 파arametric 분위수 함수를 도입하기 위해.
• 전통적인 분위수 회귀에서 발생하는 분위수 교차 및 매개수 폭발 문제를 해결하기 위해, 새로운 HTQF를 순차적 학습 프레임워크 내에 통합하기 위해.
• 단일한 간결한 파arametric 표현을 통해 조건부 분위수, 비대칭도, 첨도를 해석 가능한 방식으로 모델링하기 위해.
• 순차적 신경망과 조건부 분위수 추정을 활용하여 다양한 자산 클래스에서 시험 외 Value-at-Risk (VaR) 예측 정확도를 향상시키기 위해.

제안 방법

• 비대칭적인 왼쪽과 오른쪽 꼬리 무거움을 두 개의 민감한 매개수로 모델링하는 새로운 파arametric 분위수 함수인 Heavy-Tailed Quantile Function (HTQF)를 제안한다.
• 과거 수익률 기록을 바탕으로 HTQF의 시간에 따라 변하는 매개수를 모델링하기 위해 LSTM 네트워크를 활용하여, 변동성 이상의 고차 모멘트에서의 순차적 의존성을 포착한다.
• 다양한 확률 수준에서 분위수 회귀 프레임워크 내에서 모델을 훈련시켜 단조성과 분위수 교차를 방지한다.
• 조건부 분위수 추정을 위한 모델 매개수 최적화를 위해 분위수 회귀 핀발 보상 기반 손실 함수를 사용한다.
• 자산 수익률의 조건부 분포를 시간에 따라 변화하는 파arametric HTQF로 모델링하며, LSTM을 통해 매개수를 갱신함으로써 동적 꼬리 리스크 평가를 가능하게 한다.
• HTQF를 딥러닝과 통합하여 수익률 시계열에서 복잡한 비선형 의존성을 학습하면서도 꼬리 행동 매개수의 해석 가능성을 유지한다.

실험 결과

연구 질문

• RQ1 특정 확률 밀도 함수를 가정하지 않고도, 파arametric 분위수 함수가 재무 수익률 시계열의 비대칭적이고 시변적인 꼬리 중 무거움을 효과적으로 모델링할 수 있는가?
• RQ2 새로운 HTQF와 LSTM을 조합하면 GARCH 계열 모델보다 시험 외 조건부 분위수 및 VaR 예측 정확도가 향상되는가?
• RQ3 제안된 프레임워크는 전통적인 분위수 회귀에서 흔한 분위수 교차 문제를 피하면서도 간결성을 유지할 수 있는가?
• RQ4 추정된 HTQF 매개수는 재무 수익률의 해석 가능한 리스크 특성인 비대칭도와 첨도와 어떻게 관련이 있는가?
• RQ5 이 방법은 주식 지수, FX, 정부 채권을 포함한 다양한 자산 클래스에서 꼬리 리스크 예측에 일반화되는가?

주요 결과

• LSTM-HTQF 모델은 모든 테스트 자산에서 가장 낮은 시험 외 분위수 손실을 기록했으며, S&P 500의 τ=0.1일 때 평균 손실은 0.0737(108/111)로, GARCH-t(0.2246)와 EGARCH-t(0.9701)보다 유의미하게 뛰어나다.
• LSTM-HTQF 모델은 대부분의 자산에서 τ=0.1 예측에 대해 독립성 및 조건부 커버리지 검정을 통과했으며, 16개의 검정 중 5개만 5% 유의수준 기준을 초과(χ²=3.8415 및 5.9915 각각).
• S&P 500의 경우, LSTM-HTQF 모델은 조건부 커버리지 검정 통계량 0.5651을 기록했으며, 임계값 5.9915 이하로 안정적인 VaR 예측을 나타낸다.
• 모든 테스트 자산에서 독립성 및 조건부 커버리지 검정에서 유의미한 위반 사례가 없어 분위수 교차 문제를 피하고 있음을 입증했다.
• LSTM-HTQF 모델은 주식 지수뿐 아니라 통화 및 고정수익 증권에서도 극단적 분위수(예: τ=0.1) 예측에서 뛰어난 성능을 보이며, 일관되게 낮은 검정 통계량을 기록했다.
• 백테스트에서 DAX와 FTSE 100에 대해 LSTM-HTQF 모델은 가장 정확한 VaR 예측을 도출했으며, 독립성 검정 p-값은 각각 5.7355* 및 2.5901로 꼬리 리스크 과소평가에 대한 강건성을 나타낸다.