[論文レビュー] A Simple Method for Predicting Covariance Matrices of Financial Returns

Kasper Johansson, Mehmet Giray Ogut+3 more|arXiv (Cornell University)|May 31, 2023

Financial Markets and Investment StrategiesEconomics, Econometrics and Finance被引用数 3

ひとこと要約

本稿では、時間的に変化する金融リターンの共分散行列を予測するための単純で解釈可能な手法を提案する。この手法は、ボラティリティと相関の指数加重移動平均（EWMA）を凸最適化フレームワークで組み合わせるものであり、最小限のチューニングで実装可能であり、標準的なEWMAを上回り、より複雑なMGARCHモデルと同等またはそれ以上の性能を示す。また、効率的なポートフォリオ最適化とリターンのシミュレーションが可能である。

ABSTRACT

We consider the well-studied problem of predicting the time-varying covariance matrix of a vector of financial returns. Popular methods range from simple predictors like rolling window or exponentially weighted moving average (EWMA) to more sophisticated predictors such as generalized autoregressive conditional heteroscedastic (GARCH) type methods. Building on a specific covariance estimator suggested by Engle in 2002, we propose a relatively simple extension that requires little or no tuning or fitting, is interpretable, and produces results at least as good as MGARCH, a popular extension of GARCH that handles multiple assets. To evaluate predictors we introduce a novel approach, evaluating the regret of the log-likelihood over a time period such as a quarter. This metric allows us to see not only how well a covariance predictor does over all, but also how quickly it reacts to changes in market conditions. Our simple predictor outperforms MGARCH in terms of regret. We also test covariance predictors on downstream applications such as portfolio optimization methods that depend on the covariance matrix. For these applications our simple covariance predictor and MGARCH perform similarly.

研究の動機と目的

• 時間的に変化する金融リターンの共分散行列を予測する実用的で解釈可能な手法を開発すること。高次元モデルの複雑さを回避することを目的とする。
• 特にボラティリティの高い環境において、市場の制度的シフトへの迅速な対応が求められる共分散予測の課題に取り組むこと。
• 予測の正確性と市場変化への対応速度を両方捉える、新たなレグレットベースの指標を用いて共分散予測子を評価すること。
• 統計的およびポートフォリオ最適化の文脈において、EWMA や MGARCH といった既存のモデルと本手法をベンチマーク比較すること。
• 本手法がシナリオ分析やリスク管理のための現実的なリターン経路のシミュレーションにどのように有用であるかを示すこと。

提案手法

• 資産のボラティリティは、リターンの二乗の指数加重移動平均（EWMA）を用いて推定する。
• 標準化されたリターンを用いた類似のEWMAアプローチにより、時間的に変化する相関を推定し、正定値性を保証する。
• 複数の異なる減衰係数を用いたEWMA予測を組み合わせるための凸最適化問題を解き、時間経過に伴う対数尤度のレグレットを最小化する。
• 組み合わせにおける最適な重みは、小さな、高速で信頼性の高い凸最適化により導出され、リアルタイムでの更新が可能である。
• 最終的な共分散推定値は、異なる減衰率から得られる個々の共分散行列の重み付き平均として構成される。
• 第8章で述べるように、大規模なポートフォリオへの応用は要因モデルを用いて拡張される。

実験結果

リサーチクエスチョン

• RQ1 単純で解釈可能な手法が、金融共分散行列の予測において、複雑な多次元GARCHモデルを上回ることができるか？
• RQ2 共分散予測子は、急激な市場の制度的シフトにどの程度迅速に適応できるか。また、その対応速度を最もよく捉える指標は何か？
• RQ3 標準的なQLIKEや対数尤度指標と比較して、レグレットベースの評価指標は、予測性能に関するより良い洞察を提供するか？
• RQ4 共分散の更新頻度を平滑化することで、応答性が低下するにもかかわらず、ポートフォリオのパフォーマンスがどの程度向上するか？
• RQ5 提案手法は、シナリオ分析やリスク評価に使用可能な現実的なシミュレーテッドリターン経路を生成できるか？

主な発見

• 本手法は、MGARCHを上回る対数尤度のレグレットを達成しており、優れた予測性能と市場変化への迅速な適応を示している。
• 最小限のチューニングでも、標準的なEWMAやローリングウインドウ推定器よりもレグレットの観点で優れている。
• ポートフォリオ最適化に用いた場合、計算コストを著しく削減しながらMGARCHと同等のパフォーマンスを達成している。
• 共分散の更新頻度を平滑化（特に数か月に1回程度）することで、トレードオーバーが減少し、ポートフォリオパフォーマンスが向上する。特に、2008年や2020年の金融危機に一致する主要な重みの更新が実現されている。
• 本手法は、出発時期間における現実的なリターン経路を効果的にシミュレートできており、周辺分布が観測データと密接に一致している。Fama-French要因のシミュレーションでその有効性が示された。
• 予測の組み合わせに用いる凸最適化フレームワークは高速かつ信頼性が高く、広範なキャリブレーションなしにリアルタイム実装が可能である。