[논문 리뷰] Autoregressive Models for Variance Matrices: Stationary Inverse Wishart Processes

Emily B. Fox, Mike West|arXiv (Cornell University)|2011. 07. 26.

Financial Risk and Volatility Modeling참고 문헌 32인용 수 13

한 줄 요약

이 논문은 역와이스만 분포를 사용하여 분산 행렬에 대한 새로운 유형의 정적, 일阶 자기회귀 모델을 소개한다. 이는 다변량 스토케스틱 볼라티리티에 대한 탄력적이고 해석 가능한 베이지안 추론을 가능하게 한다. 이 방법은 MCMC 프레임워크 내에서 맞춤형 인노베이션 샘플러를 활용하여, 고차원 시간 시리즈에서 시간에 따라 변화하는 공분산 추정에 있어 효율적인 필터링과 향상된 계산 확장성을 달성한다. 이는 뇌전도(EEG) 데이터 분석을 통해 입증되었다.

ABSTRACT

We introduce and explore a new class of stationary time series models for variance matrices based on a constructive definition exploiting inverse Wishart distribution theory. The main class of models explored is a novel class of stationary, first-order autoregressive (AR) processes on the cone of positive semi-definite matrices. Aspects of the theory and structure of these new models for multivariate "volatility" processes are described in detail and exemplified. We then develop approaches to model fitting via Bayesian simulation-based computations, creating a custom filtering method that relies on an efficient innovations sampler. An example is then provided in analysis of a multivariate electroencephalogram (EEG) time series in neurological studies. We conclude by discussing potential further developments of higher-order AR models and a number of connections with prior approaches.

연구 동기 및 목표

• 이론적으로 해석 가능하고 계산적으로 실현 가능한 분산 행렬에 대한 새로운 정적, 일阶 자기회귀 모델의 클래스를 개발하는 것.
• 다변량 볼라티리티를 위한 기존 상태공간 모델의 한계, 특히 비정적성과 고차수 확장에서의 계산 비가용성 문제를 해결하는 것.
• 전방 필터링과 후방 샘플링 기반의 새로운 MCMC 샘플링 전략을 통해 시간에 따라 변화하는 공분산 행렬에 대한 베이지안 추론을 가능하게 하는 것.
• 실세계 적용 사례, 예를 들어 다변량 뇌전도 시간 시리즈 분석에서 모델의 유용성을 입증하는 것.
• 제안된 역와이스만 자기회귀 프레임워크에서 정적성, 역성, 조건부 모멘트와 같은 이론적 성질을 탐색하는 것.

제안 방법

• 역와이스만 조건부 분포를 사용하여 양의 준정적 행렬의 공간 위에 일阶 자기회귀 과정을 제안한다.
• 상태공간 구조를 통해 모델을 정의하며, 분산 행렬이 $ \Sigma_t = \Upsilon_t \Sigma_{t-1} \Upsilon_t^\prime + \Psi_t $ 로 진동하도록 한다. 여기서 $ \Psi_t \sim \text{IW}(n+q+2, nV) $ 이고 $ \Upsilon_t \sim N(F, (nS)^{-1}) $ 이다.
• 전방 필터링과 후방 샘플링(FFBS)을 사용한 베이지안 필터링 알고리즘을 개발하며, 전역 거부 단계를 피하기 위해 행렬 인노베이션 과정을 활용한다.
• 잠재 변수를 통한 데이터 증강을 통해 역와이스만 가족 내 조건부 공액성을 활용하여 효율적인 MCMC 샘플링을 가능하게 한다.
• 표준 다변량 정규분포 및 역와이스만 이론을 사용하여 자기회귀 계수와 분산 행렬의 조건부 사후 분포를 유도한다.
• 조건부 기대값과 이론적 모멘트를 유도함으로써 고차수 AR(2) 모델로 프레임워크를 확장하며, $ n \to \infty $ 일 때의 점근적 행동을 분석한다.

실험 결과

연구 질문

• RQ1 역와이스만 분포를 사용하여 양의 준정적 행렬 공간 위에 정적, 일阶 자기회귀 모델을 구성할 수 있는가?
• RQ2 이러한 모델은 고차원 시간 시리즈에서 시간에 따라 변화하는 공분산 추정에 대해 효율적인 베이지안 계산을 어떻게 지원할 수 있는가?
• RQ3 제안된 IW-AR(1) 과정의 이론적 성질, 예를 들어 정적성, 역성, 조건부 모멘트는 무엇인가?
• RQ4 기존의 전역 거부 기반 방법과 비교하여, 제안된 인노베이션 기반 MCMC 샘플러는 수용률과 확장성 측면에서 어떻게 다른가?
• RQ5 이론적 해석 가능성과 계산 실현 가능성을 유지하면서도, 이러한 모델을 고차수 자기회귀 구조로 확장할 수 있는가?

주요 결과

• 제안된 IW-AR(1) 과정은 정적이며, 역성과 잘 정의된 조건부 모멘트를 포함한 바람직한 이론적 성질을 나타낸다.
• 인노베이션 기반 MCMC 샘플러는 전역 거부 방법에서 관찰되는 수용률의 지수 감소를 피함으로써, 장기간의 시간 시리즈에 대한 확장 가능한 추론을 가능하게 한다.
• $ n \to \infty $ 일 때의 극한에서, $ \Delta_{t-1} $ 를 조건으로 하여 $ \Sigma_t $ 의 조건부 기대값은 $ \Sigma_{t-1} $, $ S $, 그리고 $ \Upsilon_{t-1} $ 를 포함하는 수정 항의 선형 조합으로 수렴하며, 이는 장기적 안정성을 보장한다.
• 모델은 다변량 EEG 데이터에서 시간에 따라 변화하는 볼라티리티 역학을 성공적으로 포착하여 신경학적 시간 시리즈 분석에서 실용적 유용성을 입증한다.
• AR(2) 모델로의 이론적 확장이 유도되었으며, 조건부 기대값이 $ \Sigma_{t-1} $ 와 $ \Psi_{t-1} $ 의 모두에 의존하며, 트레이스와 행렬 연산을 포함하는 해석 가능한 표현식을 갖는다.
• 공액 사전과 다변량 정규분포 이론을 통해 자기회귀 계수의 주변 가능도와 사후 분포를 효율적으로 계산할 수 있다.