[논문 리뷰] Bayesian Conditional Cointegration

Chris Bracegirdle, David Barber|arXiv (Cornell University)|2012. 06. 27.

Monetary Policy and Economic Impact참고 문헌 10인용 수 5

한 줄 요약

이 논문은 시계열에서 공통적 통합 관계를 탐지하기 위한 베이지안 프레임워크를 제안하며, 전통적인 이중단계 최소제곱법과 단위근 검정의 한계를 해결한다. 탄력적인 세분화를 통해 공통적 통합 관계를 확률적 추론으로 모델링함으로써, 경험적 정확도를 향상시키고 고정된 세그먼트 수를 제약하지 않은 채 시간에 따라 변화하는 공통적 통합 관계를 탐지할 수 있다.

ABSTRACT

Cointegration is an important topic for time-series, and describes a relationship between two series in which a linear combination is stationary. Classically, the test for cointegration is based on a two stage process in which first the linear relation between the series is estimated by Ordinary Least Squares. Subsequently a unit root test is performed on the residuals. A well-known deficiency of this classical approach is that it can lead to erroneous conclusions about the presence of cointegration. As an alternative, we present a framework for estimating whether cointegration exists using Bayesian inference which is empirically superior to the classical approach. Finally, we apply our technique to model segmented cointegration in which cointegration may exist only for limited time. In contrast to previous approaches our model makes no restriction on the number of possible cointegration segments.

연구 동기 및 목표

• 전통적인 공통적 통합 검정의 경험적 한계를 보완하기 위해, 순차적인 OLS와 단위근 검정에 의존하고 종종 오해를 낳는 결과를 초래하는 문제를 해결한다.
• 일관된 확률적 프레임워크 내에서 불확실성을 고려하여 공통적 통합 관계를 함께 추정하는 원칙적인 베이지안 접근법을 개발한다.
• 특정 시간 간격 동안에만 공통적 통합 관계가 성립할 수 있는 세분화된 공통적 통합 관계를 모델링하며, 세그먼트 수를 고정하지 않는다.
• 비정적 시계열에서 장기 균형 관계를 탐지하기 위한 전통적 방법에 비해 더 견고하고 유연한 대안을 제공한다.

제안 방법

• 공통적 통합 관계를 확률적 잠재변수 모델로 모델링하고, 베이지안 추론을 통해 공통적 통합 벡터와 오차수정 역학을 추정한다.
• 시간에 따라 변화하는 공통적 통합 관계를 모델링하기 위해 상태공간 표현을 활용하며, 공통적 통합 관계의 변화를 허용한다.
• 잠재 상태와 모델 파라미터에 대한 사후 추론을 수행하기 위해 마르코프 체인 몬테카를로(MCMC) 샘플링을 사용하여 불확실성 정량화를 가능하게 한다.
• 세그먼트의 수와 위치에 대한 비모수적 사전분포를 도입하여, 모델이 데이터로부터 세그먼트 수를 학습할 수 있도록 한다.
• 공통적 통합의 제도 전환을 모델링하기 위해 잠재 전환 과정을 통합하며, 제도 수는 비모수적으로 결정된다.
• 오차수정 메커니즘을 모델링하기 위해 조건부 자기회귀 사전분포를 적용하여, 공통적 통합 잔차의 정적성을 보장한다.

실험 결과

연구 질문

• RQ1 베이지안 접근법은 전통적인 이중단계 방법에 비해 공통적 통합 탐지의 신뢰성을 향상시킬 수 있는가?
• RQ2 세그먼트 수를 사전에 지정하지 않고, 특정 시간 간격 동안만 공통적 통합 관계가 존재하는 경우 어떻게 공통적 통합을 모델링할 수 있는가?
• RQ3 공통적 통합 벡터와 오차수정 과정의 불확실성이 추론 품질에 미치는 영향은 무엇인가?
• RQ4 비모수적 베이지안 모델은 데이터로부터 직접 세그먼트 수와 위치를 학습할 수 있는가?
• RQ5 노이즈와 구조적 변화가 존재하는 현실적인 시계열 조건에서, 제안된 방법은 공통적 통합을 얼마나 잘 탐지하는가?

주요 결과

• 전통적 방법에 비해 베이지안 접근법은 특히 소표본에서 유의미하게 유형 I 및 유형 II 오류 비율을 감소시킨다.
• 세그먼트 수를 사전에 지정하지 않아도 모델이 다수의 공통적 통합 세그먼트를 성공적으로 탐지한다.
• 사후 추론을 통해 공통적 통합 벡터에 대한 신뢰구간을 도출하였으며, OLS 추정치보다 모형 오설정에 덜 민감하고 더 견고하다.
• 시뮬레이션 및 실제 금융 시계열에 대한 경험적 결과는 구조적 변화 기간 동안의 공통적 통합 탐지 능력 향상을 보여준다.
• 데이터가 시간에 따라 변화하는 공통적 통합을 보일 경우, 제안된 방법은 진짜 공통적 통합 관계를 더 잘 식별한다.
• 세그먼트에 대한 비모수적 사전분포 덕분에, 금융 및 경제 데이터에서 관찰되는 복잡하고 비정규적인 공통적 통합 패턴에 모델이 적응할 수 있다.