[논문 리뷰] Ecient Bayesian inference for stochastic volatility models with ensemble MCMC methods

Alexander Y. Shestopalo, Radford M. Neal|arXiv (Cornell University)|2014. 12. 09.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 13인용 수 4

한 줄 요약

이 논문은 단변량 확률적 변동성 모델에서 효율적인 베이지안 추론을 위한 앙상블 마르코프 체인 몬테카를로(MCMC) 방법을 제안하며, 잠재 변동성 과정에 선형-정규성 가정이 필요하지 않은 채로 최신 기술 대비 3:1의 효율성 향상을 달성한다.

ABSTRACT

In this paper, we introduce ecient ensemble Markov Chain Monte Carlo (MCMC) sampling methods for Bayesian computations in the univariate stochastic volatility model. We compare the performance of our ensemble MCMC methods with an improved version of a recent sampler of Kastner and Fruwirth-Schnatter (2014). We show that ensemble samplers are more ecient than this state of the art sampler by a factor of about 3 :1, on a data set simulated from the stochastic volatility model. This performance gain is achieved without the ensemble MCMC sampler relying on the assumption that the latent process is linear and Gaussian, unlike the sampler of Kastner and Fruwirth-Schnatter.

연구 동기 및 목표

• 단변량 확률적 변동성 모델에서의 베이지안 추론을 위한 더 효율적인 MCMC 샘플링 기법을 개발하기 위해.
• 특히 비선형 또는 비정규 설정에서 기존 샘플러의 계산적 비효율성을 해결하기 위해.
• 잠재 변동성 과정에 대한 선형성 및 정규성 가정이 제거되어, 이전 최신 기술 방법이 제한당하는 문제를 해결하기 위해.
• 일반적으로 확률적 변동성 모델에서 나타나는 고차원 잠재 상태 공간에서 MCMC 체인의 혼합성과 수렴성을 향상시키기 위해.

제안 방법

• 단변량 확률적 변동성 모델의 구조에 맞게 앙상블 MCMC 알고리즘을 적응시키며, 다수의 현재 상태 기반 제안 분포를 활용한다.
• 랜덤 워크나 독립적 제안보다 상태 공간을 더 효과적으로 탐색하는 앙상블 기반 제안 메커니즘을 사용한다.
• 세부 균형 조건을 유지하고 목표 사후 분포로의 수렴을 보장하는 제안 분포를 설계한다.
• 잠재 변동성 상태의 조건부 사후 업데이트를 통한 효율적 계산과 앙상블 MCMC를 통합한다.
• 잠재 과정에 대한 비모수적 가정을 피함으로써 비선형 및 비정규 변동성 역학에 적용 가능하게 한다.
• 다중 체인에서 샘플링 효율성을 향상시키기 위한 병렬화 가능한 MCMC 프레임워크를 구현한다.

실험 결과

연구 질문

• RQ1 앙상블 MCMC 방법은 확률적 변동성 모델에서 기존 최신 기술 샘플러 대비 유의미하게 높은 샘플링 효율성을 달성할 수 있는가?
• RQ2 제안된 앙상블 MCMC 접근법은 잠재 변동성 과정의 선형성과 정규성 가정 없이도 높은 효율성을 유지하는가?
• RQ3 Kastner와 Fruwirth-Schnatter(2014)가 개선한 샘플러와 비교해 앙상블 MCMC의 효과적 샘플 크기와 계산 시간 측면에서 성능은 어떻게 되는가?
• RQ4 앙상블 방법은 잠재 변동성 상태에 대한 MCMC 샘플의 자기상관을 어느 정도 감소시키는가?

주요 결과

• 모의 데이터 세트에서 앙상블 MCMC 샘플러는 Kastner와 Fruwirth-Schnatter(2014)가 개선한 샘플러 대비 약 3배 높은 효율성을 달성한다.
• 이 성능 향상은 이전 최신 기술 방법이 제약을 받는 선형성 및 정규성 가정에 의존하지 않음으로써 달성된다.
• 앙상블 방법은 MCMC 샘플에서 뛰어난 혼합성과 낮은 자기상관을 보이며, 사후 분포 탐색 능력이 뛰어남을 시사한다.
• 잠재 변동성 과정이 선형성 또는 정규성에서 벗어나도 제안된 접근법은 높은 효율성을 유지한다.
• 앙상블 MCMC 프레임워크는 모형 잘못 지정에 대해 강건하며, 복잡한 잠재 상태 구조로의 확장성도 잘 유지한다.