[論文レビュー] Estimation for Latent Factor Models for High-Dimensional Time Series

Clifford Lam, Qiwei Yao+1 more|arXiv (Cornell University)|Apr 13, 2010

Financial Risk and Volatility Modeling参考文献 23被引用数 4

ひとこと要約

本稿は、変数の数 $ p $ が標本サイズ $ n $ を超えることができる高次元時系列のための要因モデルを提案する。$ p \times p $ の正定値行列の固有値解析を用いて、要因負荷と精度行列を推定し、$ p $ に依存しない収束速度を達成する $ L_2 $-一貫性を実現する。強要因条件のもとで、次元の呪いが効果的に解消される。

ABSTRACT

This paper deals with the dimension reduction for high-dimensional time series based on common factors. In particular we allow the dimension of time series $p$ to be as large as, or even larger than, the sample size $n$. The estimation for the factor loading matrix and the factor process itself is carried out via an eigenanalysis for a $p imes p$ non-negative definite matrix. We show that when all the factors are strong in the sense that the norm of each column in the factor loading matrix is of the order $p^{1/2}$, the estimator for the factor loading matrix, as well as the resulting estimator for the precision matrix of the original $p$-variant time series, are weakly consistent in $L_2$-norm with the convergence rates independent of $p$. This result exhibits clearly that the `curse' is canceled out by the `blessings' in dimensionality. We also establish the asymptotic properties of the estimation when not all factors are strong. For the latter case, a two-step estimation procedure is preferred accordingly to the asymptotic theory. The proposed methods together with their asymptotic properties are further illustrated in a simulation study. An application to a real data set is also reported.

研究の動機と目的

• 変数数 $ p $ が標本サイズ $ n $ を超える高次元時系列における次元削減の課題に対処すること。
• 大規模要因モデルにおける要因負荷と精度行列を推定する統計的に妥当かつ計算的に実行可能な手法を開発すること。
• 特に $ p \to \infty $ の場合に、強要因および弱要因条件の下での推定に関する漸近理論を確立すること。
• 従来の経済統計的要因モデルが $ p \to \infty $ の漸近的同定性に依存するのに対し、任意の有限 $ p $ に対して同定可能であるモデルを提供すること。
• 特に $ p > n $ の場合に、シミュレーションおよび実データ応用を通じて、本手法の頑健性と効率性を示すこと。

提案手法

• 非負定値行列の固有値解析を用いて、要因負荷行列と要因過程を推定する。
• $ p $ 次元時系列を、低次元要因によって駆動される動的成分と、ベクトル白色雑音としてモデル化される静的成分に分解する。
• 観測系列の標本分散共分散行列を固有値解析の基礎として用い、$ p > n $ の場合でも推定が可能になるようにする。
• すべての要因が強いとは限らない場合に、2段階推定手順を適用することで、漸近的性質と推定精度を向上させる。
• 行列ノルム不等式と集中不等式を用いて、要因負荷推定子と精度行列推定子の $ L_2 $-ノルムにおける収束速度を導出する。
• 正則性条件の下で精度行列推定子の一貫性を確立し、要因が強い場合には $ p $ に依存しない収束速度を示す。

実験結果

リサーチクエスチョン

• RQ1 変数数 $ p $ が標本サイズ $ n $ を超える場合に、要因モデルを一貫して推定できるか。その条件は何か。
• RQ2 $ p \to \infty $ の高次元設定において、要因負荷行列と精度行列の推定はどのように振る舞うか。
• RQ3 要因の強さ（要因負荷行列の列のノルムによって定義）は、推定子の収束速度にどのような影響を与えるか。
• RQ4 高次元時系列要因モデルにおいて、次元の呪いをどのように軽減できるか。
• RQ5 すべての要因が強くない場合の最適な推定戦略は何か。また、1段階推定法と比べてどのように異なるか。

主な発見

• すべての要因が強い場合（要因負荷行列の各列のノルムが $ \sim p^{1/2} $ である場合）、要因負荷推定子は $ L_2 $-ノルムにおいて弱い一貫性を示し、収束速度は $ p $ に依存しない。
• 同じ強要因条件のもとで、元の $ p $ 変数時系列の精度行列推定子も $ L_2 $-ノルムにおいて弱い一貫性を示す。
• 両方の推定子の収束速度は $ p $ に依存せず、次元の呪いが高次元の利点によって打ち消されていることを示している。
• 弱要因の場合は、2段階推定手順を必要とし、理論的分析およびシミュレーション結果により、漸近的に優越することが示されている。
• 精度行列の推定誤差は $ O_P(p^{1-\nu} \|\widehat{\mathbf{A}} - \mathbf{A}\|) $ であり、$ \nu $ は要因の強さに依存する。収束速度は要因負荷推定誤差によって制御される。
• $ p $ が数千に達しても、高次元行列の逆行列計算ではなく $ p \times p $ 行列の固有値解析を用いるため、計算的に実行可能である。