[论文解读] Scalable inference for a full multivariate stochastic volatility model

Πέτρος Δελλαπόρτας, Anastasios Plataniotis+1 more|arXiv (Cornell University)|Oct 18, 2015

Financial Risk and Volatility Modeling参考文献 24被引用 4

一句话总结

本文提出了一种完整的多变量随机波动率（MSV）模型，允许时变波动率矩阵的所有元素以随机过程演化，并通过特征值和旋转角的隐含高斯过程确保正定性。该模型引入了一种具有二次计算复杂度的可扩展贝叶斯MCMC推断算法，可在高维金融数据（如10年期571只股票）上实现高效估计，且在30个因子下展现出最优的预测性能。

ABSTRACT

We introduce a multivariate stochastic volatility model for asset returns that imposes no restrictions to the structure of the volatility matrix and treats all its elements as functions of latent stochastic processes. When the number of assets is prohibitively large, we propose a factor multivariate stochastic volatility model in which the variances and correlations of the factors evolve stochastically over time. Inference is achieved via a carefully designed feasible and scalable Markov chain Monte Carlo algorithm that combines two computationally important ingredients: it utilizes invariant to the prior Metropolis proposal densities for simultaneously updating all latent paths and has quadratic, rather than cubic, computational complexity when evaluating the multivariate normal densities required. We apply our modelling and computational methodology to $571$ stock daily returns of Euro STOXX index for data over a period of $10$ years. MATLAB software for this paper is available at http://www.aueb.gr/users/mtitsias/code/msv.zip.

研究动机与目标

• 开发一种完整的多变量随机波动率模型，使波动率矩阵的所有元素均作为无结构性限制的随机过程演化。
• 通过设计具有二次复杂度的可扩展MCMC算法，解决高维MSV模型的计算不可行性问题。
• 通过特征值和旋转角的隐含高斯过程，确保时变波动率矩阵的正定性。
• 在真实世界高频金融数据上评估模型的预测性能，特别是针对投资组合风险管理。
• 证明具有随机演化因子波动率的动态因子模型在预测大规模波动率矩阵方面优于标准模型。

提出的方法

• 通过特征值和旋转角的隐含高斯过程对波动率矩阵进行参数化，利用逆变换确保正定性。
• 提出一种新颖的MCMC算法，结合辅助Langevin抽样与不变Metropolis提议，联合更新所有隐含路径，提升链混合效率。
• 通过推导多变量正态密度的偏导数高效递归算法，将计算复杂度从立方级降低为二次级，实现二次复杂度。
• 对于大规模N，提出一种因子MSV模型，其中因子波动率和相关性均以随机方式演化，推广了独立因子假设。
• 利用矩阵分解技术进行似然评估，高效计算高维高斯密度，降低计算负担。
• 通过MCMC进行后验推断，对参数、特征值、旋转角和隐含路径进行全条件更新，使用共轭先验。

实验结果

研究问题

• RQ1 能否构建一种完整的多变量随机波动率模型，使波动率矩阵的所有元素均以随机方式演化，同时保持正定性？
• RQ2 何种可扩展的MCMC算法能够高效处理具有O(N²)参数的完整MSV模型的高维隐含空间？
• RQ3 在预测大规模波动率矩阵时，所提模型的预测性能与标准模型相比如何？
• RQ4 在大型投资组合（如571只股票）的波动率预测中，因子MSV模型的最优因子数量是多少？
• RQ5 该模型能否通过真实数据中时变的相关性和波动率检测到系统性金融危机事件？

主要发现

• 所提出的MCMC算法在似然评估中实现了二次计算复杂度，显著降低了多变量正态密度计算中常见的O(N³)瓶颈。
• 在包含571只股票的Euro STOXX 600指数中，30因子模型在次日波动率预测中实现了最低的平均绝对偏差（0.0601）和均方根误差（0.0553）。
• 30因子模型在T+2日的预测性能也最佳，均方根误差为0.0697，优于20或40因子的模型。
• 后验均值相关性和波动率的可视化检查清晰识别出重大金融事件，包括2009年危机和2012年Libor丑闻。
• 使用30和40因子估计的最小方差投资组合权重表现出高度稳定性，具有相似的大小和结构，表明在基于风险的资产配置中具有鲁棒性。
• 在高维设置下，该模型优于标准GARCH类模型，尤其在存在缺失值或需要可扩展推断时表现更优。