[論文レビュー] Sparsity-Promoting Bayesian Dynamic Linear Models

François Caron, Luke Bornn+1 more|arXiv (Cornell University)|Mar 1, 2012

Statistical Methods and Inference参考文献 28被引用数 6

ひとこと要約

本稿では、一般化多重双曲的事前分布を用いてスパarsityを促進する、ベイジアン動的線形モデルの新規クラスを提案する。このモデルにより、高次元時系列における予測子の時変選択が可能になる。MCMCおよびSMC推論を効率的に行えるように、一般化逆ガウス混合分布を用いた正規分布のスケール混合を用いる。実応用において、2000年のテクノロジーバブルや2008年の金融危機といった主要な金融市場イベントを的確に検出できた。

ABSTRACT

Sparsity-promoting priors have become increasingly popular over recent years due to an increased number of regression and classification applications involving a large number of predictors. In time series applications where observations are collected over time, it is often unrealistic to assume that the underlying sparsity pattern is fixed. We propose here an original class of flexible Bayesian linear models for dynamic sparsity modelling. The proposed class of models expands upon the existing Bayesian literature on sparse regression using generalized multivariate hyperbolic distributions. The properties of the models are explored through both analytic results and simulation studies. We demonstrate the model on a financial application where it is shown that it accurately represents the patterns seen in the analysis of stock and derivative data, and is able to detect major events by filtering an artificial portfolio of assets.

研究の動機と目的

• 固定されたスパarsityパターンの制限を克服し、高次元時系列回帰において動的予測子選択を可能にすること。
• 従来のlassoやスパイクアンドスラブ事前分布が動的設定において抱える欠点（特に関連係数をゼロに近づける傾向）を克服すること。
• 時間経過に伴い変化するスパarsityパターンをサポートしつつ、計算上の tractability を維持する柔軟なベイジアンフレームワークを構築すること。
• 動的ボラティリティモデリングとスパース係数推定を組み合わせることで、主要な金融イベントのロバストな検出を可能にすること。
• 実際の資産データを用いて、保守的で相関の低い投資ポートフォリオの構築に本モデルの有効性を示すこと。

提案手法

• 混合分布として一般化逆ガウス分布を用いた正規分布のスケール混合を用いることで、多変量一般化双曲的分布が得られる動的スパarsityモデルを構築する。
• 一般化双曲的分布の階層的構造を活用し、MCMCおよび逐次モンテカルロ（SMC）法による効率的な事後分布計算を実現する。
• 予測子のスパarsityインジケータにd次マルコフ依存構造を導入することで、予測子の時変含めの柔軟な選択を可能にする。
• 回帰係数の事前分布を連携して定義することで、高ボラティリティと低ボラティリティの交互に現れる期間を誘導し、実際の金融市場ダイナミクスを模倣する。
• 粒子独立メトロポリス・ハスティングス法および、重複グループlassoやEMアルゴリズムなどの近似手法を用いて、スケーラブルな事後分布近似を実装する。
• 資産リターンを株式、デリバティブ、インデックスのポートフォリオに対して回帰することで、時系列データに応用する。パラメータを調整し、構造的変化やボラティリティシフトの検出を可能にする。

実験結果

リサーチクエスチョン

• RQ1 時系列に伴いスパarsityパターンが変化する動的回帰モデルに、スパarsity誘導型事前分布をどのように拡張できるか？
• RQ2 一般化双曲的分布は、動的スパースベイジアン回帰に柔軟かつ計算的に tractable な事前分布を提供できるか？
• RQ3 本モデルは、2000年のテクノロジーバブルや2008年の市場崩壊といった主要な金融イベントを、時変係数推定によってどの程度正確に検出できるか？
• RQ4 変数選択の正確性とボラティリティ検出性能の観点から、既存の動的スパarsity手法と比較して、本モデルの性能はどの程度か？
• RQ5 市場ストレス時における相関の低い資産を特定することで、本モデルを用いてロバストなポートフォリオ構築を支援できるか？

主な発見

• 本モデルは、資産リターンの時変スパarsityパターンを検出することで、2000年のテクノロジーバブルや2008年の住宅市場崩壊といった主要な金融イベントを的確に特定した。
• パrameter γ および d が中程度の値をとる場合、特に不動産（PLD）およびテクノロジー（XCI）セクターにおいて、ボラティリティシフトを正確に捉えた。
• 不動産指数（PLD）の係数推定値から、2008年の危機期にテクノロジー指数（XCI）が不動産と相関を持たなくなることが示され、効果的なスパarsity検出が確認された。
• 原油先物空頭（SZO）は、2008年の危機期に不動産と強い負の相関を示し、モデルがヘッジ機会を正しく検出できることを裏付けた。
• 収縮パラメータ γ が増加するにつれ、係数推定値が安定化し、不動産市場のボラティリティ上昇下ではXCIがもはや関連性がないことが正しく同定された。
• 一般化双曲的分布に基づく本モデルの構造は、自然に高ボラティリティと低ボラティリティの交互に現れる期間を誘導し、実際の金融時系列データのパターンに非常に近い。