[論文レビュー] True and Apparent Scaling: The Proximity of the Markov-Switching Multifractal Model to Long-Range Dependence

Ruipeng Liu, Tiziana Di Matteo+1 more|Warwick Research Archive Portal (University of Warwick)|Apr 11, 2007

Complex Systems and Time Series Analysis被引用数 10

ひとこと要約

本稿は、実際の金融時系列における自己相似的挙動を再現できるかどうかを評価するため、実データおよびシミュレートされたデータの両方に対して一般化ヒルスト指数（H(q)）を推定することで、マルコフスイッチングマルチフラクタル（MSM）モデルの能力を検証する。十分なボラティリティ成分（k ≥ 10）が存在する場合、MSMモデルは実際のスケーリング則と非常に近い「見かけの」長-range依存性を生成する。これは、有限範囲のマルコフ連鎖構造を持つにもかかわらず、金融リターンにおける真の長記憶を効果的に模倣できることを示唆している。

ABSTRACT

In this paper, we consider daily financial data of a collection of different stock market indices, exchange rates, and interest rates, and we analyze their multi-scaling properties by estimating a simple specification of the Markov-switching multifractal model (MSM). In order to see how well the estimated models capture the temporal dependence of the data, we estimate and compare the scaling exponents $H(q)$ (for $q = 1, 2$) for both empirical data and simulated data of the estimated MSM models. In most cases the multifractal model appears to generate `apparent' long memory in agreement with the empirical scaling laws.

研究の動機と目的

• マルコフスイッチングマルチフラクタル（MSM）モデルが、実際の金融時系列のマルチスケーリング特性をどれだけうまく再現できるかを評価すること。
• MSMモデルが、実際のスケーリング指数と非常に近い「見かけの」長-range依存性を生成するかどうかを調査すること。
• さまざまなモデル仕様において、実データとシミュレートされたMSMデータの間で一般化ヒルスト指数（H(q)）および修正R/S統計量を比較すること。
• 実際の金融データと統計的に区別できないスケーリング挙動を生成するために、MSMモデルが必要な最小のボラティリティ成分数（k）を特定すること。

提案手法

• 株価インデックス、為替レート、金利を含む日次金融データを用いて、一般化モーメント法（GMM）によりMSMモデルのパラメータ（σ̂ および m̂₀）を推定する。
• 一般化ヒルスト指数（GHE）法を用いて、実データおよびシミュレートされた時系列からq = 1およびq = 2のスケーリング指数H(q)を計算する。
• ロの修正R/S分析を用いて長-range依存性を検証し、短範囲依存性を補正するために、切り捨てラグτ = 0, 5, 10, 25, 50, 100を用いる。
• ボラティリティ成分数（k = 5, 10, 15, 20）を変化させたMSMモデルから合成時系列をシミュレートし、スケーリング挙動を比較する。
• 簡潔なMSM仕様（b = 2、γₖ = 0.5）を採用し、ボラティリティ成分が二項分布に従い、マルコフ遷移確率によって更新される。
• モンテカルロシミュレーションを実施し、H(1)およびH(2)推定値のバイアスを評価。T = 9372観測値のランダムデータにおいて、バイアスは無視できるほど小さいことが確認された。

実験結果

リサーチクエスチョン

• RQ1 k個のボラティリティ成分を有するMSMモデルは、q = 1およびq = 2の実データスケーリング指数H(q)をどれだけ正確に再現できるか？
• RQ2 MSMモデルは、実際の金融データにおける真の長記憶と統計的に区別できない「見かけの」長-range依存性を生成するか？
• RQ3 ボラティリティ成分数（k）の変化が、シミュレートされたデータと実データの間のスケーリング挙動の類似度にどのように影響するか？
• RQ4 修正R/S検定は、真の長記憶とMSMモデルが生成する「見かけの」長記憶を信頼性を持って区別できるか？
• RQ5 GHE法は、MSMでシミュレートされたデータに適用した際にバイアスを生じるか？また、実データとの比較においてそのバイアスはどの程度か？

主な発見

• k ≥ 10の場合、すべてのテスト対象金融時系列において、シミュレートされたMSMモデルは実データとほぼ一致する一般化ヒルスト指数H(1)およびH(2)を生成する。
• 修正R/S検定では、k ≥ 15の場合、高水準の切り捨てラグ（τ = 100）であっても、短範囲依存性の帰無仮説が棄却されない。これは、強い「見かけの」長記憶挙動を示している。
• k = 5の場合、シミュレートされたデータは一貫して実データより低いH(q)値を示し、記憶力が不十分であることが示された。
• ランダムデータに対する一般化ヒルスト指数の推定値（H(1) = 0.4999 ± 0.009、H(2) = 0.4995 ± 0.008）は、バイアスが無視できるほど小さく、推定手法の信頼性が裏付けられた。
• k ≥ 15のMSMモデルは、5%の有意水準において、実データと統計的に区別できないスケーリング挙動を生成する。仮説検定により確認された。
• GARCHモデルに関する先行研究とは対照的に、それらは実データのスケーリング指数を再現できなかったが、本研究ではMSMモデルが優れた性能を示した。