[论文解读] A Dynamic Bayesian Model for Interpretable Decompositions of Market Behaviour

Théophile Griveau-Billion, Ben Calderhead|arXiv (Cornell University)|Apr 17, 2019

Market Dynamics and Volatility参考文献 21被引用 3

一句话总结

本文提出一种动态贝叶斯模型——异质性同时图模型动态线性模型（H-SGDLM），通过GPU可扩展框架将多变量市场波动率分解为可解释的内生与外生因素。通过将HAR-RV模型整合至动态图结构中，该模型提升了长期波动率预测性能——在18年期间对标普500股票的大波动预测中达到65.93%的准确率，优于标准HAR-RV与SGDLM模型。

ABSTRACT

We propose a heterogeneous simultaneous graphical dynamic linear model (H-SGDLM), which extends the standard SGDLM framework to incorporate a heterogeneous autoregressive realised volatility (HAR-RV) model. This novel approach creates a GPU-scalable multivariate volatility estimator, which decomposes multiple time series into economically-meaningful variables to explain the endogenous and exogenous factors driving the underlying variability. This unique decomposition goes beyond the classic one step ahead prediction; indeed, we investigate inferences up to one month into the future using stocks, FX futures and ETF futures, demonstrating its superior performance according to accuracy of large moves, longer-term prediction and consistency over time.

研究动机与目标

• 开发一种可扩展、可解释的模型，将市场波动率分解为内生（资产特异性）与外生（市场整体）驱动因素。
• 通过整合异质性自回归已实现波动率（HAR-RV）模型，扩展标准SGDLM框架，以改进多变量波动率估计。
• 通过利用卡尔曼滤波生成的时间演化系数动态，实现长达一个月的长期预测。
• 通过系数分解生成具有经济意义的信号，提升市场压力与大波动事件的预测能力。
• 通过时变稀疏多变量建模，确保在不同市场状态下的预测稳健性与一致性。

提出的方法

• H-SGDLM模型将HAR-RV模型与同时图动态线性模型（SGDLM）结合，使每只资产的对数波动率可建模为具有特异性、跨系列及特定因子的DLM。
• 模型采用正态-逆伽马共轭先验分布于状态向量与精度参数，通过卡尔曼滤波方程实现高效的序贯贝叶斯更新。
• 应用变分贝叶斯近似，将多变量后部分解为条件独立的正态-逆伽马分量，实现GPU可扩展性。
• 状态演化通过带块折扣的随机游走建模：外生（外生）与父节点（内生）变量分别使用不同的折扣因子δφ与δγ进行更新。
• 模型采用尺度空间变化点算法检测系数动态中的结构性变化，提升大波动事件预测的可靠性。
• 通过从预测分布中抽样生成预测结果，使用来自系统矩阵逆(I−Γ)−1的变换后状态均值与协方差矩阵。

实验结果

研究问题

• RQ1 动态贝叶斯模型能否将多变量市场波动率分解为具有经济解释意义的内生与外生成分？
• RQ2 将HAR-RV模型整合进动态图结构是否能提升长期波动率预测准确率，特别是在大波动事件上的表现？
• RQ3 该模型能否持续提前数周预测市场压力指标，而不仅限于一步预测？
• RQ4 时变系数及其分解为内生/外生因素如何随时间提升预测性能？
• RQ5 该模型在不同市场状态与资产类别下的性能在多大程度上保持稳定？

主要发现

• 在2001–2019年共18年期间，H-SGDLM模型对487只欧洲股票的大正向波动率变动（>9.28%）预测准确率达63.89%，显著优于HAR-RV（53.24%）与标准SGDLM（34.69%）。
• 在相同时间段的标普500股票池中，该模型对大波动率变动的预测准确率达到65.93%，表明其在跨市场情境下具有强大泛化能力。
• 通过回测验证，该模型对大波动事件的预测性能在时间上保持一致，表明其对市场条件变化具有鲁棒性。
• 将系数分解为内生与外生因素生成了新的、可靠的信号，显著增强了长期推断与压力预测能力。
• 该模型的预测分布捕捉了超过68%的大负向波动事件，且在使用新分解方法时，大波动事件的置信区间覆盖更紧密。
• GPU并行化推理管道实现了对数千只资产的高效扩展，使该模型适用于实时市场监控与风险管理应用。