[论文解读] Gaussian Process Volatility Model

Yue Wu, José Miguel Hernández-Lobato+1 more|arXiv (Cornell University)|Feb 13, 2014

Gaussian Processes and Bayesian Inference参考文献 30被引用 25

一句话总结

本文提出了高斯过程波动率模型（GP-Vol），一种非参数贝叶斯方法，利用高斯过程灵活建模金融收益中的时变波动率，捕捉非线性动态及正负收益对波动率的非对称响应。主要贡献是通过Rao-Blackwell化粒子滤波实现高效在线推断算法，其预测性能优于GARCH、EGARCH和GJR-GARCH模型，且显著快于批量粒子吉布斯方法。

ABSTRACT

The accurate prediction of time-changing variances is an important task in the modeling of financial data. Standard econometric models are often limited as they assume rigid functional relationships for the variances. Moreover, function parameters are usually learned using maximum likelihood, which can lead to overfitting. To address these problems we introduce a novel model for time-changing variances using Gaussian Processes. A Gaussian Process (GP) defines a distribution over functions, which allows us to capture highly flexible functional relationships for the variances. In addition, we develop an online algorithm to perform inference. The algorithm has two main advantages. First, it takes a Bayesian approach, thereby avoiding overfitting. Second, it is much quicker than current offline inference procedures. Finally, our new model was evaluated on financial data and showed significant improvement in predictive performance over current standard models.

研究动机与目标

• 解决标准计量经济模型（如GARCH）在时变波动率上假设刚性、线性函数形式的局限性。
• 通过采用高斯过程建模未知波动率函数的贝叶斯非参数方法，克服参数模型中的过拟合问题。
• 显式捕捉正负收益对波动率的非对称影响，而标准GARCH变体难以有效建模此类效应。
• 为GP-SSM开发快速、可扩展的在线推断算法，实现在金融时间序列中实时波动率估计。
• 在真实金融数据上，相比GARCH、EGARCH和GJR-GARCH等成熟模型，提升预测性能。

提出的方法

• GP-Vol模型被表述为高斯过程状态空间模型（GP-SSM），其中隐含波动率过程服从高斯过程先验。
• 观测模型假设收益在时间上条件服从正态分布，方差时变：$ x_t \sim \mathcal{N}(0, \sigma_t^2) $。
• 通过在历史收益和波动率映射到当前波动率的函数上施加高斯过程先验，非参数化地建模波动率动态。
• 开发了一种基于Rao-Blackwell化粒子滤波（RAPCF）的在线推断算法，实现实时联合推断隐藏波动率状态与学习GP超参数。
• 该方法使用边缘化状态估计的粒子滤波，以降低方差并提高计算效率，支持在线学习。
• 与批量粒子吉布斯方法（带祖先采样，PGAS）相比，预测性能相当但运行时间显著缩短。

实验结果

研究问题

• RQ1 使用高斯过程的非参数贝叶斯模型能否在金融波动率预测中超越参数化的GARCH类模型？
• RQ2 基于GP的模型在不预设函数形式的情况下，能否有效捕捉正负收益带来的非对称波动率效应？
• RQ3 在金融时间序列中，能否实现高效在线推断于GP-SSM，避免批量方法带来的计算负担？
• RQ4 所提出的在线推断算法（RAPCF）是否在预测性能上与PGAS等批量方法相当，同时显著更快？
• RQ5 GP-Vol中学习到的函数关系是否具有金融意义上的可解释性，能揭示直观的波动率动态？

主要发现

• GP-Vol在20个金融汇率时间序列中的14个上取得了最佳预测对数似然，优于GARCH、EGARCH和GJR-GARCH模型。
• 在20组数据集的平均表现中，GP-Vol相比次优模型提升了10.5%的预测对数似然。
• RAPCF推断算法的运行速度最高可达PGAS的300倍，相同数据下平均运行时间分别为6分钟与1000多分钟。
• 通过90%置信水平的Nemenyi检验确认，RAPCF与PGAS在预测性能上无统计显著差异。
• GP-Vol中学习到的波动率函数展现出清晰、直观的非线性和非对称行为——例如负收益后波动率显著上升，与实证金融模式一致。
• 该模型无需预设函数形式即可自动发现复杂波动率动态，体现了其在真实金融数据中的灵活性与鲁棒性。