[论文解读] Generalised Wishart Processes

Andrew Gordon Wilson, Zoubin Ghahramani|arXiv (Cornell University)|Dec 31, 2010

Advanced Statistical Methods and Models参考文献 23被引用 21

一句话总结

本文提出了广义威沙特过程（GWP），一种具有威沙特分布边缘分布的随机过程，通过任意依赖变量（包括时间与协变量）对时变协方差矩阵进行建模。该方法在处理含缺失数据的金融数据及高维可扩展性场景下，优于多变量GARCH和标准威沙特过程，能更有效地捕捉复杂协方差结构，尤其是非对角元素；同时无需自由参数，并支持可解释的贝叶斯推断。

ABSTRACT

We introduce a stochastic process with Wishart marginals: the generalised Wishart process (GWP). It is a collection of positive semi-definite random matrices indexed by any arbitrary dependent variable. We use it to model dynamic (e.g. time varying) covariance matrices. Unlike existing models, it can capture a diverse class of covariance structures, it can easily handle missing data, the dependent variable can readily include covariates other than time, and it scales well with dimension; there is no need for free parameters, and optional parameters are easy to interpret. We describe how to construct the GWP, introduce general procedures for inference and predictions, and show that it outperforms its main competitor, multivariate GARCH, even on financial data that especially suits GARCH. We also show how to predict the mean of a multivariate process while accounting for dynamic correlations.

研究动机与目标

• 解决现有多变量波动率模型（如多变量GARCH和威沙特过程）存在的高参数复杂度、可扩展性差及依赖结构受限等问题。
• 构建统一框架，将动态协方差矩阵Σ(t)建模为依赖于任意依赖变量（如时间与利率等协变量）的随机过程。
• 在缺失数据和复杂协方差结构（如周期性、平滑性或非马尔可夫依赖）下实现稳健推断与预测，且无需自由参数。
• 为计量经济学与机器学习中的高维时间序列建模，提供一种通用、可解释且可扩展的多变量GARCH和标准威沙特过程的替代方案。
• 展示模型在捕捉共同运动（非对角协方差）及应对现实世界数据挑战（如金融危机期和缺失观测）方面的优越性。

提出的方法

• 将广义威沙特过程（GWP）定义为具有威沙特分布边缘的随机过程，其中协方差矩阵Σ(t)在任意索引集（如时间、协变量）上演化。
• 利用基于核函数的协方差结构（如平方指数核）建模不同索引点上Σ(t)之间的依赖关系，实现对时间与协变量驱动动态的灵活建模。
• 采用共轭贝叶斯推断，结合威沙特与逆威沙特先验，实现Σ(t)后验分布与预测分布的高效更新，包括对缺失数据的处理。
• 提出一种非马尔可夫、非自回归的框架，允许超越先前威沙特过程所采用的奥恩斯坦-乌伦贝克结构的复杂依赖关系。
• 实现一hop ahead预测与历史Σ(t)重构的预测程序，基于实证数据与已知真实协方差矩阵的合成数据。
• 将GWP应用于真实金融数据（EXCHANGE）与基于股票指数实证协方差矩阵生成的合成数据（EQUITY），通过已知Σ(t)实现真实值对比。

实验结果

研究问题

• RQ1 能否将具有威沙特边缘分布的随机过程推广至以任意依赖变量（包括时间与外部协变量）为索引的动态协方差矩阵建模？
• RQ2 GWP是否在捕捉金融数据中复杂且时变的协方差结构（尤其是非对角元素）方面优于多变量GARCH与标准威沙特过程？
• RQ3 GWP是否能在无需自由参数或复杂参数调优的前提下，有效处理缺失数据与高维场景？
• RQ4 当真实Σ(t)已知时，GWP在重建真实协方差动态方面表现如何，相较于现有模型？
• RQ5 GWP在建模多样化协方差模式（如周期性、平滑性或非马尔可夫依赖）方面的能力如何，超越先前模型所固定的奥恩斯坦-乌伦贝克结构？

主要发现

• GWP在EXCHANGE与EQUITY数据集上均优于多变量GARCH，即使GARCH特别适用于金融收益数据。
• GWP显著优于标准威沙特过程（WP），后者受限于奥恩斯坦-乌伦贝克协方差结构，表明GWP具备捕捉更复杂相互依赖关系的能力。
• GWP在预测非对角协方差元素（共同运动）方面表现更优，表明其更能准确建模金融资产间的动态相关性。
• 模型能有效重建历史协方差矩阵，如图3所示，GWP预测值在对角方差与非对角协方差上均紧密跟踪真实Σ(t)。
• GWP仅使用200个训练点即可实现准确的一步 ahead 预测与历史预测，展现出在真实金融数据上的可扩展性与鲁棒性。
• 由于无自由参数，且可选超参数（如核长度尺度）具有可解释性，使GWP在高维应用中兼具实用性与理论严谨性。