9月26日CARFセミナー 状態空間モデルを用いた金融 時系列分析 佐藤整尚 (大学共同利用機関法人・情報・システム研究機構 統計数理研究所・データ科学研究系・准教授) はじめに • 90年代:統計科学の分野で金融データに対する応 用が盛んになった:ARCH、GARCHをはじめとする ボラティリティモデルの推定 • 2000年以降:さまざまな商品が開発される。高頻度 データの解析、債券価格のモデリング、倒産確率の モデリング • 現在:数理ファイナンスの進化が著しい。 (統計科学の出番は?) 状態(State)変数とは • 必ずしも観測されるとは限らない物事の状態 (本質)を表す変数。 • 時間とともに変動する。 • 観測値は状態変数の関数で表される。 状態空間モデルとは • システムモデル(状態モデル)と観測モデル からなる。 • システムモデルにはマルコフ性が仮定される。 システムモデル t-1時点の状態 t時点の状態 観測モデル t-1時点の観測値 t+1時点の状態 観測モデル t時点の観測値 t+1時点の観測値 状態空間モデル • 線形・ガウスの場合(xが状態変数) 例) xt = Fxt −1 + Gvt (システムモデル) yt = Hxt + et (観測モデル) β t = β t −1 + ε t yt = β t xt + et (システムモデル) (観測モデル) カルマン・フィルタ 一般化状態空間モデル (Yが状態変数) システムモデル 観測モデル 状態空間モデルの目的 • モデルの当てはめやパラメータの推定を行う。 • 観測値から状態変数を推定する。 • モデルに基づき予測を行う。 • モデルに基づき平滑化を行う。 状態空間モデルの歴史 • もともとは物理システムの記述 に使われていた。 • 1960年代カルマンにより、制御 工学での利用が進んだ。(カル マンフィルタ) • 1970年代赤池により、統計科学 への応用が始まる。 理論モデルの記述 *ファイナンスでも使われる ようになってきた。 システムの制御 モデルの推定 金融時系列分析において 状態空間モデルが有効な例 • • • • • • • Trend Modelの推定 Volatilityの推定( Stochastic Volatility Model ) 金利の期間構造の推定 マルチファクターモデルの推定 CAPMにおける時変Betaの推定 投資信託のスタイル分析 マイクロマーケットストラクチャーの推定 金融時系列において状態空間モデル が適用される時の2つの傾向 • 理論モデルの対象とする変数が観測できない場合 – 数理ファイナンスを起源とするモデル(連続時間モデル) – 状態(システム)モデルは一般に複雑である。非線形でカ ルマンフィルターでは解けないことも多い。 • 時変係数タイプの非定常モデル – クオンツタイプのモデル – ベースは回帰モデルでこれを時変にしたもの – システムモデルは統計的なモデリングである。カルマン フィルタで解ける場合が多い。 状態推定のアルゴリズム • • • • カルマン・フィルタ 拡張カルマン・フィルタ 非線形フィルタ モンテカルロ・フィルタ モンテカルロフィルタの特徴 • 様々なモデルに適用可能である. – 制約つき推定 – 非線形構造 – 突然のジャンプなどを含むモデル • 状態変数(潜在変数)の推定が得意 • 平滑化も可能である. Monte Carlo Filter : ( Kitagawa [1996] ) Initial distribution Prediction ~ likelihood Re-sampling by Filter Log-Likelihood AIC (Akaike Information Criterion) Trend-Volatility model (summary) Yt = Tt + At + ε t exp S t Tt = DTt – 1 + Tt – 1 + e 1t + e 2t (状態:トレンド、 ボラティリティ、周期変動) DTt = DTt – 1 + e 1t At = a 1 At – 1 + a 2 At – 2 + e 3t S t = S t – 1 + c ∆DT t – 1 + e 4t e 1t,e 3t,e 4t ~ N 0,σ 2i , ε t ~ N 0,1 e2 ~ Uniform(d 1 , d 2) (Prob. α) N(0,σ 22) (Prob. 1 – α) 時変係数マルチファクターモデル (状態:ファクターにかかる係数) at = at −1 + v1t bt = bt −1 + v2t c = c + v 3t t −1 t r1t = at + bt f (1)1t + ct f1(t 2 ) + e1t (1) ( 2) r a b f c f = + + 2 2 t + e2 t t 2t t t t rnt = at + bt f (1) nt + ct f ( 2 ) nt + ent 時変係数CAPM Multi-Factor Model Observational Data (interest rates) •State Space Model (状態:ファクター) •Monte Carlo Filter Estimated Factors (State Variables) Estimated Term Structure ファイナンス理論によるモデリング(一般的な枠組み) Term structure model of interest rates State variables: Y (k-dimensional) W : n dimensional Brownian motion Short-term interest rate : r = r (Y , t ) Price of zero coupon bonds : P(t,T) PはYのモデルの形に 依存して決定される Q : Risk neutral measure T : maturity ∴ P (t , T ) = B (Y (t ), t , T ) Under Q * * System Model: General case : Linear case : Σ = SS ′ Observational Model Price of a zero coupon bond | Y (t )] = B (Y (t ); t , T ) General case : Additive case : Examples of H(・ ) : (LIBOR) (Swap rate) 要点: モンテカルロフィルターを用いた金利の期間構造の推定 特徴: 幅広いモデルに適用可能である. 特にゼロクーポン債の価格が明示的 に解けなくてもよい. 自由なモデリングが可能 (CIRなどのモデルにこだわる必要が無い) スタイル分析法 • 静的枠組み – 回帰モデル • 動的枠組み – ウィンドウを移動しながら回帰を行う方法 – 罰金つき最小2乗法 – ・・・ – 状態空間表現によるアプローチ(新しい手法) 投資信託のスタイル分析 (状態:スタイルインデックスにかかる係数) rt = β1t SVt + β 2t SGt + β 3t MVt + β 4t MGt + β 5t LVt + β 6t LGt + et SV:Small-Value MV:Mid-Value LV:Large-Value SG:Small-Growth MG:Mid-Growth LG:Large-Growth 従来の方法 • Window-Regressionによって求めた係数を 平滑化する方法 (MPI-スタイラス,http://www.mpi-japan.com/) • 制約つき最小2乗法+HP Filter (竹原1999) ここで提案する方法: Smoothness Prior + Monte Carlo Filter rt = β1t SVt + β 2t SGt + β 3t MVt + β 4t MGt + β 5t LVt + β 6t LGt + et モデル: β it = β i ,t −1 + ε it N (0, σ i2 ) ε it ~ 2 N (0, cσ i ) β it ≥ 0 (Pr : α ) (Pr : 1 − α ) (1) 制約: ∑β it ≤1 (2) β i 't = 1 − ∑ β jt j ≠i ' (3) β1t = 1 − ∑ β jt 1 (Pr : ) 6 β 2t = 1 − ∑ β jt 1 (Pr : ) 6 j ≠1 j≠2 β 6t = 1 − ∑ β jt j ≠6 1 (Pr : ) 6 状態推定はモンテカルロフィルター を使う. 実証結果のまとめ • ウエイト所与のもとでのシミュレーションデー タに対してはよく推定されている. • 特にMCFでは急激な変化も捉えられた. • 現実のリターン系列に対しては必ずしも満足 できる結果ではない. – 現実のファンドは常にスタイルインデックスのみ のポートフォリオとしてみれるか? ボラティリティの推定 • ヒストリカルボラティリティ • SVやGARCHなどのモデルを使った推定 • 高頻度データを使った実現ボラティリティの推定 日次データ -> 1分データ、1秒データ、 Tick データ *より精緻にVolatilityの推定が可能 High Frequency Data of Nikkei-225 Futures Apr-16-2007 • Traded at Osaka Securites Exchange • Very active – Daily average volume 136,802 units (2008) • Intra-day volatility movements • Large tick size – 10 yen (Spot index : 0.01 yen) *Futures data are presented by Osaka Securities Exchange. High Frequency Data Apr-16-2007 Spot index (black) and Futures (red) 60 sec. Historical Integrated Volatility for Nikei225 Futures Integrated Volatility (1s) n Σˆ x = ∑ ( xi / n − x( i −1) / n ) 2 i =1 (5s) (10s) (30s) X:LOGをとった株価 Interval X: log transformed stock price 従来のフレームワーク (状態:本源的な資産価格、 ただし、状態そのものを推定 するのではない) xi = xi −1 + ei Discrete model: yi = xi + vi 高頻度データに対する より一般的な枠組み t xt = x0 + ∫ Σ 0 1/ 2 x ( s ) dBs yti = g ( xti , yti−1 , vti ) 観測値yからxのボラティリティを推定する。 (0 ≤ t ≤ 1) SIML (Separating Information Maximum Likelihood) Estimator (Proposed by Kunitomo and Sato (2008)) Pn: rotation matrix For small k, an ,k = 4n sin 2 [π2 ( 22 nk +−11 )] ≅ 0 z1 , z 2 , , z m , , z n −l +1 , z n −l + 2 , , z n ↓ ˆ Σ x ↓ ˆ Σ v SIMLの特徴 • 実務的な方法である。 – 計算が簡単であり、他の方法のようにデータごと に定めるパラメータなどがない。 – やや効率性は落ちるが、非常にロバストである。 • 漸近的な性質が比較的簡単である。 • 共分散も推定できるので、たとえば、重回帰 モデルの推定なども可能である。 高頻度データに対する 新しい観測モデル t xt = x0 + ∫ Σ 0 1/ 2 x ( s ) dBs ∆yti = g ( xti − yti−1 ) + vti 観測値yからxのボラティリティを推定する。 (0 ≤ t ≤ 1) まとめ • 高頻度データの観測モデルを非線形に拡張した。 • さまざまな非線形変換が考えられる。 • 従来の加法ノイズモデルにおける実現分散の推定 法も、ほぼ、有効である。 • 多変量のケースでの実現相関の推定も可能 (SIML) ファイナンス分野での統計科学 • 統計モデル(時系列モデル)のファイナンス データへの適用 • ファイナンスモデルへの統計手法の適用 • 状態空間モデルは両方をつなぐ接点となりう る。 – 新しいフィルタリングの応用 – 今まで推定の難しかったファイナンスモデルの推 定
© Copyright 2024 Paperzz