A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares

COVID-19 などのショック後に生じる変動の集中を捉えるため、精度パラメータが ARMA 再帰に従うベイズ型ディリクレ自己回帰移動平均モデル（B-DARMA-DARCH）を提案し、通貨シェアの予測精度と区間較正の向上を実証しています。

要約

この論文は、Airbnb（エアビーアンドビー）のようなグローバルなプラットフォームが、「世界中の異なる通貨で支払われるお金の割合」をどうやって正確に予測するかという難しい問題を解決した研究です。

専門用語を並べると難しく聞こえますが、実は**「お金のパズル」と「天候の変化」**に例えるととてもわかりやすくなります。

1. 問題：お金のパズルと「揺れ動く」天気

Airbnb は世界中で使われています。ある日、予約された宿泊費の 50% はドル、30% はユーロ、20% は円というように、**「通貨の割合（パズルのピース）」**が毎日変動します。

会社は「明日、ドル換算でいくらのお金が入ってくるか」を知る必要があります。しかし、ここで 2 つの大きな壁があります。

1. パズルのルール（単純な合計は 100%）:
   通貨の割合は、足し合わせると必ず 100% になります。ドルの割合が増えれば、他の通貨の割合は減らなければなりません。これは普通の「天気予報」のように、バラバラに予測して足し算するだけではダメで、**「全体が 100% になるように調整されたパズル」**として扱う必要があります。
2. 天候の急変（ボラティリティ）:
   普段は穏やかに変動する割合ですが、パンデミックや経済危機のような**「嵐」が来ると、急激に揺れ動きます。例えば、ある日突然「ドルで支払う人が爆発的に増える」ようなことが起きるのです。従来の予測モデルは「普段は穏やかだから、明日も穏やかだろう」と考えがちで、この「嵐の時の激しい揺れ」**を捉えきれません。

2. 解決策：新しい「お天気予報機」の開発

著者たちは、この問題を解決するために新しいモデル**「B-DARCH」**を開発しました。これをわかりやすく説明しましょう。

従来のモデルの弱点

• 固定された天候計器: 過去のモデルは、「揺れ幅（精度）」は一定だと仮定していました。「嵐が来ても、予報機は『いつも通り穏やかです』と言い続ける」ような状態でした。
• 変形したパズル: 別のモデルは、パズルを無理やりバラバラにして（対数変換）、普通の統計手法で解こうとしました。しかし、戻した時にパズルの形（100% のルール）が崩れてしまうことがありました。

新しいモデル「B-DARCH」のすごいところ

この新しいモデルは、**「揺れ動く天候そのものを予測する」**ことができます。

• ダイナミックな揺れ幅の予測:
  このモデルは、「今、市場が落ち着いているか、それとも嵐が近づいているか」をリアルタイムで感じ取ります。

  • 穏やかな日: 予測を慎重に行い、狭い範囲で予測します。
  • 嵐の日（COVID-19 のような危機）: 「あ、揺れが大きくなっているな！」と察知し、予測の幅を広く取り、**「激しく動く可能性がある」**ことを事前に警告します。
  • これを専門用語では「時変の精度（Time-varying precision）」と呼びますが、**「予報機の感度を、その日の気分に合わせて自動調整する」**と考えるとイメージしやすいです。

• パズルのルールを守る:
  このモデルは、最初から「100% に収まるパズル」として設計されているため、ドルが増えれば円が減るなど、自然なバランスを保ったまま予測できます。

3. 実験結果：なぜこれが勝ったのか？

著者たちは、この新しいモデルを、以下の 3 つの「ライバル」と対決させました。

1. 従来のパズルモデル（揺れ幅固定）
2. 変形パズルモデル（普通の統計手法）
3. 変形パズル＋パラメータ調整モデル（平均値は変えるが、揺れ幅は固定）

結果は？

• 予測の精度: 新しいモデル（B-DARCH）が、どの地域でも最も正確な予測をしました。特に、「嵐（急激な変動）」が起きた時に、他のモデルが失敗する中、このモデルだけが正しく「揺れ」を捉えていました。
• 信頼性: 「95% の確率でこの範囲に入る」という予測範囲（信頼区間）も、他のモデルが「外れすぎていた」のに対し、このモデルは**「実際の値が予測範囲内に収まる」**という信頼性の高い結果を出しました。

4. まとめ：どんな時に使うべき？

この論文が教えてくれることはシンプルです。

• 天候が穏やかな時: 従来のシンプルで軽いモデルでも大丈夫。
• 天候が荒れる時（市場が不安定な時）: **「揺れ幅（ボラティリティ）自体が変化する」**ことを理解しているモデル（B-DARCH）を使うべき。

Airbnb のようなグローバル企業にとって、**「お金の流れが急にどう変わるか」を予測することは、会社の財務やリスク管理にとって命綱です。この新しいモデルは、「嵐の時は嵐として、穏やかな日は穏やかとして」**お金の動きを捉える、非常に賢い「お天気予報機」なのです。

一言で言うと：
「お金のパズルが、嵐の日にどう激しく揺れるかを、リアルタイムで察知して予測する、新しい天才的な予報システム」です。

技術概要

論文要約：通貨シェアの予測のためのベイズ・ディリクレ自己回帰条件付き分散不均一モデル

論文タイトル: A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares
著者: Harrison Katz, Robert E. Weiss (UCLA, Airbnb)

1. 背景と課題 (Problem)

Airbnb などのマーケットプレイスでは、世界中の 100 以上の通貨で取引が行われており、収益予測や財務報告、リスク管理のために、各通貨の取引シェア（構成比）を正確に予測することが不可欠です。

この予測における主な課題は以下の通りです：

• 構成データ（Compositional Data）の制約: 各通貨のシェアは非負であり、合計が 1 になるという「単体（Simplex）」上の制約を持ちます。標準的な時系列モデルを直接適用すると、この制約を満たさない予測値が生じる可能性があります。
• 変動する平均と分散: 通貨シェアは季節性やトレンドだけでなく、パンデミック（COVID-19）のような突発的な事象や市場環境の変化により、平均値だけでなく分散（ボラティリティ）も時間とともに変化します。特に、ボラティリティのクラスター化（一時的な変動の激化とその後の沈静化）が観察されます。
• 既存モデルの限界:
  • 変換ガウスモデル（ALR 変換後 VARMA）は計算が容易ですが、単体制約の再変換時にバイアスが生じやすく、分散が一定という仮定が現実と合わない場合があります。
  • 従来のディリクレ ARMA モデルは単体制約を保持しますが、精度パラメータ（分散の逆数）が固定または決定論的であり、観測誤差に基づくボラティリティの動的な変化を捉えきれません。

2. 提案手法 (Methodology)

著者らは、B-DARCH (Bayesian Dirichlet Auto-Regressive Moving Average with Dirichlet Auto-Regressive Conditional Heteroskedasticity) モデルを提案しました。これは、ディリクレ分布の尤度を維持しつつ、精度パラメータに GARCH 型の動的プロセスを導入したモデルです。

モデルの構造

1. データ生成過程:

   • 観測ベクトル $y_t$ はディリクレ分布に従います：$y_t | \mu_t, \phi_t \sim \text{Dirichlet}(\phi_t, \mu_t)$。
   • ここで $\mu_t$ は平均ベクトル、$\phi_t$ は精度パラメータ（分散の逆数）です。

2. 平均のモデル化 (Mean Model):

   • 単体上の制約を扱うため、加法的対数比変換（Additive Log-Ratio, ALR）を用いて次元を削減します：$\eta_t = \text{alr}(\mu_t)$。
   • $\eta_t$ は、過去の ALR 変換済みデータと過去の線形予測値を用いた、観測駆動型の VARMA 構造でモデル化されます。

3. 精度パラメータの動的モデル化 (DARCH Process):

   • 従来の固定精度ではなく、精度 $\phi_t$ の対数値 $\log(\phi_t)$ に自己回帰（AR）と移動平均（MA）の構造を導入します。
   • 式：$\log(\phi_t) = \sum \alpha_l (\log(\phi_{t-l}) - z'_{t-l}\gamma) + \sum \tau_k (\text{alr}(y_{t-k}) - \eta_{t-k})'(\text{alr}(y_{t-k}) - \eta_{t-k}) + z'_t\gamma$
   • この構造により、過去の Innovations（予測誤差）や過去の精度に基づいて、ボラティリティが動的に更新されます。これにより、ボラティリティのクラスター化や構造的変化への適応が可能になります。

4. ベイズ推論:

   • 全パラメータの事後分布を MCMC（Stan 実装）を用いて推定し、予測分布と信用区間を導出します。

3. 主要な貢献 (Key Contributions)

• 単体上のボラティリティ・クラスタリングのモデル化: 構成データにおいて、分散が時間とともに変化する現象を、ディリクレ分布の枠組み内で直接モデル化する初めての手法の一つです。
• 観測駆動型の精度プロセス: 状態空間モデルのような計算コストの高い潜在変数アプローチではなく、GARCH 型の観測駆動型再帰を用いることで、計算効率と解釈可能性を両立させています。
• 不確実性の定量化: 時間変化するボラティリティを明示的にモデル化することで、より適切に較正された予測区間（信用区間）を提供し、リスク管理に寄与します。

4. 結果 (Results)

シミュレーション研究

• 設定: 誤報告データや一時的なレジームシフトを含む 4 つのシナリオ（DARMA 生成過程と tVARMA 生成過程の組み合わせ）で評価。
• 結果: B-DARCH モデルは、標準的な B-DARMA、変換ガウス VARMA (B-tVARMA)、時間変数パラメータモデル (B-TVP-tVARMA) を含むすべての競合モデルに対して、予測精度（FRMSE, FMAE）が最も高く、残差の自己相関が最も弱いことを示しました。特に、ボラティリティの急変やレジームシフトに対して迅速に適応し、残差の依存性を最小化しました。

Airbnb 実データ分析

• データ: 2017 年 1 月から 2020 年 12 月までの、4 つの地理的領域における通貨別手数料シェアのデータ。
• 結果:
  • 予測精度: 全 4 つの領域において、B-DARCH が最も低い平均絶対誤差（FMAE）と残差平方和（FRSS）を達成しました。特にボラティリティの変動が激しい領域 1 では、B-DARMA と比較して FMAE が 60% 以上、FRSS が 80% 以上改善されました。
  • 残差分析: B-DARCH は、標準化された残差の二乗和の PACF（偏自己相関関数）において、ラグ 1 以降の依存性が最も小さく、ボラティリティの動的変化を適切に捉えていることを示しました。
  • 区間推定: 95% 信用区間の被覆率（Coverage）が、ボラティリティが変動する領域において、B-DARCH が最も nominal（理論値）に近い値を示しました。他のモデルは過小評価（under-coverage）する傾向がありました。

5. 意義と結論 (Significance)

この研究は、構成時系列データ（Compositional Time Series）の予測において、「ノイズ自体が動く（分散が変化する）」状況を扱うための強力なツールを提供します。

• 実務への示唆: 分散が安定している場合は変換ガウスモデルや TVP モデルで十分ですが、ボラティリティのクラスター化や構造的変化が観察される場合は、B-DARCH のような精度を動的にモデル化するアプローチが、予測精度とリスク評価の両面で優位であることが実証されました。
• 応用可能性: 金融（為替、資産配分）、マーケティング（市場シェア）、エネルギー（電力構成比）など、単体制約を持つ時系列データの予測・リスク管理全般に応用可能です。
• 今後の展望: 複数領域間の階層的な結合、ゼロ値の扱い、より高速な推論手法（変分推論など）への拡張が今後の課題として挙げられています。

要約すれば、B-DARCH モデルは、構成データの複雑な時間的ダイナミクスとボラティリティの変化を同時に捉えることで、より正確で信頼性の高い予測と不確実性の定量化を実現する画期的な手法です。