Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law

以下は、Kozubowski、Sarantsev、および Spiker による論文「Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law（二変数ガンマ一般化ラプラス法を用いた株式リターンとボラティリティのモデリング）」の詳細な技術的サマリーです。

1. 問題提起

本論文は、金融モデリングおよび統計的推論における 2 つの主要な課題に取り組んでいます：

1. 一変量モデルの限界: 一般化非対称ラプラス（GAL）分布（分散ガンマ分布としても知られる）は、重たい裾や歪みを捉える能力により資産リターンのモデリングに広く用いられていますが、通常は一変量の設定で研究されています。この設定では、混合ガンマ変数（確率的ボラティリティまたはビジネス時間を表す）が観測されないため、最尤推定（MLE）は複雑で計算集約的になります。
2. 観測されたボラティリティの扱い: 多くの金融的文脈において、ボラティリティ指数（VIX など）は資産リターンとともに観測されます。標準的な確率的ボラティリティモデルは、ボラティリティを潜在（隠れ）変数として扱い、複雑なフィルタリング技術（隠れマルコフモデルなど）を必要とします。著者らは、リターンとボラティリティの代理変数の両方を、観測可能な確率変数として共同でモデル化する枠組みを求めています。

2. 手法：BGGL モデル

著者は二変数ガンマ一般化ラプラス（BGGL）分布を導入します。これは、混合ガンマ変数が観測される標準的な GAL モデルの二変数拡張です。

• 確率的表現: $Z \sim N(0,1)$ および $X \sim \text{GAM}(\alpha, \beta)$ を独立とします。確率ベクトル $(X, Y)$ は以下のように定義されます：
  $$Y = \delta + \mu X + \sigma \sqrt{X} Z$$
  ここで、$X$ は観測されたボラティリティの代理変数（またはビジネス時間）を、$Y$ は資産リターンを表します。
• 結合密度: $(X, Y)$ の結合確率密度関数（PDF）が明示的に導出されます。条件付き分布 $Y|X$ が正規分布であり、$X$ の周辺分布がガンマ分布、$Y$ の周辺分布が GAL 分布であることが示されます。
• 指数族の構造: 著者は、BGGL 族が曲線指数族であることを実証しています。これは 5 つのパラメータ（$\alpha, \beta, \delta, \mu, \sigma$）を持ちながら、その十分統計量は 6 次元空間を張ります。この非標準的な構造は、推定量の挙動を理解する上で決定的に重要です。
• フィッシャー情報: 論文ではフィッシャー情報行列（FIM）が導出されます。重要な発見として、形状パラメータ $\alpha \le 1$ の場合、FIM が特定のパラメータ（特に $\delta$ に関連するもの）に対して特異（無限大）となり、非標準的な漸近挙動を示すことがわかります。

3. 主要な貢献

本論文は、3 つの主要な理論的および方法的貢献をなしています：

1. 簡素化された最尤推定（MLE）:
   複雑な尤度関数の数値的最適化を必要とする一変量 GAL モデルとは異なり、二変量の定式化により、位置（$\delta$）、歪み（$\mu$）、スケール（$\sigma$）パラメータに対して明示的な閉形式解が可能になります。

   • $\delta$ および $\mu$ に対する MLE は、誤差分散が $X$ に比例する（切片なしの）重み付き線形回帰モデルにおける最小二乗推定量と完全に一致します。
   • ガンマパラメータ（$\alpha, \beta$）に対する MLE は、$X$ の周辺分布から導出され、閉形式（digamma 関数を含む）で利用可能です。

2. 非標準的漸近理論:
   著者は、MLE の収束率が混合ガンマ分布の形状パラメータ $\alpha$ に強く依存することを確立しています：

   • ケース $\alpha > 1$: 推定量は標準的な $\sqrt{n}$ 収束率で漸近的に正規分布に従います。
   • ケース $\alpha = 1$: 推定量 $\hat{\delta}$ は $\sqrt{n \ln n}$ の速度で収束し、極限分布は分散構造が異なるものの正規分布のままです。
   • ケース $\alpha < 1$: $\hat{\delta}$ の収束率は $n^{1/(2\alpha)}$ に加速します（$\sqrt{n}$ より速い）。重要なのは、極限分布が非正規であり、安定部分順序過程（$\xi_\alpha$）を含むことです。これは、MLE が標準的な速度よりも速く収束するが正規性を失うという、稀な現象です。

3. 金融応用枠組み:
   本論文は、株式リターンとボラティリティを共同でモデル化する新しい方法を提案しています。ボラティリティを潜在状態として扱うのではなく、観測されたボラティリティ指数（VIX）をガンマ分布に従う変数 $X$ に変換し、対 $(X, Y)$ を直接モデル化します。これにより、隠れマルコフモデルの必要性が回避されます。

4. 主要な結果

• 推定量の性質:

  • 推定量 $\hat{\delta}_n$ および $\hat{\mu}_n$ は不偏です。
  • $\alpha > 1$ の場合、推定量の結合分布は漸近的に多変量正規分布に従い、共分散行列はブロック対角行列となります。これは、ガンマパラメータと回帰パラメータの間の漸近的独立性を意味します。
  • $\alpha \le 1$ の場合、推定量 $\hat{\delta}_n$ および $\hat{\mu}_n$ は漸近的に独立となり、これは $\alpha > 1$ のケースには存在しない性質です。

• シミュレーション研究:
  サンプルサイズ $n=50$ および $n=500$ でのシミュレーションは、理論的知見を確認しました。

  • $\alpha = 1$ および $\alpha = 0.25$ の場合、$\delta$ の平均二乗誤差（RMSE）は非常に低く、より速い収束率と一致しています。
  • $\alpha = 2$ および $\alpha = 5$ の場合、$\delta$ の RMSE は増加し、これはより遅い $\sqrt{n}$ 収束率と混合分布における重たい裾の影響を反映しています。

• 実証応用:
  このモデルは、主要な 3 つの米国指数（S&P 500、DJIA、NASDAQ 100）とそのそれぞれのボラティリティ指数（VIX、VXD、VXN）とのペアに対する週次データ（2019–2024 年）に適用されました。

  • 結果: BGGL モデルは、3 つの指数すべてに対して満足度の高い適合を示しました。
  • 診断: 量子 - 量子（QQ）プロットは、回帰から抽出された残差が標準正規分布でよく近似されており、変換されたボラティリティ変数 $X$ がガンマ分布によく適合していることを示しました。
  • 解釈: 著者は変数 $X$ を「予期せぬ」または「サプライズ」ボラティリティ（自己回帰的期待からの現在のボラティリティの逸脱）として解釈し、複雑な時系列依存関係ではなく IID 仮定を用いて、リターンとボラティリティショックの共同ダイナミクスを捉えることを可能にしています。

5. 意義

• 計算効率: 混合変数を観測することにより、本論文は困難な非線形最適化問題を単純な線形回帰問題に変換し、パラメータ推定を著しく扱いやすくしました。
• 理論的洞察: $\alpha < 1$ における非正規極限を伴う超高速収束率（$n^{1/(2\alpha)}$）の発見は、MLE における非標準的漸近挙動に関する文献に、重要な新たなケースを追加しました。
• 実用的金融モデリング: このアプローチは、複雑な確率的ボラティリティ（SV）モデルや GARCH モデルに対する簡潔な代替案を提供します。ボラティリティを潜在状態ではなく観測可能な入力として扱うことで、リスク管理やデリバティブ価格設定に不可欠な、リターンとボラティリティの結合分布のモデリングを簡素化します。

結論として、本論文は理論的確率（二変量混合、安定法則）と実用的金融計量経済学の間の溝を成功裡に埋め、観測されたボラティリティに駆動される資産リターンに対する、堅牢で解析的に扱いやすいモデルを提供しています。