Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting

技術的概要：金融資産価格予測における実現ボラティリティのベイズ動的モデリング

問題定義
金融予測には、高頻度データを統合しつつ、短期的なボラティリティの変動に適応できる効率的な逐次手法が求められる。従来のアプローチにはトレードオフが存在する。潜在対数分散過程を用いる古典的 stochastic volatility（SV）モデルは柔軟性が高いが、計算コストが高く、しばしば大規模なチューニングを必要とするマルコフ連鎖モンテカルロ（MCMC）や粒子フィルタに依存する。一方、実現ボラティリティ（RV）モデルは経験的ボラティリティ指標を直接予測するが、多くの場合、価格とボラティリティの結合状態空間の外で動作する。ハイブリッドモデル（例：Realized SV、Realized GARCH）はこれらの要素を組み合わせるが、通常はシミュレーションに基づく推論や静的な尤度最適化に依存しており、多数の資産にわたる迅速なオンライン監視やスケーリングに必要な解析的扱いやすさを欠いている。本論文は、シミュレーションベースの手法の負担なしに、資産価格と実現ボラティリティを結合モデル化し、短期的予測とリスク管理を改善するための、解析的に扱いやすく計算が高速な枠組みの必要性に応えるものである。

手法
著者は、新しいクラスの実現ボラティリティ動的線形モデル（RV-DLMs）を導入する。この枠組みは、実現分散の動的ガンマ過程モデルを統合することで、資産価格に関する従来のベイズディスカウント動的線形モデル（DLMs）を拡張したものである。

1. モデル構造:

   • 価格成分: モデルは対数価格（$y_t$）に対して標準的な SV-DLM 構造を維持し、潜在状態ベクトル $\theta_t$ と精度パラメータ $\phi_t$（分散の逆数）を利用する。$\phi_t$ の進化は、ディスカウント係数 $\beta$ によって制御されるディスカウント学習過程に従う。
   • 実現分散成分: 新しい観測方程式は、実現分散の代理変数（$z_t$）を $z_t = \eta_t / \phi_t$ としてモデル化する。ここで $\eta_t$ はガンマ分布に従う。これにより、実現指標と潜在精度との間に条件付きガンマ関係が確立される。
   • 二変量統合: $(y_t, z_t)$ の結合モデルは、$z_t$ の周辺予測分布がスケーリングされた F 分布となり、$z_t$ が与えられたときの $y_t$ の条件付き分布が学生 t 分布となるように構築される。これにより、基礎となる DLM の共役正規 - ガンマ構造が保持される。

2. ボラティリティのレバレッジとフィードバック（RVL-DLM）:

   • この枠組みでは、価格方程式の予測変数として実現ボラティリティの代理変数を含めることが可能である。具体的には、回帰ベクトル $F_t$ に同時期の実現標準偏差（$x_t = \sqrt{z_t}$）およびラグ値（$x_{t-1}$）を含めることができる。
   • この定式化は、縮約形（reduced-form）のレバレッジ効果とフィードバック効果を捉える。同時期の係数は高頻度ボラティリティと価格変化の即時的な関連性を表し、ラグ係数は短期の効果を捉える。モデルは構造的な非対称項を課すのではなく、状態空間枠組み内でデータからこれらの係数を逐次的に学習する。

3. 推論と計算:

   • モデルは完全な解析的扱いやすさを維持する。逐次フィルタリング、予測、周辺尤度の評価、および事後平滑化は、閉形式の更新によって行われる。
   • 1 歩先予測は、直接の合成シミュレーションを通じて達成される。すなわち、スケーリングされた F 予測分布から $z_t$ を引き、次に条件付き学生 t 分布から $y_t$ を引く。
   • このアプローチは MCMC や粒子フィルタを回避し、標準的な DLM と比較して無視できる程度の追加計算コストで済む。

主要な貢献

• 新規モデルクラス: 標準的なベイズ SV-DLM 上に実現ボラティリティの動的ガンマ過程を重畳させることに成功した、RV-DLM および RVL-DLM の導入。
• 解析的扱いやすさ: 結合システムに対する完全な共役ベイズ分析の導出により、シミュレーションベースの推論なしにスケーリングされた F 分布および学生 t 分布の予測分布を得る。
• 高頻度データの統合: 日内データ（OHLC ベースの実現分散代理変数を介して）を、潜在ボラティリティ状態の逐次フィルタリングに直接統合するメカニズム。これにより、ボラティリティ追跡の精度が向上する。
• 縮約形レバレッジモデリング: 状態空間枠組み内で動的に学習される、実現ボラティリティ予測変数に対する時間変化する係数を通じて、価格 - ボラティリティ依存性（レバレッジおよびフィードバック）を柔軟にモデル化するアプローチ。

実証結果
著者は、2000 年から 2025 年までの期間をカバーする、9 つの S&P 500 セレクトセクター SPDR ETF および S&P 指数自体の毎日価格データにモデルを適用した。3 つのモデルを比較した。

1. SV-DLM: 価格データのみを使用する従来の単変量ベンチマーク（ラグ付き RV を固定予測変数として使用）。
2. RV-DLM: ラグ付き実現ボラティリティ（$x_{t-1}$）を予測変数として組み込み、$z_t$ を直接ボラティリティ学習に使用する二変量モデル。
3. RVL-DLM: ラグ付き（$x_{t-1}$）および同時期（$x_t$）の実現ボラティリティ予測変数の両方を含む、最も一般的なモデル。

• 予測性能: 累積対数ベイズ因子は、RV-DLM および RVL-DLM の両変種が、すべての 10 系列において従来の SV-DLM を一貫して上回ることを示した。同時期ボラティリティ予測変数を含む RVL-DLM は、RV-DLM に対してさらなる漸進的な改善を提供した。
• 係数の挙動: RVL-DLM において、同時期係数（$x_t$）の事後中央値は一般的に負であり、ラグ係数（$x_{t-1}$）は一般的に正であった。これは、高頻度データにおける負の同時期リターン - ボラティリティ非対称性と正のラグ効果という証拠と一致する。
• 頑健性: モデルは、予測密度の鋭敏性の向上と不確実性の低減を示した。特に、2020 年のパンデミックの発生や 2010 年のフラッシュクラッシュなどの市場ストレス期間において、実現ボラティリティ情報が潜在状態に重要な更新をもたらした。

意義と主張
本論文は、RV-DLM 枠組みが、共役ディスカウント学習フィルタの解釈性と速度と、実現ボラティリティモデルの実証的鋭敏性の間のギャップを埋める、実用的でスケーラブルな金融予測ソリューションを提供すると主張する。

• 効率性: この手法は「計算的に直感的」な分析を提供し、「追加計算コストは無視できる」ため、多次元ポートフォリオ構築（デカップル/リカップルアプローチ）へのスケーリングを可能にする。
• 実用性: モデルは、複雑な構造的仮定を必要とせずに、ボラティリティレバレッジおよびフィードバック効果の性質に関する文脈的な洞察を提供し、価格予測への影響を定量化する。
• 予測の改善: 主な利益は、点予測の大幅な変化ではなく、より鋭い予測分布と実現ボラティリティ情報の効率的な利用に起因する。
• 将来のスケーラビリティ: 著者は、閉形式の構造がウィシャート分布および多変量 F 分布を用いて多変量設定に自然に拡張可能であると指摘し、これらのモデルをより広範なベイズリスク評価および取引システムの構築ブロックとして位置づけている。

本研究は、共役逐次モデルに同時期実現ボラティリティを組み込むことが、リアルタイムシステムにおける短期的価格予測およびリスク特性評価を改善するための堅牢な戦略であると結論づけている。