💰 quantitative finance

A Hybrid Gaussian Process Regression Framework for Stable Volatility-Covariance Estimation: Evidence from Global Equity Indices

本論文は、従来の計量経済モデルに比べてグローバル株式ポートフォリオの規制準拠かつ優れたボラティリティ・共分散予測を実現するために、動的な単変量ボラティリティモデリングと安定した歴史的相関を組み合わせ、さらに積極的なノイズ初期化戦略を統合した新たなハイブリッドガウス過程回帰・歴史シミュレーションフレームワークを導入する。

原著者： Ujjwala Vadrevu

公開日 2026-05-19

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Ujjwala Vadrevu

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、世界の株式市場という海を航行する巨大な船（銀行の投資ポートフォリオ）の船長だと想像してください。あなたの最も重要な仕事は、明日の波の大きさを予測し、嵐を生き延びるために十分な救命ボート（資本）を搭載することです。波が小さすぎると予測すれば、船は沈没します。逆に大きすぎると予測すれば、不要な救命ボートを運ぶことで資金を浪費します。

本論文は、それらの波を予測するための新しい、より賢明な方法、すなわちハイブリッド GPR-HS フレームワークを紹介しています。その仕組みを、簡単な概念に分解して説明します。

1. 古い地図の問題点

長らく、銀行は波を予測するために「古い地図」（GARCH や EWMA などの伝統的な数学モデル）を使用してきました。本論文は、これらの地図には 3 つの重大な欠陥があると主張しています。

海が穏やかだと仮定している: 波は滑らかで予測可能であると期待していますが、実際の市場には「肥った尾（ファットテール）」、つまりこれらのモデルが見逃す突発的で巨大な津波が存在します。
硬直しすぎている: 悪いニュースも良いニュースも海に同様に影響すると仮定しています。しかし実際には、嵐（悪いニュース）は、穏やかな日（良いニュース）よりもはるかに大きな波を起こします。
群れの中で混乱する: 7 隻の異なる船（株式）がどのように連動して動くかを予測しようとすると、これらの古いモデルはしばしば破綻するか、数学的に不可能な答えを導き出します。

2. 新しい解決策：「スマート・ハイブリッド」アプローチ

著者らは、**ガウス過程回帰（GPR）とヒストリカル・シミュレーション（HS）**という 2 つの世界の最良の部分を組み合わせた新しいシステムを構築しました。これは、個々の波にはハイテク気象レーダーを使用し、波同士がどのように相互作用するかには信頼できる歴史書を使用するようなものです。

レーダー（GPR）: 波を硬い形状に押し込めるのではなく、このモデル部分は海の「荒々しさ」を学習します。これはMatern 5/2 カーネルと呼ばれる特別なツールを使用します。海岸線を描こうと想像してください。滑らかな曲線（円のような）は、実際のギザギザした海岸には見えません。Matern カーネルは、滑らかな曲線よりも株価の荒々しく予測不可能な性質をよりよく捉える、ギザギザした現実的なスケッチのようなものです。
歴史書（HS）: レーダーが 1 隻の船が風にどのように反応するかを予測する一方で、歴史書は過去にすべての船がどのように連動して動いたかを見ています。これにより数学が安定し、艦隊が大きくなってもモデルが混乱することを防ぎます。

3. 秘密の武器：「攻撃的なノイズ初期化（ANI）」

これが本論文の最大の革新です。コンピュータに学習させる際、出発点となる推測を与える必要があります。通常、人々は「安全な」推測から始めます。しかし、本論文はこう主張します：「大きくて保守的な推測から始めよ。」

アナロジー: 生徒に運転を教えることを想像してください。静かで空っぽの道から始めれば、彼らは過信するかもしれません。代わりに、著者らはコンピュータにこう指示します：「道が穴だらけで混沌としていると仮定して始めよ。」
結果: この「大きな」仮定（ノイズレベルを実際のデータの荒々しさに等しく設定すること）から始めることで、コンピュータは非常に慎重になることを余儀なくされます。危険を過小評価することはありません。これにより、モデルが誤りを犯した場合でも、安全側に偏る、すなわち必要以上に多くの救命ボートを搭載することになり、規制当局はこれを好みます。

4. 試運転

著者らは、この新しいシステムを 5 年間（2020 年～2025 年）、米国、欧州、日本、インドを含む7 つの主要な世界の株式市場でテストしました。彼らは「フォワード・チェイニング」という手法を使用しました。これは、車の運転中にバックミラーを覗いて不正を働くことなく、フロントガラスを通してのみ前方を見るようなものです。

結果:

安全第一: 新しいモデルは、ポートフォリオ全体において、災害時にどれだけの金額を失うかを測る厳格な「期待ショートファール」テストを100% の確率で合格しました。
旧来の方法より優れている: 精度に関して、標準的な「ヒストリカル VaR（古い地図）」を**71.4%のケースで上回り、安全性（予期せぬ違反の少なさ）においては100%**のケースで優れていました。
保守的な勝利: 一部のケースでは、モデルは実際に発生したよりも少ないクラッシュを予測しました。銀行の世界では、これは「良い失敗」です。これは、銀行が予期せぬ事態に巻き込まれるのではなく、追加の資本を保有して安全であったことを意味します。

5. 結論

本論文は、従来の方法よりもより賢く、柔軟で、安全な金融リスクの測定方法を提案しています。「荒々しい」数学的カーネルを使用して現実世界の混沌を捉え、「保守的な」推測から始めることで、このシステムは銀行が最悪の嵐に備えられることを保証し、不安定で複雑な数学に頼らずとも、厳格な政府規制を満たすことを可能にします。

要約すれば: これは、海が見た目よりも常に荒れていると仮定する新しい航法システムであり、船が決して救命ボートを欠くことがないことを保証します。

技術概要：安定したボラティリティ・共分散推定のためのハイブリッドガウス過程回帰フレームワーク

問題提起
ボラティリティ・共分散行列（VCV）の正確な予測は、内部資本適格性評価プロセス（ICAAP）や包括的資本分析・レビュー（CCAR）といった規制上の資本適格性プロセスにおいて極めて重要です。GARCH ファミリーや指数加重移動平均（EWMA）アプローチを含む従来の計量経済モデルは、現代の金融環境において構造的な重大な限界に直面しています。これらには、パラメトリックな硬直性、正常性仮定への依存（これが「肥厚尾」による尾部リスクの体系的な過小評価を招く）、レバレッジ効果の捉え損ない、およびシステム的ストレス下における非線形依存関係や相関の伝染のモデル化 inability が含まれます。さらに、動的条件付相関（DCC）GARCH のような多変量拡張は、特に大規模な VCV 行列の正定値性（PD）を維持する際に、数値的不安定性に悩まされることが多いです。一方、ガウス過程回帰（GPR）は、非線形かつ時間変化する異分散性をモデル化できる非パラメトリックな代替手段を提供しますが、ポートフォリオ次元へのマルチ出力 GPR（MOGPR）の直接適用は、 $O((N \cdot T)^3)$ の禁止的な計算複雑性と収束失敗をもたらします。

手法
本論文は、個々の資産のボラティリティ推定と資産間相関を分離するように設計された、ハイブリッドガウス過程回帰－歴史シミュレーション（GPR-HS）フレームワークを提案します。

データと前処理: 本研究では、2020 年 6 月 30 日から 2025 年 6 月 30 日までの 7 つの主要なグローバル株式指数（S&P 500、EURO STOXX 50、日経平均 225、FTSE 100、ハンセン指数、ニフティ 50、BSE センセックス）の終値を使用します。データは、同期した取引カレンダーを確保するために前処理され、日次対数収益率に変換されます。
ボラティリティのための単変量 GPR: 個々の資産の条件付き分散は、Matern 5/2 カーネルを用いた単変量 GPR でモデル化されます。このカーネルは、放射基底関数（RBF）カーネルよりも選択されます。その理由は、Matern 5/2 の 2 回微分可能性の仮定が金融収益率に固有の「粗さ」をよりよく反映するのに対し、RBF の無限回微分可能性は理論的に不適切であるためです。不可避な異分散性をモデル化するために、ホワイトノイズカーネルが追加されます。
攻撃的ノイズ初期化（ANI）: 初期ホワイトノイズ分散（ $\sigma_n^2$ $σ_{n}^{2}$ ）を訓練収益率の実証分散に等しく設定するという、新しいハイパーパラメータ戦略が導入されます。これは 3 つの目的を果たします。
- 規制上の慎重性: オプティマイザをより滑らかな構造関数へと駆動し、ストレス VaR（SVaR）要件に整合する保守的なボラティリティ推定値をもたらします。
- 数値的安定性: 初期段階からグラム行列を条件付き良好にし、逆行列計算の失敗を防ぎます。
- 大域収束: 周辺尤度曲面を平坦化し、L-BFGS-B オプティマイザが局所最適解から脱出するのを支援します。
ハイブリッド VCV 構築: ポートフォリオの VCV 行列は、動的な GPR 予測条件付き分散（対角要素）と、拡張訓練ウィンドウから導出された安定した歴史的共分散（非対角要素）を組み合わせることで構築されます。これにより、計算複雑性は $O((N \cdot T)^3)$ から $O(N \cdot T^3)$ に削減されます。
リスク指標の導出: 尖度を捉えるために、自由度 $\nu=5$ の学生 t 分布を仮定して、バリュー・アット・リスク（VaR）と期待ショートフォール（ES）が導出されます。
検証: フレームワークは、2022 年から 2025 年までの拡張ウィンドウ前方連鎖交差検証方式を用いて評価されます。パフォーマンスは、静的な歴史 VaR をベンチマークとして、クピエツ無条件カバレッジ（UC）、クリストファセン条件付カバレッジ（CC）、マクニール・フレ ES バックテスト、および二次損失（QL）関数を通じて評価されます。

主要な貢献
本論文は、以下の 3 つの主要な貢献を行います。

ハイブリッドアーキテクチャ: 動的ボラティリティのための単変量 GPR と、相関のための歴史シミュレーションを組み合わせた新規フレームワークを導入し、完全な MOGPR のスケーラビリティと安定性の制約を解決します。
攻撃的ノイズ初期化（ANI）: グラム行列の正定値性、数値的安定性、および規制に準拠した慎重性を保証する、原理的な初期化戦略を提案します。
クロスマーケット実証検証: 5 年間にわたる 7 つの多様なグローバル株式市場における厳格なバックテストを提供し、異なる市場レジーム全体におけるフレームワークの堅牢性を実証します。

結果

モデル収束: GPR モデルは、訓練履歴の拡大に伴い対数周辺尤度（LML）スコアが単調に増加するという証拠により、7 つの市場すべてで最適収束を達成しました。
単変量パフォーマンス: フレームワークは、ほとんどの指数において条件付カバレッジ（CC）の合格率が 75% から 100% でした。無条件カバレッジ（UC）と期待ショートフォール（ES）における失敗は、主に「過度に保守的」（期待値よりも少ない違反）として特徴付けられ、これは規制の文脈において望ましい失敗モードです。
ポートフォリオレベルのパフォーマンス: ハイブリッドフレームワークは、最も厳格な規制検証である ES テストにおいて、すべての分割で100% の合格率を達成しました。クピエツテストは特定の分割でいくつかの「保守的失敗」（実際の違反数 < 期待値）を示しましたが、条件付カバレッジテストはすべてのケースで合格し、モデルが時間変化するボラティリティを追跡し、違反のクラスター化を伴わないことを確認しました。
ベンチマーク比較: GPR-HS フレームワークは、二次損失（精度）に基づくと単変量ケースの 71.4% で静的な歴史 VaR ベンチマークを上回り、違反数（安全性）に基づくと 100% のケースで優位か同率でした。ポートフォリオレベルの比較では、GPR-HS フレームワークは歴史 VaR に比べて有意に低い二次損失値（例：2022 年は 0.619 対 13.931）を示しました。

意義と主張
本論文は、ハイブリッド GPR-HS フレームワークが、動的ポートフォリオリスク測定のための実行可能かつ規制に準拠した解決策を提供すると主張しています。ボラティリティと相関の推定を分離することで、完全な多変量 GPR の計算および数値的不安定性を克服しつつ、従来の GARCH モデルのパラメトリックな硬直性を回避します。攻撃的ノイズ初期化戦略は、ICAAP および CCAR ストレステストに適した、保守的かつ防御的な予測を確実にする方法論的貢献として強調されています。高い不確実性を伴うアジアのレジームを含む多様なグローバル市場全体で安定性と慎重性を維持するフレームワークの能力は、現代の市場リスク管理のための堅牢なツールとしての有用性を示唆しています。著者は静的な相関仮定の限界を認めていますが、動的ボラティリティ成分が実際にはこれを効果的に補完し、堅牢なポートフォリオレベルのリスク指標をもたらすことに言及しています。今後の研究として、このフレームワークをストレスシナリオ分析への拡張と、SHAP 値を通じたモデル解釈可能性への適用に広げることが予定されています。