Network Time Series Models for Multivariate Volatility Forecasting

技術要約：多変量ボラティリティ予測のためのネットワーク・タイムシリーズ・モデル

問題提起
実現ボラティリティ（RV）の正確な予測は、金融リスク管理および意思決定において極めて重要である。HAR（Heterogeneous Autoregressive）モデルは、その簡潔性と、日次、週次、月次のボラティリティ成分を捉える能力により、単変量RV予測の標準的なベンチマークとなっているが、これを多変量設定へと拡張することには課題が伴う。ベクトルHAR（VHAR）モデルのような従来の多変量アプローチは、資産数が増加するにつれて過剰パラメータ化に陥りやすく、推定の不安定性を招く。さらに、既存の多変量モデルは、クロスセクショナルなスピルオーバー（波及効果）や資産間のネットワーク依存関係に関する事前情報を、簡潔な形で明示的に組み込むことができないことが多い。グラフベースの手法は実現共分散行列に対して適用されているが（HAR-DRD）、実現分散プロセスのベクトルに対して直接適用することは、未だ十分に探索されていない。

手法
著者らは、HARモデルの階層的なマルチホライゾン構造と、一般化GNAR（Generalised Network Autoregressive）プロセスを統合したGNHAR（Generalised Network Heterogeneous Autoregressive）モデルを提案している。

1. モデルの仕様:

   • GNHARモデルは、自己回帰項とネットワークに基づくラグ項を組み合わせることで、対数変換された実現分散のベクトル $X_t$ を予測する。
   • モデルは、ノードが資産を表し、エッジがスピルオーバー効果を表すグラフ $G = (V, E)$ を利用する。
   • 日次、週次、月次の集計成分（$X^{(d)}, X^{(w)}, X^{(m)}$）を組み込み、重み付き隣接行列 $W^{(r)}$ を通じて特定の段階までのネットワーク依存性（$s^{(d)}, s^{(w)}, s^{(m)}$）を許容する。
   • 2つのパラメータ化戦略を採用している：individual-$\alpha$（ノード固有の自己回帰係数）と global-$\alpha$（全ノード共通の係数）であり、後者は大幅なパラメータの簡潔性（標準的なVARの $O(pN^2)$ に対し $O(p + \sum s_l)$）を提供する。

2. 拡張:

   • ジャンプ・連続分解（JC-GNHAR）: 実現分散の連続パス成分とジャンプ成分を個別にモデリングするために、Andersen et al. (2007) の手法に従ってフレームワークを拡張している。これにより、連続的な情報フローによるボラティリティのスピルオーバーと、急激な価格ジャンプによるものとの分離が可能になる。
   • 外生変数（GNHARX）: ノード固有の外生プロセス、具体的にはオプション・インプライド・ボラティリティ（IV）を含めるようにGNHARを一般化した。これにより、将来予測的な市場期待の統合が可能となる。

3. ネットワーク構築:

   • 本研究では、4種類のネットワーク構造を評価している：
     • 完全結合（Fully Connected）: 一様な相互依存を仮定する。
     • グレンジャー因果（GC）: ベンジャミーニ・ホックバーグ法またはボンフェローニ補正を用いたグレンジャー因果検定から推論された有向グラフ。
     • 連結性指数（CI）: ディボールド＝イロマ・コネクテッドネス指数（Diebold-Yilmaz connectedness index）から導出された、直接的および間接的なショック伝播を捉える有向かつ重み付きのグラフ。
   • ネットワークは、時変的な依存関係を捉えるために、ローリングウィンドウを用いて動的に構築される。

4. 実験設計:

   • データ: 2013年8月から2022年1月までの、世界10の主要株価指数（米国、欧州、アジア、インド）の5分間実現分散データ。
   • 評価: ローリングウィンドウ法（1000日）を用い、予測ホライゾン $h = 1, 5, 10, 22, 44$ においてアウトオブサンプル予測を行う。
   • 指標: 性能は平均絶対予測誤差（MAFE）および平均二乗予測誤差（MSFE）によって評価される。統計的有意性は、モデル・コンフィデンス・セット（MCS）およびディボールド・マリアノ（DM）検定を通じて検証される。

主な結果

• 予測性能: GNHARモデルは、すべてのホライゾンおよびネットワーク構造において、単変量HARベンチマークを一貫して上回った。性能の差は予測ホライゾンが長くなるにつれて拡大し、最良のネットワークモデルは、ベンチマークと比較して $h=44$ において最大40%のMAFE減少を示した。
• 最適構成:
  • Global-$\alpha$ vs. Individual-$\alpha$: Global-$\alpha$ 仕様は、不安定でありモデル・コンフィデンス・セットから除外されることが多いIndividual-$\alpha$ 仕様を大幅に上回った。
  • ネットワークの選択: CI22（ホライゾン22における連結性指数）ネットワークに基づくモデルが、一般に最も低い誤差を示した。これは、より長いホライゾンの連結性指標の方が、日次のノイズを効果的に除去し、持続的なシステム的関係をより良く捉えられることを示唆している。
  • ネットワークの次数: 次数 $(1, 0, 1)$（日次および月次のネットワーク依存性を組み込む）が、特に短期予測において、しばしば最良の結果をもたらした。
• ジャンプ・連続分解:
  • JC-GNHARモデルは、重み付きネットワーク（CI1, CI22）と組み合わせた場合、$h=1$ において最大38%のMAFE減少を達成し、ベンチマークを大幅に改善した。
  • しかし、誤設定された構成（例：individual-$\alpha$）の下では、標準的なGNHARの方が頑健である。DMテストによれば、最適な設定（例：CI22上のglobal-$\alpha$）においてはJC-GNHARがGNHARを上回ることができる一方で、標準的なGNHARは様々な構成において一般的に高い安定性を示す。
• 外生変数: GNHARXフレームワークを介したオプション・インプライド・ボラティリティ（IV）の導入について検討した。研究の結果、global-$\lambda$ 仕様はindividual-$\lambda$ 仕様よりも優れており、外生変数の高次ラグは数値的不安定性を招くことが判明した。

意義および主張
本論文は、有向グラフを通じてクロスセクショナルなスピルオーバーを明示的に組み込んだ、簡潔な多変量タイムシリーズ仕様を提供すると主張している。過剰パラメータ化されたベクトル自己回帰モデルとは異なり、GNHARアプローチは、市場間の依存関係の強化または弱体化を追跡できる簡潔なパラメータセットを提供し、時変的な市場の安定性の定量的評価を可能にする。

著者らは、主に以下の3つの貢献を強調している：

1. 直接的なベクトルモデリング: 実現共分散行列だけでなく、実現分散プロセスのベクトルに対して直接、ネットワーク・タイムシリーズの枠組みを適用したこと。
2. 新規な分析: ジャンプ・連続分解とグラフィカル構成の相互作用の調査、およびノード固有のオプション・インプライド・ボラティリティを外生プロセスとして検討したこと。
3. 解釈可能性: 推定された係数が、個々の銘柄のダイナミクスとそれらの相互作用の大きさを理解するための洞察を提供し、平穏な時期と金融危機（例：COVID-19の発生）の両方における階層的HAR成分の役割を明確にすること。

本研究は、ネットワークベースのリニアモデルが、ベースラインのHARフレームワークよりも資産間の相互接続をより効果的に説明できるだけでなく、非線形グラフニューラルネットワークに共通する過学習の問題を回避しつつ、解釈可能性を維持できると結論付けている。