A Riemannian Factor Model for Manifold-Valued Time Series

技術要約：多様体値時系列のためのリーマン因子モデル

問題提起
本論文は、ユークリッド空間ではなく、非線形リーマン多様体に本質的に存在する高次元時系列データの分析における課題に対処している。このようなデータは、経済学（組成時系列）、金融（時変共分散行列）、医学的画像（拡散テンソル画像）、ゲノミクスなど、多様な分野で発生する。主成分測地線解析（PGA）や関数型PCAなどの既存の次元削減手法は、通常、独立したサンプルに焦点を当てるか、固定された多様体次元を仮定している。さらに、古典的な線形因子モデルは、ベクトル加算やスカラー倍が非線形空間では定義できないため、多様体値データには適していない。また、線形部分空間への投影は幾何学的な誤設定を招く。リーマン時系列における次元削減において、時間的依存性と、多様体の次元 $p$ がサンプルサイズ $n$ と共に発散する高次元漸近論の両方を考慮した厳密な統計的枠組みが不足している。

手法：リーマン因子モデル (RFM)
著者らは、潜在因子を通じて多様体値時系列 $x_t \in \mathcal{M}$ のダイナミクスを捉えるフレームワークである「リーマン因子モデル (RFM)」を提案する。モデルは次のように定式化される：
$$x_t = \text{Exp}_\mu(z_t)$$
ここで、$\mu \in \mathcal{M}$ は固定された参照点（フレシェ平均）であり、$z_t$ は接空間 $T_\mu\mathcal{M}$ における平均ゼロの潜在時系列である。潜在プロセスは、接空間内において線形因子構造に従う：
$$z_t = A f_t + \delta_t$$
ここで、$f_t \in \mathbb{R}^r$ ($r \ll p$) は潜在因子を表し、$A$ は因子を接空間へ写す等長線形作用素であり、$\delta_t$ はホワイトノイズである。

推定手順:

1. フレシェ平均の推定: 参照点 $\mu$ は、測地距離の二乗和を最小化することによって推定される：$\hat{\mu} = \arg\min_{y} \sum d_\mathcal{M}(y, x_t)^2$。
2. 接空間への投影: データは、対数写像を用いて推定された平均における接空間へと写される：$\hat{z}_t = \text{Log}_{\hat{\mu}}(x_t)$。
3. 因子の抽出: ユークリッドデータに関する Lam et al. (2011) の手法に従い、ローディング空間は接空間データの自己共分散作用素を用いて推定される。具体的には、サンプル自己共分散行列 $\hat{S}(h)$ を計算し、作用素 $\hat{L} = \sum \hat{S}(h)\hat{S}(h)^*$ を形成する。$\hat{L}$ の主要な固有ベクトルが、推定されたローディング空間を定義する。
4. 因子選択: 因子の数 $r$ は、$\hat{L}$ の固有値に基づく比率推定器、具体的には $\hat{\lambda}_{i+1}/\hat{\lambda}_i$ を最小化することによって選択される。
5. 予測: 予測は、指数写像を通じて推定された因子を多様体へと写すことで生成され、出力が厳密に多様体の制約に従うことを保証する。

理論的貢献と結果
本論文は、多様体の次元 $p$ が $n \to \infty$ とともに $p \to \infty$ となる高次元漸近レジームにおける、RFM推定量の整合性と収束率を確立している。

• 収束率: 短期記憶および強因子条件の下で、著者らは、推定されたローディング空間が、次元に依存しない速度 $O_p(n^{-1/2})$ で真のローディング空間に収束することを証明している。これは、ユークリッド空間における高次元線形因子モデルの収束率と一致する。
• 接空間の不一致の処理: 主要な理論的課題は、真のローディングと推定されたローディングが異なる接空間（$T_\mu\mathcal{M}$ と $T_{\hat{\mu}}\mathcal{M}$）に存在することである。著者らは、測地三角形に沿って平行移動された接ベクトルを境界付けるために、ホロノミーを用いた新しい手法を導入し、周囲のユークリッド空間を必要とせずに部分空間を厳密に比較することを可能にした。
• 仮定: 理論は、データのフレシェ平均への集中、断面曲率の境界、および時間的依存性の特定の減衰率（例：$\alpha$-混合過程）に関する仮定に依存している。
• 適用可能性: 結果は、不完全であり非負の断面曲率を持つブレス・ワッサースタイン多様体にも適用されることが示されている。これは、完全性の仮定により従来の手法が失敗しやすい設定である。

実証評価

• シミュレーション: RFMは、ブレス・ワッサースタイン多様体および球面の直積多様体上の合成時系列を用いてテストされた。結果は、特に因子の数が少ない場合に、RFMが線形因子モデル (LFM) よりも低い擬似予測誤差（相対測地平均二乗誤差で測定）を達成することを示している。比率推定器は、高い頻度（$n=100$ で80%超）で真の因子数を特定した。
• 実データへの適用: モデルは、米国選定12銘柄（IT、金融、エネルギーセクター）の月次実現共分散行列（ブレス・ワッサースタイン多様体内の時系列としてモデル化）に適用された。RFMは、市場全体およびセクター固有の効果を捉える解釈可能な因子を提供し（市場因子はVIX指数を密接に追跡している）、EWMAなどの既存の手法と比較して競争力のあるアウトオブサンプル予測性能を示した。

意義と主張
著者らは、本研究が、リーマン時系列のために特別に設計された最初の因子モデルであり、かつ理論に裏付けられた推定を行う最初の次元削減手法であると主張している。先行研究との主な相違点は以下の通りである：

1. 動的相関: 分散共分散作用素に依存するPCA型の手法とは異なり、RFMは自己共分散作用座を利用するため、ノイズにおける任意の相互相関を許容し、主成分ベースのモデルで一般的な識別問題を回避できる。
2. ブレス・ワッサースタイン幾何: これは、ブレス・ワッサースタイン多様体への因子モデリングの最初期の適用の一つであり、より一般的に用いられるアフィン不変または対数ユークリッド幾何とは異なる、最適輸送理論から導かれる自然な計量を提供する。
3. 高次元理論: 本論文は、多様体の次元が発散する高次元レジームにおいて、平行移動と接空間の不一致の幾何学的複雑さを対処するためにホロノミーを用いた新しい証明手法を用いて、推定と因子選択に関する厳密な理論的保証を提供している。