Nonparametric Testing and Variable Selection for ARCH-m(X) Model

아드리아노 잠봄 (Adriano Zambom) 과 청 왕 (Qing Wang) 의 논문 **"ARCH-m(X) 모델에 대한 비모수적 검정과 변수 선택"**에 대한 상세한 기술적 요약입니다.

1. 문제 제기

이 논문은 외생 공변량 (exogenous covariates) 이 확장된 자기회귀 조건부 이분산 (ARCH) 및 일반화된 ARCH (GARCH) 프레임워크, 즉 ARCH-X/GARCH-X 내에서 기존 금융 변동성 모델링의 두 가지 치명적인 한계를 다루고 있습니다:

1. 함수형 오설정 (Functional Form Misspecification): 전통적인 ARCH-X 모델은 외생 공변량 ($X$) 과 조건부 분산 ($\sigma^2_t$) 간의 모수적 (일반적으로 선형) 관계를 가정합니다. 금융 변동성은 종종 거시경제 지표나 상품 가격과 같은 외부 요인에 대해 복잡하고 비선형적인 반응을 보입니다. 선형 구조를 강요하면 편향된 추정과 무효한 추론으로 이어집니다.
2. 비모수적 환경에서의 변수 선택: 선형 시계열 모델에 대한 변수 선택 방법은 존재하지만, 관계가 비모수적일 때 관련 외생 공변량을 선택하기 위한 확립된 절차는 없습니다. 기존 방법들 (예: 페널티화된 가능도) 은 고차원 공변량 부분집합에 대해 계산적으로 prohibitive 하거나 비선형 의존성을 포착하지 못합니다.

2. 방법론

A. ARCH-m(X) 모델

저자들은 다변량 외생 벡터 $X_t \in \mathbb{R}^d$의 조건부 분산에 대한 영향을 알려지지 않은 비모수 함수 $m(\cdot)$를 통해 모델링하는 ARCH-m(X) 모델을 제안합니다. 이는 준모수적 확장입니다:
$$\begin{cases} \epsilon_t = z_t \sigma_t \\ \sigma^2_t = \sum_{j=1}^p \alpha_j \epsilon^2_{t-j} + m(X_{t-1}) \end{cases}$$
여기서 $z_t$는 평균 0, 분산 1 인 i.i.d. 오차항입니다. 함수 $m(\cdot)$는 $X$의 다변량 특성을 처리하기 위해 텐서곱 B-스플라인 (시뮬레이션에서는 커널 평활화) 을 사용하여 근사됩니다.

B. 비모수적 가설 검정

특정 공변량 $X_\ell$의 유의성을 검정하기 위해 저자들은 새로운 가설 검정을 개발합니다:

• 귀무가설 ($H_0$): $m(X_t) = m_\ell(X_{t}^{-\ell})$, 즉 $X_\ell$은 분산에 기여하는 한계적 기여도가 없음.
• 검정 통계량 구성:
  • 이 방법은 인공 일원 분산분석 (one-way ANOVA) 설계를 활용합니다.
  • 공변량 값 $X_{\ell t}$의 근접성에 기반하여 $H_0$ 하의 모델로부터 얻은 잔차 $\hat{v}_t$를 "윈도우"로 그룹화합니다.
  • 검정 통계량 $T_n$은 이러한 그룹화된 잔차의 처리 평균 제곱 ($MST_n$) 과 오차 평균 제곱 ($MSE_n$) 의 차이로 정의됩니다.
• 점근적 분포: 정규성 조건 ( $m(\cdot)$의 매끄러움과 $X$의 밀도 포함) 하에서, 저자들은 표준화된 검정 통계량이 표준 정규 분포로 수렴함을 증명합니다:
  $$\left(\frac{n}{k_n}\right)^{1/2} T_n \xrightarrow{d} N(0, 4\tau^2/3)$$
  여기서 $k_n$은 윈도우 크기이고 $\tau^2$는 오차항의 분산입니다.

C. 변수 선택 절차

가설 검정을 바탕으로 저자들은 변수 선택 프레임워크를 제안합니다:

1. p-값 계산: 검정 통계량의 점근적 정규 분포를 기반으로 각 공변량에 대한 p-값을 계산합니다.
2. FDR 통제: 서로 다른 공변량에 대한 검정 통계량이 의존적일 수 있으므로, Benjamini-Yekutieli (BY) 절차를 적용하여 거짓 발견률 (FDR) 을 통제합니다.
3. 선택 규칙: BY 보정에 의해 결정된 임계값까지 가장 작은 p-값을 가진 공변량에 대한 귀무가설을 기각합니다.
4. 일관성: 저자들은 표본 크기 $n \to \infty$로 갈 때, FDR 임계값 $\alpha_n$이 특정 비율로 감소하는 한, 정확히 관련 있는 공변량의 참 집합 ($I_0$) 을 선택할 확률이 1 에 수렴함을 증명합니다.

3. 주요 기여

1. 모델 혁신: 외부 요인이 변동성을 어떻게 주도하는지에 대한 유연한 비모수적 모델링을 허용하는 선형 가정 완화인 ARCH-m(X) 모델 도입.
2. 새로운 검정 통계량: 비모수적 구성 요소에 대한 표준 가능도비 검정은 도출이 어렵다는 점과 대조적으로, 인공 일원 분산분석 구조를 활용한 비모수적 가설 검정 개발. 이 검정은 분산 기반 통계량의 점근적 정규성에 의존합니다.
3. 이론적 보장:
   • 귀무가설과 국소적 대립가설 하에서 검정 통계량의 점근적 정규성 증명.
   • 확률이 1 로 수렴하는 방식으로 참 활성 집합을 회복함을 보여주는 변수 선택 일관성 증명.
4. 계산적 실현 가능성: 고차 B-스플라인 최적화와 관련된 "차원의 저주"를 피하기 위해 커널 평활화를 사용하여, 시뮬레이션에서 최대 10 개의 공변량까지 고차원 환경에서도 이 방법이 효과적으로 작동함을 입증.

4. 결과

시뮬레이션 연구

저자들은 그들의 방법 (ARM) 을 다음과 비교하여 광범위한 시뮬레이션을 수행했습니다:

• 선형 벤치마크: Francq 와 Thieu (2019) 의 선형 $m(X)$를 가정하는 방법.
• LASSO: L1 페널티가 적용된 선형 모델.

주요 발견:

• 비선형 시나리오: 2 차, 사인파, 또는 상호작용 효과 (비가법적) 를 가진 모델에서 제안된 ARM 방법은 경쟁자보다 현저히 우수했습니다. 선형 벤치마크는 활성 공변량을 탐지하지 못했고 (낮은 검정력), LASSO 는 많은 무관한 변수를 선택했습니다 (높은 거짓 발견).
• 선형 시나리오: 순수한 선형 사례 (Model 7) 에서 기대대로 선형 벤치마크가 가장 잘 수행되었으나, ARM 도 경쟁력 있었습니다.
• 강건성: 이 방법은 정규, Student-t, Laplace 오차 분포 전반에 걸쳐 올바른 경험적 크기 (제 1 종 오류) 를 유지했습니다.
• 변수 선택: 표본 크기가 증가함에 따라 ARM 은 참 공변량을 거의 완벽하게 선택하고 노이즈 변수를 배제하는 반면, LASSO 는 비선형 환경에서 신호와 노이즈를 구분하는 데 어려움을 겪었습니다.

실증 적용 (S&P 500)

이 모델은 11 개의 후보 공변량 (글로벌 주식 시장, 상품, 통화) 을 가진 S&P 500 로그 수익률에 적용되었습니다.

• 선택된 공변량: 아시아 시장, 원유, 금, 철강, 유럽 시장.
• 해석: 결과는 경제적 직관과 부합합니다:
  • 글로벌 시장: 아시아와 유럽의 유의성은 글로벌 상호의존성을 확인시켜 줍니다.
  • 상품: 원유와 금은 거시경제적 불확실성과 위험 감성 (안전 자산 지위) 을 반영합니다.
  • 산업: 철강은 실물 부문 기초 조건과 변동성 간의 연결을 나타냅니다.
• 배제: 중국 시장, USD 지수 등은 FDR 보정 후 유의하지 않았으며, 이는 선택된 다른 요인들을 고려할 때 그들의 한계적 기여도가 제한적임을 시사합니다.

5. 의의

이 논문은 고차원 비모수적 변동성 모델링을 위한 엄격한 통계적 프레임워크를 제공합니다. 그 의의는 다음과 같습니다:

• 이론과 실무의 연결: 금융 계량경제학에서 "비선형성 대 해석 가능성"의 트레이드오프에 대한 해결책을 제시합니다.
• 신뢰할 수 있는 추론: 점근적 정규성과 일관성을 확립함으로써, 특정 함수형을 가정하지 않고도 어떤 외부 요인이 변동성을 주도하는지에 대한 유효한 통계적 주장을 할 수 있게 합니다.
• 실용적 유용성: S&P 500 데이터에 대한 적용은 비선형 외부 요인을 무시하는 것이 누락된 변수 편향을 초래함을 보여주며, 제안된 방법은 시장 변동성의 가장 경제적으로 관련 있는 요인들을 성공적으로 분리해 낸다는 것을 입증합니다.

요약하자면, 잠봄과 왕은 외부 충격에 의해 주도되는 복잡한 변동성 역학을 모델링하기 위한 금융 분석가들을 위한 견고한 도구 세트를 제공하며, 통계적 및 경제적으로 유의미한 변수만이 모델에 포함되도록 보장합니다.