Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law

"Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law"이라는 제목의 논문에 대한 상세한 기술적 요약입니다. 저자는 Kozubowski, Sarantsev, Spiker 입니다.

1. 문제 제기

이 논문은 금융 모델링과 통계적 추론에서 두 가지 주요 과제를 다룹니다:

1. 단변량 모델의 한계: 일반화 비대칭 라플라스 (GAL) 분포 (분산 - 감마 분포로도 알려짐) 는 두꺼운 꼬리와 왜도를 포착할 수 있는 능력으로 인해 자산 수익률 모델링에 널리 사용되지만, 일반적으로 단변량 설정에서 연구됩니다. 이 설정에서 혼합 감마 변수 (확률적 변동성 또는 비즈니스 시간을 나타냄) 는 관측되지 않으므로, 최대우도추정 (MLE) 이 복잡하고 계산 집약적입니다.
2. 관측된 변동성 처리: 많은 금융 맥락에서 변동성 지수 (VIX 등) 는 자산 수익률과 함께 관측됩니다. 표준 확률적 변동성 모델은 종종 변동성을 잠재 (숨겨진) 변수로 취급하여 복잡한 필터링 기법 (예: 은닉 마코프 모델) 을 필요로 합니다. 저자들은 수익률과 변동성 대리 변수가 모두 관측 가능한 확률 변수로 공동 모델링되는 프레임워크를 모색합니다.

2. 방법론: BGGL 모델

저자들은 이변량 감마 - 일반화 라플라스 (BGGL) 분포를 소개합니다. 이는 혼합 감마 변수가 관측되는 표준 GAL 모델의 이변량 확장입니다.

• 확률적 표현: $Z \sim N(0,1)$이고 $X \sim \text{GAM}(\alpha, \beta)$가 독립이라고 합시다. 확률 벡터 $(X, Y)$는 다음과 같이 정의됩니다:
  $$Y = \delta + \mu X + \sigma \sqrt{X} Z$$
  여기서 $X$는 관측된 변동성 대리 변수 (또는 비즈니스 시간) 를 나타내고, $Y$는 자산 수익률을 나타냅니다.
• 결합 밀도: $(X, Y)$의 결합 확률 밀도 함수 (PDF) 가 명시적으로 유도됩니다. 조건부 분포 $Y|X$는 가우스 분포를 따르고, $X$의 주변 분포는 감마 분포를, $Y$의 주변 분포는 GAL 분포를 따르는 것으로 나타납니다.
• 지수족 구조: 저자들은 BGGL 계열이 **곡선 지수족 (curved exponential family)**임을 증명합니다. 5 개의 모수 ($\alpha, \beta, \delta, \mu, \sigma$) 를 가지지만, 충분 통계량은 6 차원 공간을 span 합니다. 이러한 비표준 구조는 추정량의 행동을 이해하는 데 중요합니다.
• 피셔 정보: 논문은 피셔 정보 행렬 (FIM) 을 유도합니다. 주요 발견은 모양 모수 $\alpha \le 1$인 경우, FIM 이 특정 모수 (특히 $\delta$와 관련된) 에 대해 특이 (무한) 해져 비표준 점근적 행동을 나타낸다는 것입니다.

3. 주요 기여

이 논문은 세 가지 주요 이론적 및 방법론적 기여를 합니다:

1. 간소화된 최대우도추정 (MLE):
   단변량 GAL 모델에서는 MLE 가 복잡한 우도 함수의 수치적 최적화를 필요로 하는 반면, 이변량 공식화는 위치 ($\delta$), 왜도 ($\mu$), 스케일 ($\sigma$) 모수에 대한 명시적 폐쇄형 해를 가능하게 합니다.

   • $\delta$와 $\mu$에 대한 MLE 는 가중 선형 회귀 모델 (특히 오차 분산이 $X$에 비례하는 절편이 없는 회귀) 에서의 최소제곱 추정량과 정확히 일치합니다.
   • 감마 모수 ($\alpha, \beta$) 에 대한 MLE 는 $X$의 주변 분포에서 유도되며, 디가마 함수를 포함하는 폐쇄형으로 제공됩니다.

2. 비표준 점근 이론:
   저자들은 MLE 의 수렴 속도가 혼합 감마 분포의 모양 모수 $\alpha$에 결정적으로 의존함을 확립합니다:

   • $\alpha > 1$인 경우: 추정량은 표준 $\sqrt{n}$ 수렴 속도를 갖는 점근적 정규성을 가집니다.
   • $\alpha = 1$인 경우: 추정량 $\hat{\delta}$는 $\sqrt{n \ln n}$ 속도로 수렴하며, 극한 분포는 여전히 가우스 분포이지만 다른 분산 구조를 가집니다.
   • $\alpha < 1$인 경우: $\hat{\delta}$에 대한 수렴 속도는 $n^{1/(2\alpha)}$로 가속화됩니다 ($\sqrt{n}$보다 빠름). 결정적으로, 극한 분포는 **안정 서브디네이터 ($\xi_\alpha$)**를 포함하는 비가우스 분포입니다. 이는 MLE 가 표준 속도보다 빠르게 수렴하지만 정규성을 잃는 드문 현상입니다.

3. 금융 적용 프레임워크:
   이 논문은 자산 수익률과 변동성을 공동으로 모델링하는 새로운 방식을 제안합니다. 변동성을 잠재 상태로 취급하는 대신, 관측된 변동성 지수 (VIX) 를 감마 분포를 따르는 변수 $X$로 변환하고 $(X, Y)$ 쌍을 직접 모델링합니다. 이는 은닉 마코프 모델의 필요성을 제거합니다.

4. 주요 결과

• 추정량 특성:

  • 추정량 $\hat{\delta}_n$과 $\hat{\mu}_n$은 편향되지 않습니다.
  • $\alpha > 1$인 경우, 추정량의 결합 분포는 블록 대각 공분산 행렬을 갖는 점근적 다변량 정규 분포를 따르며, 이는 감마 모수와 회귀 모수 간의 점근적 독립성을 의미합니다.
  • $\alpha \le 1$인 경우, 추정량 $\hat{\delta}_n$과 $\hat{\mu}_n$은 점근적으로 독립이 되는데, 이는 $\alpha > 1$인 경우에는 존재하지 않는 특성입니다.

• 시뮬레이션 연구:
  표본 크기 $n=50$과 $n=500$을 사용한 시뮬레이션은 이론적 발견을 확인합니다.

  • $\alpha = 1$과 $\alpha = 0.25$의 경우, $\delta$에 대한 평균 제곱근 오차 (RMSE) 가 매우 낮아 더 빠른 수렴 속도와 일치합니다.
  • $\alpha = 2$와 $\alpha = 5$의 경우, $\delta$에 대한 RMSE 가 증가하여 느린 $\sqrt{n}$ 수렴 속도와 혼합 분포의 두꺼운 꼬리 영향을 반영합니다.

• 실증 적용:
  이 모델은 2019 년부터 2024 년까지의 주간 데이터를 사용하여 세 가지 주요 미국 지수 (S&P 500, DJIA, NASDAQ 100) 와 각각의 변동성 지수 (VIX, VXD, VXN) 에 적용되었습니다.

  • 결과: BGGL 모델은 세 지수 모두에 대해 만족스러운 적합도를 제공했습니다.
  • 진단: 분위수 - 분위수 (QQ) 플롯은 회귀에서 추출된 잔차가 표준 정규 분포로 잘 근사되며, 변환된 변동성 변수 $X$가 감마 분포에 잘 적합됨을 보여주었습니다.
  • 해석: 저자들은 변수 $X$를 "예상치 못한" 또는 "서프라이즈" 변동성 (자기회귀 기대치로부터의 현재 변동성 편차) 으로 해석하며, 이를 통해 복잡한 시계열 의존성 대신 IID 가정을 사용하여 수익률과 변동성 충격의 공동 역학을 포착할 수 있음을 보여줍니다.

5. 중요성

• 계산 효율성: 혼합 변수를 관측함으로써, 이 논문은 어려운 비선형 최적화 문제를 간단한 선형 회귀 문제로 변환하여 모수 추정을 훨씬 더 다루기 쉽게 만듭니다.
• 이론적 통찰: $\alpha < 1$에 대한 비가우스 극한과 결합된 초고속 수렴 속도 ($n^{1/(2\alpha)}$) 의 발견은 MLE 의 비표준 점근적 행동에 관한 문헌에 중요한 새로운 사례를 추가합니다.
• 실용적 금융 모델링: 이 접근법은 복잡한 확률적 변동성 (SV) 및 GARCH 모델에 대한 간결한 대안을 제공합니다. 변동성을 잠재 상태가 아닌 관측 가능한 입력으로 취급함으로써, 위험 관리와 파생상품 가격 결정에 필수적인 수익률과 변동성의 결합 분포 모델링을 단순화합니다.

결론적으로, 이 논문은 이론적 확률 (이변량 혼합, 안정 법칙) 과 실용적 금융 계량 경제학 사이의 간극을 성공적으로 연결하여, 관측된 변동성에 의해 주도되는 자산 수익률을 위한 견고하고 분석적으로 다루기 쉬운 모델을 제시합니다.