Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting

기술 요약: 금융 자산 가격 예측을 위한 실현 변동성의 베이지안 동적 모델링

문제 제기
금융 예측은 고빈도 데이터를 통합하면서도 단기 변동성 변동에 적응할 수 있는 효율적인 순차적 방법을 요구합니다. 전통적인 접근법은 트레이드오프에 직면해 있습니다. 잠재 로그분산 과정을 사용하는 고전적 확률변동성 (SV) 모델은 유연하지만 계산 집약적이며, 종종 상당한 튜닝이 필요한 마르코프 체인 몬테카를로 (MCMC) 나 파티클 필터링을 요구합니다. 반면, 실현 변동성 (RV) 모델은 경험적 변동성 측정을 직접 예측하지만 종종 가격 - 변동성 공동 상태 공간 밖에서 작동합니다. 하이브리드 모델 (예: Realized SV, Realized GARCH) 은 이러한 요소들을 결합하지만 일반적으로 시뮬레이션 기반 추론이나 정적 우도 최적화에 의존하여, 다수의 자산에 걸친 신속한 온라인 모니터링 및 확장에 필요한 분석적 처리 가능성을 결여하고 있습니다. 본 논문은 시뮬레이션 기반 방법의 부담 없이 단기 예측 및 위험 관리를 개선하기 위해 자산 가격과 실현 변동성을 공동으로 모델링하는 분석적 처리 가능성이 있고 계산적으로 빠른 프레임워크의 필요성을 다룹니다.

방법론
저자들은 자산 가격에 대한 전통적인 베이지안 할인 동적 선형 모델 (DLM) 에 실현 분산에 대한 동적 감마 과정 모델을 통합함으로써 새로운 클래스의 실현 변동성 동적 선형 모델 (RV-DLMs) 을 도입합니다.

1. 모델 구조:

   • 가격 구성 요소: 모델은 잠재 상태 벡터 $\theta_t$와 정밀도 매개변수 $\phi_t$(역분산) 를 활용하여 로그가격 ($y_t$) 에 대한 표준 SV-DLM 구조를 유지합니다. $\phi_t$의 진화는 할인 인자 $\beta$에 의해 제어되는 할인 학습 과정을 따릅니다.
   • 실현 분산 구성 요소: 새로운 관측 방정식은 실현 분산 대리 변수 ($z_t$) 를 $z_t = \eta_t / \phi_t$로 모델링하며, 여기서 $\eta_t$는 감마 분포를 따릅니다. 이는 실현 측정치와 잠재 정밀도 사이의 조건부 감마 관계를 수립합니다.
   • 이변량 통합: $(y_t, z_t)$에 대한 공동 모델은 $z_t$의 주변 예측 분포가 스케일된-F 분포가 되고, $z_t$가 주어졌을 때 $y_t$의 조건부 분포가 Student-t 분포가 되도록 구성됩니다. 이는 근본적인 DLM 의 켤레 정규 - 감마 구조를 보존합니다.

2. 변동성 레버리지 및 피드백 (RVL-DLM):

   • 이 프레임워크는 가격 방정식에서 예측 변수로서 실현 변동성 대리 변수의 포함을 허용합니다. 구체적으로, 회귀 벡터 $F_t$에는 동시 실현 표준편차 ($x_t = \sqrt{z_t}$) 와 시차 값 ($x_{t-1}$) 을 포함할 수 있습니다.
   • 이 공식화는 축약형 레버리지 및 피드백 효과를 포착합니다. 동시 계수는 고빈도 변동성과 가격 변화 간의 즉각적인 연관성을 나타내는 반면, 시차 계수는 단기 효과 포착합니다. 모델은 구조적 비대칭 항을 부과하는 대신 데이터에서 이러한 계수를 순차적으로 학습합니다.

3. 추론 및 계산:

   • 모델은 완전한 분석적 처리 가능성을 유지합니다. 순차적 필터링, 예측, 주변 우도 평가 및 후향 평활화는 폐쇄형 업데이트를 통해 수행됩니다.
   • 한 단계 앞 예측은 직접 구성 시뮬레이션을 통해 달성됩니다: 스케일된-F 예측 분포에서 $z_t$를 추출한 다음, 조건부 Student-t 분포에서 $y_t$를 추출합니다.
   • 이 접근법은 MCMC 와 파티클 필터를 피하며, 표준 DLM 에 비해 무시할 수 있는 추가 계산 비용을 제공합니다.

주요 기여

• 새로운 모델 클래스: 표준 베이지안 SV-DLM 위에 실현 변동성에 대한 동적 감마 과정을 성공적으로 중첩시킨 RV-DLM 과 RVL-DLM 의 도입.
• 분석적 처리 가능성: 시뮬레이션 기반 추론 없이 스케일된-F 및 Student-t 예측 분포를 산출하는 이변량 시스템에 대한 완전한 켤레 베이지안 분석의 유도.
• 고빈도 데이터 통합: 일중 데이터 (OHLC 기반 실현 분산 대리 변수를 통해) 를 잠재 변동성 상태의 순차적 필터링에 직접 통합하여 변동성 추적의 정밀도를 향상시키는 메커니즘.
• 축약형 레버리지 모델링: 상태 공간 프레임워크 내에서 동적으로 학습되는 실현 변동성 예측 변수에 대한 시간 가변 계수를 통한 가격 - 변동성 의존성 (레버리지 및 피드백) 모델링을 위한 유연한 접근법.

실증 결과
저자들은 2000 년부터 2025 년까지의 기간을 대상으로 9 개의 S&P 500 섹터 SPDR ETF 와 S&P 지수 자체의 일별 가격 데이터에 모델을 적용했습니다. 그들은 세 가지 모델을 비교했습니다:

1. SV-DLM: 가격 데이터만 사용하는 전통적인 단변량 기준 모델 (시차 RV 를 고정 예측 변수로 사용).
2. RV-DLM: 시차 실현 변동성 ($x_{t-1}$) 을 예측 변수로 포함하고 직접 변동성 학습을 위해 $z_t$를 사용하는 이변량 모델.
3. RVL-DLM: 시차 ($x_{t-1}$) 와 동시 ($x_t$) 실현 변동성 예측 변수를 모두 포함하는 가장 일반적인 모델.

• 예측 성능: 누적 로그 베이즈 인자는 모든 10 개 시리즈에서 RV-DLM 과 RVL-DLM 변형이 전통적인 SV-DLM 을 일관되게 능가했음을 보여주었습니다. 동시 변동성 예측 변수를 포함하는 RVL-DLM 은 RV-DLM 보다 추가적인 점진적 개선을 제공했습니다.
• 계수 행동: RVL-DLM 에서 동시 계수 ($x_t$) 에 대한 사후 중앙값은 일반적으로 음수였으며, 시차 계수 ($x_{t-1}$) 는 일반적으로 양수였습니다. 이는 고빈도 증거인 음의 동시 수익률 - 변동성 비대칭성과 양의 시차 효과와 일치합니다.
• 강건성: 모델은 특히 시장 스트레스 기간 (예: 2020 년 팬데믹 발발 및 2010 년 플래시 크래시) 에 예측 밀도의 날카로움 향상과 불확실성 감소를 보여주었으며, 이때 실현 변동성 정보가 잠재 상태에 중요한 업데이트를 제공했습니다.

의의 및 주장
본 논문은 RV-DLM 프레임워크가 켤레 할인 학습 필터의 해석 가능성과 속도, 그리고 실현 변동성 모델의 경험적 날카로움 사이의 간극을 연결하는 실용적이고 확장 가능한 금융 예측 솔루션을 제공한다고 주장합니다.

• 효율성: 이 방법은 "계산적으로 직관적인"분석을 제공하며 "무시할 수 있는 추가 계산 비용"을 수반하여, 다변량 포트폴리오 구성 (분리/재결합 접근법) 을 위한 고차원 확장을 가능하게 합니다.
• 실용적 관련성: 모델은 복잡한 구조적 가정을 요구하지 않고 변동성 레버리지 및 피드백 효과의 본질에 대한 문맥적 통찰력을 제공하며, 가격 예측에 미치는 영향을 정량화합니다.
• 예측 개선: 주요 이득은 점 예측의 대규모 변화가 아니라 더 날카로운 예측 분포와 실현 변동성 정보의 더 효율적인 사용에 기인합니다.
• 미래 확장성: 저자들은 폐쇄형 구조가 위시арт (Wishart) 및 다변량-F 분포를 사용하여 다변량 설정으로 자연스럽게 확장된다고 지적하며, 이러한 모델을 보다 광범위한 베이지안 위험 평가 및 거래 시스템의 구성 요소로 위치시킵니다.

이 연구는 실시간 시스템에서 단기 가격 예측 및 위험 특성을 개선하기 위한 견고한 전략으로, 완전한 켤레 순차 모델에 동시 실현 변동성을 통합하는 것이 결론지었습니다.