2017 Fiscal Year Research-status Report
高次元データ解析のためのファクター選択に関する研究
| Project/Area Number |
16K03590
|
|---|
| Research Institution | Otaru University of Commerce |
|---|
Principal Investigator |
劉 慶豊 小樽商科大学, 商学部, 教授 (60378958)
|
|---|
| Project Period (FY) |
2016-04-01 – 2019-03-31
|
| Keywords | Model selection / Model averaging / Volatility model / Diffusion index model / Factor model / 非線形回帰モデル / GARCH型モデル |
|---|
| Outline of Annual Research Achievements |
今年度において以下の方面で研究を進めています。
１、前年度の続きで非線形回帰モデルに関してモデル選択法と平均法に関する論文を国際学会などで報告し、 学術誌に投稿して来ました。Econometricaにリジェクトされましたが、査読者の貴重なアドバイスをもとに大幅リバイズした後Journal of Econometricsに投稿しました。今は５ヶ月経って結果を待っています。この研究では構築したモデル平均法のための情報量基準にモデルの関数型の複雑さに関するペナルティーを導入したため、既存の方法より優れたパフォーマンスをもたらしました。
2、前年度で論文掲載を実現したGARCHモデルの平均法を拡張して他のGARCH型モデルにも適用できるモデル平均法を構築して論文を作成しました。この研究では、GARCHモデル、EGARCHモデル、GJRモデルなどを含め、殆ど全てのGARCH型ボラティリティーモデルにに適用できる平均法を構築し、モデル平均の最適なウエイトを推定するための情報量基準を提供しました。KL情報量基準の最小化を実現できることを証明した上、シミ ュレーション実験で既存の方法と比較を行い、優れたパフォーマンスを示しました。さらに実証研究でrealized volatilityの予測に応用して既存方法より優れたパフォーマンスを持っていることを示しました。この論文は６月と７月に国際学会で発表する予定です。
3、Deep Learningによる高次元データのファクター抽出と選択する方法を構築してDiffusion Index (DI)モデルへの適用を引き続き検討しています。最初の段階としてFactor-Augmented Regressionへの応用に関してCheng and Hansen (2015)の方法を参考にDeep Learningによるファクターの抽出法の構築を検討います。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
今年度の研究では、前年度に掲載を実現した論文を拡張してGARCHモデルだけではなく他のGARCH型モデルにも適用できる分散不均一性を持ったモデルのための平均法を構築して論文を作成しました。また、前年度で完成したもう一本の論文を修正して再投稿し論文掲載の実現へ進んでいます。また、高次元時系列データDiffusion Index (DI)モデルのためのファク ター選択法の構築に関してDeep learningを適用するというアイデアを見出して最新な方法の開発を進めています。
|
| Strategy for Future Research Activity |
基本的に研究計画の内容を完成していきます。その上、今までの研究の中で発見した新しいアイデアを十分発展させて、当初の研究計画以上のより多くの研究成果を出せるように研究に努めます。
|
| Causes of Carryover |
2018年10月より1年間、研究を一層発展させるためにColumbia University in the City of New Yorkに滞在しサバティカルする予定です。多額な研究費が必要になると予想します。旅費、滞在費及び現地での研究用消耗品やパソコンなどの購入が必要になります。
|
