2016 Fiscal Year Research-status Report
データ駆動型アプローチによる高頻度での金融資産価格形成メカニズムの研究
| Project/Area Number |
16K03602
|
|---|
| Research Institution | Keio University |
|---|
Principal Investigator |
中妻 照雄 慶應義塾大学, 経済学部(三田), 教授 (90303049)
|
|---|
| Project Period (FY) |
2016-04-01 – 2019-03-31
|
| Keywords | 金融高頻度データ / 取引間隔 / ボラティリティ / 板情報 / ベイズ推定 / マルコフ連鎖モンテカルロ法 / 粒子フィルター / モデル選択 |
|---|
| Outline of Annual Research Achievements |
平成28年度は、金融市場における高頻度データ（取引単位で記録されたデータ）の特徴を捉えることができる時系列モデルの構築とそのベイズ推定のための手法の開発に取り組んだ。特に(1)市場で取引が成立する（約定する）間隔のモデル化と(2)短期間における資産収益率のボラティリティ（分散）のモデル化という2つのテーマに注力した。
第1のテーマである約定間隔のモデル化においては、日中季節性と呼ばれる高頻度データ特有のパターンに注意しなければならない。日中季節性とは、金融市場における取引の約定間隔は市場が始まった直後と閉まる直前で短くなり、途中の時間帯では反対に長くなる傾向のことを指す。本研究では、先行研究が推定の前処理として除去していた日中季節性を時系列モデルの中で他のパラメータと同時にマルコフ連鎖モンテカルロ法でベイズ推定する方法を提案した。さらに本研究の提案手法を東京商品取引所の先物取引の高頻度データに適用し、その有効性を検証した。そして、この研究成果を国内外の学会で報告し、学会の参加者から得た貴重なフィードバックを参考にして、現在論文にまとめているところである。
第2のテーマに関連して、日々の終値の変化を収益率としてボラティリティのモデルを推定する研究は多数存在する。しかし、短い時間（例えば5分間）での収益率においては先述の日中季節性の影響を無視することはできない。この場合の日中季節性では、先ほどの約定間隔とは逆に、市場が始まった直後と閉まる直前でボラティリティは大きくなり、途中の時間帯では小さくなる傾向が見られる。この研究でも日中季節性をボラティリティ・モデルの中で他のパラメータと同時に推定する方法を提案し、東京商品取引所の先物取引の高頻度データに適用して、その有効性を検証した。この研究成果も国内の研究集会で報告済みであり、現在論文にまとめているところである。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
平成28年度は、高頻度データにおける約定間隔のモデルとボラティリティ・モデルという2種類の時系列モデルをベイズ推定するためのマルコフ連鎖モンテカルロ(MCMC)法の効率的なアルゴリズムの開発と推定アルゴリズムをMATLABで実行するためのコードの作成に注力した。推定対象となるモデル（約定間隔はSCDモデル、ボラティリティはSVモデル）が非線形非正規の状態空間モデルという複雑で推定に相当時間がかかるものであるため、効率的なアルゴリズムとコードの作成にはかなりの時間と労力を割いた。しかし、その甲斐もあって完成したアルゴリズムは、計算効率が高いだけでなく柔軟な拡張も可能なものとなっている。さらに平成28年度の予算で高速計算が可能なワークステーションを購入したことで、計算時間も大幅に短縮され、研究も大いに捗った。また、研究代表者が指導する2名の学生（中北誠、鳥谷部智規）が研究協力者としてコードの作成とデータの整理の作業に従事し、研究の遂行のために尽力してくれた。同時に両名は学会等での研究報告も担当している。
|
| Strategy for Future Research Activity |
平成28年度は、東京商品取引所の先物取引の高頻度データを使用してプロトタイプとなるモデルの開発を進めた。平成29年度は、この延長線上でモデルの高度化のための研究を進める方針である。まずプロトタイプを発展させて板情報（ある時点での売買注文の状況）を活用したモデルへの拡張を試みる。そして、この新モデルを推定するためのアルゴリズムの開発とコードの作成を進め、東京証券取引所の上場株式の高頻度取引データを使いてモデルの検証を行う。この作業を進めるために、株式の個別銘柄の高頻度取引データを購入し、すでに平成28年度の予算で購入したワークステーションを活用して、分析が容易になるように高頻度データを整理してデータベースの構築を行う。さらに、平成29年度は本研究に協力してくれる学生を増員し、より一層の作業の効率化を目指す予定である。
|
