2018 Fiscal Year Annual Research Report
ファクター多変量実現確率的ボラティリティ変動モデル
| Project/Area Number |
17J04715
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
山内 雄太 東京大学, 経済学研究科, 特別研究員(DC2)
|
|---|
| Project Period (FY) |
2017-04-26 – 2019-03-31
|
| Keywords | ベイズ統計学 / 確率的ボラティリティ変動モデル / 高頻度データ / 計量ファイナンス |
|---|
| Outline of Annual Research Achievements |
多次元の資産収益率の系列をモデリングする多変量実現確率的ボラティリティ変動モデルにファクター構造と高頻度データの両方を取り入れたモデルを提案した．本モデルでは，多次元の資産収益率の変動を共通のファクターの変動で説明するファクター構造によりパラメータの次元を削減するとともに，日中の取引のデータである高頻度データから資産収益率間の共分散に関する情報を取り出すことでモデルの推定を安定させることができる．本モデルの推定においては，ファクターを用いたモデルにおいて高頻度データの情報を効率的に取り入れる方法を提案した．提案モデルを用いてシミュレーションデータ分析を行った結果，高頻度データの情報を用いることでパラメータ推定やボラティリティの推定を安定させ，真のパラメータの値を上手く復元することができることを示した．さらに，アメリカ株式市場の株式リターンのデータを用いた実データ分析によって，現実の株式市場に対するモデルの当てはまりを示した．
これまで，多変量の資産収益率を扱う確率的ボラティリティ変動モデルではパラメータや潜在変数の推定がその次元の大きさから困難であるという問題があったが，推定するパラメータを節約できるファクター構造の有用性や，推定するための情報を増やす高頻度データを利用する手法の有用性を示したことで，そうした問題を解決することができた．これにより，複数の資産収益率を扱うポートフォリオ分析やリスク管理の分野により精度の高い統計モデリングを応用することができる．
また，高頻度データを用いた別のモデルとして，高頻度データから計算された相関係数に対する推定値である実現相関係数を用いたモデルの研究を進展させた．既存の高頻度データを用いた手法（HEAVYモデル，HARモデル）との比較をポートフォリオ設計の観点から行い，提案手法が予測力に優位性を持っていることを示した．
|
| Research Progress Status |
平成30年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
平成30年度が最終年度であるため、記入しない。
|
Research Products
(3 results)
