점프‑확산 모델의 완전 베이지안 분석

초록

본 논문은 확산 과정에 급격한 변동(점프)을 포함하는 모델에 대해 베이지안 프레임워크를 구축하고, 점프 존재 여부를 검증하는 새로운 베이지안 유의성 검정을 제안한다. 사전분포와 사후분포를 MCMC로 추정하고, 금융 시계열, 강우량, 지진 기록 등 극단값이 빈번히 나타나는 데이터에 적용하여 기존 방법보다 높은 탐지 정확도와 해석력을 보인다.

상세 분석

본 연구는 점프‑확산(Jump‑Diffusion) 모델을 완전 베이지안 방식으로 분석하는 체계를 제시한다. 먼저 확산 성분은 일반적인 기하 브라운 운동으로, 점프 성분은 포아송 과정에 의해 발생하는 급격한 변동으로 모델링한다. 이때 점프 강도(발생률)와 점프 크기 분포에 대해 계층적 사전분포를 설정함으로써 파라미터 간 상호작용과 불확실성을 자연스럽게 반영한다. 사후분포는 메트로폴리스‑헤스테릭스(Metropolis‑Hastings)와 Gibbs 샘플링을 결합한 효율적인 MCMC 알고리즘으로 추정한다. 특히, 점프 존재 여부를 판단하기 위해 베이지안 유의성 검정(Bayesian significance test)을 도입했는데, 이는 사후 확률이 사전 설정된 임계값을 초과하는 경우 점프가 통계적으로 유의하다고 선언한다. 이 검정은 전통적인 p‑값 기반 방법과 달리 사전 정보와 데이터 증거를 동시에 고려하므로, 극단값이 적은 소규모 표본에서도 안정적인 결정을 내릴 수 있다. 또한, 베이지안 모델 선택 기준인 베이지안 정보 기준(BIC)과 베이지안 팩터를 활용해 점프‑확산 모델과 순수 확산 모델 간의 적합도를 비교한다. 시뮬레이션 결과는 제안된 방법이 점프 강도와 크기를 정확히 복원하고, 오탐률을 크게 낮추는 것을 보여준다. 실제 데이터 적용 사례로는 주식 수익률, 강우량 시계열, 그리고 지진 발생 기록을 분석했으며, 각 분야에서 기존 방법보다 더 민감하게 점프를 탐지하고, 사후 불확실성 구간을 제공함으로써 정책 결정이나 위험 관리에 실질적인 도움을 준다. 마지막으로, 계산 복잡도를 낮추기 위한 변분 베이지안(VB) 근사와 병렬 MCMC 구현 방안을 논의하여 대규모 데이터에도 적용 가능함을 시사한다.