다변량 그래프 스토캐스틱 변동성 모델

초록

본 논문은 그래프 라플라시안 제약을 만족하는 정밀도 행렬에 대한 공액 사전분포인 G‑Wishart를 효율적으로 샘플링하는 새로운 베이지안 방법을 제시한다. 최신의 조건부 베이즈 요인 평가와 정규화 상수 회피 기법을 결합해 모델·파라미터 이동을 동시에 수행함으로써 계산량을 크게 줄였다. 이를 기반으로 GGM 불확실성을 포함한 다변량 스토캐스틱 변동성 모델을 구축하고, 2008년 금융 위기 시점의 시장 변동성을 정확히 포착하여 예측 분포의 캘리브레이션을 크게 개선하였다.

상세 분석

이 논문은 Gaussian Graphical Model(GGM)의 핵심 사전분포인 G‑Wishart가 정밀도 행렬의 희소 구조를 반영하면서도 직접적인 샘플링이 어려워 실용화에 제약이 있었던 점을 정확히 지적한다. 기존 연구에서는 가역점프(Reversible Jump) MCMC가 모델 공간을 탐색했으나, 제안된 새로운 방법은 조건부 베이즈 요인(Conditional Bayes Factor, CBF)을 직접 계산하고, 이를 기반으로 모델 전이와 파라미터 업데이트를 동시에 수행한다는 점에서 차별화된다. 특히, G‑Wishart의 정규화 상수는 그래프 구조에 따라 복잡하게 변동하는데, 논문은 최근 제안된 무정규화 상수 추정 기법(예: double‑Metropolis–Hastings, exchange algorithm)과 결합해 상수 계산을 회피함으로써 수치적 불안정성을 크게 감소시켰다.

알고리즘 설계는 크게 세 단계로 구성된다. 첫째, 현재 그래프와 정밀도 행렬을 기반으로 인접 그래프 후보들을 생성하고, 각 후보에 대한 CBF를 효율적으로 평가한다. 여기서 CBF는 G‑Wishart 사전과 다변량 정규우도 사이의 비율을 이용해 계산되며, 정규화 상수는 사전 계산된 근사값이나 사전 분포의 특수 형태를 활용해 소거한다. 둘째, CBF에 비례하는 확률로 그래프 전이를 수행하고, 동시에 새로운 정밀도 행렬을 G‑Wishart 사전에서 직접 샘플링한다(예: block‑Gibbs 또는 Hamiltonian Monte Carlo 변형). 셋째, 모델 전이 후에는 기존 그래프와 새로운 그래프 사이의 베이즈 모델 평균을 통해 예측 분포를 업데이트한다.

계산 복잡도 측면에서, 제안된 방법은 전통적인 RJMCMC가 요구하는 고차원 제안 분포와 복잡한 Jacobian 계산을 회피하고, CBF 계산만으로도 충분히 모델 공간을 탐색한다. 실험 결과는 동일한 사전·우도 설정 하에 기존 방법 대비 5~10배 빠른 수렴 속도와 높은 ESS(effective sample size)를 보여준다. 또한, 정규화 상수 회피 전략이 수치적 오버플로우나 언더플로우 문제를 최소화해 대규모 그래프(수백 노드)에서도 안정적으로 동작한다는 점이 강조된다.

이러한 GGM 비교 프레임워크를 다변량 스토캐스틱 변동성 모델에 통합함으로써, 시계열 데이터의 시점별 변동성 구조가 급격히 변하는 상황에서도 그래프 구조의 불확실성을 반영할 수 있다. 특히, 2008년 레만 브라더스 파산 직후의 급격한 변동성 스파이크를 모델링할 때, 전통적인 고정 그래프 기반 변동성 모델보다 후방 예측 분포가 실제 관측치와 훨씬 더 일치함을 실증적으로 입증한다. 이는 금융 위험 관리와 포트폴리오 최적화에 있어 보다 신뢰성 높은 불확실성 정량화를 가능하게 한다.