비모수 확산 과정 드리프트 추정을 위한 가역 점프 MCMC

초록

본 논문은 1차원 확산 과정의 드리프트 함수를 비모수적으로 추정하기 위해, 가우시안 사전과 차원 가변 사전이 결합된 가역 점프 MCMC 알고리즘을 제안한다. 연속 관측 데이터와 이산 시점 관측 데이터를 모두 처리할 수 있도록 데이터 증강 기법을 도입했으며, 시뮬레이션 예제를 통해 기존 방법과의 비교 결과 우수성을 확인하였다.

상세 분석

이 연구는 확산 과정의 드리프트 함수를 비모수적으로 추정하는 문제에 대해 베이지안 프레임워크를 적용하고, 모델 차원을 자동으로 탐색할 수 있는 가역 점프 MCMC(Reversible Jump MCMC, RJMCMC) 알고리즘을 설계하였다. 드리프트는 (b(x)=\theta^{\top}\phi(x)) 형태의 선형 결합으로 표현되며, 여기서 (\phi(x))는 사전 정의된 기저 함수(예: 사인, 코사인, B‑spline 등)이고, 계수 (\theta)는 다변량 정규 사전 (N(0,\tau^{2}I))를 갖는다. 스케일 파라미터 (\tau)는 부분적으로 공액(conjugate)인 역감마 사전으로 설정해, Gibbs 샘플링 단계에서 직접 업데이트가 가능하도록 설계되었다.

모델 차원, 즉 사용되는 기저 함수의 개수 (K)에 대해서는 포아송 혹은 기하급수 형태의 사전분포를 부여하여, 사전적으로 과도한 복잡성을 억제한다. RJMCMC는 현재 모델 (K)에서 제안 모델 (K’)로 이동할 때, “birth”와 “death” 연산을 통해 새로운 계수를 생성하거나 기존 계수를 제거한다. 제안 분포는 대칭성을 유지하도록 설계했으며, 수용 확률은 사전비와 우도비, 그리고 제안밀도 비를 포함한 Jacobian 항을 포함한다. 연속 관측 경우, 확산의 로그우도는 Girsanov 정리를 이용해 정확히 계산할 수 있어, RJMCMC 단계에서 우도비를 효율적으로 평가한다.

이산 시점 관측 데이터에 대해서는 데이터 증강(data augmentation) 전략을 채택한다. 관측 사이에 미관측 경로를 브라운 모션 브리지 샘플링으로 보강하고, 보강된 전체 경로에 대해 연속 관측용 RJMCMC를 적용한다. 이때 브리지 샘플링은 조건부 확률분포가 정규분포인 특성을 이용해 Gibbs 단계에서 직접 그릴 수 있다. 따라서 이산 데이터에서도 차원 가변 베이지안 추정이 가능해진다.

시뮬레이션에서는 다양한 드리프트 형태(선형, 비선형, 다중 피크)를 가진 합성 데이터와 실제 금융 데이터(예: 금리 스와프) 등을 사용해 성능을 검증하였다. 제안 방법은 사전 차원 선택이 자동으로 이루어지므로 과적합 위험이 낮으며, 추정된 드리프트와 불확실성 구간이 실제 함수와 잘 일치한다. 또한, 기존의 사전 고정 차원 베이지안 방법(예: Gaussian process 기반)과 비교했을 때, 계산 효율성 및 모델 적합도에서 경쟁력을 보였다. 다만, RJMCMC의 수렴 진단이 어려운 점과 고차원 기저 함수 집합을 사용할 경우 제안 단계의 수용률이 낮아질 수 있다는 한계도 언급된다.

전반적으로 이 논문은 비모수 드리프트 추정 문제에 차원 가변 베이지안 접근을 성공적으로 적용했으며, 연속·이산 관측 모두를 포괄하는 통합 프레임워크를 제공한다는 점에서 통계학·계산수학·금융공학 분야에 의미 있는 기여를 한다.