고차원 중증도 꼬리 분포 로컬 정지 시계열을 위한 희소 학습 프레임워크

초록

본 논문은 β‑mixing 의존성을 갖는 고차원 로컬 정지 시계열에 대해, 서브위블 및 정규 변동 꼬리 잡음 하에서 커널 가중합의 집중 불평등을 구축하고, Lasso와 총변동(TV) 페널티를 결합한 희소 추정량의 비점근적 오라클 부등식을 제시한다. 이론적 결과를 바탕으로 근접 알고리즘을 구현하고, 다양한 꼬리 강도와 차원에서 시뮬레이션을 수행하였다.

상세 분석

본 연구는 세 가지 핵심 요소를 통합한다. 첫째, 로컬 정지 시계열(LSTS)의 정의를 확장하여, 시간에 따라 부드럽게 변하는 회귀 함수 m⋆(u,x)와 β‑mixing 계수가 지수적으로 감소하는 의존 구조를 가정한다. 이러한 가정은 기존의 정적 혹은 i.i.d. 가정보다 현실적인 금융·경제·환경 데이터에 적합하다. 둘째, 잡음 εt,T가 서브위블(지수형 꼬리) 혹은 정규 변동(Pareto‑type) 분포를 따르는 중증도 꼬리 특성을 허용한다. 이를 위해 I(ν)=(ν/C)^η 형태의 꼬리 캡처 함수를 도입하고, η에 따라 가벼운 꼬리(η=2)부터 매우 무거운 꼬리(η<1)까지 포괄한다. 셋째, 가중합 커널 스무딩을 이용해 지역화된 손실 함수를 구성하고, ℓ1(Lasso) 및 가중 총변동(TV) 페널티를 결합한 목적 함수를 정의한다. 이때 커널 폭 h_T는 T에 따라 적절히 감소하도록 설계되어, 편향-분산 균형을 조절한다.
이론적 기여는 두 단계로 나뉜다. (a) β‑mixing LSTS에 대한 커널 가중합의 집중 불평등을 새롭게 증명한다. 여기서는 마코프 체인과 마틴게일 차분을 결합한 블록 방법을 사용해, 꼬리 지수 η와 혼합 계수 β(k) 사이의 상호작용을 명시적으로 제시한다. 결과는 ‖∑_{t=1}^T K_h(t/T−u)ε_t,T‖_ψα ≤ C·(T h_T)^{1/2}·(log T)^{1/α} 형태이며, α는 서브위블 파라미터와 연관된다. (b) 위 집중 결과를 바탕으로 비점근적 오라클 부등식을 도출한다. 제한된 고유값 가정 없이도 느린 수렴률 O(√(s log d / (T h_T)))를 얻으며, 제한된 고유값(RE) 가정 하에서는 빠른 속도 O(s log d / (T h_T))를 달성한다. 여기서 s는 실제 비제로 계수의 수, d는 차원이다. 또한 TV 페널티에 대해서는 변동 구조가 희소한 경우, 변동 수에 비례하는 추가 오차 항이 나타난다.
계산 측면에서는 프로시멀 알고리즘을 설계해, 각 반복마다 커널 가중합과 소프트-쓰레싱(ℓ1) 혹은 총변동 소프트-쓰레싱을 수행한다. 수렴 속도는 전통적인 FISTA와 동일하게 O(1/k^2)이며, 대규모 d에서도 메모리 효율성을 유지한다. 실험에서는 서브위블(η=0.5,1,2)와 Pareto(α=1.5,2.5) 잡음을 각각 ρ=0.1,0.5,1.0의 β‑mixing 스케일과 결합해, 샘플 크기 T=200,500,1000에 대해 평균 예측 오차와 변수 선택 정확도를 평가한다. 결과는 꼬리 지수가 작을수록(더 무거운 꼬리) 오차가 증가하지만, 제안된 방법이 기존 Lasso(정규화 없이)보다 일관되게 우수함을 보여준다.