고차원 다변량 변동성 예측을 위한 요인 기반 확률 변동성 모델

초록

본 논문은 요인 분해를 활용해 다변량 확률 변동성(MSV) 모델의 차원 저주를 극복하고자 한다. 두 단계 추정 절차를 제안하는데, 첫 단계에서는 요인 모델을 최대우도법으로 추정하고, 두 번째 단계에서는 추정된 요인 점수를 이용해 요인들의 MSV를 추정한다. 추정량의 일관성과 점근적 정규성을 증명하고, 시뮬레이션 및 포트폴리오 할당 실험을 통해 예측 성능을 검증한다.

상세 분석

이 연구는 다변량 시계열의 공분산 행렬을 효율적으로 추정하기 위해 요인 구조를 도입한 점이 핵심이다. 기존의 MGARCH·MSV 모델은 차원이 증가함에 따라 파라미터 수가 급증해 과적합과 계산 복잡도가 심각한 문제를 야기한다. 저자는 요인 모델 yₜ = Λfₜ + εₜ (εₜ는 대각 공분산 Σ_ε)와 요인 자체의 로그 변동성 hₜ가 AR(1) 형태인 MSV 구조를 결합한 fMSV 모델을 제시한다.

첫 단계에서는 Bai & Li(2012)의 식별 조건 IC2를 만족하도록 Λ와 Σ_ε를 최대우도 추정한다. EM 알고리즘을 이용해 Λ와 Σ_ε를 구한 뒤, 일반화 최소제곱(GLS) 방식으로 요인 점수 f̂ₜ = (ΛᵀΣ_ε⁻¹Λ)⁻¹ΛᵀΣ_ε⁻¹yₜ 를 얻는다. 이때 f̂ₜ는 p→∞, T→∞ 상황에서도 균일 일관성을 보이며, 이는 이후 단계에서 발생하는 추정 오차를 제어하는 데 필수적이다.

두 번째 단계에서는 로그 변동성 ℓₜ = log f̂ₜ² 를 이용해 상태공간 모델을 구성한다. ℓₜ는 평균 ν와 AR(1) 행렬 Φ(비대각)로 구성된 αₜ와 백색 잡음 ξₜ의 합으로 표현된다. Φ가 비대각인 경우 칼만 필터 적용이 어려우므로, 저자는 ℓₜ를 V‑ARMA(1,1) 형태로 근사하고, 이를 다시 V‑AR(q) 모델로 축소한다. 이 과정에서 Granger‑Morris(1976)의 VARMA→VAR 변환 이론을 활용해 추정 효율성을 확보한다.

점근 이론에서는 첫 단계 추정 오차가 두 번째 단계의 손실 함수에 미치는 영향을 엄밀히 분석한다. 특히, f̂ₜ의 일관성이 θ_MSV (μ, Φ, Σ_η)의 √T‑수렴성을 보장한다는 점을 증명한다. 실증 부분에서는 p=100500, T=5002000 범위의 시뮬레이션에서 제안 방법이 기존 베이지안 MCMC 기반 fMSV와 비교해 계산 시간은 10배 이상 빠르면서도 예측 정확도는 동등하거나 우수함을 보여준다. 실제 주식 데이터(예: S&P 500 구성 종목)에서는 1일·5일·20일 앞선 공분산 예측에서 포트폴리오 변동성 최소화와 샤프 비율 개선에 기여한다.

이 논문의 주요 기여는 (1) 비베이지안, 두 단계 추정 프레임워크를 통해 고차원 fMSV 모델을 실용적으로 구현, (2) 추정량의 점근적 일관성과 정규성을 이론적으로 확보, (3) 실험을 통해 계산 효율성과 예측 성능을 동시에 달성했다는 점이다. 또한, 요인 수 m을 고정하고 선택하는 방법론(예: Bai‑Ng, Onatski)과 c_i 조정 방식을 제시해 실무 적용성을 높였다. 다만, Φ가 비대각일 때 VAR(q) 차수 선택과 근사 오차에 대한 민감도 분석이 추가로 필요하며, 비정규 εₜ나 ζₜ에 대한 강건성 검증이 향후 연구 과제로 남는다.