金融時系列分析の基礎と線形モデル

今日は、Ruey S. Tsay著『Analysis of Financial Time Series (Third Edition)』に基づき、金融時系列分析の核心的な概念、資産収益率の統計的特性、および主要な線形モデルについてまとめます。

Amazonでも★4.4の高評価。

Amazon | Analysis of Financial Time Series (Wiley Series in Probability and Statistics) | Tsay, Ruey S. | Applied

Amazon配送商品ならAnalysis of Financial Time Series (Wiley Series in Probability and Statistics)が通常配送無料。更にAmazonならポイント還元本が多数。T…

スライドや動画で学びたい方はこちら。

投資本紹介(19) – Analysis of Financial Time Series 3rd Edition｜WOLF

概要はこちらからどうぞ。投資本紹介(19) – Analysis of Financial Time Series 3rd EditionRuey S. Tsay著『Analysis of Financial Time Series』をも…

サマリー
1. 資産収益率の定義と統計的特性
- 1.1 収益率の主要な定義
- 1.2 分布のモーメントと正規性の検証
2. 線形時系列分析の基礎概念
- 2.1 定常性 (Stationarity)
- 2.2 自己相関関数 (ACF) とホワイトノイズ
3. 単純な線形時系列モデル
4. モデルの識別・推定・予測プロセス
5. 実証例からの洞察
まとめ

サマリー

金融時系列分析の主な目的は、資産価格の不確実性を考慮した上で、その動的な構造を理解し、予測に役立てることにあります。分析において価格そのものではなく「収益率（Returns）」が重視されるのは、収益率が投資機会の完全かつスケールフリーな要約であり、統計的に扱いやすい特性を持つためです。

主要な知見は以下の通り。

非正規性の一般性: 実際の金融データ（IBM株や市場指数など）は、正規分布よりも裾が厚い（尖度が高い）「レプトクルティック（厚裾）」な分布を示す傾向がある。
定常性の重要性: 時系列分析の基盤は「弱定常性」にあり、平均と自己共分散が時間的に不変であることを前提とする。
モデルの識別: 自己回帰（AR）モデルは自己相関（ACF）が徐々に減衰し、偏自己相関（PACF）が次数 p で切断される特性を持つ。一方、移動平均（MA）モデルはACFが次数 q で切断される。
予測の特性: 定常モデルによる長期予測は、系列の無条件平均に収束する「平均回帰」の性質を持つ。

1. 資産収益率の定義と統計的特性

金融研究において収益率が好まれるのは、統計的性質が魅力的です。

1.1 収益率の主要な定義

単純収益率 (Simple Return): 1期間の保持による収益。 $R_t = \frac{P_t – P_{t-1}}{P_{t-1}}$ で表される。
対数収益率 (Log Return): 単純グロス収益率の自然対数。 $r_t = \ln(1 + R_t) = \ln(P_t / P_{t-1})$
複数期間の対数収益率は各期間の和となるため、統計的な扱いが容易である。
超過収益率 (Excess Return): 資産収益率と無リスク資産（米国財務省短期証券など）の収益率との差。

1.2 分布のモーメントと正規性の検証

資産収益率の振る舞いを理解するために、以下の4つのモーメントが重視される。

モーメント	指標	意味
第1	平均 (Mean)	分布の中心位置。
第2	分散 (Variance)	変動性（リスク）。標準偏差の自乗。
第3	歪度 (Skewness)	分布の対称性。0であれば対称。
第4	尖度 (Kurtosis)	分布の裾の厚さ。正規分布は3。

実証的特性: 多くの資産収益率は、正の「超過尖度（Excess Kurtosis）」を持つ。これは正規分布よりも極端な値が出現しやすいことを意味し、レプトクルティック（leptokurtic）と呼ばれます。例えば、IBM株の例では、単純収益率および対数収益率のいずれにおいても強い超過尖度が観察されています。

正規性の検定: Jarque-Bera (JB) 検定が一般的に用いられ、サンプルの歪度と尖度が正規分布のそれと一致するかを評価します。

2. 線形時系列分析の基礎概念

2.1 定常性 (Stationarity)

厳密な定常性: 共同分布が時間シフトに対して不変であること。
弱定常性 (Weak Stationarity): 平均が一定であり、ラグ l の自己共分散が時間に依存せず l のみに依存すること。金融実務では一般にこの弱定常性を仮定する。

2.2 自己相関関数 (ACF) とホワイトノイズ

自己相関関数 (ACF): r_t とその過去値 $r_{t-l}$ との間の線形依存関係を測定する。
ホワイトノイズ (White Noise): 独立かつ同一の分布（iid）に従う乱数系列。全てのラグで自己相関が0となる。
Ljung-Box検定: 複数の自己相関係数が一括して0であるかを検定する（ポートマントー検定）。

3. 単純な線形時系列モデル

3.1 自己回帰 (AR) モデル

現在の値が過去の値の線形結合と誤差項（ショック）で説明されます。

AR(1)モデル: $r_t = \phi_0 + \phi_1 r_{t-1} + a_t$
定常性条件: $|\phi_1| < 1$ であること。このとき、過去のショックの影響は指数関数的に減衰する。
特徴: ACFは指数関数的に減衰し、PACFはラグ p 以降で0になる（切断される）。

3.2 移動平均 (MA) モデル

現在の値が現在および過去の誤差項（ショック）の線形結合で説明されます。

MA(1)モデル: $r_t = c_0 + a_t – \theta_1 a_{t-1}$
特徴: 常に定常である。ACFはラグ q 以降で0になるが、PACFは指数関数的に減衰する。
反転可能性 (Invertibility): モデルがAR表現を持つための条件。MA(1)では $|\theta_1| < 1$ 。

3.3 自己回帰移動平均 (ARMA) モデル

ARとMAの両方の特性を組み合わせ、少数のパラメータで複雑な動学的構造を表現します（パラメータの節約）。

識別方法: 拡張自己相関関数 (EACF) を用いる。EACFテーブルにおける「O（ゼロ）」の三角形の左上頂点が、適切な次数 (p, q) を示す。

4. モデルの識別・推定・予測プロセス

4.1 次数の決定

モデルの適合度とパラメータ数のバランスをとるため、以下の情報量基準が用いられます。

AIC (Akaike Information Criterion): 適合度を重視。
BIC (Schwarz-Bayesian Information Criterion): AICよりもパラメータ数に対するペナルティが厳しく、より単純なモデルを選択する傾向がある。

4.2 モデルの診断

推定後、残差系列がホワイトノイズであるかを確認します。

残差のACFを確認し、Ljung-Box検定 (Q 統計量) を適用する。
もし残差に有意な自己相関が残っている場合、モデルの次数を再検討する必要がある。

4.3 予測 (Forecasting)

最小自乗誤差予測: 条件付き期待値 $E(r_{h+l} | F_h)$ を予測値とする。
平均回帰: 定常なARおよびARMAモデルにおいて、予測期間（ホライズン）が長くなるにつれ、予測値は系列の平均値に収束し、予測誤差の分散は系列の無条件分散に収束する。
MAモデルの予測: ラグ q を超える予測は即座に平均値となるため、短期的な予測に適している。

5. 実証例からの洞察

市場インデックス: CRSP価値加重指数の月次収益率には、個別の株式（IBMなど）よりも強いシリアル相関（自己相関）が見られる。これは、指数の計算方法や市場の微細構造（非同期取引など）に起因する可能性がある。
GNP成長率: 米国の実質GNP成長率をAR(3)モデルで分析すると、複素数解を持つ特性根が含まれることがあり、これはビジネスサイクル（約3年の周期）の存在を示唆している。
長期的な示唆: 1926年から2008年までの価値加重指数の月次収益率は年率約9.3%で成長しており、株式市場が長期的には良好なパフォーマンスを示すという一般的な認識を裏付けている。

まとめ

本書は、金融データの複雑なダイナミクスと不確実性を読み解くための決定版とも言われる一冊です。基本的な線形モデルから、極値理論、高頻度データ分析、MCMC法に至るまで、現代の金融計量経済学に不可欠なテーマが網羅されています。特に第3版では、RやS-Plusを用いた具体的なコードや実データ分析が豊富に追加され、理論を実践へ直結させる工夫が凝らされています。市場リスクを精緻に測りたい研究者や実務家にとって、本書は長く手元に置くべき確かな羅針盤となるはずです。興味があれば手に取り、ぜひ、日々の分析に役立ててみてください。