本研究では金融市場における高頻度データ (取引単位で記録されたデータ) の特徴を捉えられるモデルをベイズ推定するための手法の開発に取り組んだ。特に（1）取引が成立する (約定する) 間隔のモデル化と (2) 短時間における資産収益率の分散のモデル化という2つのテーマに注力した。第1のテーマである約定間隔のモデル化においては、日中季節性をモデルの中で他のパラメータと同時に推定する方法を提案した。一方、第2のテーマである分散のモデル化においても分単位で分散が変動するモデルに同じく日中季節性を導入して他のパラメータと同時に推定する方法を提案した。そして、提案手法の有効性を実際の高頻度データを利用して検証した。
In this study, we propose a novel estimation technique for time series models of financial high-frequency data. Specifically, we consider two types of time series models; one is a model of duration between executions of financial transactions while the other is a model of time-varying volatility (variance) in very short intervals. To make these models more realistic, we propose to incorporate intraday seasonality (a cyclical pattern of duration or volatility during trading hours) explicitly into both models and estimate it simultaneously with the model parameters. Since the proposed models are too complex to be estimated with traditional maximum likelihood estimation, we developed an efficient Bayesian Markov chain Monte Carlo (MCMC) method for these models. We applied our new method to real-world high-frequency data (commodity futures and stock prices) and demonstrated their advantage over the conventional models.

研究種目 : 基盤研究 (C) (一般)
研究期間 : 2016～2018
課題番号 : 16K03602
研究分野 : ベイズ統計学