ARCH LM検定とは？金融モデル残差のボラティリティ・クラスタリングを診断

リターンの符号ではなく、大きさがまとまって現れることがあります。大きな値動きの後に大きな値動きが続き、静かな時期の後にも静かな時期が続く現象はボラティリティ・クラスタリングと呼ばれます。ARCH LM検定は、平均の動きを取り除いた残差の二乗に、選んだラグまでの依存があるかを調べる診断です。

検定の問いは限定的です。二乗残差に線形のラグ関係が見えるかを評価し、その関係がゼロという帰無仮説と比較します。EngleのARCH論文では、条件付き分散の自己回帰的な変動を検定・モデル化する枠組みが示されています。Engle（1982）の論文を参照してください。

この結果は、リターン自体が予測可能かを検定するものではありません。また依存がなぜ生じたかを特定したり、どの分散モデルが正しいかを証明したりもしません。

検定する前に、対象に合う平均方程式を定めます。単純な系列なら定数平均で足りる場合もありますが、曜日効果、自己相関、既知の説明変数、取引時間帯などの平均動学を無視すると、残差に残った平均のパターンが二乗残差のラグ関係として現れることがあります。

推定後、時点tの残差をe_tと表します。残差は選んだ標本、平均方程式、外れ値処理、頻度に依存します。平均モデルを変えれば残差も変わるので、ARCH LMの結論をモデル指定と切り離して解釈しないでください。

残差の自己相関や平均の仕様を点検し、リターン定義、調整済み価格、欠損値、日中・日次などの頻度を記録します。分散の診断に進む前に、まず平均部分が妥当か確認することが重要です。

次数qを決めたら、残差の二乗を左辺に、過去q期の二乗残差を右辺に置く補助回帰を推定します。

e_t² = a_0 + a_1 e_{t-1}² + ... + a_q e_{t-q}² + v_t

帰無仮説は、すべてのラグ係数が同時にゼロであることです。つまりH0: a_1 = ... = a_q = 0です。対立仮説では少なくとも一つがゼロではなく、二乗残差に選んだラグまでの線形依存があるとします。

ラグを揃えると先頭のq行は利用できません。補助回帰で実際に使える観測数をMとし、その回帰の決定係数をR²とします。Mは元系列全体の件数ではなく、ラグ合わせ後に補助回帰で使った行数です。

標準的な大標本条件のもとでは、LM = M × R²は近似的に自由度qのカイ二乗分布に従います。比較する自由度は補助回帰に入れたラグ数です。有限標本、厚い裾、構造変化などがあると、この近似が不十分になる場合があります。

すべて仮定上の例として、q=5、M=300、R²=0.018なら、LM=300×0.018=5.4です。5%水準でのカイ二乗分布の自由度5の臨界値は約11.07です。5.4は11.07を下回るため、この例では5%水準で帰無仮説を棄却しません。

これは条件付き分散が一定だと証明したことにはなりません。検定力が足りない、qの選択が結果に影響した、平均方程式が不適切だったなどの可能性が残ります。結論は「この設定では証拠が不十分」と表現し、分散一定の保証と混同しないでください。

qはデータを見てから都合よく選ぶ数字ではありません。頻度、関心のある時間幅、標本長、診断の目的を踏まえて事前に候補を定めます。日次データの短いラグと週次データの同じラグ数では、対応する時間幅が異なります。

複数のqを試す場合は、選んだ理由を記録し、結果を並べて感度を示します。最大の検定統計量だけを報告すると、多重検定による偶然の棄却を過大評価しかねません。短いラグと長いラグで結論が変わる場合は、その不安定さ自体が重要です。

qが大きくなるほど補助回帰のパラメータが増え、短い標本では推定と検定の力が弱まることがあります。標本数、使用したq、補助回帰のM、検定統計量、p値、信頼できる代替設定を一緒に報告しましょう。

ARCH LM検定は、リターンの上げ下げの方向を検定しません。二乗残差の関係が見えても、それが投資家行動、流動性、ニュース、取引制度、測定誤差のどれに由来するかは分かりません。相関の検出だけで因果関係を結論づけることもできません。

帰無仮説を棄却しても、特定のARCHまたはGARCH仕様が正しいとは限りません。モデルの次数、分布、非対称性、構造変化などを別途検討する必要があります。検定統計量は売買の方向を示さず、エントリー時点を知らせるシグナルでもありません。

同様に、棄却しなかったからといってボラティリティが時間を通じて一定だと証明されたわけではありません。標本が短い場合や外れ値が強い場合には、検出したい依存を見つけにくくなることがあります。

McLeod–Li検定は、二乗残差の自己相関を調べるポートマントー型の診断です。ARCH LMと近い問題に注目しますが、統計量の作り方や集約方法は異なります。McLeodとLi（1983）の検定も、予測可能性や原因を証明するものではありません。

この検定はOLS回帰の係数と仮定の解説とも、分散不均一を考慮して推論の標準誤差を調整する頑健標準誤差とも役割が異なります。ARCH LMは残差平方のラグ依存を診断します。

ARCH LMの結果はARCHまたはGARCHを候補モデルとして検討する理由になり得ますが、機械的にそのモデルを採用する指示ではありません。平均と分散の仕様を推定した後、標準化残差やその二乗の残存依存、分布の仮定、パラメータ安定性を再診断します。

分散モデルの背景はボラティリティ・クラスタリングとGARCHの解説、分散の不均一性が推論に及ぼす影響は頑健標準誤差とHACの解説も参照してください。Engleのノーベル賞講演は、ARCHの考え方と金融時系列への応用を概観しています。最終的には、将来データだけを使う分散予測の評価も必要です。

報告には、リターンの頻度と定義、平均方程式、残差の作り方、qを選んだ根拠、補助回帰のM、R²、LM統計量、自由度、p値、比較した設定を含めます。棄却しなかったときも、「分散一定を証明」と書かず、検定条件のもとでの結果として記述します。

外れ値、厚い裾、構造変化、平均方程式の取りこぼし、短い標本が結論に及ぼし得る影響も記録します。複数の検定やqを試したなら、その探索範囲と多重比較の扱いを明示しましょう。EngleのARCHに関するノーベル賞講演と原論文をあわせて読むことで、検定をモデル診断の一部として位置づけられます。