CAViaRとは？条件付き自己回帰型Value at Risk

ポートフォリオ損失を \(L_t=-r_t\) と定義します。このとき損失は正、利益は負です。信頼水準 \(\alpha\) における1期間先のVaR予測は、条件付き上側分位点 \[ v_t^\alpha=Q_\alpha(L_t\mid\mathcal F_{t-1}), \] です。\(\mathcal F_{t-1}\) は、期間 \(t\) の損失が観測される前に利用できる情報を表します。\(\alpha=0.99\) の場合、条件付き分位点が適切に特定されていれば、将来損失のおよそ \(1-\alpha=1\%\) がこの閾値を超えることが目標です。実現損失はVaRをいくらでも上回り得ます。VaRは最大損失の上限ではありません。

CAViaRはConditional Autoregressive Value at Riskの略で、分位点が時間とともにどう変わるかを再帰式で定めます。条件付き分布全体を推定してから裾の一点を取り出すのではなく、その一点を直接モデル化します。EngleとManganelliはこのモデル群を提案し、分位点回帰でパラメータを推定しました（2004年の論文）。選ぶ分位点水準も重要です。95%と99%のモデルでは動学が異なる場合があり、どちらも裾全体を表すものではありません。

1期間先の一般形は次のとおりです。 \[ v_t^\alpha=f(v_{t-1}^\alpha,L_{t-1},X_{t-1};\beta), \] ここで \(X_{t-1}\) は利用可能な追加予測変数、\(\beta\) は推定するパラメータベクトルです。1期前の分位点が予測に記憶を与え、過去の損失や予測変数によって新しい情報が閾値を動かします。過去の状態が影響する点はボラティリティの再帰式に似ていますが、更新される状態は条件付き分散ではなく分位点です。

例えば、対称絶対値（SAV）仕様は次のように書けます。 \[ v_t^\alpha=\beta_0+\beta_1v_{t-1}^\alpha+\beta_2|L_{t-1}|. \] 直前の変動幅に反応しますが、絶対値を使うため利益と損失を対称に扱います。自己回帰項により、ショック後の予測は持続し、その後の入力が変化すると徐々に低下します。持続性は推定して評価する性質です。滑らかな経路だけでは分位点が適切に較正されているとは言えません。

CAViaRには、前期の観測値が前期の閾値を超えたかどうかで更新する適応型や、分散のような再帰式を組み込む間接GARCH型など、別の仕様もあります。これらは代替的な仕様であり、同じ意味の呼び方ではありません。関数形によって、どの過去情報が分位点を動かせるか、推定モデルがどのような反応を表現できるかが決まります。

下落と上昇の観測が次の損失分位点に異なる影響を与えられるよう、正の大きさ \(L^+=\max(L,0)\)、\(L^-=\max(-L,0)\) を定義します。非対称スロープ型の一例は \[ v_t^\alpha=\beta_0+\beta_1v_{t-1}^\alpha+\beta_2L_{t-1}^{+}+\beta_3L_{t-1}^{-}. \] ポートフォリオ損失が正なら \(L^+\)、利益なら \(L^-\) を通じて入ります。推定される2つのスロープは等しい必要はありません。正の損失ではなくリターンの下側分位点をモデル化する場合は符号規約が変わるため、論文や実装では従属変数と正負の部分の定義を明記してください。

この柔軟性は、市場に非対称なレバレッジ効果があることを証明するものではありません。選んだ再帰式と標本を条件として、条件付き分位点が2つの入力経路に異なる反応を示せるようにするものです。係数は既知の定数ではなく推定値であり、符号や大きさは変数の単位とパラメータ化に依存します。対称な基準仕様と比較し、両方を推定標本の外で評価してください。

<!-- Illustration placement: after section 3; text-free conceptual view of a conditional loss-quantile ribbon moving over time, responding more after a large loss than after an upside move, with a few conceptual threshold crossings. No axes, labels, values, or market data. -->

候補パラメータ \(\beta\) ごとに、まず再帰経路 \(v_t^\alpha(\beta)\) 全体を計算します。次に、分位点損失（チェック損失）を最小化します。 \[ \widehat\beta=\arg\min_\beta\sum_{t=1}^{T}\rho_\alpha\!\left(L_t-v_t^\alpha(\beta)\right), \qquad \rho_\alpha(u)=u\left(\alpha-\mathbf 1\{u<0\}\right). \] 損失の上側分位点では、\(u>0\) の過小予測に重み \(\alpha\)、\(u<0\) の過大予測に重み \(1-\alpha\) が付きます。\(\alpha=0.99\) では、同じ大きさの余剰バッファより、大きな損失の見落としを重く扱います。これは二乗誤差損失ではなく、条件付き平均に係数を合わせる方法でもありません。

これはKoenkerとBassettが発展させた分位点回帰の考え方（1978年の論文）を、再帰的に生成される分位点経路に適用したものです。線形分位点回帰の目的関数には有用な凸構造がありますが、CAViaRの非線形再帰仕様では初期値や局所最小値により最適化結果が変わる場合があります。実務では目的関数、パラメータ制約、最適化手順、収束確認、複数の初期値による結果を記録してください。通常の最小二乗法の出力は、分位点回帰の推論に代わるものではありません。

再帰の最初の値 \(v_0^\alpha\) は与えるか推定する必要があります。透明性の高い方法は、評価期間より前に終わる事前標本ウィンドウから経験的な損失上側分位点を求めることです。初期値を他のパラメータと同時に推定する方法や、記録したウォームアップ期間を設ける方法もあります。選んだ規則を候補仕様に一貫して適用し、初期化に用いた観測数を示してください。ラグ係数の持続性が高い場合、初期値は多くの後続予測に影響する可能性があります。

表示された式が単純でも、再帰的な分位点推定はパラメータに対して非線形になり得ます。異なる初期ベクトルから異なる局所解に収束することがあります。収束したという事実は、数値的な停止基準を満たしたことを示すにすぎません。必要に応じて妥当な初期値を複数使い、得られた経路を確認してください。例えば損失閾値を非負にする数値制約と、経済的事実を区別します。あらゆるCAViaR仕様の安定性を保証する単一の係数上限はありません。条件は関数形、識別可能性、入力過程の挙動に依存します。原論文の漸近結果も明示的な仮定に基づき、発散するケースを除外しています。

不確実性も重要です。特に99%水準では裾の観測値が少なく、目標分位点付近の条件付き密度が推定精度に影響します。非線形な再帰分位点の標準誤差には、その状況に適した漸近推定量や慎重に設計したブートストラップなど、妥当性のある方法が必要です。適合線が精密に見えても、裾リスクを精確に把握できている証拠にはなりません。

予測時点 \(t-1\) では、その時点までに得られるリターンと共変量だけを使ってパラメータを推定し、\(v_t^\alpha\) を計算します。期間終了後に予測と \(L_t\) を比較します。ローリングまたは拡張ウィンドウで再推定する場合、各ウィンドウの末尾を明示した予測時点にそろえてください。\(L_t\) を \(v_t^\alpha\) の計算に使ったり、その時点で利用できなかった改訂データを使ったりすると、将来情報が予測に漏れます。

対象を実際のポートフォリオと予測期間に合わせます。固定ウェイトのポートフォリオの日次VaRは、日中に保有が変わる口座のVaRと同じとは限りません。1日分位点も複数日のリスク予測ではありません。リターンの算出方法、通貨、期間、市場の引け時刻、ポートフォリオのリバランス、各予測変数の利用可能時点を報告してください。予測変数の変換、企業行動、古い価格、欠損した取引日は、情報集合と分位点の動学を変えることがあります。

通常の再帰式は観測済みの \(L_{t-1}\) を使うため、自然に1期先を予測します。複数期先では、その後の損失はまだ観測されていません。実現した将来損失を代入して式を繰り返すのは将来情報の使用です。複数期間VaRには、未知の将来経路を扱う明示的な手順（シミュレーションや別途定めた複数期間モデルなど）が必要で、その仮定は個別に評価します。

仮想的な99%日次損失VaRが、上記の非対称スロープ再帰式に従うとします。損失と \(v\) はパーセントポイント単位で、説明用の未推定パラメータを \(\beta_0=0.10\)、\(\beta_1=0.80\)、\(\beta_2=0.35\)、\(\beta_3=0.10\) とします。前回予測が \(2.00\%\)、前日の損失が \(3.00\%\) なら、 \[ v_t^{0.99}=0.10+0.80(2.00)+0.35(3.00)+0.10(0)=2.75\%. \] この例では、大きな損失が今日の閾値を引き上げます。前日に \(3.00\%\) の利益があった場合は \(L_{t-1}=-3.00\%\) となり、もう一方の入力経路は \[ v_t^{0.99}=0.10+0.80(2.00)+0.35(0)+0.10(3.00)=2.00\%. \] これらの係数は再帰式を説明するためだけのものです。別の標本やパラメータ化では異なる反応になります。

今日の実現損失が \(3.20\%\) なら \(2.75\%\) の予測を上回るため、超過指標は1です。1回の超過だけでモデルが不適切とは言えず、超過がなかった1日だけでモデルが妥当とも言えません。条件付き較正が正しければ、予測時点の情報を条件とした超過指標の条件付き平均は \(1-\alpha\) です。長期標本での平均は、標本変動を考慮したうえでその率に近づくはずです。

VaRは指定された確率における条件付き損失分位点というリスク量です。CAViaRはその量を予測する方法の一つです。Expected Shortfallが答えるのは別の問いで、該当する定義に従い、VaRを超える選択した裾の平均損失を測ります。CAViaRの分位点経路だけでは、その裾平均や閾値を超えた損失の形は決まりません。VaRとExpected Shortfallの比較で両者を解説します。

GARCHは条件付き分散（またはボラティリティ）を再帰的にモデル化します。分散からVaR分位点を得るには、標準化イノベーションの分布仮定も必要です。ARCHとGARCHは、EngleのARCHモデルとBollerslevのGARCH拡張90063-1)に関連します。CAViaRは完全な条件付き密度を必要とせず分位点を直接モデル化しますが、選択した動学についての仮定は残ります。間接GARCH型CAViaRは両手法をつなぐ特殊な仕様であり、すべてのCAViaRがGARCHだという意味ではありません。GARCHのボラティリティ・クラスタリングも参照してください。

標本内の分位点損失が低くても、標本外リスクが保証されるわけではありません。時系列順の評価期間を確保し、各予測を過去の情報だけで生成したうえで、超過率と、超過の集中や過去情報からの予測可能性を報告します。Kupiecの無条件頻度検定（1995年）とChristoffersenの条件付きカバレッジ検定（1998年）は異なる問いに答えます。EngleとManganelliの動的分位点検定は、中心化した超過指標と選択した操作変数に関する一部の制約を調べます。どの検定も、考え得るすべての誤指定を検出するものではありません。VaRバックテストでは超過系列の検定を説明します。2つの分位点予測を比べる場合は、同じ日付に同じチェック損失を適用し、依存する損失差をDiebold–Mariano検定で比較します。これは相対的な予測損失を検定するもので、VaRの較正や売買利益を検定するものではありません。

結果は裾確率、再帰式、初期化、推定ウィンドウ、ポートフォリオ、評価日により変わり得ます。ある分位点によく合うモデルが別の分位点には合わないことがあり、別々に推定した分位点同士が交差する場合もあります。構造変化、集中する極端値、裾データの少なさ、保有銘柄の変化、市場の空白、流動性、執行コストは再帰VaR式だけでは解決しません。超過後の損失の深刻さもVaRからは分かりません。結果は監視すべきモデルベースのリスク閾値として扱い、損失上限、利益予測、単独の売買ルールとして扱わないでください。