S上の金融データ解析環境の構築

金融データ解析に必要な高度の環境を、探索的データ解析用のS言語。システム上に構築し、その有効性を確かめた。まず、いわゆる国定長のレコードから必要な部分をとり出し、Sのオブジェクトとして組識化する関数 土、日、祭日の欠損位を補間し、各月の日数をそろえる関数など、データの浄化、細識化に必要な諸関数を整備した。 解析用には、多変量時系列として、変量問の信相のずれを検出する関数、さまざまな属性を処理する関数などを整備した。 これらの道見を用いて、その有効性をチェックした。 本研究では特に、1986年4月1日から1992年3月30日までの金利データを素材とした。 ユーロ金利6ケ月、1年物、スワップ3年、5年、7年、10年 の計7系列を入手し、まず,sablでトレンド、シーゾナル、イレギュラーに分解したか必ずしも満足な結果ではなかったので、 短期のトレンドという概念を導入lowessという平倫化の手法で、 長期トレンド、短期トレンド、残差に分解した。 その結果での残差も次類2の自己回帰モデルが良好にあてはまることがわかり、この分解の正しさが実証された。 7系列の問の関係は、 残差については、6ケ月ものが他の金利に大きな影響を与えていることが発見できた。 短期のトレンドは、シーゾナルとも異なり、その解釈はさまざまな形で可能であるが、これまで、見過されてきた月単位でのゆっくりした変動であり、今後の研究課題として充分、価値のある発見であった。

金融データ解析に必要な高度の環境を、探索的データ解析用のS言語。システム上に構築し、その有効性を確かめた。まず、いわゆる国定長のレコードから必要な部分をとり出し、Sのオブジェクトとして組識化する関数 土、日、祭日の欠損位を補間し、各月の日数をそろえる関数など、データの浄化、細識化に必要な諸関数を整備した。 解析用には、多変量時系列として、変量問の信相のずれを検出する関数、さまざまな属性を処理する関数などを整備した。 これらの道見を用いて、その有効性をチェックした。 本研究では特に、1986年4月1日から1992年3月30日までの金利データを素材とした。 ユーロ金利6ケ月、1年物、スワップ3年、5年、7年、10年 の計7系列を入手し、まず,sablでトレンド、シーゾナル、イレギュラーに分解したか必ずしも満足な結果ではなかったので、 短期のトレンドという概念を導入lowessという平倫化の手法で、 長期トレンド、短期トレンド、残差に分解した。 その結果での残差も次類2の自己回帰モデルが良好にあてはまることがわかり、この分解の正しさが実証された。 7系列の問の関係は、 残差については、6ケ月ものが他の金利に大きな影響を与えていることが発見できた。 短期のトレンドは、シーゾナルとも異なり、その解釈はさまざまな形で可能であるが、これまで、見過されてきた月単位でのゆっくりした変動であり、今後の研究課題として充分、価値のある発見であった。