콘텐츠로 이동

금융 변동성 비교

들어가는 이야기 — 변동성이 그대로인데 2.3 배로 보인다

참 변동성이 일 \(1.00\%\) 로 한 번도 변하지 않은 수익률 \(900\) 일치에서 \(60\) 일 이동 표준편차를 계산하면 \(0.62\%\) 에서 \(1.43\%\) 까지 출렁인다. 최대가 최소의 \(2.3\) 배다. 고점과 저점만 떼어 놓으면 「변동성이 절반으로 줄었다」는 이야기를 쓰고 싶어지지만 전부 잡음이다.

이 잡음을 검정에 넘기면 수가 된다. 변동성이 전혀 변하지 않았는데도 \(F\) 검정의 실제 기각률이 \(0.195\) 다. 명목 \(5\%\) 의 네 배이고, 검정통계량(test statistic)이 재고 있는 것의 상당 부분이 변동성의 변화가 아니라 변동성 추정의 잡음이라는 뜻이다. 같은 자리에서 브라운–포사이드가 \(0.044\), 플리그너–킬린이 \(0.045\) 로 멀쩡한 것은 그 잡음의 크기를 자료에서 다시 읽기 때문이다(두 검정을 세우는 곳은 15.5절 브라운–포사이드 검정와 플리그너–킬린 검정이다).

그런데 금융 자료에는 한 겹이 더 있다. 수익률은 꼬리가 두꺼운 데서 그치지 않고 크게 흔들리는 날이 뭉쳐서 온다. 그 군집까지 넣으면 세 검정이 함께 무너진다 — \(F\) 검정 \(0.331\), 브라운–포사이드 \(0.297\), 플리그너–킬린 \(0.287\) 이다. 꼬리에는 듣던 로버스트성이 종속에는 듣지 않는 것이다.

그러면 두 기간의 변동성을 비교한다는 말은 정확히 무엇을 재는 일이며, 어디까지가 검정으로 답할 수 있는 물음인가. 이 쪽이 금융에서 묻는 것을 먼저 정리하고 \(\S 3\) 에서 \(F\) 검정이 실패하는 자리를, \(\S 4\) 와 \(\S 5\) 에서 대안과 남는 어려움을 적는다. 아래 상자는 이 물음을 아예 다르게 세운 사람을 다룬다.

세 가지 자료 생성 방식에서 세 검정의 기각률을 그린 막대그림. 독립 정규에서는 셋 다 0.04 이고, 독립인 두꺼운 꼬리에서는 F 검정만 0.229 로 오르며, 변동성이 뭉쳐 오는 자료에서는 셋이 모두 0.41 에서 0.49 로 함께 무너진다

어느 칸에서도 변동성은 두 기간 내내 변하지 않았다. 가운데 칸 — 꼬리만 두꺼운 독립 자료 — 에서는 로버스트한 두 검정이 \(0.05\) 를 지키고 \(F\) 검정만 \(0.229\) 로 오른다. 여기까지가 흔히 말하는 로버스트성이다. 그런데 오른쪽 칸에서 셋이 함께 무너진다(\(0.487 \cdot 0.424 \cdot 0.412\)). 달라진 것은 꼬리가 아니라 군집, 곧 관측값 사이의 종속이다. 로버스트성은 꼬리의 모양에 대한 보험이지 종속에 대한 보험이 아니라는 말이 이 세 칸이다. 두 기간 각 \(250\) 일, 반복 \(4{,}000\) 회.

확인한 곳 — 이 쪽 「분산이 같은지 묻지 않기로 한 사람」 상자와 그 출처 줄. 기각률과 이동 표준편차는 모두 직접 모의실험한 값이다

금융에서 변동성(수익률의 표준편차)은 위험의 핵심 척도이다. 포트폴리오 관리자, 위험 분석가, 규제당국은 변동성이 시간에 따라 변했는지 또는 자산에 따라 다른지를 일상적으로 판단해야 한다. 이 장의 분산 검정들이 그 비교의 통계적 도구를 제공하지만, 금융 자료에는 고유한 어려움이 있다. 수익률은 꼬리가 두껍고, 때로 자기상관되어 있으며, 정규분포를 따르는 경우가 드물다.


1. 금융 맥락에서의 변동성

\(P_t\)가 시각 \(t\)의 자산 가격이면 로그수익률은

\[ r_t = \ln\!\left(\frac{P_t}{P_{t-1}}\right) \]

이다. 주어진 기간의 자산 변동성은 이 로그수익률의 표준편차이다.

\[ \sigma = \sqrt{\operatorname{Var}(r_t)} \]

연율화 변동성은 보통 \(\sigma_{\text{annual}} = \sigma_{\text{daily}} \times \sqrt{252}\)로 보고한다. 252는 연간 거래일 수의 근사값이다.


2. 흔한 질문

금융 변동성 검정은 다음과 같은 질문을 다룬다.

  1. 변동성이 변했는가? 사건(실적 발표, 정책 변경, 위기) 전후의 수익률 분산을 비교한다.
  2. 두 자산의 변동성이 같은가? 두 주식, 채권, 포트폴리오의 수익률 분산을 비교한다.
  3. 시장 국면에 따라 변동성이 같은가? 시계열을 국면(상승장, 하락장, 횡보장)으로 나누어 등분산을 검정한다.

3. F 검정이 금융 자료에서 실패하는 이유

금융 수익률의 꼬리가 두껍고 초과첨도가 크다는 것은 잘 알려져 있다. 실증적으로 일별 주식 수익률의 초과첨도 \(\gamma_2\)는 흔히 3에서 10 사이로, 정규분포의 0보다 훨씬 크다. 15.3절에서 논한 대로 F 검정은 첨도(kurtosis)에 매우 민감하다.

자료 유형 전형적 초과첨도 F 검정 신뢰성
정규 모의생성 0 타당
일별 주식 수익률 3~10 신뢰 불가
일별 외환 수익률 2~5 신뢰 불가
월별 주식 수익률 1~3 경계선
국채 수익률 1~2 경계선

일별 수익률 자료에 F 검정을 쓰지 말라

일별 금융 수익률에 적용하면 F 검정은 \(H_0\colon \sigma_1^2 = \sigma_2^2\)을 지나치게 자주 기각한다. 두꺼운 꼬리가 검정통계량을 부풀리기 때문이다. 유의한 F 검정 결과는 진짜 변동성 차이가 아니라 비정규성을 반영하는 것일 수 있다.

수치로 확인하자. \(t_5\) 수익률(초과첨도 6), 두 기간 각 60일, 참 변동성이 같은 상황에서 명목 \(\alpha = 0.05\)의 실제 기각률은

검정 경험적 크기
F 검정 0.195
브라운–포사이드 0.044
플리그너–킬린 0.045

F 검정은 변동성이 전혀 변하지 않았는데도 다섯 번에 한 번꼴로 "변했다"고 판정한다. 로버스트 검정들은 올바른 크기를 유지한다.

문제의 뿌리를 보려면 검정 이전에 추정 단계부터 봐야 한다. 아래 왼쪽은 참 변동성이 시종일관 일 \(1.00\%\)로 고정된 \(t_5\) 수익률 900일치에서 60일 이동 표준편차를 계산한 것이다. 변동성은 한 번도 변하지 않았다.

변동성이 일정한데도 이동 추정값이 크게 흔들린다

그런데 파란 선은 \(0.62\%\)에서 \(1.43\%\)까지 출렁인다. 최대가 최소의 2.3배다. 200일 무렵의 고점과 420일 무렵의 저점만 떼어 놓고 보면 "변동성이 절반으로 줄었다"는 이야기를 쓰고 싶어진다. 850일 이후의 상승은 "시장이 불안해졌다"는 해설을 부를 것이다. 전부 잡음이다.

세 가지가 겹쳐 이 출렁임을 만든다. 첫째, 60일은 분산을 추정하기에 짧다. 정규 자료라도 \(S\)의 상대오차가 \(1/\sqrt{2(n-1)} \approx 9\%\)이다. 둘째, 꼬리가 두꺼우면 그 변동이 더 커진다. \(t_5\)의 초과첨도가 6이므로 \(\operatorname{Var}(S^2)\)가 정규의 4배다. 셋째로 이동창이 겹쳐 있어 인접한 추정값이 강하게 상관되므로, 잡음이 추세처럼 보이는 매끄러운 곡선을 그린다. 무작위 산점이었다면 아무도 속지 않았을 것이다.

오른쪽 막대가 이 잡음을 검정으로 넘겼을 때의 결과다. \(F\) 검정의 실제 크기가 \(0.195\)다. 앞 표에서 본 숫자와 같지만, 이제 그 숫자가 어디서 오는지 알 수 있다. 검정통계량이 재고 있는 것의 상당 부분이 변동성의 변화가 아니라 변동성 추정의 잡음이다. 브라운–포사이드 \(0.044\), 플리그너–킬린 \(0.045\)는 그 잡음의 크기를 자료에서 다시 읽어 내므로 속지 않는다.

실무 규칙 하나. 두 기간의 변동성을 비교하기 전에 각 기간의 변동성이 얼마나 정밀하게 추정되었는지부터 물어라. 60일짜리 추정값 두 개로 1.5배 차이를 논하는 것은, 위 그림에서 아무 두 지점을 골라 비교하는 것과 다르지 않다.


4. 금융 자료에 권장되는 검정

수익률의 두꺼운 꼬리를 고려하면 다음 중에서 고르는 것이 좋다.

  1. 브라운–포사이드 검정. 로버스트성이 좋고 검정력도 합리적이다. 수익률의 꼬리가 중간 정도로 두꺼울 때 적합하다.
  2. 플리그너–킬린 검정. 매우 두꺼운 꼬리 자료에서 제1종 오류(type I error) 조절이 가장 좋다. 분포가 강하게 비정규일 때 선호된다.
  3. 부트스트랩(bootstrap) 검정. 분포 가정을 하지 않는다. 15.6절의 부트스트랩 분산 검정은 수익률 분포의 실제 모양에 적응하므로 금융 자료에 잘 맞는다.

보기 1. 두 기간의 변동성 비교. 어떤 분석가가 중앙은행 정책 발표 후 주식의 일별 수익률 변동성이 변했는지 판정하려 한다. 자료는 발표 전 60거래일과 발표 후 60거래일이다.

설정은 이렇다.

  • 기간 1 (전): \(n_1 = 60\)개 일별 수익률, \(S_1^2 = 0.000324\) (일별 변동성 \(= 1.8\%\))
  • 기간 2 (후): \(n_2 = 60\)개 일별 수익률, \(S_2^2 = 0.000576\) (일별 변동성 \(= 2.4\%\))

가설은 이렇게 된다.

풀이
\[ H_0\colon \sigma_{\text{before}}^2 = \sigma_{\text{after}}^2 \quad \text{대} \quad H_a\colon \sigma_{\text{before}}^2 \neq \sigma_{\text{after}}^2 \]

참고: F 검정을 쓴다면. \(F = 0.000324/0.000576 = 0.5625\)이고 \(F_{59,59}\) 아래에서 양측 \(p = 0.0288\)이다. 5% 수준에서 기각한다.

그러나 이 \(p\) 값을 믿어서는 안 된다. 위 경고 상자에서 보았듯 \(t_5\) 수준의 두꺼운 꼬리에서 F 검정의 실제 크기는 0.195이다. 명목 \(p = 0.029\)는 실제로는 훨씬 약한 증거이다.

검정 선택. 일별 수익률의 꼬리가 두꺼우므로 분석가는 F 검정 대신 브라운–포사이드 검정을 써야 한다. 요약통계량만으로는 로버스트 검정을 계산할 수 없고 원자료가 필요하다는 점도 실무적으로 중요하다. 표본분산만 보고된 논문의 결과를 재검토할 수 없는 이유이다.


5. 금융 자료 고유의 어려움

제곱 수익률의 자기상관

원래의 수익률 \(r_t\)는 근사적으로 무상관이지만, 순간분산의 대리변수인 제곱 수익률 \(r_t^2\)은 흔히 강한 양의 자기상관을 보인다. 변동성 군집(volatility clustering)이라 불리는 이 현상은 변동성이 높은 날 뒤에 다시 변동성이 높은 날이 오는 경향을 뜻한다.

\(r_t^2\)의 자기상관은 이 장의 모든 분산 검정이 요구하는 독립성(independence) 가정을 위배한다. 변동성 군집이 있으면 유효 표본크기(effective sample size), 곧 독립인 관측값으로 환산한 개수가 명목 \(n\)보다 작아지고 분산 검정이 인위적으로 작은 \(p\) 값을 낸다.

로버스트 검정도 변동성 군집은 해결하지 못한다

GARCH(1,1) 과정(\(\alpha = 0.1\), \(\beta = 0.85\))에서 120일을 생성하고 전반 60일과 후반 60일을 비교하는 모의실험을 하자. 두 기간의 무조건분산이 정확히 같으므로 \(H_0\)이 참이다.

검정 \(t_5\) 독립 자료 GARCH 자료
F 검정 0.195 0.331
브라운–포사이드 0.044 0.297
플리그너–킬린 0.045 0.287

독립인 두꺼운 꼬리 자료에서는 로버스트 검정이 크기를 완벽히 통제했지만(0.044, 0.045), 변동성 군집이 있으면 세 검정 모두 0.29~0.33으로 무너진다.

이유는 명확하다. 로버스트 검정은 분포 모양에 대한 가정을 완화할 뿐 독립성 가정은 그대로 요구한다. 15.1절 왜 분산을 검정하는가 연습문제 3에서 자기상관에 대해 확인한 것과 같은 결론이다.

실무적 함의: 금융 시계열에서 "브라운–포사이드를 썼으니 안전하다"고 생각해서는 안 된다. 두꺼운 꼬리보다 변동성 군집이 훨씬 심각한 문제이다.

완화 전략은 이렇다.

  • 자기상관이 감쇠할 만큼 충분히 긴 비중첩 부분기간을 쓴다
  • GARCH 모형을 적합하여 변동성 동학을 포착하고 GARCH 모수의 구조변화를 검정한다
  • 자기상관 구조를 보존하는 블록 부트스트랩을 적용한다

비정상성

금융 변동성은 한 시점에서 급격히 바뀌기보다 시간에 걸쳐 점진적으로 변하는 경우가 많다. 두 기간을 각각 일정한 분산을 갖는 것처럼 검정하는 것은 지나친 단순화일 수 있다. 형식적 변화점 탐지 방법이나 이동창 추정이 더 미묘한 그림을 제공한다.

보기 2. 변동성 변화 검정하기. \(t_5\) 수익률 \(60\)일씩 두 기간을 만들되 참 변동성을 \(1.8\%\)와 \(2.4\%\)로 정말 다르게 두고, F 검정·브라운–포사이드·플리그너–킬린을 나란히 돌린다.

(1) \(t_5\)의 첨도를 구하고, 5.10절의 극한 오류율 공식으로 이 자료에서 F 검정의 극한 크기를 계산하시오. 표본을 키우면 그 값이 \(0.05\)로 수렴하는가?

(2) 세 검정을 돌려 \(p\) 값을 견주고, F 검정이 증거를 몇 배 과장하는지 적으시오. 또 (1)의 극한값을 모의실험으로 확인하시오.

풀이

(1) 첨도 하나가 극한 크기를 정한다. \(t_\nu\) 분포의 첨도는 \(\nu > 4\)에서

\[ \beta_2(t_\nu) = 3 + \frac{6}{\nu - 4} \]

이므로 \(\nu = 5\)이면 \(\beta_2 = 9\), 초과첨도가 \(6\)이다. 위 표가 말하는 "\(t_5\) 수익률(초과첨도 6)"이 이것이다. (\(\nu = 5\)라 네 번째 적률이 겨우 존재한다. \(\nu \le 4\)이면 첨도가 무한대가 되어 아래 계산 자체가 성립하지 않는다.)

5.10절이 유도해 둔 것을 가져온다. 델타법으로 \(\operatorname{Var}(\log S^2) \approx (\beta_2-1)/n\)이고 두 표본이 독립이므로

\[ \operatorname{Var}\!\left(\log \frac{S_1^2}{S_2^2}\right) \approx (\beta_2-1)\left(\frac{1}{n_1}+\frac{1}{n_2}\right) \]

인데, F 검정은 이 값을 정규 이론의 \(2\left(\frac1{n_1}+\frac1{n_2}\right)\)로 믿는다. 그러므로 참 산포가 믿는 산포의 \(\sqrt{(\beta_2-1)/2}\)배다. \(\beta_2 = 9\)를 넣으면

\[ \sqrt{\frac{9-1}{2}} = 2 \]

로 정확히 두 배다. 임계값이 참 산포 단위로는 \(\pm 1.96/2 = \pm 0.98\)만큼만 뻗으므로

\[ \text{극한 크기} = 2\left[1 - \Phi\!\left(1.96\sqrt{\frac{2}{\beta_2-1}}\right)\right] = 2\left[1 - \Phi(0.98)\right] = 0.327 \]

이다. 5.10절의 표에서 \(\beta_2 = 9\)인 지수분포(exponential distribution) 줄에 적힌 \(0.327\)과 같은 수이고, 그래야 한다. 극한 오류율은 첨도만의 함수이므로 분포 모양이 달라도 첨도가 같으면 같은 값이 나온다.

\(0.05\)로 수렴하지 않는다. 오히려 올라간다. 위 식에 \(n\)이 아예 들어 있지 않다는 것이 요점이다. 임계값도 \(1/\sqrt n\)로 줄고 참 산포도 \(1/\sqrt n\)로 줄어 둘의 비가 처음부터 끝까지 \(2\)로 고정되기 때문이다. 작은 \(n\)에서는 \(F\) 분포 자체가 넓어 왜곡이 가려지므로, 실제 크기는 아래에서 위로 올라가 \(0.327\)에 다가간다. 연습문제 2 가 \(n = 60\)에서 잰 \(0.195\)는 극한값이 아니라 그 도중의 한 점이다.

(2) 먼저 자료 한 벌로 세 검정을 견준다.

import numpy as np
from scipy import stats

rng = np.random.default_rng(42)

# t(5) 의 표준편차는 sqrt(5/3) 이다. 목표 변동성을 정확히 맞추려면
# 이 값으로 나눠야 한다. 이러면 달라지는 것은 꼬리 두께뿐이다.
scale_correction = np.sqrt(5 / 3)

# 1구간: 일변동성 1.8%
returns_before = rng.standard_t(df=5, size=60) * 0.018 / scale_correction

# 2구간: 일변동성 2.4%. 실제로 분산이 달라진 자료다.
returns_after = rng.standard_t(df=5, size=60) * 0.024 / scale_correction

print(f"sample sd: {returns_before.std(ddof=1):.5f}, "
      f"{returns_after.std(ddof=1):.5f}")

# 중앙값을 중심으로 쓰므로 꼬리가 두꺼운 자료에서도 버틴다.
bf_stat, bf_p = stats.levene(returns_before, returns_after, center='median')
print(f"Brown-Forsythe:  W = {bf_stat:.4f}, p = {bf_p:.4f}")

# 순위만 쓰는 검정이라 꼬리의 두께에는 셋 중 가장 덜 흔들린다.
# 다만 비대칭이 극단이면 브라운–포사이드가 낫다 (15.5절 비교).
fk_stat, fk_p = stats.fligner(returns_before, returns_after)
print(f"Fligner-Killeen: H = {fk_stat:.4f}, p = {fk_p:.4f}")

# F 검정은 정규성에 매우 민감하다. 수익률처럼 꼬리가 두꺼운 자료에서는
# 분산이 같아도 자주 기각해 버리므로 쓰지 않는 편이 낫다.
f_stat = np.var(returns_before, ddof=1) / np.var(returns_after, ddof=1)
f_p = 2 * min(stats.f.cdf(f_stat, 59, 59), stats.f.sf(f_stat, 59, 59))
print(f"F-test:          F = {f_stat:.4f}, p = {f_p:.4g} "
      f"(unreliable for heavy-tailed data)")

출력:

sample sd: 0.01504, 0.02611
Brown-Forsythe:  W = 5.4046, p = 0.0218
Fligner-Killeen: H = 3.2325, p = 0.0722
F-test:          F = 0.3317, p = 3.791e-05 (unreliable for heavy-tailed data)

세 \(p\) 값이 자릿수째로 갈린다. F 검정 \(3.791\times10^{-5}\), 브라운–포사이드 \(0.0218\), 플리그너–킬린 \(0.0722\)다. 비로 적으면 F 검정이 브라운–포사이드보다 \(575\)배, 플리그너–킬린보다 \(1900\)배 작은 \(p\) 값을 준다. F 검정이 증거를 500배 넘게 과장한다. 이 자료에는 실제로 변동성 차이가 있으므로(\(1.8\%\) 대 \(2.4\%\), 분산비 \(1.78\)배) 기각 자체는 옳지만, 그 확신의 정도가 완전히 부풀려져 있다.

(1)이 왜 그런지 말해 준다. \(\log F\)의 참 산포가 F 검정이 믿는 것의 두 배이므로, F 검정은 관측된 \(\log F\)를 실제보다 두 배 멀리 있는 것으로 읽는다. 정규 꼬리에서 \(z\)를 두 배로 읽으면 \(p\) 값은 자릿수로 줄어든다. 브라운–포사이드와 플리그너–킬린은 산포의 크기를 자료에서 다시 읽어 내므로 속지 않는다.

이제 (1)의 극한값 \(0.327\)을 확인한다. 참 변동성을 두 기간에 같게 두고 \(n\)을 키우며 실제 크기를 잰다.

import numpy as np
from scipy import stats

# (1) 극한 크기를 식으로 먼저 적는다. t_5 의 첨도는 3 + 6/(nu-4) = 9 다.
beta2 = 3 + 6 / (5 - 4)
c = stats.norm.isf(0.025) * np.sqrt(2 / (beta2 - 1))
print(f"t_5 의 첨도 beta2 = {beta2:.1f}   (초과첨도 {beta2 - 3:.1f})")
print(f"산포 배율 sqrt((beta2-1)/2) = {np.sqrt((beta2 - 1) / 2):.3f}")
print(f"1.96*sqrt(2/(beta2-1)) = {c:.4f}   ->  극한 크기 = {2 * stats.norm.sf(c):.4f}")


def bf_p2(A, B):
    """두 표본에 대한 중앙값 중심 Levene(= Brown-Forsythe) p 값을 벡터화.
    scipy.stats.levene(a, b, center='median') 와 같은 값을 준다."""
    Z = [np.abs(X - np.median(X, axis=1, keepdims=True)) for X in (A, B)]
    n1, n2 = A.shape[1], B.shape[1]
    m = [z.mean(axis=1) for z in Z]
    gm = (n1 * m[0] + n2 * m[1]) / (n1 + n2)
    msb = n1 * (m[0] - gm) ** 2 + n2 * (m[1] - gm) ** 2
    msw = (((Z[0] - m[0][:, None]) ** 2).sum(axis=1)
           + ((Z[1] - m[1][:, None]) ** 2).sum(axis=1)) / (n1 + n2 - 2)
    return stats.f.sf(msb / msw, 1, n1 + n2 - 2)


# (2) 표본을 키우며 두 검정의 실제 크기를 잰다. 참 변동성은 두 기간이 같다.
rng = np.random.default_rng(11)
print(f"\n{'n':>6}{'R':>8}{'F-test':>10}{'Brown-Forsythe':>17}")
for n, R in [(60, 20_000), (250, 20_000), (1000, 10_000), (4000, 4_000)]:
    A = rng.standard_t(5, size=(R, n))
    B = rng.standard_t(5, size=(R, n))
    F = A.var(axis=1, ddof=1) / B.var(axis=1, ddof=1)
    d = stats.f(n - 1, n - 1)
    p_f = 2 * np.minimum(d.cdf(F), d.sf(F))
    print(f"{n:>6}{R:>8}{np.mean(p_f < 0.05):>10.4f}{np.mean(bf_p2(A, B) < 0.05):>17.4f}")

출력:

t_5 의 첨도 beta2 = 9.0   (초과첨도 6.0)
산포 배율 sqrt((beta2-1)/2) = 2.000
1.96*sqrt(2/(beta2-1)) = 0.9800   ->  극한 크기 = 0.3271

     n       R    F-test   Brown-Forsythe
    60   20000    0.2028           0.0474
   250   20000    0.2399           0.0481
  1000   10000    0.2696           0.0499
  4000    4000    0.2755           0.0493

(1)의 예측이 그대로 보인다. 산포 배율이 정확히 \(2.000\)이고 극한 크기가 \(0.3271\)이다. 그리고 모의실험한 F 검정의 크기가

\[ 0.2028 \;\to\; 0.2399 \;\to\; 0.2696 \;\to\; 0.2755 \]

으로 \(n\)을 \(60\)에서 \(4000\)까지 키우는 동안 단조증가한다. 표본을 \(67\)배 늘렸는데 거짓 양성률이 \(0.20\)에서 \(0.28\)로 올라갔다. 표본을 키우면 더 나빠진다. 연습문제 2 의 \(n = 60\) 값 \(0.1948\)은 이 수열의 첫 점이고(여기서는 \(0.2028\), 씨앗과 반복 횟수가 달라 생긴 차이이며 \(R = 20000\)에서 표준오차 \(0.0028\)이니 두 표준오차 안이다), 끝점은 \(0.05\)가 아니라 \(0.327\)이다.

수렴이 느린 것도 눈여겨볼 만하다. \(n = 4000\)에서도 아직 \(0.276\)으로 극한값에서 \(0.05\)나 떨어져 있다. 델타근사의 오차가 \(1/\sqrt n\)로만 줄기 때문이다. 그러나 방향은 처음부터 끝까지 한쪽이다.

브라운–포사이드는 네 경우 모두 \(0.047\)–\(0.050\)으로 명목값에 붙어 있다. 같은 \(t_5\) 자료, 같은 표본크기인데 한쪽은 \(n\)과 함께 망가지고 한쪽은 꿈쩍하지 않는다. 15.6절이 보일 부트스트랩 검정도 같은 이유로 버틴다. "분산 검정에는 중심극한정리(central limit theorem)의 보호가 없다"는 말은 고전적 검정에만 해당하는 말이고, 그 보호를 자료에서 직접 만들어 내는 것이 로버스트 검정이 하는 일이다.

다만 이 결론은 독립성을 전제로 한 것이다. 아래의 변동성 군집 상자가 그 전제가 깨지면 브라운–포사이드도 \(0.297\)까지 무너짐을 보인다.

standard_t(df)*scale의 표준편차는 scale이 아니다

원래 코드는 rng.standard_t(df=5, size=60) * 0.018로 "일별 변동성 1.8%"를 만들려 했지만, \(t_5\)의 표준편차가 \(\sqrt{5/3} = 1.291\)이므로 실제 표준편차는 \(0.018 \times 1.291 = 0.0232\), 곧 2.3%이다.

위 코드는 / np.sqrt(5/3)으로 이를 보정했다. 14장 금융 수익률 페이지에서 지적한 것과 같은 함정이다.

(분산 비는 척도에 불변이므로 검정통계량과 \(p\) 값은 보정 전후가 같다. 보정은 "1.8%"라는 서술을 자료와 일치시키기 위한 것이다.)


그림으로 보는 통계학 1. 분산이 같은지 묻지 않기로 한 사람

이 장은 내내 한 가지를 묻는다 — 두 집단의 분산이 같은가. 그런데 금융 수익률 앞에서 그 물음은 조금 이상해진다. 답을 이미 알기 때문이다. 같을 리가 없다. §5 가 적은 변동성 군집이 그 말이고, 그렇다면 검정으로 가릴 일이 아니라 모형으로 적을 일이다.

\(1982\) 년에 그렇게 방향을 튼 사람이 로버트 엥글이다. 그는 분산을 상수로 두고 「변했나 안 변했나」를 묻는 대신, 분산 자체가 어제까지의 일에 따라 달라지는 양이라고 적었다.

\[ \sigma_t^2 = \omega + \alpha\,r_{t-1}^2 + \beta\,\sigma_{t-1}^2 \]

어제가 요란했으면(\(r_{t-1}^2\) 이 컸으면) 오늘도 요란하리라고 보는 식이다. 이것이 ARCH 이고, 위의 꼴은 그의 제자 볼러슬레우가 \(1986\) 년에 일반화한 GARCH 다.

정말 그런지는 간단히 가릴 수 있다.

위는 무조건분산이 같은 두 계열로, 독립인 t(5) 는 고르게 흔들리고 GARCH(1,1) 은 조용한 때와 요란한 때가 뭉쳐 있다. 아래 왼쪽은 수익률의 자기상관으로 둘 다 0 이고, 아래 오른쪽은 제곱수익률의 자기상관으로 GARCH 만 시차 1 에서 +0.180 이다

두 계열의 무조건 표준편차가 \(0.99\) 와 \(0.95\) 로 사실상 같다. 수익률의 자기상관은 둘 다 \(0\) 인데(아래 왼쪽) 제곱수익률의 자기상관은 GARCH 만 또렷이 양수다(아래 오른쪽). 자료에서 직접 그렸다.

아래 두 칸의 대조가 요점이다. 내일 오를지 내릴지는 못 맞힌다 — 그것을 맞힐 수 있다면 시장이 아니다. 그런데 내일이 요란할지 조용할지는 맞힐 수 있다. 시차 \(1\) 에서 \(+0.180\) 이고 시차 \(20\) 까지도 \(+0.07\) 이 남는다. 이 비대칭이 엥글이 붙잡은 것이고, \(2003\) 년 노벨 경제학상이 그 일에 주어졌다.

지속성을 읽는 법도 간단하다. \(\alpha + \beta = 0.95\) 이므로 한 번의 충격이 절반으로 사그라드는 데 \(\ln 0.5 / \ln 0.95 = 13.5\) 일 걸린다. 위 그림에서 \(140\) 일 무렵의 소동이 보름 넘게 꼬리를 끄는 것이 그것이다.

두꺼운 꼬리와 변동성 군집은 다른 것이다. 이 쪽 §3 은 앞엣것을, §5 는 뒤엣것을 다루는데 둘을 묶어 「금융 자료는 까다롭다」로 뭉뚱그리기 쉽다. 위 그림의 두 계열이 그 구별을 보여 준다 — 독립인 \(t_5\) 는 초과첨도가 이론값 \(6\)(이 계열의 표본값은 \(4.72\))으로 꼬리가 아주 두꺼운데 군집이 전혀 없고, GARCH 쪽은 초과첨도가 \(0.81\) 로 오히려 얌전한데 군집이 뚜렷하다. §5 의 표가 「로버스트 검정도 변동성 군집은 해결하지 못한다」고 한 까닭이 이것이다. 로버스트성은 모양에 관한 것이고 군집은 시간에 관한 것이라, 고치는 연장이 다르다.

마지막으로 뜻밖의 사실 하나. 엥글의 \(1982\) 년 논문 제목에는 주식도 환율도 나오지 않는다. 「자기회귀 조건부 이분산과 영국 물가의 분산 추정」이다. 금융을 바꾼 연장이 물가 자료를 들여다보다 나왔고, 금융 쪽이 그것을 가져다 쓴 것은 그 뒤의 일이다.

확인한 곳 — R. F. Engle, 「Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation」, 『Econometrica』 \(50\)권 \(4\)호(\(1982\)) · GARCH 로의 일반화는 볼러슬레우(\(1986\))이고, 엥글이 \(2003\) 년 노벨 경제학상을 받은 것은 널리 알려진 바다 · 그림의 자기상관과 첨도는 \(\alpha = 0.1\), \(\beta = 0.85\)(이 쪽 §5 와 같은 값)로 \(40\) 만 일을 돌려 이 쪽이 직접 쟀다

연습문제

연습문제 1. 분석가가 논문에서 두 기간의 표본분산 \(S_1^2 = 0.000324\), \(S_2^2 = 0.000576\)(\(n_1 = n_2 = 60\))만 보고했다. 이 정보만으로 로버스트 검정을 수행할 수 있는가? 할 수 없다면 무엇이 필요한가?

풀이

할 수 없다.

F 검정과 바틀렛 검정은 요약통계량만으로 계산할 수 있다. 표본분산과 표본크기만 있으면 된다.

\[ F = \frac{S_1^2}{S_2^2} = \frac{0.000324}{0.000576} = 0.5625, \quad p = 0.0288. \]

그러나 로버스트 검정은 다르다.

검정 필요한 정보
F 검정 \(S_1^2, S_2^2, n_1, n_2\)
바틀렛 \(S_i^2, n_i\)
레빈 원자료 전체
브라운–포사이드 원자료 전체
플리그너–킬린 원자료 전체
부트스트랩 원자료 전체

레빈 계열은 각 관측값과 집단 중심의 절대편차 \(|X_{ij} - c_i|\)를 계산해야 하므로 개별 관측값이 필요하다. 플리그너–킬린은 그 편차들의 순위까지 필요하다.

실무적 함의.

  1. 논문 재검토가 불가능하다. 요약통계량만 보고된 연구의 F 검정 결과가 두꺼운 꼬리 때문에 부풀려졌는지 확인할 방법이 없다.
  2. 보고 관행에 대한 시사. 금융이나 다른 두꺼운 꼬리 분야에서는 분산 검정 결과와 함께 왜도(skewness)와 첨도를 반드시 보고해야 한다. 그래야 독자가 F 검정의 신뢰성을 가늠할 수 있다. 가능하면 원자료나 재현 코드를 공개하는 것이 최선이다.
  3. 부분적 대안. 표본첨도 \(g_2\)를 알면 대략적인 보정이 가능하다. 15.3절 비정규성에 대한 민감도 연습문제 4에서 유도했듯 \(\ln F\)의 실제 분산이 명목값의 \((\gamma_2+2)/2\)배이므로, \(p\) 값을 다시 계산할 때 \(\ln F\)를 \(\sqrt{(g_2+2)/2}\)로 나누어 보정할 수 있다.

    이 자료에서 \(g_2 = 6\)(\(t_5\) 수준)이라면 보정계수가 \(\sqrt{4} = 2\)이므로 유효 \(z\)가 절반이 된다. 구체적으로 \(\ln F = \ln 0.5625 = -0.5754\)이고 \(\operatorname{sd}(\ln F) \approx \sqrt{4/59} = 0.2604\)이므로 명목 \(z = -2.21\)(\(p = 0.027\))인데, 보정하면 \(z = -1.10\)이 되어 \(p = 0.269\)가 된다. 유의하지 않게 된다.

이 간단한 계산만으로도 원래 결론이 뒤집힌다는 사실이, 첨도를 함께 보고하는 것이 왜 중요한지를 잘 보여준다. \(\square\)


연습문제 2. \(t_5\) 수익률에서 F 검정, 브라운–포사이드, 플리그너–킬린의 경험적 크기를 모의실험으로 확인하라. 두 기간의 참 변동성은 같게 둔다.

풀이
import numpy as np
from scipy import stats

rng = np.random.default_rng(3)
R = 5000
counts = [0, 0, 0]

for _ in range(R):
    a = rng.standard_t(5, 60)
    b = rng.standard_t(5, 60)
    f = a.var(ddof=1) / b.var(ddof=1)
    counts[0] += 2 * min(stats.f.cdf(f, 59, 59),
                         stats.f.sf(f, 59, 59)) < 0.05
    counts[1] += stats.levene(a, b, center='median')[1] < 0.05
    counts[2] += stats.fligner(a, b)[1] < 0.05

print(f"F-test:          {counts[0] / R:.4f}")
print(f"Brown-Forsythe:  {counts[1] / R:.4f}")
print(f"Fligner-Killeen: {counts[2] / R:.4f}")

출력:

F-test:          0.1948
Brown-Forsythe:  0.0438
Fligner-Killeen: 0.0448

F 검정의 크기가 \(0.195\)로 명목값의 네 배이다. 참 변동성이 같은데도 다섯 번에 한 번 "변했다"고 판정한다.

브라운–포사이드(\(0.044\))와 플리그너–킬린(\(0.045\))은 올바른 크기를 유지한다.

실무적 해석. 어떤 분석가가 F 검정으로 "변동성이 유의하게 변했다(\(p = 0.03\))"고 보고했다면, 그 결과가 실제 변동성 변화 때문일 확률과 두꺼운 꼬리 때문일 확률을 구별할 수 없다. 명목 5% 검정의 실제 크기가 19.5%이므로 그 "유의한" 결과의 상당 부분이 거짓 양성이다. \(\square\)


연습문제 3. 변동성 군집이 있을 때 로버스트 검정도 무너짐을 모의실험으로 확인하라. GARCH(1,1) 자료로 두 인접 기간을 비교하라.

풀이
import numpy as np
from scipy import stats

def garch11(n, rng, omega=1e-5, alpha=0.1, beta=0.85):
    """GARCH(1,1) 수익률을 만든다. 무조건분산은 omega/(1-alpha-beta) 다.

        변동성이 뭉쳐 다니는 실제 수익률의 성질을 흉내 내기 위한 모형이다.
        """
    h = omega / (1 - alpha - beta)
    r = np.zeros(n)
    for t in range(n):
        r[t] = np.sqrt(h) * rng.normal()
        h = omega + alpha * r[t] ** 2 + beta * h
    return r

rng = np.random.default_rng(3)
R = 5000
counts = [0, 0, 0]

for _ in range(R):
    x = garch11(120, rng)
    a, b = x[:60], x[60:]           # two adjacent periods, same true variance
    f = a.var(ddof=1) / b.var(ddof=1)
    counts[0] += 2 * min(stats.f.cdf(f, 59, 59),
                         stats.f.sf(f, 59, 59)) < 0.05
    counts[1] += stats.levene(a, b, center='median')[1] < 0.05
    counts[2] += stats.fligner(a, b)[1] < 0.05

print(f"F-test:          {counts[0] / R:.4f}")
print(f"Brown-Forsythe:  {counts[1] / R:.4f}")
print(f"Fligner-Killeen: {counts[2] / R:.4f}")

출력:

F-test:          0.3312
Brown-Forsythe:  0.2968
Fligner-Killeen: 0.2868
검정 \(t_5\) 독립 (연습문제 2) GARCH
F 검정 0.195 0.331
브라운–포사이드 0.044 0.297
플리그너–킬린 0.045 0.287

결과가 충격적이다. 독립인 두꺼운 꼬리 자료에서 완벽하게 작동하던 로버스트 검정들이 변동성 군집 앞에서는 F 검정과 거의 같은 수준으로 무너진다. 세 검정 모두 세 번에 한 번꼴로 잘못 기각한다.

왜 그런가. GARCH 과정에서 무조건분산은 두 기간이 같지만, 어떤 표본경로에서는 전반 60일이 우연히 고변동성 국면에, 후반 60일이 저변동성 국면에 놓인다. 그러면 두 기간의 표본분산이 크게 달라진다.

검정들은 이것을 "참 변동성 차이"로 읽지만, 실은 하나의 정상 과정 안에서의 국면 변동일 뿐이다. 어떤 검정도 이를 구별할 수 없다. 분포 모양의 문제가 아니라 종속성의 문제이기 때문이다.

해결책. (1) 블록 부트스트랩으로 자기상관을 보존한 귀무분포를 만들거나, (2) GARCH 모형을 적합하고 그 모수의 구조변화를 검정하거나, (3) 애초에 "두 기간의 무조건분산이 같은가"라는 질문 자체가 적절한지 재검토한다. 금융 변동성은 본래 시간에 따라 변하는 양이므로, 두 상수를 비교하는 틀이 문제에 맞지 않을 수 있다. \(\square\)


연습문제 4. "일별 변동성 1.8%"를 \(t_5\) 분포로 모의생성할 때 standard_t(5) * 0.018이 왜 틀렸는지 설명하고, 여러 자유도에 대한 보정계수를 계산하라.

풀이

\(t_\nu\) 분포의 표준편차는 \(\nu > 2\)일 때

\[ \operatorname{sd}(t_\nu) = \sqrt{\frac{\nu}{\nu - 2}} \]

이다. 곧 standard_t(nu)는 표준편차가 1이 아니다. 여기에 scale을 곱하면 표준편차가 \(\text{scale} \times \sqrt{\nu/(\nu-2)}\)가 된다.

import numpy as np

print(f"{'nu':>5} {'sd(t_nu)':>10} {'sd from *0.018':>15}")
for nu in [3, 4, 5, 6, 10, 30, 100]:
    sd = np.sqrt(nu / (nu - 2))
    print(f"{nu:>5} {sd:>10.4f} {0.018 * sd:>15.5f}")

출력:

   nu   sd(t_nu)  sd from *0.018
    3     1.7321         0.03118
    4     1.4142         0.02546
    5     1.2910         0.02324
    6     1.2247         0.02205
   10     1.1180         0.02012
   30     1.0351         0.01863
  100     1.0102         0.01818

\(\nu = 5\)이면 목표 1.8%가 실제로는 2.32%가 되어 29% 초과한다. \(\nu = 3\)이면 3.12%로 73%나 초과한다. 자유도가 작을수록(꼬리가 두꺼울수록) 오차가 커진다는 점이 특히 곤란하다. 두꺼운 꼬리를 모의생성하려 할수록 변동성이 더 심하게 어긋난다.

올바른 방법. 목표 표준편차 \(\sigma\)를 얻으려면

rng = np.random.default_rng(0)
nu, n, sigma = 5, 100_000, 0.018

naive = rng.standard_t(nu, n) * sigma
correct = rng.standard_t(nu, n) * sigma / np.sqrt(nu / (nu - 2))

print(f"target sd:  {sigma:.5f}")
print(f"naive sd:   {naive.std(ddof=1):.5f}")
print(f"correct sd: {correct.std(ddof=1):.5f}")

출력:

target sd:  0.01800
naive sd:   0.02316
correct sd: 0.01805

순진한 방법은 표준편차가 \(0.0232\)로 목표보다 29% 크지만, \(\sqrt{\nu/(\nu-2)}\)로 나누면 \(0.0181\)로 목표에 맞는다.

왜 중요한가. 검정통계량은 분산의 비에 의존하므로 두 집단에 같은 척도 오차가 있으면 \(p\) 값은 바뀌지 않는다. 그러나 (1) "변동성 1.8%"라는 서술이 자료와 어긋나고, (2) VaR나 절대적 위험 수준을 계산하면 결과가 틀리며, (3) 다른 분포에서 생성한 자료와 비교할 때 공정하지 않다. \(\square\)


연습문제 5. 본문 3절은 이동 추정값이 출렁이는 첫째 이유로 "정규 자료라도 \(S\)의 상대오차가 \(1/\sqrt{2(n-1)} \approx 9\%\)"를 들고, 둘째 이유로 "\(t_5\)의 초과첨도가 6이므로 \(\operatorname{Var}(S^2)\)가 정규의 4배"를 들었다. 두 이유를 한 식으로 묶는다.

(1) 5.6절의 \(\operatorname{Var}(S^2) \approx \sigma^4(\beta_2-1)/n\)에서 출발해 델타법으로

\[ \operatorname{sd}(\log S) \approx \frac{1}{2}\sqrt{\frac{\beta_2-1}{n}} \]

를 유도하시오. \(\beta_2 = 3\), \(n = 60\)에서 본문의 \(9\%\)가 나오는가? \(t_5\)(\(\beta_2 = 9\))에서는 얼마인가? 두 값의 비가 보기 2의 "산포 배율" \(\sqrt{(\beta_2-1)/2}\)와 같은 수인 이유를 설명하시오.

(2) \(\operatorname{Var}(S^2)\)는 정규의 4배인데 \(S\)의 상대오차는 2배뿐이다. 어디서 제곱근이 한 번 더 나오는가?

(3) 본문 그림의 이동 표준편차는 참값 \(1.00\%\)에서 \(0.62\%\)와 \(1.43\%\)까지 갔다. 이 두 값은 로그 척도에서 참값으로부터 몇 표준편차 떨어진 것인가. 정규 이론의 \(9\%\)로 잴 때와 \(t_5\)의 값으로 잴 때를 각각 답하고, 본문이 "전부 잡음이다"라고 단언할 수 있는 근거가 무엇인지 적으시오.

풀이

(1) 로그를 씌우면 첨도가 그대로 남는다. \(g(u) = \tfrac12\log u\)에 델타법을 쓰면 \(g'(\sigma^2) = 1/(2\sigma^2)\)이므로

\[ \operatorname{Var}(\log S) = \operatorname{Var}\!\left(\tfrac12 \log S^2\right) \approx \frac{1}{4\sigma^4}\operatorname{Var}(S^2) \approx \frac{\beta_2-1}{4n} \]

곧 \(\operatorname{sd}(\log S) \approx \tfrac12\sqrt{(\beta_2-1)/n}\)이다. 로그 척도의 표준편차는 상대오차와 같은 뜻이므로 이것이 "\(S\)의 상대오차"다.

\(\beta_2 = 3\), \(n = 60\)을 넣으면

\[ \frac{1}{2}\sqrt{\frac{2}{60}} = \frac{1}{\sqrt{120}} = 0.0913 \]

으로 본문의 \(1/\sqrt{2(n-1)} = 1/\sqrt{118} = 0.0921\)과 소수 셋째 자리까지 같다(둘의 차이는 \(n\)과 \(n-1\)뿐이다). \(t_5\)는 \(\beta_2 = 9\)이므로

\[ \frac{1}{2}\sqrt{\frac{8}{60}} = 0.1826 \]

곧 18.3%다. 두 값의 비는

\[ \frac{\tfrac12\sqrt{(\beta_2-1)/n}}{\tfrac12\sqrt{2/n}} = \sqrt{\frac{\beta_2-1}{2}} = \sqrt{4} = 2 \]

로 보기 2의 산포 배율과 같은 식이다. 당연하다. 보기 2는 \(\log F = 2(\log S_1 - \log S_2)\)의 산포를 정규 이론값과 견준 것이고, \(n\)에 의존하는 부분 \(\sqrt{1/n_1+1/n_2}\)가 분자와 분모에서 약분되면 남는 것은 한 표본의 \(\operatorname{sd}(\log S)\)의 비, 곧 \(\sqrt{(\beta_2-1)/2}\)뿐이다. 분산비 검정의 왜곡은 한 표본의 변동성 추정이 이미 안고 있는 왜곡을 두 번 쓴 결과일 뿐이다.

(2) 제곱근 변환이 상대오차를 절반으로 줄인다. \(\operatorname{Var}(S^2)\)가 \(4\)배이면 \(\operatorname{sd}(S^2)\)는 \(2\)배다(여기서 제곱근 한 번). 그리고 \(S = \sqrt{S^2}\)의 상대오차는 \(S^2\)의 상대오차의 절반이다(\(\log S = \tfrac12\log S^2\)이므로). 절반은 정규와 \(t_5\) 양쪽에 똑같이 걸리므로 비에는 영향을 주지 않는다. 그래서 분산의 분산 \(4\)배 \(\to\) 표준편차의 산포 \(2\)배가 된다. 요약하면 \(\operatorname{Var}(S^2)\)에 대한 배율 \(4\), \(\operatorname{sd}(\log S)\)에 대한 배율 \(\sqrt{4} = 2\)다.

(3) 정규 이론으로는 설명이 안 되는 출렁임이다. 로그 척도에서 참값은 \(\log 1.00\%\)이므로

\[ \log\frac{0.62}{1.00} = -0.4780, \qquad \log\frac{1.43}{1.00} = +0.3577 \]

이다. 정규 이론의 \(0.0913\)으로 나누면

\[ -5.2 \;\text{와}\; +3.9 \]

표준편차다. \(t_5\)의 \(0.1826\)으로 나누면

\[ -2.6 \;\text{와}\; +2.0 \]

이다. 같은 그림이 정규 자료라면 \(5\) 시그마 사건이고 \(t_5\) 자료라면 평범한 일이다. 900일에 들어가는 60일 창이 많다는 것을 감안해도 \(-5.2\)는 잡음으로 설명되지 않는다. 그러므로 본문이 "전부 잡음이다"라고 말할 수 있는 근거는 창의 길이가 짧다는 것만이 아니라 꼬리가 두껍다는 것까지 합친 것이다. 꼬리 두께를 빼놓고 \(9\%\)만 가지고 보면 오히려 "변동성이 정말 변했다"는 쪽으로 읽게 된다. \(\square\)


연습문제 6. 연습문제 5의 예측을 모의실험으로 확인한다.

(1) \(n = 60\)에서 \(\operatorname{sd}(\log S)\)를 정규와 \(t_5\) 각각에 대해 재고 연습문제 5의 예측값 \(0.0913\), \(0.1826\)과 견주시오. 한쪽은 맞고 한쪽은 어긋난다. 어느 쪽이 어긋나며 예측이 큰가 작은가?

(2) 참 변동성이 같은, 겹치지 않는 두 60일 창의 변동성 비 \(S_1/S_2\)의 95% 구간을 구하시오. 본문 끝의 실무 규칙("60일짜리 추정값 두 개로 1.5배 차이를 논하는 것")과 비교하시오.

(3) 실현 배율 \(k(n) = \operatorname{sd}(\log S;\, t_5) / \operatorname{sd}(\log S;\, \text{정규})\)를 \(n = 60, 250, 1000, 4000\)에서 재고, 그것이 함의하는 F 검정의 크기 \(2[1-\Phi(1.96/k)]\)를 보기 2가 직접 센 크기와 나란히 놓으시오. 보기 2의 표가 \(0.2028\)에서 시작해 올라간 이유를 설명하시오.

풀이
import numpy as np
from scipy import stats

rng = np.random.default_rng(0)


def log_sd(n, R, kind, chunk=2000):
    """표본표준편차의 로그 R 개를 모은다. 메모리를 아끼려 토막으로 나눠 돈다."""
    out = []
    for i in range(0, R, chunk):
        m = min(chunk, R - i)
        X = (rng.normal(size=(m, n)) if kind == "normal"
             else rng.standard_t(5, size=(m, n)) / np.sqrt(5 / 3))
        out.append(np.log(X.std(axis=1, ddof=1)))
    return np.concatenate(out)


# (1), (2) n = 60 에서 델타근사의 예측·모의실험과 두 창의 비 구간
print(f"{'분포':>8}{'beta2':>7}{'예측':>9}{'모의':>9}{'두 창의 비 95% 구간':>24}")
for kind, beta2 in [("normal", 3.0), ("t(5)", 9.0)]:
    L = log_sd(60, 40_000, kind)
    ratio = np.exp(L[:20_000] - L[20_000:])      # 겹치지 않는 두 창의 변동성 비
    lo, hi = np.percentile(ratio, [2.5, 97.5])
    print(f"{kind:>8}{beta2:>7.1f}{0.5 * np.sqrt((beta2 - 1) / 60):>9.4f}"
          f"{L.std(ddof=1):>9.4f}{f'[{lo:.3f}, {hi:.3f}]':>24}")

# (3) 팽창 배율이 n 과 함께 2 로 가는지 본다. 끝 칸은 보기 2 가 직접 센 크기다.
print(f"\n{'n':>6}{'normal':>9}{'t(5)':>9}{'배율':>8}{'함의 크기':>12}{'보기 2':>9}")
for n, measured in [(60, 0.2028), (250, 0.2399), (1000, 0.2696), (4000, 0.2755)]:
    s0 = log_sd(n, 20_000, "normal").std(ddof=1)
    s1 = log_sd(n, 20_000, "t(5)").std(ddof=1)
    k = s1 / s0
    print(f"{n:>6}{s0:>9.4f}{s1:>9.4f}{k:>8.3f}{2 * stats.norm.sf(1.96 / k):>12.4f}"
          f"{measured:>9.4f}")

출력:

      분포  beta2       예측       모의           두 창의 비 95% 구간
  normal    3.0   0.0913   0.0927          [0.773, 1.293]
    t(5)    9.0   0.1826   0.1460          [0.666, 1.506]

     n   normal     t(5)      배율       함의 크기     보기 2
    60   0.0927   0.1450   1.565      0.2104   0.2028
   250   0.0451   0.0786   1.745      0.2613   0.2399
  1000   0.0227   0.0407   1.789      0.2732   0.2696
  4000   0.0113   0.0211   1.877      0.2963   0.2755

(1) 정규는 맞고 \(t_5\)는 어긋난다. 정규에서 예측 \(0.0913\), 모의 \(0.0927\)로 거의 같다. \(t_5\)에서는 예측 \(0.1826\)인데 모의가 \(0.1460\)으로, 예측이 25% 크다. 델타법은 \(\operatorname{Var}(S^2)\)를 그대로 쓰는 근사인데 \(t_5\)에서 \(S^2\)의 분포는 오른쪽으로 길게 늘어진 꼴이어서, \(\operatorname{Var}(S^2)\)는 드물게 나오는 큰 값들이 끌어올리지만 로그를 씌우면 그 꼬리가 눌린다. 그래서 \(n = 60\)에서는 로그 척도의 실제 산포가 예측보다 작다. 15.3절이 "\(t_5\)는 8차 적률이 무한해서 중심극한 수렴이 극단적으로 느리다"고 한 것과 같은 사정이다.

(2) 두 창의 비가 1.5배까지 벌어지는 것이 정상이다. \(t_5\)에서 95% 구간이 \([0.666,\, 1.506]\)이다. 참 변동성이 완전히 같은 두 기간인데도 추정된 변동성의 비가 \(1.5\)배(또는 그 역수인 \(0.67\)배)까지 가는 일이 스무 번에 한 번 일어난다. 본문의 실무 규칙에 적힌 "1.5배"가 바로 이 수다. 정규 자료라면 같은 구간이 \([0.773,\, 1.293]\)으로 훨씬 좁아, \(1.5\)배 차이는 유의한 신호로 읽어도 좋다. 두꺼운 꼬리는 "무엇이 놀라운 일인가"의 기준선 자체를 옮긴다.

(3) 배율이 보기 2의 표를 설명한다. 실현 배율이

\[ 1.565 \;\to\; 1.745 \;\to\; 1.789 \;\to\; 1.877 \]

로 \(n\)과 함께 극한값 \(2\)를 향해 올라간다. 그 배율을 그대로 극한 크기 공식에 넣으면 \(0.2104,\, 0.2613,\, 0.2732,\, 0.2963\)이 나오고, 보기 2가 모의로 직접 센 \(0.2028,\, 0.2399,\, 0.2696,\, 0.2755\)와 같은 걸음으로 간다(네 쌍 모두 \(0.02\) 안에 들어온다. 남은 차이는 \(\log F\)가 아직 정확히 정규가 아니고 임계값도 정규 대신 \(F\) 분포에서 왔기 때문이다).

그러므로 보기 2의 표가 아래에서 위로 올라가는 이유는 "배율이 아직 2에 못 미쳤다"는 것 하나다. \(n = 60\)에서 배율이 \(1.565\)라서 크기가 \(0.21\)에 머물고, \(n\)이 커져 배율이 \(2\)에 닿으면 크기가 \(0.327\)에 닿는다. 극한 크기 \(0.327\)은 \(n\)이 사라진 공식이 주는 값이지만, 그 공식에 도달하는 일 자체가 \(t_5\)에서는 아주 느리다. \(\square\)


연습문제 7. 연습문제 1이 제안한 보정을 받아들인다. 곧 \(\ln F\)의 실제 표준편차가 명목값의 \(\sqrt{(\gamma_2+2)/2}\)배이므로, 일별 수익률(\(\gamma_2 = 6\))에서는 명목 \(\operatorname{sd}(\ln F) = \sqrt{4/59} = 0.2604\)를 두 배로 늘려 읽는다. \(n_1 = n_2 = 60\), 명목 양측 \(5\%\)로 둔다.

(1) 보정 전과 보정 후에 기각이 일어나려면 분산비 \(S_1^2/S_2^2\)가 최소 얼마여야 하는가. 변동성비 \(S_1/S_2\)로는 얼마인가. 네 수 사이에 보이는 관계를 지적하시오.

(2) 보기 1의 자료(\(1.8\%\) 대 \(2.4\%\))는 그 두 임계값 가운데 어디에 놓이는가. 연습문제 1이 얻은 \(p = 0.269\)와 앞뒤가 맞는가?

(3) 보기 1의 변동성비 \(4/3\)이 그대로 유지된다고 할 때, 보정 검정으로 그것을 유의하게 만들려면 기간마다 며칠이 필요한가. 정규 가정이라면 며칠인가. 두 수의 비가 무엇과 같은지 적으시오.

풀이

(1) 보정은 임계값을 제곱한다. 보정 전에는 \(\lvert \ln F \rvert \ge 1.96 \times 0.2604 = 0.5103\)에서 기각하므로

\[ \frac{S_1^2}{S_2^2} \ge e^{0.5103} = 1.666 \quad \text{또는} \quad \le \frac{1}{1.666} = 0.600 \]

이다(\(F_{59,59}\)의 정확한 상위 \(2.5\%\) 점은 \(1.674\)로, 정규근사와 소수 둘째 자리까지 같다). 변동성비로는 \(\sqrt{1.666} = 1.291\)이다.

보정 후에는 표준편차가 두 배이므로 임계값도 두 배다. \(\lvert \ln F \rvert \ge 1.96 \times 0.5208 = 1.0207\)에서

\[ \frac{S_1^2}{S_2^2} \ge e^{1.0207} = 2.775, \qquad \frac{S_1}{S_2} \ge \sqrt{2.775} = 1.666 \]
분산비 임계값 변동성비 임계값
보정 전 1.666 1.291
보정 후 2.775 1.666

보정 후의 변동성비 임계값이 보정 전의 분산비 임계값과 같은 수 \(1.666\)이다. 로그 척도에서 임계값을 두 배로 늘리는 것은 원 척도에서 제곱하는 것이고, 분산비를 변동성비로 바꾸는 것은 제곱근을 씌우는 것이어서 두 연산이 상쇄된 결과다. 우연이 아니라 배율이 정확히 \(2\)이기 때문에 생기는 일이다.

(2) 보기 1은 두 임계값 사이에 놓인다. 보기 1의 분산비는 \(0.000576/0.000324 = 1.778\)이고 변동성비는 \(2.4/1.8 = 1.333\)이다.

\[ 1.666 \;<\; 1.778 \;<\; 2.775 \]

이므로 보정 전에는 기각하고 보정 후에는 기각하지 못한다. 연습문제 1이 보정 후 \(p = 0.269\)를 얻은 것과 정확히 앞뒤가 맞는다. 보기 1의 명목 \(p = 0.029\)는 임계값 \(1.666\)을 겨우 넘긴 결과였고, 꼬리 두께를 셈에 넣으면 임계값이 \(2.775\)로 올라가 한참 못 미친다.

(3) 첨도가 표본을 4배 요구한다. 보정 검정이 기각하려면

\[ 1.96 \times 2\sqrt{\frac{4}{n-1}} \;\le\; \ln 1.778 = 0.5754 \]

곧 \(\sqrt{n-1} \ge 7.84/0.5754 = 13.63\), \(n \ge 186.7\)이므로 \(n = 187\)일이다. 정규 가정이라면 배율 \(2\)가 빠져

\[ 1.96\sqrt{\frac{4}{n-1}} \le 0.5754 \;\Longrightarrow\; \sqrt{n-1} \ge 6.81 \;\Longrightarrow\; n = 48 \]

일이다. 두 수의 비는 \(187/48 = 3.90\)으로 배율의 제곱 \(2^2 = 4\)다. 표준오차가 \(1/\sqrt n\)으로 줄므로 산포가 \(2\)배면 같은 정밀도를 얻는 데 표본이 \(4\)배, 곧 \((\gamma_2+2)/2\)배 든다.

해석. 두 기간이 각각 60일뿐일 때 일별 수익률로 잡아낼 수 있는 변동성 변화는 \(1.67\)배 이상이다. 실무가 관심을 갖는 "변동성이 30% 올랐다" 정도는 60일로는 원리적으로 판정할 수 없고, 같은 차이를 유의하게 만들려면 기간마다 아홉 달 가까운 자료가 필요하다. 본문이 "두 기간의 변동성을 비교하기 전에 각 기간의 변동성이 얼마나 정밀하게 추정되었는지부터 물어라"고 한 것의 구체적인 답이다. \(\square\)


연습문제 8. 본문 3절은 이동 추정값의 출렁임이 "추세처럼 보이는 매끄러운 곡선"을 그리는 세 번째 이유로 창이 겹쳐 있음을 들었다. 이것을 수로 만든다. \(X_1, X_2, \dots\)가 독립이고 평균 \(\mu\), 분산 \(\sigma^2\), 첨도 \(\beta_2\)를 가진다고 하자. \(m\)일 창의 표본분산을 평균 추정에서 오는 항을 무시해 \(S_t^2 \approx \frac1m\sum_{i=t}^{t+m-1}(X_i-\mu)^2\)로 본다.

(1) \(0 \le k < m\)에 대해

\[ \operatorname{Corr}(S_t^2,\, S_{t+k}^2) \approx 1 - \frac{k}{m} \]

임을 보이고, 이 값이 \(\beta_2\)에 의존하지 않는 이유를 말하시오.

(2) \(m = 60\)일 때 하루 차이와 한 달 차이(\(k = 1\), \(k = 30\))의 상관은 얼마인가. \(k \ge 60\)에서는 얼마인가. 본문의 900일 경로에 서로 상관이 없는 창은 몇 개 들어 있는가.

(3) (2)의 독립인 창들과 연습문제 5의 \(\operatorname{sd}(\log S)\)를 써서 이동 표준편차의 최대/최소 비를 근사하시오. 독립인 표준정규 15개의 최댓값은 평균적으로 \(1.74\)다. 정규 자료와 \(t_5\) 자료 각각 얼마가 나오는가. 이 근사가 실제 이동 최대/최소 비를 과소추정하는 이유를 하나 지적하시오.

풀이

(1) 겹친 날의 수가 그대로 상관이 된다. \(Y_i = (X_i - \mu)^2\)라 두면 \(Y_i\)는 독립이고

\[ \operatorname{Var}(Y_i) = E[(X-\mu)^4] - \sigma^4 = \sigma^4(\beta_2 - 1) \]

이다. \(S_t^2 \approx \frac1m\sum_{i=t}^{t+m-1} Y_i\)이므로 \(\operatorname{Var}(S_t^2) \approx \operatorname{Var}(Y)/m\)이다. 두 창 \([t,\,t+m-1]\)과 \([t+k,\,t+k+m-1]\)은 \(m-k\)개의 날을 공유하고, 공유하지 않는 항끼리는 독립이어서 공분산에 기여하지 않으므로

\[ \operatorname{Cov}(S_t^2, S_{t+k}^2) \approx \frac{1}{m^2}\sum_{i=t+k}^{t+m-1}\operatorname{Var}(Y_i) = \frac{(m-k)\operatorname{Var}(Y)}{m^2} \]

따라서

\[ \operatorname{Corr}(S_t^2, S_{t+k}^2) \approx \frac{(m-k)\operatorname{Var}(Y)/m^2}{\operatorname{Var}(Y)/m} = \frac{m-k}{m} = 1 - \frac{k}{m} \]

이다. \(\operatorname{Var}(Y)\)가 분자와 분모에 똑같이 들어 있어 약분된다. 그래서 상관은 \(\beta_2\)와 무관하다. 첨도는 출렁임의 크기를 정하고(연습문제 5), 중첩은 출렁임의 모양을 정한다. 둘은 서로 독립인 두 가지 결함이다.

(2) 하루 차이의 상관이 0.983이다. \(m = 60\)이므로

\[ k = 1\colon\; 1 - \tfrac1{60} = 0.983, \qquad k = 30\colon\; 1 - \tfrac{30}{60} = 0.500 \]

이고 \(k \ge 60\)에서는 공유하는 날이 없으므로 \(0\)이다. 인접한 두 추정값의 상관이 \(0.983\)이라면 그 곡선은 기울기가 작은 매끄러운 선일 수밖에 없다. 본문이 "무작위 산점이었다면 아무도 속지 않았을 것"이라고 한 것이 이 수다. 매끄러움은 자료에 추세가 있다는 증거가 아니라 이동평균을 취했다는 사실의 반영이다.

900일 경로에는 길이 60의 비중첩 창이 \(900/60 = 15\)개 들어간다. 겉으로는 \(900 - 60 + 1 = 841\)개의 추정값이 그려지지만 실질적인 정보는 15개뿐이다.

(3) 정규라면 1.37배, \(t_5\)라면 1.89배다. 독립인 15개 창의 \(\log S\)가 평균 \(\log\sigma\), 표준편차 \(s = \operatorname{sd}(\log S)\)를 가진다고 보면, 최댓값은 평균적으로 \(+1.74s\), 최솟값은 \(-1.74s\)에 놓이므로

\[ \frac{\max S}{\min S} \approx \exp(2 \times 1.74 \times s) \]

이다. 연습문제 5의 값을 넣는다.

자료 \(s = \operatorname{sd}(\log S)\) 최대/최소 근사
정규 0.0913 1.37
\(t_5\) 0.1826 1.89

본문이 보고한 \(2.3\)배는 \(t_5\) 근사 \(1.89\)와 같은 자릿수이고 정규 근사 \(1.37\)과는 거리가 멀다.

근사가 과소추정인 이유. 실제로 그려지는 추정값은 15개가 아니라 841개다. 비중첩 창 15개의 최댓값보다 그 사이에 놓인 826개까지 포함한 최댓값이 크거나 같다(겹친 창들은 강하게 상관되어 있어 새 정보를 조금씩만 더하지만, 최댓값을 낮추지는 못한다). 곧 최대/최소 비에 관해서는 "독립인 창 15개"가 유효 개수의 하한이다. 다음 문제가 실제 분포를 재어 이 차이를 확인한다. \(\square\)


연습문제 9. 연습문제 8의 두 결론을 본문 그림과 같은 설정(900일, 60일 창, 참 변동성 일 \(1.00\%\) 고정)에서 모의실험으로 확인한다.

(1) 이동 표본분산의 시차 \(k\) 상관을 \(k = 1, 15, 30, 45, 59, 60, 120\)에서 재어 \(1 - k/m\)과 견주시오. 정규와 \(t_5\) 양쪽에서 같은 값이 나오는가.

(2) 경로 하나에서 얻는 이동 표준편차의 최대/최소 비의 분포를 구하고 연습문제 8의 근사값 \(1.37\), \(1.89\)와 비교하시오. 본문이 보고한 \(2.3\)배가 나올 확률은 정규와 \(t_5\)에서 각각 얼마인가.

풀이
import numpy as np


def rolling_var(X, m):
    """각 행의 m 일 이동표본분산(ddof=1). 누적합으로 한 번에 구한다."""
    z = np.zeros((X.shape[0], 1))
    c1 = np.hstack([z, np.cumsum(X, axis=1)])
    c2 = np.hstack([z, np.cumsum(X ** 2, axis=1)])
    s1 = c1[:, m:] - c1[:, :-m]
    s2 = c2[:, m:] - c2[:, :-m]
    return (s2 - s1 ** 2 / m) / (m - 1)


rng = np.random.default_rng(7)
R, n, m = 4000, 900, 60      # 그림과 같은 설정: 900 일, 60 일 창

V = {}
for kind in ("normal", "t(5)"):
    X = (rng.normal(size=(R, n)) if kind == "normal"
         else rng.standard_t(5, size=(R, n)) / np.sqrt(5 / 3)) * 0.01
    V[kind] = rolling_var(X, m)

# (1) 중첩이 만드는 상관: 이론은 1 - k/m 이다
print(f"{'k':>5}{'1-k/m':>9}{'normal':>9}{'t(5)':>9}")
for k in (1, 15, 30, 45, 59, 60, 120):
    row = [np.corrcoef(np.log(v[:, 0]), np.log(v[:, k]))[0, 1] for v in V.values()]
    print(f"{k:>5}{max(1 - k / m, 0):>9.3f}{row[0]:>9.3f}{row[1]:>9.3f}")

# (2) 900 일 경로 하나에서 이동 표준편차의 최대/최소 비
print(f"\n{'분포':>8}{'중위수':>9}{'사분위':>18}{'2.3 이상':>10}")
for kind, v in V.items():
    S = np.sqrt(v)
    rat = S.max(axis=1) / S.min(axis=1)
    q1, q2, q3 = np.percentile(rat, [25, 50, 75])
    print(f"{kind:>8}{q2:>9.2f}{f'[{q1:.2f}, {q3:.2f}]':>18}"
          f"{np.mean(rat >= 2.3):>10.4f}")

출력:

    k    1-k/m   normal     t(5)
    1    0.983    0.982    0.977
   15    0.750    0.737    0.723
   30    0.500    0.488    0.478
   45    0.250    0.234    0.240
   59    0.017    0.007    0.020
   60    0.000   -0.009   -0.006
  120    0.000    0.014   -0.004

      분포      중위수               사분위    2.3 이상
  normal     1.56      [1.49, 1.63]    0.0000
    t(5)     1.91      [1.78, 2.08]    0.1005

(1) \(1 - k/m\)이 그대로 나온다. 일곱 개 시차 모두 이론값과 소수 둘째 자리까지 맞고, \(k = 60\)에서 정확히 끊긴다(\(-0.009\)와 \(-0.006\)은 \(R = 4000\)에서 \(0\) 둘레에 생기는 잡음이다). 정규와 \(t_5\)가 거의 같은 값을 주는 것도 연습문제 8 (1)의 예측대로다. 중첩이 만드는 상관은 꼬리 두께와 무관하다. (여기서는 로그를 취해 재었다. 이론은 \(S^2\) 자체에 대한 것이지만 \(t_5\)에서 \(S^2\)의 표본상관은 8차 적률이 필요해 수렴이 아주 느리므로, 로그 척도가 같은 구조를 더 안정적으로 보여 준다. 그 대가로 이론값보다 조금씩 작게 나온다.)

(2) 중위수가 정규 \(1.56\), \(t_5\) \(1.91\)이다. 연습문제 8의 근사는 \(1.37\)과 \(1.89\)였다. \(t_5\)는 거의 맞고 정규는 근사가 \(12\%\) 작다. 근사가 아래로 치우치는 이유는 연습문제 8에서 지적한 대로 실제 최댓값이 841개 창에 대해 취해지기 때문이다(\(t_5\)에서 불일치가 작아 보이는 것은 연습문제 6 (1)에서 본 반대 방향의 오차, 곧 \(\operatorname{sd}(\log S)\) 예측 \(0.1826\)이 실제 \(0.1460\)보다 컸던 것이 상쇄해 준 결과다).

결정적인 수는 마지막 칸이다.

\[ P(\max/\min \ge 2.3) = \begin{cases} 0.0000 & \text{정규} \\ 0.1005 & t_5 \end{cases} \]

본문 그림의 \(2.3\)배는 \(t_5\) 자료에서는 열 번에 한 번 나오는 평범한 일이지만, 정규 자료 4000 경로에서는 한 번도 나오지 않았다. 사분위범위(interquartile range)를 보면 \(t_5\)에서 \([1.78,\,2.08]\), 곧 변동성이 전혀 변하지 않은 900일 경로의 절반이 "최고 시기가 최저 시기의 두 배 가까이"로 보인다. 변동성이 두 배로 변한 듯한 그림이 귀무가설(null hypothesis) 아래의 중앙값인 것이다. 60일 이동 추정값으로 변동성의 역사를 이야기하는 관행이 왜 위험한지가 이 한 수에 들어 있다. \(\square\)


연습문제 10. 본문 5절은 변동성 군집의 완화 전략으로 "자기상관 구조를 보존하는 블록 부트스트랩"을 들었지만, 그것이 정말로 크기를 되찾아 주는지는 보이지 않았다. 확인한다.

연습문제 3과 같은 GARCH(1,1) 자료(\(\omega = 10^{-5}\), \(\alpha = 0.1\), \(\beta = 0.85\), \(n = 120\), 두 반쪽의 무조건분산이 같으므로 \(H_0\)이 참이다)에서 통계량을 \(T = \lvert \ln(S_1^2/S_2^2) \rvert\)로 두고, 길이 \(b\)의 블록을 중첩을 허용해 뽑아 이어 붙이는 이동블록 부트스트랩으로 귀무분포를 만든다. \(b = 1, 10, 20, 40\)에 대해 명목 \(5\%\) 검정의 경험적 크기를 재시오.

(1) \(b = 1\)은 어떤 검정과 같아지는가. 그 결과를 F 검정·브라운–포사이드와 비교하시오.

(2) 블록 길이를 늘리면 크기가 어떻게 변하는가. 단조인가? 가장 좋은 \(b\)에서도 명목값에 도달하는가?

(3) 블록 부트스트랩이 이 문제를 "고친다"고 말할 수 있는가. GARCH의 지속성 \(\alpha + \beta = 0.95\)와 \(n = 120\)을 함께 생각해 답하시오.

풀이
import numpy as np
from scipy import stats


def garch11_paths(R, n, rng, omega=1e-5, alpha=0.1, beta=0.85):
    """GARCH(1,1) 경로 R 개를 한꺼번에 만든다. 연습문제 3 과 같은 모수다."""
    h = np.full(R, omega / (1 - alpha - beta))
    r = np.empty((R, n))
    for t in range(n):
        r[:, t] = np.sqrt(h) * rng.normal(size=R)
        h = omega + alpha * r[:, t] ** 2 + beta * h
    return r


def logF(x):
    """두 반쪽의 로그 분산비. 마지막 축이 시간이다."""
    n = x.shape[-1]
    a, b = x[..., :n // 2], x[..., n // 2:]
    return np.log(a.var(axis=-1, ddof=1) / b.var(axis=-1, ddof=1))


rng = np.random.default_rng(5)
R, n, B = 5000, 120, 399
X = garch11_paths(R, n, rng)
T = np.abs(logF(X))

d = stats.f(n // 2 - 1, n // 2 - 1)
F = np.exp(logF(X))
p_f = 2 * np.minimum(d.cdf(F), d.sf(F))
p_bf = np.array([stats.levene(x[:60], x[60:], center='median')[1] for x in X])
print(f"F 검정             {np.mean(p_f < 0.05):.4f}")
print(f"Brown-Forsythe     {np.mean(p_bf < 0.05):.4f}")

for b in (1, 10, 20, 40):
    nb = n // b
    rej = 0
    for i in range(R):
        # 길이 b 의 블록 nb 개를 중첩 허용으로 뽑아 이어 붙인다
        start = rng.integers(0, n - b + 1, size=(B, nb))
        idx = (start[:, :, None] + np.arange(b)).reshape(B, nb * b)
        Ts = np.abs(logF(X[i][idx]))
        rej += (1 + np.sum(Ts >= T[i])) / (B + 1) <= 0.05
    print(f"블록 부트스트랩 b = {b:>2}  {rej / R:.4f}")

출력:

F 검정             0.3284
Brown-Forsythe     0.2920
블록 부트스트랩 b =  1  0.3230
블록 부트스트랩 b = 10  0.1752
블록 부트스트랩 b = 20  0.1076
블록 부트스트랩 b = 40  0.1280

먼저 F 검정 \(0.3284\)와 브라운–포사이드 \(0.2920\)이 연습문제 3의 \(0.3312\), \(0.2968\)을 재현한다(씨앗이 달라 생긴 차이이며 \(R = 5000\)에서 표준오차 약 \(0.0065\) 안이다). 같은 자료 위에서 부트스트랩을 견주는 셈이 된다.

(1) \(b = 1\)은 보통의 i.i.d. 부트스트랩이고, 똑같이 무너진다. 블록 길이가 1이면 관측값을 하나씩 무작위로 다시 뽑는 것이므로 재추출된 열에서 시간 구조가 완전히 지워진다. 크기가 \(0.3230\)으로 F 검정의 \(0.3284\)와 사실상 같다.

이것이 본문 4절이 "부트스트랩 검정은 분포 가정을 하지 않으므로 금융 자료에 잘 맞는다"고 한 대목에 붙여야 할 단서다. 부트스트랩이 자료에서 읽어 내는 것은 분포의 모양이고, 재추출 방식이 독립을 전제하면 종속성은 읽지 못한다. 그 점에서 i.i.d. 부트스트랩의 실패는 브라운–포사이드의 실패(\(0.2920\))와 같은 종류다. 로버스트냐 비모수냐의 문제가 아니라, 귀무분포를 만드는 방식이 자료의 어떤 성질을 복제하느냐의 문제다.

(2) 단조가 아니다. \(b = 20\)에서 최선이고 그 뒤 다시 나빠진다.

\(b\) 블록 수 \(n/b\) 경험적 크기
1 120 0.3230
10 12 0.1752
20 6 0.1076
40 3 0.1280

블록을 늘리면 블록 안의 변동성 군집이 보존되어 귀무분포가 넓어지고 크기가 내려간다. 그러나 블록을 너무 늘리면 블록의 개수가 줄어 재추출이 만들어 내는 열의 다양성이 사라진다. \(b = 40\)이면 블록이 셋뿐이고, 원래 열에서 뽑은 조각 세 개를 이어 붙인 것들끼리 서로 많이 겹쳐 귀무분포가 거칠어진다. 블록 부트스트랩의 전형적인 편향–분산 트레이드오프(trade-off)이다.

가장 좋은 \(b = 20\)에서도 크기가 \(0.1076\)으로 명목값의 두 배가 넘는다.

(3) 고치지 못한다. 완화할 뿐이다. 네 수를 나란히 놓자. 아무 대비도 없는 F 검정 \(0.3284\), 로버스트 검정 \(0.2920\), 최선의 블록 부트스트랩 \(0.1076\), 그리고 명목값 \(0.05\). 블록 부트스트랩은 왜곡의 \(3/4\) 정도를 걷어 내지만 남은 \(1/4\)을 지우지 못한다.

이유는 자료의 길이다. GARCH의 조건분산 \(h_t\)는 \(\alpha+\beta = 0.95\)로 감쇠하므로 충격의 반감기가

\[ \frac{\ln 0.5}{\ln 0.95} = 13.5\ \text{일} \]

이고, 자기상관이 실질적으로 사라지려면 그 몇 배가 필요하다. 그런데 열 전체가 \(120\)일뿐이다. 자기상관이 감쇠할 만큼 긴 블록을 쓰면 블록이 서너 개밖에 안 되고, 블록을 여러 개 확보하면 블록이 너무 짧아 군집을 담지 못한다. \(120\)일 안에는 "독립인 조각"이 애초에 몇 개 들어 있지 않다. 본문의 완화 전략 세 가지가 모두 더 긴 자료나 모형 가정을 요구하는 것이 이 때문이고, 세 번째 제안("두 기간의 무조건분산이 같은가라는 질문 자체가 적절한지 재검토한다")이 가장 정직한 대안인 이유도 이것이다. \(\square\)


정리하며

금융 변동성 비교는 수익률 자료에 있는 두꺼운 꼬리와 자기상관 때문에 검정 선택에 주의가 필요하다. 브라운–포사이드와 플리그너–킬린 검정은 횡단면 비교나 두 기간 비교에서 신뢰할 만한 추론을 제공한다. 변동성 군집이 있는 시계열 자료에서는 종속 구조를 반영하기 위해 추가적인 모형화(GARCH, 블록 부트스트랩)가 필요하다.

여기서 15장이 끝난다. 다음 장 16 비모수 검정으로 넘어간다. 이 장의 검정들이 정규성(normality)을 덜어 내면서도 분산을 재려 했다면, 16장은 분포 가정을 아예 버리고 순위로 간다. 여기서 본 금융 수익률처럼 꼬리가 두꺼운 자료가 그 방법들이 기다리는 자리다.