揺れ動くデータの世界へようこそ！

皆さん、こんにちは！Exam SRMの学習をここまで進めてきたということは、データの「中心」（平均）をモデル化する方法はすでにご存じですね。しかし、現実の世界、特に金融や保険の分野では、データの「揺らぎ」やボラティリティ（変動性）は常に一定ではありません。平穏な時期が長く続いたかと思えば、突然、すべてが一度に荒れ狂うこともあるのです！

この章では、自己回帰条件付き不均一分散（ARCH）モデルについて学びます。名前が長くて難しそうに見えますか？心配しないでください！このノートを読み終える頃には、これは単に「昨日荒れていたなら、今日も荒れる可能性が高い」ということを、ちょっとかっこよく言っただけのものだと分かるはずです。

1. そもそも不均一分散って何？

数式を見る前に、不均一分散（Heteroskedasticity）という難解な言葉を分解してみましょう。

基本的な回帰分析では、通常「均一分散（Homoskedasticity）」を仮定します。これは、誤差の分散（バラつき）が常に一定であることを意味します。一方で不均一分散とは、その分散が時間とともに変化することを指します。

条件付き不均一分散（Conditional Heteroskedasticity）とは、分散が過去の情報に基づいて変化することを意味します。もし昨日株価の暴落が起きたなら、今日という日の「条件付き」分散は、昨日が退屈で穏やかな日だった場合よりも、ずっと高くなるはずですよね。

核心となるアイデア：ボラティリティ・クラスタリング
株式市場において、大きな価格変動の後はまた大きな変動が続き、静かな時期の後はまた静かな時期が続くことに気づいたことはありませんか？これはボラティリティ・クラスタリングと呼ばれます。ARCHモデルは、まさにデータのこうした「気まぐれさ」を捉えるために作られました。

重要ポイント

ARCHモデルは、誤差項の分散が一定ではなく、過去の誤差の大きさに依存する場合に使用されます。

2. ARCH(1)モデル：ステップ・バイ・ステップ解説

最もシンプルなARCH(1)モデルを見ていきましょう。ここでの「1」は、1期前（昨日）のみを振り返ることを意味します。

標準的な時系列において、誤差項を \( \epsilon_t \) と呼びます。ARCHモデルでは、この誤差を次のように仮定します：

\( \epsilon_t = \sigma_t Z_t \)

ここで：
1. \( Z_t \) は「ホワイトノイズ」（通常、平均0、分散1の標準正規分布）です。
2. \( \sigma_t \) は条件付き標準偏差（時点 \( t \) における「揺らぎ」）です。

分散に関するARCH(1)の式は以下の通りです：

\( \sigma^2_t = \alpha_0 + \alpha_1 \epsilon^2_{t-1} \)

言葉で説明すると：
今日の分散（\( \sigma^2_t \)）は、ベースラインとなる定数（\( \alpha_0 \)）に、昨日の誤差の二乗の一部（\( \alpha_1 \epsilon^2_{t-1} \)）を足したものになります。

なぜ誤差を二乗するのか？
良い質問です！分散は常に正でなければならないため、誤差（\( \epsilon^2_{t-1} \)）を二乗します。昨日市場が10%上昇したにせよ、10%下落したにせよ、それは「大きな動き」であり、今日のボラティリティ予測を高める要因となるべきだからです。

暗記のコツ：「嵐」のたとえ

\( \alpha_0 \) を普通の日の典型的な風速だと考えてください。そして \( \alpha_1 \) を、昨日の嵐が今日の天気にどれだけ影響を与えるかという係数だと考えてみましょう。もし \( \alpha_1 \) が大きく、昨日猛烈な嵐（\( \epsilon^2_{t-1} \)）が来たなら、今日の天気予報（\( \sigma^2_t \)）も非常に荒れると予想できますよね！

3. ルールと制約

ARCH(1)モデルが数学的に意味をなし、安定して機能するためには、パラメータ \( \alpha_0 \) と \( \alpha_1 \) にいくつかのルールがあります：

1. 正値性： \( \alpha_0 > 0 \) かつ \( \alpha_1 \geq 0 \) である必要があります。なぜなら、分散は負になり得ないからです。「負の揺らぎ」なんて存在しませんよね。
2. 定常性： 分散が長期にわたって安定するためには、\( \alpha_1 < 1 \) である必要があります。もし \( \alpha_1 \geq 1 \) だと、分散は増え続け、無限大に発散してしまいます！

クイック復習：長期平均分散
モデルが定常的（\( \alpha_1 < 1 \)）である場合、「無条件」あるいは長期的な平均分散は次のようになります：
\( Var(\epsilon_t) = \frac{\alpha_0}{1 - \alpha_1} \)

よくある間違いに注意！

学習者はよく、プロセスの平均と分散を混同します。基本的なARCHモデルでは、誤差 \( \epsilon_t \) の平均は依然として0です。変化するのは分散です。時系列データ全体が上昇トレンドや下降トレンドにあるわけではなく、単に「ノイズが激しくなっている」だけなのです。

4. スケールアップ：ARCH(p)モデル

今日のボラティリティが過去2日間、あるいは過去1週間分に依存する場合はどうすればよいでしょうか？単純に式に項を追加するだけです！これをARCH(p)モデルと呼び、\( p \) は過去にさかのぼるラグの数を表します。

公式は以下のようになります：
\( \sigma^2_t = \alpha_0 + \alpha_1 \epsilon^2_{t-1} + \alpha_2 \epsilon^2_{t-2} + ... + \alpha_p \epsilon^2_{t-p} \)

長そうに見えても心配しないでください！ ARCH(1)と論理は全く同じで、単に過去をより遠くまで見ているだけです。これが定常的であるためには、すべてのアルファの合計（\( \alpha_1 + \alpha_2 + ... + \alpha_p \)）が1未満でなければなりません。

5. なぜアクチュアリー科学でARCHモデルを使うのか？

豆知識：
標準的な線形回帰や多くのARIMAモデルでさえ、ノイズは一定であると仮定します。しかし、あなたが株式市場に依存する保険商品（変額年金など）の価格設定を行うアクチュアリーなら、ノイズを一定と仮定することは破滅を招きかねません！市場の「揺らぎ」を過小評価すると、暴落時に保険金を支払うための資本が足りなくなってしまうからです。

現実世界の例：
2008年の金融危機の間、ボラティリティは何ヶ月もの間非常に高い状態でした。ARCHモデルなら、「昨日の高いボラティリティ＝今日の高いボラティリティ」と認識し、それに応じてリスク準備金を調整できたはずです。標準的なモデルでは、単なる「一度きりの」外れ値として処理されてしまったことでしょう。

6. まとめと最終チェックリスト

次の章へ進む前に、以下のポイントをしっかり理解しておきましょう：

1. 「なぜ」： ARCHモデルはボラティリティ・クラスタリング（分散の高い時期と低い時期が続く現象）のために使われる。
2. 「何を」： 今日の分散は、過去の誤差の二乗に依存する。
3. 公式： \( \sigma^2_t = \alpha_0 + \alpha_1 \epsilon^2_{t-1} \) を暗記しておくこと。
4. 制約： 分散を正に保つためにパラメータは正である必要があり、安定性のために \( \alpha_1 < 1 \) である必要がある。
5. 論理： もし \( \epsilon_{t-1} \) が大きければ（正でも負でも）、\( \sigma^2_t \) を増加させ、次の誤差 \( \epsilon_t \) も大きくなる可能性が高まる。

試験対策のヒント：
試験で「時間とともに変化する分散」や「ボラティリティ・クラスタリング」に最適なモデルを問われたら、頭の中で即座にARCH!と叫んでください。

その調子で頑張ってください！あなたはロバート・エングルにノーベル経済学賞をもたらした概念をマスターしようとしています。あなたならきっと大丈夫です！