概要: 私たちは、標準的なガウス基底分布をレヴィ過程に基づく分布で置き換える正規化フローモデルの一群であるL\'evy-Flowsを提案します。具体的には、分散ガンマ（Variance Gamma: VG）および正規逆ガウス（Normal-Inverse Gaussian: NIG）です。これらの分布は、正確な尤度評価と効率的な再パラメータ化サンプリングを維持しつつ、自然に重い裾（heavy-tailed）な振る舞いを捉えます。さらに、裾の挙動に関する理論的保証を確立します。すなわち、正則変動（regularly varying）する基底に対しては、漸近的に線形なフロー変換のもとでテール指数が保存されること、また、Identity-tail Neural Spline Flow アーキテクチャは、変換領域の外側では基底分布の裾の形状を正確に保持することを示します。実験では、S&P 500の日次収益率および追加の資産に対して評価を行い、密度推定とリスクのキャリブレーションにおいて大幅な改善が得られることを示します。VGベースのフローは、ガウスベースのフローに比べてテストの負の対数尤度を69%削減し、95% VaRのキャリブレーションを正確に達成します。一方、NIGベースのフローは、Expected Shortfall（期待ショートフォール）推定において最も高い精度を提供します。これらの結果は、正規化フローにレヴィ過程の構造を組み込むことで、重い裾を持つデータのモデリングに大きな向上が生じることを示しており、金融リスク管理への応用が期待できます。
Lévyフローモデル：金融リスク管理のための重尾（ヘビーテール）に対応した正規化フロー
arXiv cs.LG / 2026/4/2
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、通常のガウス基底分布を分散ガンマ（Variance Gamma: VG）分布および正規逆ガウス（Normal-Inverse Gaussian: NIG）分布に置き換える、重尾の金融収益をより適切にモデル化する正規化フローの枠組み「L’evy-Flows」を提案する。
- 特定の漸近線形または恒等型テールのニューラル・スプライン・フロー（Neural Spline Flow）アーキテクチャにおいて、裾（テール）の挙動がどのように保存されるのか、あるいは正確に一致するのかを示す理論結果を提示する。
- 本手法は、学習および下流のリスク推定タスクに重要な、厳密な尤度評価と効率的な再パラメータ化サンプリングといった主要な実用的性質を維持する。
- S&P 500の日次リターンおよびその他の資産に対する実験では、密度推定およびリスク校正が大幅に改善し、VGベースのフローはガウス・フローに比べてテスト負の対数尤度が69%減少することが示されている。
- VGベースのフローは95% VaRの厳密な校正を達成し、一方でNIGベースのフローはExpected Shortfallの推定において最も正確な結果を示す。これは、金融リスク管理におけるテール・リスクのモデリングがより強力であることを示している。
