エリック・ギセルズ

エリック・ギセルズ（1956年、ブリュッセル生まれ）は、金融と時系列計量経済学、特に金融計量経済学と金融テクノロジーの分野に関心を持つベルギーの経済学者です。^{[ 1 ]}彼はノースカロライナ大学のエドワード・M・バーンスタイン記念経済学教授^{[ 2 ]}であり、キーナン・フラッグラー・ビジネススクールの金融学教授でもあります。^{[ 3 ]}また、フランク・ホーキンス・キーナン民間企業研究所のRethinc.Labsの教員研究ディレクターも務めています。^{[ 4 ]}

ギセルスはベルギーのブリュッセルで、ピエール・ギセルス（公務員）とアンナ・ヤンセンス（主婦）の息子として生まれた。1979年にブリュッセル自由大学で経済学の学士号（最優等）を取得。 1980年にベルギー・アメリカ教育財団からフルブライト奨学金を得て、同年ノースウェスタン大学で大学院課程を開始し、1984年にノースウェスタン大学ケロッグ経営大学院で博士号を取得した。 2019年にはリエージュHEC大学から名誉博士号（Doctor Honoris Causa）を授与された。^{[ 5 ]}

ノースウェスタン大学ケロッグ経営大学院を卒業後、モントリオール大学経済学部で教員​​職に就いた。 ^{[ 6 ]} 1996年にペンシルベニア州立大学の経済学教授となり^{[ 7 ]} 、2000年にノースカロライナ大学チャペルヒル校に加わった。現在は、ノースカロライナ大学チャペルヒル校のエドワード・M・バーンスタイン記念経済学教授であり、金融​​学教授、ケナン・フラッグラー・ビジネススクールの教授でもある。2018年からは、ノースカロライナ大学チャペルヒル校のケナン民間企業研究所のRethinc.Labsの教員研究ディレクターを務めている。2020年からは、ノースカロライナ州立大学の電気・コンピュータ工学科にも所属している。^{[ 8 ]}

ギセルズはアメリカ統計学会のフェローであり、ロバート・エングルと共に金融計量経済学会（SoFiE）を共同設立した。 ^{[ 9 ] [ 10 ]}彼は『Journal of Business and Economic Statistics』の編集者（アラステア・R・ホールと共同、2001～2004年）、『Journal of Financial Econometrics』の編集者（2012～2015年）を務めた。^{[ 11 ]}現在は『Journal of Applied Econometrics』の共同編集者である。^{[ 12 ]}

ギーセルズ氏は、2008年から2009年にかけてニューヨーク連邦準備銀行の客員研究員を務め、2011年には欧州中央銀行のデュイゼンバーグ・フェローを務めた。いずれも大不況の真っ只中であり、その後も世界各地の複数の中央銀行を定期的に訪問している。

彼はまた、ボッコーニ大学（トマソ・パドア＝スキオッパ客員教授、2017年）、シカゴ大学ステバノビッチセンター（2015年）、ケンブリッジ大学（INET客員教授、2014年）、ニューヨーク大学スターン・スクール・オブ・ビジネス（2007年）などで客員教授を務めており、ルーヴァン・カトリック大学ルーヴァン・ファイナンスの客員教授も務めている。^{[ 13 ]}

2001年、彼はデニス・R・オズボーンと共に『季節時系列の計量経済学的分析』というモノグラフを出版した。 ^{[ 14 ]} 2018年には、マッシミリアーノ・マルチェリーノと共に『時系列手法を用いた応用経済予測』という教科書を出版した。 ^{[ 15 ]}

彼の栄誉と受賞歴は以下のとおりです。

• 1980年：ベルギー系アメリカ人教育財団のフルブライト奨学生
• 1981年：ベルギー国立科学財団研究員
• 1985年：ASA/NSF/国勢調査フェロー、アメリカ統計協会^{[ 16 ]}
• 1999年：アメリカ統計学会ビジネス・経済統計部門議長
• 2001年: 経済学者名鑑 第4版^{[ 17 ]}
• 2008年：ニューヨーク連邦準備銀行常駐研究員^{[ 18 ]}
• 2011年：フェルナン・ブローデル上級研究員、欧州大学院大学、フィレンツェ、イタリア^{[ 19 ]}
• 2011年：欧州中央銀行ウィム・デュイゼンバーグ・フェロー^{[ 20 ]}
• 2012年：SoFiEフェロー^{[ 21 ]}
• 2017年：ハイデルベルク大学でのエミール・グンベル記念講演^{[ 22 ]}
• 2020年：CORE講演シリーズ、UCルーヴァン^{[ 23 ]}
• 2020年：国際応用計量経済学会フェロー^{[ 24 ]}

ギセルスの最新の研究は、金融をはじめとする様々な分野への応用を目的とした混合データサンプリング（MIDAS）回帰モデルとフィルタリング手法に焦点を当てています。また、経済時系列における季節性、金融における機械学習とAIの応用、金融における量子コンピューティングの応用など、多岐にわたるテーマにも取り組んでいます。

混合データサンプリングまたはMIDAS回帰は計量経済学的回帰モデルであり、混合頻度データのコンテキストで適用される場合、場合によってはカルマンフィルターの代替として見なすことができます。現在、MIDAS回帰とその応用に関する文献は豊富にあり、Ghysels、Santa-Clara、Valkanov (2006) ^{[ 25 ]} 、 Ghysels、Sinko、Valkanov ^{[ 26 ]}、Andreou、Ghysels、Kourtellos (2010) ^{[ 27 ] 、Andreou、Ghysels、Kourtellos (2013) [ 28 ]}などがあります。

MIDAS回帰は、将来の低頻度データを現在および過去の高頻度指標と関連付け、予測期間ごとに異なる予測モデルを生成する直接予測ツールです。異なる頻度でサンプリングされたデータにも柔軟に対応し、低頻度変数の直接予測を提供します。回帰分析には個々の高頻度データが組み込まれるため、潜在的に有用な情報が失われる問題や、モデルの誤指定が生じる問題を解決できます。

単純な回帰分析の例では、独立変数が従属変数よりも高い頻度で出現します。

${\displaystyle y_{t}=\beta _{0}+\beta _{1}B(L^{1/m};\theta )x_{t}^{(m)}+\varepsilon _{t}^{(m)},}$

ここで、 yは従属変数、xは回帰変数、mは頻度を表します（例えば、yが年の場合）。${\displaystyle x_{t}^{(4)}}$四半期ごとです –${\displaystyle \varepsilon }$妨害と${\displaystyle B(L^{1/m};\theta )}$はラグ分布であり、例えばベータ関数やアルモンラグなどです。

回帰モデルは、混合周波数データのコンテキストで適用される場合、カルマンフィルタの代替として見なすことができる場合がある。Bai、Ghysels、およびWright（2013） ^{[ 29 ]}は、混合周波数データに適用されるMIDAS回帰とカルマンフィルタ状態空間モデルの関係を検証している。一般に、後者は方程式系を含むが、対照的にMIDAS回帰は（縮約形）単一の方程式を含む。結果として、MIDAS回帰は効率が低い可能性があるが、仕様エラーも発生しにくい。MIDAS回帰が近似にすぎない場合、近似誤差は小さい傾向がある。

MIDAS は、機械学習時系列およびパネルデータのナウキャスティングにも使用できます。^{[ 30 ] [ 31 ]}機械学習 MIDAS 回帰には、ルジャンドル多項式が含まれます。高次元混合周波数時系列回帰には、考慮に入れると小サンプルでの制約なし推定器のパフォーマンスを向上させる特定のデータ構造が含まれます。これらの構造は、ラグ付き従属変数をカバーするグループと、単一の (高周波) 共変量のラグのグループによって表されます。そのため、機械学習 MIDAS アプローチでは、このような構造に都合よく対応できるスパースグループ LASSO (sg-LASSO) 正則化を利用します。^{[ 32 ]} sg-LASSO 推定器の魅力的な特徴は、ほぼスパースな信号と密な信号を効果的に組み合わせることができることです。

いくつかのソフトウェアパッケージには、MIDAS回帰分析および関連する計量経済学的手法が搭載されています。これらには以下が含まれます。

• MIDAS Matlabツールボックス^{[ 33 ]}
• midasr、Rパッケージ^{[ 34 ]}
• midasml、高次元混合周波数時系列データ用のRパッケージ^{[ 35 ]}
• EViews ^{[ 36 ]}
• Python ^{[ 37 ]}
• ジュリア^{[ 38 ]}

• エリック・ギセルズ
• 金融計量経済学会（SoFiE）
• 金融計量経済学ジャーナル