نمذجة وتنبؤ بتقلبات أسعار الصرف في نطاق الزمن-التردد

جدول المحتويات

1. المقدمة والنظرة العامة

تقدم هذه الورقة نهجًا جديدًا لنمذجة وتنبؤ التقلبات المالية، خاصة لأسعار الصرف، من خلال دمج تحليل البيانات عالية التردد مع تقنيات التحليل في نطاق الزمن-التردد. يكمن الابتكار الأساسي في تعزيز إطار عمل Realized GARCH بمقاييس التقلبات المحققة (Realized Volatility) المُحللة بالموجات (wavelet) ومقدر متخصص للقفزات (jumps). يسمح هذا للنموذج بتفكيك التقلبات إلى مكونات تتوافق مع آفاق استثمارية مختلفة (مقاييس زمنية) وأخذ تأثير القفزات السعرية غير المتصلة بعين الاعتبار بشكل منفصل. الدافع وراء هذا البحث هو الطبيعة غير المتجانسة لمشاركي السوق الذين يعملون على آفاق زمنية مختلفة، من المتداولين عاليي التردد إلى المستثمرين طويلي الأجل.

يوضح المؤلفون أن نماذج "Jump-GARCH" المقترحة، والتي تم تقديرها عبر كل من طريقة الإمكان الأعظم (MLE) وإطار العمل العام للدرجة ذاتية الانحدار (GAS)، توفر تنبؤات متفوقة إحصائيًا مقارنة بنماذج GARCH التقليدية ونماذج التقلبات المحققة الشائعة. يستخدم التحليل بيانات عقود الفوركس الآجلة التي تشمل الأزمة المالية 2007-2008، مما يوفر اختبار إجهاد قوي للمنهجية.

2. المنهجية والإطار التقني

2.1 إطار عمل Realized GARCH

يجسر نموذج Realized GARCH الفجوة بين نماذج GARCH التقليدية والبيانات عالية التردد من خلال دمج مقياس التقلبات المحققة $RV_t$ مباشرة في معادلة التقلبات. يتضمن الهيكل الأساسي معادلة للعائد، ومعادلة GARCH للتقلبات الكامنة، ومعادلة قياس تربط التقلبات الكامنة بالمقياس المحقق.

2.2 التحليل متعدد المقاييس القائم على المويجات

للتقاط الطبيعة متعددة الآفاق للتقلبات، يستخدم المؤلفون تحويل المويجات (wavelet transform). هذه الأداة الرياضية تحلل سلسلة التقلبات المحققة إلى مكونات متعامدة تمثل مقاييس زمنية مختلفة (مثل الديناميكيات داخل اليوم، اليومية، الأسبوعية). إذا كانت $RV_t$ هي التقلبات المحققة، فيمكن تمثيل تحليلها بالموجات كالتالي:

$RV_t = \sum_{j=1}^J D_{j,t} + S_{J,t}$

حيث تمثل $D_{j,t}$ مكون التقلبات ("التفصيل") عند المقياس $j$ (المقابل لنطاق ترددي محدد)، و $S_{J,t}$ هو المكون السلس الذي يلتقط الاتجاه طويل الأجل. كل $D_{j,t}$ يقارب نشاط التداول وتدفق المعلومات عند أفق استثماري محدد.

2.3 كشف القفزات ومقدر JTSRV

تقدم حاسم هو دمج تباين القفزات. يستخدم المؤلفون مقدر التقلبات المحققة ثنائي المقياس للقفزات (JTSRV). يفصل هذا المقدر التباين التربيعي الكلي إلى التباين المتكامل المستمر (IV) وتباين القفزات غير المستمر (JV):

$RV_t \approx IV_t + JV_t$

هذا الفصل حاسم لأن القفزات والتقلبات المستمرة غالبًا ما يكون لهما خصائص استمرارية وتنبؤية مختلفة.

2.4 التقدير: MLE مقابل GAS

تم تقدير نماذج Jump-GARCH المقترحة باستخدام طريقتين: 1) تقدير شبه الإمكان الأعظم (QMLE)، و2) إطار العمل القائم على الملاحظة للدرجة ذاتية الانحدار المعممة (GAS). إطار عمل GAS، الذي قدمه Creal وآخرون (2013)، يقوم بتحديث المعاملات بناءً على درجة دالة الإمكان، مما يوفر قوة محتملة وقدرة على التكيف مع سوء تحديد النموذج.

3. التحليل التطبيقي والنتائج

3.1 البيانات والإعداد التجريبي

تستخدم الدراسة بيانات عالية التردد لعقود الفوركس الآجلة (على الأرجح أزواج رئيسية مثل EUR/USD). تشمل فترة العينة الأزمة المالية 2007-2009، مما يسمح بفحص أداء النموذج تحت ضغط شديد. يتم تقييم التنبؤات لكل من آفاق اليوم التالي وآفاق الفترات المتعددة القادمة.

3.2 أداء التنبؤ

تمت مقارنة النماذج المقترحة مع نماذج قياسية مثل GARCH(1,1) و HAR-RV. يستخدم التقييم دوال الخسارة الإحصائية (مثل MSE, QLIKE). يتم عرض النتائج الرئيسية في جدول مقارن (محاكى أدناه):

ملاحظة: القيم هي نسب توضيحية نسبة إلى معيار GARCH(1,1).

3.3 النتائج والاستنتاجات الرئيسية

• فصل القفزات أمر أساسي: فصل تباين القفزات عن التباين المتكامل يحسن دقة التنبؤ باستمرار.
• هيمنة التردد العالي: المقياس الزمني الأكثر إفادة للتنبؤ بالتقلبات المستقبلية هو المكون عالي التردد (قصير الأجل) لتحليل المويجات.
• تفوق النموذج: نماذج Jump-GARCH المقترحة حديثًا مع تحليل المويجات تتفوق إحصائيًا على كل من نماذج GARCH التقليدية ونماذج Realized GARCH القياسية.
• القدرة على مواجهة الأزمات: تظهر النماذج أداءً قويًا خلال فترة الأزمة المالية.

4. الفكرة الأساسية ومنظور المحلل

الفكرة الأساسية: تقدم هذه الورقة رسالة قوية، لكنها لا تحظى بالتقدير الكافي: التقلبات ليست عملية أحادية، بل هي عملية ذات طبقات. برفض معاملة السوق ككيان واحد متجانس واستخدام المويجات بدلاً من ذلك لتشريحه إلى آفاقه الاستثمارية المكونة له، يكسر المؤلفون الصندوق الأسود لديناميكيات التقلبات. إن اكتشاف أن المكونات قصيرة الأجل وعالية التردد هي التي تقود التنبؤات يمثل تحدياً مباشراً للنماذج التي تبالغ في وزن الاتجاهات طويلة الأجل ويؤكد الهيمنة المتزايدة للتداول الخوارزمي وعالي التردد في اكتشاف الأسعار وتشكيل التقلبات.

التسلسل المنطقي: تم بناء الحجة بأناقة. يبدأ من الحقيقة التطبيقية الراسخة لعوامل السوق غير المتجانسة (من نموذج HAR لـ Corsi). ثم يسأل منطقيًا: إذا كانت العوامل تعمل على مقاييس زمنية مختلفة، ألا يجب أن تعكس نماذجنا ذلك؟ تحليل المويجات هو الإجابة التقنية المثالية. الدمج اللاحق لمخاطر القفزات - وهي حقيقة أخرى غير غوسية وغير مستمرة للأسواق - يكمل الصورة. التدفق من الحدس الاقتصادي (عدم التجانس) إلى الأداة الرياضية (المويجات) إلى النتيجة التطبيقية (تحسين التنبؤ) مقنع.

نقاط القوة والضعف: القوة الأساسية هي الدمج الناجح للقياس الاقتصادي المتطور (Realized GARCH، المويجات، كشف القفزات) في إطار عمل متماسك وناجح تطبيقيًا. إنه يتجاوز مقارنات النماذج البسيطة لتقديم رؤية حقيقية لمصدر القدرة على التنبؤ. استخدام إطار عمل GAS هو أيضًا ذو نظرة مستقبلية. العيب الرئيسي، الشائع في هذا الأدب، هو الشعور "داخل العينة" بفحص القوة. بينما تم تضمين فترة الأزمة، فإن اختبار حقيقي خارج العينة على بيانات غير مرئية تمامًا (مثل انهيار COVID 2020) سيكون أكثر إقناعًا. علاوة على ذلك، قد تعيق التعقيدات الحسابية لنموذج wavelet-GARCH-jump تطبيقه في الوقت الفعلي في بعض أنظمة التداول، وهو عائق عملي لم يتم معالجته.

رؤى قابلة للتنفيذ: بالنسبة للمحللين الكميين ومديري المخاطر، هذه الورقة هي مخطط. أولاً، حلل، ثم انمذج. تطبيق مرشح مويجات بسيط على سلسلة التقلبات الخاصة بك قبل إدخالها في نموذج التعلم الآلي أو القياس الاقتصادي المفضل لديك يمكن أن يحقق مكاسب فورية. ثانيًا، عامل القفزات بشكل منفصل. بناء إشارة مخصصة لكشف القفزات ونمذجة تأثيرها بشكل مستقل، كما تم مع JTSRV، هو أفضل ممارسة غير قابلة للتفاوض لأي نموذج تقلبات جاد بعد عام 2008. أخيرًا، ركز طاقة التنبؤ الخاصة بك على الطبقة عالية التردد. خصص المزيد من موارد البحث والحوسبة لفهم وتنبؤ ديناميكيات التقلبات داخل اليوم، لأنها المكان الذي تكمن فيه إشارة التنبؤ الأكثر أهمية.

5. التفاصيل التقنية والصياغة الرياضية

يمكن تلخيص نموذج Jump-GARCH الأساسي مع مكونات المويجات على النحو التالي:

معادلة العائد: $r_t = \sqrt{h_t} z_t$، حيث $z_t \sim i.i.d.(0,1)$.

معادلة GARCH: $h_t = \omega + \beta h_{t-1} + \gamma \xi_{t-1}$.

معادلة القياس (المعززة):
$\log(RV_t) = \xi + \phi \log(h_t) + \tau_1 z_t + \tau_2 (z_t^2 - 1) + \sum_{j=1}^J \delta_j D_{j,t} + \lambda J_t + u_t$
حيث $u_t \sim i.i.d.(0, \sigma_u^2)$. هنا، $D_{j,t}$ هي مكونات التفصيل للمويجات لـ $RV_t$، و $J_t$ هو مكون القفزة الكبير الذي تم تحديده بواسطة مقدر JTSRV.

يقدر النموذج المعاملات $\theta = (\omega, \beta, \gamma, \xi, \phi, \tau_1, \tau_2, \{\delta_j\}, \lambda)$ لالتقاط الديناميكيات بين التقلبات الكامنة، والمقاييس المحققة، والقفزات، والمكونات متعددة المقاييس.

6. إطار التحليل: حالة مثال

السيناريو: تريد مؤسسة تحوط كمية تحسين تنبؤها اليومي بقيمة المخاطرة (VaR) لمحفظة تداول EUR/USD.

الخطوة 1 - إعداد البيانات: الحصول على عوائد داخل اليوم لمدة 5 دقائق لـ EUR/USD. حساب التقلبات المحققة الأساسية (مثل RV) وتطبيق تحويل المويجات (باستخدام مكتبة مثل PyWavelets في Python) لتحليلها إلى 3 مقاييس: D1 (ديناميكيات 2-4 ساعة)، D2 (4-8 ساعة)، D3 (8-16 ساعة). بشكل منفصل، تطبيق مقدر JTSRV لاستخراج سلسلة القفزات اليومية $J_t$.

الخطوة 2 - تحديد النموذج والتقدير: تقدير نموذج Jump-GARCH من القسم 5، حيث تتضمن معادلة القياس D1، D2، D3، و $J_t$ كمتغيرات خارجية. مقارنة لوغاريتم الإمكان ومعايير المعلومات مع نموذج Realized GARCH القياسي.

الخطوة 3 - التنبؤ والتطبيق: توليد تنبؤ التقلبات ليوم واحد قادم $\hat{h}_{t+1}$ من النموذج المقدّر. استخدام هذا التنبؤ لحساب VaR (مثل $VaR_{t+1}^{\alpha} = -\Phi^{-1}(\alpha) \sqrt{\hat{h}_{t+1}}$). اختبار رجعي للتنبؤات VaR مقابل الأرباح والخسائر الفعلية لتقييم دقة التغطية.

النتيجة المتوقعة: يجب أن تظهر تنبؤات VaR من نموذج Jump-GARCH مع المويجات تغطية أكثر دقة (استثناءات أقل) وأن تكون أقل عرضة لتقليل تقدير المخاطر بعد الأيام ذات القفزات العالية أو أنماط التقلبات داخل اليوم المحددة.

7. التطبيقات المستقبلية واتجاهات البحث

• دمج التعلم الآلي: يمكن أن تكون مكونات المويجات $D_{j,t}$ وسلسلة القفزات $J_t$ بمثابة ميزات عالية الإفادة لنماذج التعلم الآلي (مثل LSTM، Gradient Boosting) للتنبؤ بالتقلبات، متجاوزة هيكل GARCH الخطي/المعاملاتي.
• تدفقات التقلبات عبر الأصول: تطبيق التحليل متعدد المقاييس لدراسة كيفية انتقال التقلبات بين فئات الأصول (مثل من الأسهم إلى الفوركس) على آفاق زمنية مختلفة. هل ينتقل انهيار سوق الأسهم عبر مكونات التقلبات قصيرة الأجل أم طويلة الأجل؟
• إشارات التداول في الوقت الفعلي: تطوير استراتيجيات تداول تستخدم صراحة التناقض بين مكونات التقلبات قصيرة الأجل وطويلة الأجل كإشارة للعودة إلى المتوسط أو الزخم.
• تحليل البنك المركزي والسياسة: استخدام الإطار لتحليل تأثير إعلانات السياسة النقدية على تقلبات الفوركس، والتمييز بين "الارتفاع عالي التردد" الفوري للأخبار واستيعاب المعلومات على المدى الطويل.
• التوسع إلى العملات المشفرة: اختبار النموذج على أسواق العملات المشفرة التي تعمل على مدار الساعة، والتي تتميز بقفزات شديدة وسلوك مستثمر متعدد المقاييس، من الروبوتات الخوارزمية إلى حاملي العملات طويلي الأجل "HODLers".

8. المراجع

1. Barunik, J., Krehlik, T., & Vacha, L. (2015). Modeling and forecasting exchange rate volatility in time-frequency domain. Preprint, arXiv:1204.1452v4.
2. Corsi, F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7(2), 174-196.
3. Hansen, P. R., & Lunde, A. (2005). A forecast comparison of volatility models: does anything beat a GARCH(1,1)? Journal of Applied Econometrics, 20(7), 873-889.
4. Creal, D., Koopman, S. J., & Lucas, A. (2013). Generalized autoregressive score models with applications. Journal of Applied Econometrics, 28(5), 777-795.
5. Gençay, R., Selçuk, F., & Whitcher, B. (2005). Multiscale systematic risk. Journal of International Money and Finance, 24(1), 55-70.
6. McAleer, M., & Medeiros, M. C. (2008). A multiple regime smooth transition heterogeneous autoregressive model for long memory and asymmetries. Journal of Econometrics, 147(1), 104-119.
7. Andersen, T. G., & Bollerslev, T. (1998). Answering the skeptics: Yes, standard volatility models do provide accurate forecasts. International Economic Review, 39(4), 885-905.