يتناول هذا البحث لغزاً مركزياً في التمويل الدولي: فهم وتنبؤ تقلبات أسعار الصرف. يقترح المؤلفان، إيغور مارتينز وهيدبيرت فريتاس لوبيز، تقدماً منهجياً كبيراً من خلال دمج مئات التأثيرات المحتملة للأحداث الاقتصادية الكلية في نموذج التقلب العشوائي (SV) لعوائد العملات عالية التردد. التحدي الأساسي الذي يتم معالجته هو تجاوز الاختيار الاعتباطي لعدد قليل من الإعلانات "المهمة" (مثل تقرير الرواتب خارج القطاع الزراعي، مؤشر أسعار المستهلك) إلى نهج قائم على البيانات ومنهجي يسمح للنموذج نفسه بتحديد الأحداث المؤثرة، وحجمها، وتوقيتها.
يتعامل النموذج في الوقت نفسه مع ثلاث سمات حرجة لعوائد سوق الصرف الأجنبي داخل اليوم: استمرارية التقلب (تكتل فترات التقلب العالي/المنخفض)، الموسمية داخل اليوم (أنماط متكررة حسب وقت اليوم مثل "الشكل U")، وتأثير الإعلانات الاقتصادية الكلية من دول متعددة. تكمن الابتكارية الأساسية في استخدام التوزيعات الاحتمالية المسبقة "سبايك أند سلب" ضمن إطار بايزي لإحداث التفرّق، مما يؤدي إلى اختيار الأحداث ذات الصلة تلقائياً من مجموعة هائلة من المرشحين.
الفكرة الأساسية: انسَ عقيدة مجموعة ثابتة من المؤشرات "المحركة للسوق". إن التقلب الحقيقي لأسعار الصرف يدفعه مجموعة فرعية ديناميكية ومعتمدة على السياق من مئات الأحداث الاقتصادية الكلية العالمية، يتم تصفيتها من خلال عدسة ذاكرة التقلب المستمر والإيقاعات التجارية المتوقعة داخل اليوم. عبقرية البحث تكمن في نهجه اللاأدري—السماح للبيانات عالية التردد نفسها بأن تكشف عن الإعلانات التي تصدم النظام حقاً، وهي عملية تشبه السماح للسوق بالتصويت في الوقت الفعلي.
التسلسل المنطقي: الحجة بايزية بأناقة. 1) الاعتراف بالجهل: البدء بمجموعة ضخمة من المتغيرات الوهمية المحتملة للأحداث وفترات التأخر. 2) فرض الشك المنظم: استخدام التوزيعات الاحتمالية المسبقة "سبايك أند سلب" للتعبير عن الاعتقاد بأن معظم الأحداث ليس لها تأثير (الـ"سبايك")، لكن القليل منها له تأثيرات كبيرة محتملة (الـ"سلب"). 3) السماح للبيانات بالحسم: تحديث المعتقدات عبر نظرية بايز؛ تصبح الاحتمالية الخلفية لشمول كل حدث المقياس الرئيسي للأهمية. يعكس هذا التسلسل الفلسفة الكامنة وراء تطبيقات التعلم الآلي الناجحة في التمويل، مثل استخدام LASSO أو الشبكات المرنة لاختيار المتغيرات، ولكن ضمن إطار احتمالي كامل يقيس عدم اليقين.
نقاط القوة والضعف:
نقاط القوة: الدقة المنهجية لا تشوبها شائبة. من خلال النمذجة المشتركة لجميع المكونات، يتجنب النموذج فخ إرجاع التأثيرات الموسمية أو المستمرة إلى ارتباطات حدثية زائفة. الارتباط بين الموسمية داخل اليوم وساعات السوق العالمية، الموضح من خلال فرضية بسيطة لعرض العمل، هو نتيجة أنيقة وبديهية. تقدم اختبارات التنبؤ خارج العينة والمحفظة تحققاً عملياً مقنعاً غالباً ما يغيب في الأوراق البحثية المنهجية البحتة.
نقاط الضعف: تعقيد النموذج هو نقطة ضعفه. التقدير، وإن كان ممكناً، يتطلب كثافة حسابية عالية. الطبيعة "الصندوق الأسود" للأحداث المختارة، رغم أنها قائمة على البيانات، قد تكون أقل قابلية للتفسير بالنسبة للمتداولين الذين يبحثون عن تفسيرات سردية. علاوة على ذلك، يفترض النموذج أن تأثيرات الأحداث ثابتة خلال فترة العينة؛ فهو لا يلتقط التباين الزمني المحتمل في ردود فعل السوق على، مثلاً، بيانات التضخم قبل الجائحة وبعدها—وهو قيد تمت ملاحظته في الأنظمة المتطورة التي تدرسها مؤسسات مثل بنك التسويات الدولية (BIS).
الرؤى القابلة للتطبيق: بالنسبة للمحللين الكميين ومديري المخاطر، يمثل هذا البحث مخططاً. أولاً، توقف عن استخدام التقويمات الاقتصادية الجاهزة. ابنِ آلية اختيار أحداثك الخاصة المصممة خصيصاً لأزواج العملات وفترة الاحتفاظ لديك. ثانياً، أنماط التقلب داخل اليوم ليست ضوضاء؛ إنها مصدر متوقع للمخاطرة والفرصة يجب التحوط منها أو استغلالها. ثالثاً، نسبة شارب الأعلى هي الحجة النهائية. يمكن أن يوفر دمج هذا النموذج في استراتيجيات استهداف التقلب أو تجارة الحمل ميزة مستدامة، خاصة في محافظ العملات المتقاطعة. الخلاصة واضحة: التطور في نمذجة التقلب يترجم مباشرة إلى ألفا.
النموذج المقترح هو امتداد متطور لإطار التقلب العشوائي القياسي، مصمم لبيانات العوائد عالية التردد (مثلاً، 5 دقائق) $r_t$.
يفترض النموذج الأساسي أن العوائد موزعة توزيعاً طبيعياً بتقلب متغير مع الزمن:
$r_t = \exp(h_t / 2) \epsilon_t, \quad \epsilon_t \sim N(0, 1)$
يتبع لوغاريتم التقلب $h_t$ عملية انحدار ذاتي مستمرة، تلتقط تكتل التقلب:
$h_t = \mu + \phi (h_{t-1} - \mu) + \eta_t, \quad \eta_t \sim N(0, \sigma_{\eta}^2)$
حيث $|\phi| < 1$ يضمن الثبات، و$\mu$ هو متوسط لوغاريتم التقلب.
هذا هو الابتكار الأساسي. يتم تعزيز معادلة لوغاريتم التقلب لتشمل تأثيرات $K$ من المتغيرات الوهمية المحتملة للإعلانات الاقتصادية الكلية $x_{k,t}$ وفترات التأخر الخاصة بها:
$h_t = \mu + \phi (h_{t-1} - \mu) + \sum_{k=1}^{K} \beta_k x_{k,t} + \eta_t$
المفتاح هو التوزيع الاحتمالي المسبق على المعاملات $\beta_k$. يتم استخدام توزيع احتمالي مسبق "سبايك أند سلب" لإحداث التفرّق:
$\beta_k | \gamma_k \sim (1-\gamma_k) \delta_0 + \gamma_k N(0, \tau^2)$
$\gamma_k \sim \text{Bernoulli}(\pi_k)$
هنا، $\delta_0$ هي دالة ديراك دلتا عند الصفر (الـ"سبايك")، و$N(0, \tau^2)$ هو توزيع غاوسي بتباين كبير $\tau^2$ (الـ"سلب"). المؤشر الثنائي $\gamma_k$ يحدد ما إذا كان الحدث $k$ مشمولاً ($\gamma_k=1$) أم مستبعداً ($\gamma_k=0$). يمكن تحديد الاحتمالية المسبقة للشمول $\pi_k$ بناءً على اعتقاد مسبق أو تركها غير إعلامية (مثلاً، 0.5). يتم تقدير النموذج باستخدام طرق ماركوف تشين مونت كارلو (MCMC)، التي تقوم بأخذ عينات من المؤشرات $\gamma_k$ والمعاملات $\beta_k$ في وقت واحد، مما يوفر احتمالات شمول خلفية $P(\gamma_k=1 | \text{Data})$ كمقياس لأهمية الحدث.
لالتقاط الأنماط المتكررة داخل اليوم (مثل التقلب العالي عند فتح/إغلاق السوق)، يتضمن النموذج مكوناً موسمياً حتمياً $s_t$:
$h_t = \mu + s_t + \phi (h_{t-1} - \mu - s_{t-1}) + \sum_{k=1}^{K} \beta_k x_{k,t} + \eta_t$
يتم عادةً نمذجة المكون $s_t$ باستخدام متغيرات وهمية لكل فترة داخل اليوم (مثلاً، كل فترة 5 دقائق في دورة 24 ساعة) أو دالة دورية سلسة. هذا يضمن تقدير تأثيرات الأحداث بعد التحكم في هذه الأنماط المتوقعة.
يطبق المؤلفون نموذجهم على بيانات عالية التردد لأزواج العملات الرئيسية (مثل EUR/USD، GBP/USD، JPY/USD).
نجح النموذج في تقليص مئات الأحداث المرشحة إلى مجموعة متفرقة. تم العثور على احتمالات شمول خلفية عالية لـ:
وصف الرسم البياني (ضمني): سيظهر مخطط أعمدة احتمالات الشمول الخلفية (تتراوح من 0 إلى 1) على المحور الصادي لعشرات الأحداث الاقتصادية (المحور السيني). ستبرز بعض الأعمدة (NFP، CPI، FOMC) بالقرب من 1.0، بينما ستكون معظم الأعمدة الأخرى بالكاد مرئية بالقرب من 0. وهذا يوضح بصرياً التفرّق الذي تم تحقيقه.
يكشف المكون الموسمي المقدر $s_t$ عن نمط "شكل M" متعدد القمم وضوحاً بدلاً من شكل U بسيط. تتماشى القمم بدقة مع:
يربط المؤلفون ذلك بعرض العمل العالمي: يكون التقلب في أعلى مستوياته عندما يكون أكبر عدد من المحترفين الماليين عبر المناطق الزمنية الرئيسية نشطين في نفس الوقت ويعالجون المعلومات. تتوافق هذه النتيجة مع نظريات البنية الدقيقة للسوق حول حجم التداول وحركة التقلب المشتركة.
الاختبار النهائي هو التنبؤ خارج العينة. تتم مقارنة النموذج المقترح مع:
النتائج: يقدم النموذج الكامل (الأحداث + الموسمية + SV) تنبؤات تقلب متفوقة إحصائياً، كما تم قياسها بمقاييس مثل متوسط خطأ التنبؤ المطلق (MAFE) ومعامل التحديد $R^2$ لانحدار مينسر-زارنويتز.
في تمرين عملي لتخصيص المحفظة (مثل تجارة حمل مستهدفة للتقلب أو محفظة متوسط-تباين بسيطة للعملات)، يتم استخدام تنبؤات التقلب من النموذج المقترح لضبط الأوزان ديناميكياً. تحقق المحفظة:
أقل تقلب محقق: أقل بنحو 15-20% من معيار GARCH.
أعلى نسبة شارب: تحسن ذو دلالة إحصائية يتراوح بين 0.2 إلى 0.4 نقطة.
الخلاصة: يؤدي التنبؤ الأفضل بالتقلب مباشرة إلى عوائد أفضل معدلة حسب المخاطر.
السيناريو: تريد شركة تحوط كمية فهم محركات تقلب EUR/JPY في الربع الرابع من عام 2024 وتحسين تنبؤات التقلب لديها لمكتب تداول الخيارات.
الخطوة 1 - جمع البيانات: الحصول على عوائد EUR/JPY كل 5 دقائق. جمع تقويم شامل للإعلانات الاقتصادية الكلية المجدولة من منطقة اليورو (مثل ECB، مؤشر ZEW الألماني، مؤشر أسعار المستهلك لمنطقة اليورو) واليابان (مثل مؤشر تانكان لبنك اليابان، مؤشر أسعار المستهلك في طوكيو، الإنتاج الصناعي). تضمين الأحداث الأمريكية بسبب الدور العالمي للدولار. إنشاء متغيرات وهمية $x_{k,t}$ تساوي 1 في فترة الـ5 دقائق التي يتم فيها إصدار الإعلان $k$ ولعدة فترات لاحقة (لالتقاط التأثيرات المتأخرة).
الخطوة 2 - تحديد النموذج والتقدير:
1. تعريف المكون الموسمي $s_t$ بمتغيرات وهمية لكل فترة 5 دقائق في دورة 24 ساعة (طوكيو-لندن-نيويورك).
2. إعداد التوزيع الاحتمالي المسبق "سبايك أند سلب" لجميع معاملات الإعلانات $\beta_k$. استخدام احتمالية شمول مسبقة غير إعلامية نسبياً $\pi_k = 0.1$، تعكس توقعاً بالتفرّق.
3. تشغيل عينة MCMC (مثلاً، باستخدام Stan أو عينة جيبس مخصصة) للحصول على التوزيعات الخلفية لجميع المعاملات، بما في ذلك المؤشرات $\gamma_k$.
الخطوة 3 - التفسير والإجراء:
1. تحديد المحركات الرئيسية: فحص المتوسطات الخلفية لـ $P(\gamma_k=1)$. تكتشف الشركة أنه بالنسبة لـ EUR/JPY، فإن تضخم منطقة اليورو وبيانات عائدات الخزانة الأمريكية أكثر أهمية من البيانات المحلية اليابانية في فترة العينة.
2. صقل إشارات التداول: يقوم مكتب التداول بتعديل تنبؤاته بالتقلب قبل هذه الأحداث ذات الاحتمالية العالية، مما قد يؤدي إلى شراء الخيارات (توقعاً لتقلب أعلى) أو تقليل التعرض لدلتا.
3. التحقق: مقارنة تنبؤ النموذج بالتقلب ليوم اجتماع ECB رئيسي مع التقلب المحقق. التوافق الوثيق يبني الثقة في فائدة النموذج.
ينتقل هذا الإطار من البيانات الخام إلى رؤى قابلة للتطبيق، مجسداً القيمة المقترحة الأساسية للبحث.
يمثل عمل مارتينز ولوبيز اندماجاً متطوراً بين القياس الاقتصادي المالي التقليدي والتعلم الآلي البايزي الحديث. مساهمته الحقيقية ليست فقط في سرد الأحداث المهمة—فكثير من المتداولين لديهم حدس حول ذلك—بل في تقديم منهجية صارمة وقابلة للتكرار واحتمالية لاكتشاف وتقدير تلك الأمور في إطار عالي الأبعاد. يتقاسم هذا النهج أرضية فلسفية مع أعمال مؤثرة في مجالات مجاورة، مثل استخدام نماذج المتغيرات الكامنة في CycleGAN (Zhu et al., 2017) لاكتشاف التمثيلات الأساسية للبيانات دون أمثلة مقترنة؛ هنا، يكتشف النموذج "التمثيل" الكامن للتقلب من خلال مزيج متفرق من صدمات الأحداث.
قوة البحث تكمن في مواجهته الصادقة لعدم اليقين النموذجي. من خلال صياغة اختيار الأحداث كمشكلة اختيار متغيرات بايزية، فإنه يقيس عدم اليقين حول ما إذا كان الحدث ذا صلة ($P(\gamma_k=1)$) وإذا كان الأمر كذلك، فما حجم تأثيره (توزيع $\beta_k$). هذا أكثر إفادة بكثير من قرارات الدخول/الخروج الثنائية للانحدار التدريجي أو الانكماغ الغامض للانحدار الحدي. الارتباط بالأساسيات—شرح سبب اختيار أحداث معينة—يرفعه من تمرين "تنقيب بيانات" بحت إلى تحليل اقتصادي موثوق.
ومع ذلك، يعمل النموذج في نظام نسبياً مستقر. يفترض التوزيع الاحتمالي المسبق "سبايك أند سلب" أن مجموعة الأحداث ذات الصلة ثابتة. في الواقع، كما هو موثق في تحليلات توقعات الاقتصاد العالمي لصندوق النقد الدولي، يمكن أن تتحول قنوات نقل الأخبار الاقتصادية الكلية بشكل كبير خلال الأزمات أو تغيرات أنظمة السياسات (مثل الحد الأدنى الصفري مقابل دورات رفع الفائدة). يمكن أن يسمح امتداد مستقبلي لاحتمالات الشمول $\pi_k$ أو المعاملات $\beta_k$ بالتطور مع الزمن، ربما عبر نموذج ماركوف المخفي أو إعداد معاملات متغيرة مع الزمن. علاوة على ذلك، بينما يركز النموذج على الأحداث المجدولة، فإن جزءاً كبيراً من تقلب سوق الصرف الأجنبي ينبع من أخبار غير مجدولة (أحداث جيوسياسية، تدخلات مفاجئة للبنوك المركزية). يمكن أن يكون دمج معالجة اللغة الطبيعية (NLP) لقياس المشاعر وموضوعات تدفقات الأخبار، كما يظهر في عمل حديث من المكتب الوطني للبحوث الاقتصادية (NBER)، خطوة قوية تالية.
من منظور صناعي، يمثل البحث دعوة واضحة لمديري الأصول لترقية نماذج التقلب لديهم. الاعتماد على GARCH أو حتى SV القياسي في أسواق اليوم المعقدة والمحركة بالأخبار يعني ترك ألفا على الطاولة. التحسن المُظهر في نسبة شارب هو المقياس النهائي الذي تهتم به شركات جانب الشراء. التكلفة الحسابية لـ MCMC، رغم أنها ليست تافهة، لم تعد عائقاً يحول دون ذلك نظراً لموارد الحوسبة السحابية. التحدي الحقيقي هو تشغيلي: بناء وصيانة البنية التحتية لاستيعاب البيانات عالية التردد، وإدارة تقويم الأحداث، وإعادة تقدير النموذج. بالنسبة لأولئك الذين يمكنهم التغلب عليه، يوفر هذا البحث مخططاً مثبتاً لميزة تنافسية ملموسة في أسواق العملات.
ملاحظة: البحث الأساسي الذي تم تحليله هو Martins, I., & Lopes, H. F. (2024). "What events matter for exchange rate volatility?" arXiv preprint arXiv:2411.16244.