সময়-ফ্রিকোয়েন্সি ডোমেইনে মুদ্রা বিনিময় হারের অস্থিরতা মডেলিং ও পূর্বাভাস

সূচিপত্র

1. ভূমিকা ও সারসংক্ষেপ

এই গবেষণাপত্রটি উচ্চ-ফ্রিকোয়েন্সি ডেটা বিশ্লেষণকে সময়-ফ্রিকোয়েন্সি বিশ্লেষণ কৌশলের সাথে একীভূত করে, বিশেষ করে মুদ্রা বিনিময় হারের জন্য, আর্থিক অস্থিরতা মডেলিং ও পূর্বাভাসের একটি অভিনব পদ্ধতি উপস্থাপন করে। মূল উদ্ভাবনটি হলো রিয়েলাইজড GARCH কাঠামোকে ওয়েভলেট-বিশ্লেষিত রিয়েলাইজড অস্থিরতা পরিমাপ এবং একটি বিশেষায়িত জাম্প অনুমানকারী দ্বারা সমৃদ্ধ করা। এটি মডেলটিকে বিভিন্ন বিনিয়োগ দিগন্তের (সময় স্কেল) সাথে সঙ্গতিপূর্ণ উপাদানে অস্থিরতা বিশ্লেষণ করতে এবং বিচ্ছিন্ন মূল্য জাম্পের প্রভাব আলাদাভাবে বিবেচনা করতে সক্ষম করে। উচ্চ-ফ্রিকোয়েন্সি ব্যবসায়ী থেকে দীর্ঘমেয়াদী বিনিয়োগকারী পর্যন্ত বিভিন্ন সময় দিগন্তে পরিচালিত বাজারের অংশগ্রহণকারীদের বৈচিত্র্যময় প্রকৃতি এই গবেষণার প্রেরণা।

লেখকগণ প্রদর্শন করেছেন যে সর্বাধিক সম্ভাবনা এবং জেনারেলাইজড অটোরিগ্রেসিভ স্কোর (GAS) কাঠামো উভয়ের মাধ্যমে অনুমানকৃত তাদের প্রস্তাবিত "জাম্প-GARCH" মডেলগুলি প্রচলিত GARCH এবং জনপ্রিয় রিয়েলাইজড অস্থিরতা মডেলগুলির তুলনায় পরিসংখ্যানগতভাবে উচ্চতর পূর্বাভাস প্রদান করে। বিশ্লেষণে ২০০৭-২০০৮ আর্থিক সংকট অন্তর্ভুক্ত করে বৈদেশিক মুদ্রা ফিউচার্স ডেটা ব্যবহার করা হয়েছে, যা পদ্ধতির জন্য একটি শক্তিশালী স্ট্রেস টেস্ট সরবরাহ করে।

2. পদ্ধতি ও প্রযুক্তিগত কাঠামো

2.1 রিয়েলাইজড GARCH কাঠামো

রিয়েলাইজড GARCH মডেলটি একটি রিয়েলাইজড অস্থিরতা পরিমাপ $RV_t$ কে সরাসরি অস্থিরতা সমীকরণে অন্তর্ভুক্ত করে প্রচলিত GARCH মডেল এবং উচ্চ-ফ্রিকোয়েন্সি ডেটার মধ্যে ব্যবধান পূরণ করে। মৌলিক কাঠামোতে একটি রিটার্ন সমীকরণ, সুপ্ত অস্থিরতার জন্য একটি GARCH সমীকরণ এবং সুপ্ত অস্থিরতাকে রিয়েলাইজড পরিমাপের সাথে সংযুক্তকারী একটি পরিমাপ সমীকরণ জড়িত।

2.2 ওয়েভলেট-ভিত্তিক বহুমাত্রিক বিশ্লেষণ

অস্থিরতার বহু-দিগন্ত প্রকৃতি ক্যাপচার করার জন্য, লেখকগণ একটি ওয়েভলেট ট্রান্সফর্ম প্রয়োগ করেন। এই গাণিতিক সরঞ্জামটি রিয়েলাইজড অস্থিরতা সিরিজটিকে বিভিন্ন সময় স্কেল (যেমন, দিনের মধ্যে, দৈনিক, সাপ্তাহিক গতিবিদ্যা) প্রতিনিধিত্বকারী অর্থোগোনাল উপাদানে বিশ্লেষণ করে। যদি $RV_t$ রিয়েলাইজড অস্থিরতা হয়, তবে এর ওয়েভলেট বিশ্লেষণ নিম্নরূপে উপস্থাপন করা যেতে পারে:

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

যেখানে $D_{j,t}$ স্কেল $j$ (একটি নির্দিষ্ট ফ্রিকোয়েন্সি ব্যান্ডের সাথে সঙ্গতিপূর্ণ) এ অস্থিরতা উপাদান ("বিস্তারিত") প্রতিনিধিত্ব করে, এবং $S_{J,t}$ হল দীর্ঘতম মেয়াদী প্রবণতা ক্যাপচারকারী মসৃণ উপাদান। প্রতিটি $D_{j,t}$ একটি নির্দিষ্ট বিনিয়োগ দিগন্তে ট্রেডিং কার্যকলাপ এবং তথ্য প্রবাহের অনুমান করে।

2.3 জাম্প শনাক্তকরণ ও JTSRV অনুমানকারী

একটি গুরুত্বপূর্ণ অগ্রগতি হলো জাম্প ভ্যারিয়েশন সংহতকরণ। লেখকগণ একটি জাম্প টু স্কেল রিয়েলাইজড ভোলাটিলিটি (JTSRV) অনুমানকারী ব্যবহার করেন। এই অনুমানকারী মোট চতুর্ভুজ ভ্যারিয়েশনকে অবিচ্ছিন্ন সমন্বিত ভ্যারিয়েন্স (IV) এবং বিচ্ছিন্ন জাম্প ভ্যারিয়েন্স (JV) এ পৃথক করে:

$RV_t \approx IV_t + JV_t$

এই পৃথকীকরণ অত্যন্ত গুরুত্বপূর্ণ কারণ জাম্প এবং অবিচ্ছিন্ন অস্থিরতার প্রায়ই ভিন্ন স্থায়িত্ব এবং পূর্বাভাস বৈশিষ্ট্য থাকে।

2.4 অনুমান: MLE বনাম GAS

প্রস্তাবিত জাম্প-GARCH মডেলগুলি দুটি পদ্ধতি ব্যবহার করে অনুমান করা হয়েছে: ১) কোয়াসি-ম্যাক্সিমাম লাইকলিহুড এস্টিমেশন (QMLE), এবং ২) পর্যবেক্ষণ-চালিত জেনারেলাইজড অটোরিগ্রেসিভ স্কোর (GAS) কাঠামো। ক্রিয়াল এট আল. (২০১৩) দ্বারা প্রবর্তিত GAS কাঠামোটি সম্ভাবনা ফাংশনের স্কোরের ভিত্তিতে প্যারামিটার আপডেট করে, যা মডেল ভুল নির্দিষ্টকরণের জন্য সম্ভাব্য দৃঢ়তা ও অভিযোজনযোগ্যতা প্রদান করে।

3. অভিজ্ঞতামূলক বিশ্লেষণ ও ফলাফল

3.1 ডেটা ও পরীক্ষামূলক সেটআপ

গবেষণাটি FX ফিউচার্সের (সম্ভবত EUR/USD এর মতো প্রধান জোড়া) জন্য উচ্চ-ফ্রিকোয়েন্সি ডেটা ব্যবহার করে। নমুনা সময়কালে ২০০৭-২০০৯ আর্থিক সংকট অন্তর্ভুক্ত রয়েছে, যা চরম চাপের অধীনে মডেল কর্মক্ষমতা পরীক্ষা করতে দেয়। এক-দিন-আগাম এবং বহু-কাল-আগাম উভয় দিগন্তের জন্য পূর্বাভাস মূল্যায়ন করা হয়।

3.2 পূর্বাভাস কর্মক্ষমতা

প্রস্তাবিত মডেলগুলিকে GARCH(1,1) এবং HAR-RV এর মতো মানক মডেলের বিপরীতে বেঞ্চমার্ক করা হয়েছে। মূল্যায়নে পরিসংখ্যানগত ক্ষতি ফাংশন (যেমন, MSE, QLIKE) ব্যবহার করা হয়েছে। মূল ফলাফলগুলি একটি তুলনামূলক সারণীতে উপস্থাপন করা হয়েছে (নীচে অনুকরণিত):

দ্রষ্টব্য: মানগুলি GARCH(1,1) বেঞ্চমার্কের সাপেক্ষে উদাহরণমূলক অনুপাত।

3.3 মূল সন্ধান ও অন্তর্দৃষ্টি

• জাম্প পৃথকীকরণ মূল বিষয়: সমন্বিত ভ্যারিয়েন্স থেকে জাম্প ভ্যারিয়েশন পৃথক করা ধারাবাহিকভাবে পূর্বাভাস নির্ভুলতা উন্নত করে।
• উচ্চ-ফ্রিকোয়েন্সি আধিপত্য: ভবিষ্যত অস্থিরতার জন্য সবচেয়ে তথ্যপূর্ণ সময় স্কেল হলো ওয়েভলেট বিশ্লেষণের উচ্চ-ফ্রিকোয়েন্সি (সংক্ষিপ্ত-দিগন্ত) উপাদান।
• মডেল শ্রেষ্ঠত্ব: ওয়েভলেট বিশ্লেষণ সহ নতুন প্রস্তাবিত জাম্প-GARCH মডেলগুলি পরিসংখ্যানগতভাবে প্রচলিত GARCH এবং মানক রিয়েলাইজড GARCH মডেল উভয়কেই ছাড়িয়ে যায়।
• সংকট সহনশীলতা: মডেলগুলি আর্থিক সংকটকালে দৃঢ় কর্মক্ষমতা প্রদর্শন করে।

4. মূল অন্তর্দৃষ্টি ও বিশ্লেষক দৃষ্টিভঙ্গি

মূল অন্তর্দৃষ্টি: এই গবেষণাপত্রটি একটি শক্তিশালী, তবুও কম মূল্যায়িত, বার্তা প্রদান করে: অস্থিরতা একটি একক প্রক্রিয়া নয় বরং একটি স্তরযুক্ত প্রক্রিয়া। বাজারকে একটি একক, সমজাতীয় সত্তা হিসেবে বিবেচনা করতে অস্বীকার করে এবং পরিবর্তে ওয়েভলেট ব্যবহার করে এটিকে এর উপাদান বিনিয়োগ দিগন্তে বিশ্লেষণ করে, লেখকগণ অস্থিরতা গতিবিদ্যার কালো বাক্সটি উন্মোচন করেছেন। স্বল্পমেয়াদী, উচ্চ-ফ্রিকোয়েন্সি উপাদানগুলি পূর্বাভাস চালায় এই সন্ধানটি দীর্ঘমেয়াদী প্রবণতাকে অতিরিক্ত গুরুত্ব দেয় এমন মডেলগুলির জন্য একটি সরাসরি চ্যালেঞ্জ এবং মূল্য আবিষ্কার ও অস্থিরতা গঠনে অ্যালগরিদমিক ও উচ্চ-ফ্রিকোয়েন্সি ট্রেডিংয়ের ক্রমবর্ধমান আধিপত্যকে জোর দেয়।

যুক্তিপূর্ণ প্রবাহ: যুক্তিটি সূক্ষ্মভাবে গঠিত। এটি বৈচিত্র্যময় বাজার এজেন্টের সুপ্রতিষ্ঠিত অভিজ্ঞতামূলক তথ্য (কর্সির HAR মডেল থেকে) থেকে শুরু হয়। তারপর এটি যৌক্তিকভাবে জিজ্ঞাসা করে: যদি এজেন্টরা বিভিন্ন সময় স্কেলে কাজ করে, তবে আমাদের মডেলগুলির কি তা প্রতিফলিত করা উচিত নয়? ওয়েভলেট বিশ্লেষণই এর নিখুঁত প্রযুক্তিগত উত্তর। পরবর্তীতে জাম্প ঝুঁকি—বাজারের আরেকটি নন-গাউসিয়ান, বিচ্ছিন্ন বাস্তবতা—সংহতকরণ চিত্রটি সম্পূর্ণ করে। অর্থনৈতিক অন্তর্দৃষ্টি (বৈচিত্র্য) থেকে গাণিতিক সরঞ্জাম (ওয়েভলেট) হয়ে অভিজ্ঞতামূলক ফলাফলে (পূর্বাভাস উন্নতি) প্রবাহটি আকর্ষণীয়।

শক্তি ও ত্রুটি: প্রাথমিক শক্তি হলো পরিশীলিত ইকোনোমেট্রিক্স (রিয়েলাইজড GARCH, ওয়েভলেট, জাম্প শনাক্তকরণ) এর সফল সমন্বয়কে একটি সুসংগত, অভিজ্ঞতামূলকভাবে সফল কাঠামোতে পরিণত করা। এটি সাধারণ মডেল তুলনার বাইরে গিয়ে পূর্বাভাসযোগ্যতার উৎস সম্পর্কে সত্যিকারের অন্তর্দৃষ্টি প্রদান করে। GAS কাঠামোর ব্যবহারও ভবিষ্যৎমুখী। প্রধান ত্রুটি, এই সাহিত্যে সাধারণ, হলো রোবাস্টনেস চেকের "ইন-স্যাম্পল" অনুভূতি। যদিও সংকটকাল অন্তর্ভুক্ত রয়েছে, সম্পূর্ণ অদেখা ডেটার উপর একটি সত্যিকারের আউট-অফ-স্যাম্পল পরীক্ষা (যেমন, ২০২০ COVID ক্র্যাশ) আরও বিশ্বাসযোগ্য হবে। তদুপরি, ওয়েভলেট-GARCH-জাম্প মডেলের গণনাগত জটিলতা কিছু ট্রেডিং সিস্টেমে এর রিয়েল-টাইম প্রয়োগ সীমিত করতে পারে, একটি ব্যবহারিক বাধা যা সমাধান করা হয়নি।

কার্যকরী অন্তর্দৃষ্টি: কোয়ান্ট এবং ঝুঁকি ব্যবস্থাপকদের জন্য, এই গবেষণাপত্রটি একটি নীলনকশা। প্রথমত, বিশ্লেষণ করুন, তারপর মডেল করুন। আপনার পছন্দের ML বা ইকোনোমেট্রিক মডেলে ফিড করার আগে আপনার অস্থিরতা সিরিজে একটি সাধারণ ওয়েভলেট ফিল্টার প্রয়োগ করলে তাৎক্ষণিক লাভ হতে পারে। দ্বিতীয়ত, জাম্পগুলিকে আলাদাভাবে বিবেচনা করুন। JTSRV এর সাথে করা হয়েছে যেমন, জাম্প শনাক্তকরণের জন্য একটি নিবেদিত সংকেত তৈরি করা এবং এর প্রভাব স্বাধীনভাবে মডেলিং করা, ২০০৮-পরবর্তী যেকোনো গুরুতর অস্থিরতা মডেলের জন্য একটি অপরিহার্য সেরা অনুশীলন। সর্বশেষে, আপনার পূর্বাভাস শক্তি উচ্চ-ফ্রিকোয়েন্সি স্তরে কেন্দ্রীভূত করুন। দিনের মধ্যে অস্থিরতা গতিবিদ্যা বোঝা এবং পূর্বাভাস দেওয়ার জন্য আরও গবেষণা এবং গণনাগত সম্পদ বরাদ্দ করুন, কারণ এখানেই সবচেয়ে উল্লেখযোগ্য পূর্বাভাস সংকেত রয়েছে।

5. প্রযুক্তিগত বিবরণ ও গাণিতিক সূত্রায়ন

ওয়েভলেট উপাদান সহ মূল জাম্প-GARCH মডেলটি নিম্নরূপে সংক্ষিপ্ত করা যেতে পারে:

রিটার্ন সমীকরণ: $r_t = \sqrt{h_t} z_t$, যেখানে $z_t \sim i.i.d.(0,1)$।

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

পরিমাপ সমীকরণ (উন্নত):
$\log(RV_t) = \xi + \phi \log(h_t) + \tau_1 z_t + \tau_2 (z_t^2 - 1) + \sum_{j=1}^J \delta_j D_{j,t} + \lambda J_t + u_t$
যেখানে $u_t \sim i.i.d.(0, \sigma_u^2)$। এখানে, $D_{j,t}$ হল $RV_t$ এর ওয়েভলেট-বিস্তারিত উপাদান, এবং $J_t$ হল JTSRV অনুমানকারী দ্বারা শনাক্তকৃত উল্লেখযোগ্য জাম্প উপাদান।

মডেলটি প্যারামিটারগুলি $\theta = (\omega, \beta, \gamma, \xi, \phi, \tau_1, \tau_2, \{\delta_j\}, \lambda)$ অনুমান করে সুপ্ত অস্থিরতা, রিয়েলাইজড পরিমাপ, জাম্প এবং বহুমাত্রিক উপাদানগুলির মধ্যে গতিবিদ্যা ক্যাপচার করার জন্য।

6. বিশ্লেষণ কাঠামো: উদাহরণ কেস

পরিস্থিতি: একটি কোয়ান্টিটেটিভ হেজ ফান্ড একটি EUR/USD ট্রেডিং বইয়ের জন্য তার দৈনিক ভ্যালু-অ্যাট-রিস্ক (VaR) পূর্বাভাস উন্নত করতে চায়।

ধাপ ১ - ডেটা প্রস্তুতি: EUR/USD এর জন্য ৫-মিনিটের দিনের মধ্যে রিটার্ন সংগ্রহ করুন। একটি বেসলাইন রিয়েলাইজড অস্থিরতা (যেমন, RV) গণনা করুন এবং এটিকে ৩টি স্কেলে বিশ্লেষণ করার জন্য একটি ওয়েভলেট ট্রান্সফর্ম প্রয়োগ করুন (পাইথনে PyWavelets এর মতো লাইব্রেরি ব্যবহার করে): D1 (২-৪ ঘন্টা গতিবিদ্যা), D2 (৪-৮ ঘন্টা), D3 (৮-১৬ ঘন্টা)। আলাদাভাবে, দৈনিক জাম্প সিরিজ $J_t$ বের করতে JTSRV অনুমানকারী প্রয়োগ করুন।

ধাপ ২ - মডেল নির্দিষ্টকরণ ও অনুমান: ধারা ৫ থেকে জাম্প-GARCH মডেল অনুমান করুন, যেখানে পরিমাপ সমীকরণে D1, D2, D3, এবং $J_t$ কে বহিরাগত চলক হিসেবে অন্তর্ভুক্ত করা হয়েছে। একটি মানক রিয়েলাইজড GARCH মডেলের সাথে লগ-সম্ভাবনা এবং তথ্য মানদণ্ড তুলনা করুন।

ধাপ ৩ - পূর্বাভাস ও প্রয়োগ: অনুমানকৃত মডেল থেকে এক-দিন-আগাম অস্থিরতা পূর্বাভাস $\hat{h}_{t+1}$ তৈরি করুন। VaR গণনা করতে এই পূর্বাভাস ব্যবহার করুন (যেমন, $VaR_{t+1}^{\alpha} = -\Phi^{-1}(\alpha) \sqrt{\hat{h}_{t+1}}$)। কভারেজ নির্ভুলতা মূল্যায়নের জন্য প্রকৃত P&L এর বিপরীতে VaR পূর্বাভাস ব্যাকটেস্ট করুন।

প্রত্যাশিত ফলাফল: ওয়েভলেট সহ জাম্প-GARCH মডেল থেকে VaR পূর্বাভাসগুলিতে আরও সঠিক কভারেজ (কম ব্যতিক্রম) প্রদর্শন করা উচিত এবং উচ্চ জাম্প বা নির্দিষ্ট দিনের মধ্যে অস্থিরতা প্যাটার্ন অনুসরণকারী দিনগুলির পরে ঝুঁকি কম অনুমান করার প্রবণতা কম হওয়া উচিত।

7. ভবিষ্যত প্রয়োগ ও গবেষণা দিকনির্দেশনা

• মেশিন লার্নিং সংহতকরণ: ওয়েভলেট উপাদান $D_{j,t}$ এবং জাম্প সিরিজ $J_t$ অস্থিরতা পূর্বাভাসের জন্য মেশিন লার্নিং মডেলগুলির (যেমন, LSTM, গ্রেডিয়েন্ট বুস্টিং) জন্য অত্যন্ত তথ্যপূর্ণ বৈশিষ্ট্য হিসেবে কাজ করতে পারে, রৈখিক/প্যারামেট্রিক GARCH কাঠামোর বাইরে যাওয়ার জন্য।
• ক্রস-অ্যাসেট অস্থিরতা ছড়িয়ে পড়া: বিভিন্ন সময় দিগন্তে অ্যাসেট ক্লাসের মধ্যে অস্থিরতা কীভাবে প্রেরণ করা হয় (যেমন, ইক্যুইটি থেকে FX) তা অধ্যয়ন করতে বহুমাত্রিক বিশ্লেষণ প্রয়োগ করুন। একটি স্টক মার্কেট ক্র্যাশ কি স্বল্পমেয়াদী নাকি দীর্ঘমেয়াদী অস্থিরতা উপাদানের মাধ্যমে প্রেরণ করা হয়?
• রিয়েল-টাইম ট্রেডিং সংকেত: ট্রেডিং কৌশলগুলি তৈরি করুন যা স্বল্প-দিগন্ত এবং দীর্ঘ-দিগন্ত অস্থিরতা উপাদানগুলির মধ্যে পার্থক্যকে একটি গড়-প্রত্যাবর্তন বা মোমেন্টাম সংকেত হিসেবে স্পষ্টভাবে ব্যবহার করে।
• কেন্দ্রীয় ব্যাংক ও নীতি বিশ্লেষণ: মুদ্রানীতি ঘোষণার FX অস্থিরতার প্রভাব বিশ্লেষণ করতে কাঠামোটি ব্যবহার করুন, তাৎক্ষণিক উচ্চ-ফ্রিকোয়েন্সি "খবর স্পাইক" এবং তথ্যের দীর্ঘমেয়াদী আত্তীকরণের মধ্যে পার্থক্য করে।
• ক্রিপ্টোকারেন্সিতে সম্প্রসারণ: ২৪/৭ ক্রিপ্টোকারেন্সি বাজারে মডেলটি পরীক্ষা করুন, যা চরম জাম্প এবং বহুমাত্রিক বিনিয়োগকারী আচরণ দ্বারা চিহ্নিত, অ্যালগরিদমিক বট থেকে দীর্ঘমেয়াদী "HODLers" পর্যন্ত।

8. তথ্যসূত্র

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.