এই নিবন্ধটি আন্তর্জাতিক অর্থসংস্থানের একটি কেন্দ্রীয় সমস্যা সমাধানের লক্ষ্যে রচিত: মুদ্রা বিনিময় হার ওঠানামা বোঝা ও পূর্বাভাস দেওয়া। লেখক Igor Martins এবং Hedibert Freitas Lopes একটি গুরুত্বপূর্ণ পদ্ধতিগত অগ্রগতি উপস্থাপন করেছেন, যা উচ্চ-ফ্রিকোয়েন্সি মুদ্রা আয়ের জন্য একটি স্টোকাস্টিক ভোলাটিলিটি মডেলের মধ্যে শত শত সম্ভাব্য ম্যাক্রোইকোনমিক ইভেন্টের প্রভাবকে একীভূত করে। তারা যে মূল চ্যালেঞ্জটি মোকাবেলা করেছেন তা হল, কয়েকটি "গুরুত্বপূর্ণ" ঘোষণার (যেমন নন-ফার্ম পেরোল, CPI) অস্থায়ী নির্বাচনের বাইরে গিয়ে একটি ডেটা-চালিত পদ্ধতিগত পদ্ধতির দিকে অগ্রসর হওয়া, যেখানে মডেল নিজেই নির্ধারণ করে কোন ঘটনাগুলি গুরুত্বপূর্ণ, তাদের প্রভাবের মাত্রা এবং সময়।
মডেলটি দিনের মধ্যে বৈদেশিক মুদ্রা আয়ের তিনটি মূল বৈশিষ্ট্য একসাথে বিবেচনা করে:ভোলাটিলিটির স্থায়িত্ব(উচ্চ/নিম্ন ওঠানামার সময়ের সমাবেশ),দিনের মধ্যে মৌসুমীতা(পুনরাবৃত্ত দৈনিক প্যাটার্ন, যেমন "U-আকৃতির" বক্ররেখা) এবং একাধিক দেশ থেকে আগতম্যাক্রোইকোনমিক ঘোষণার প্রভাব। এর প্রধান উদ্ভাবনী দিক হলো, বেইজিয়ান কাঠামোর মধ্যেস্পাইকি-মোটা লেজযুক্ত পূর্বসম্ভাবনাব্যবহার করে স্পারসিটি তৈরি করা, যা স্বয়ংক্রিয়ভাবে বিপুল সংখ্যক প্রার্থী ঘটনা থেকে প্রাসঙ্গিক ঘটনাগুলো বাছাই করে।
মূল অন্তর্দৃষ্টি: নির্দিষ্ট "মার্কেট মুভার" মেট্রিক্সের সেট সম্পর্কে মতবাদ ভুলে যান। প্রকৃত মুদ্রা বিনিময় হার ওঠানামা শত শত বৈশ্বিক আর্থিক ঘটনার একটি গতিশীল, প্রসঙ্গ-নির্ভর উপসেট দ্বারা চালিত হয়, যা ক্রমাগত অস্থিরতা স্মৃতি এবং পূর্বাভাসযোগ্য ইন্ট্রাডে ট্রেডিং ছন্দের লেন্সের মাধ্যমে ফিল্টার করা হয়। এই কাগজের চাতুর্য হল এরঅজ্ঞেয়বাদপদ্ধতি – উচ্চ-ফ্রিকোয়েন্সি ডেটাকেই প্রকাশ করতে দিন কোন ঘোষণাগুলো সত্যিই সিস্টেমে আঘাত হানে, একটি প্রক্রিয়া যা বাজারের বাস্তব সময়ে ভোট দেওয়ার অনুরূপ।
যৌক্তিক কাঠামো: যুক্তি প্রক্রিয়াটি বেয়েশিয়ান যুক্তিকে মার্জিতভাবে অনুসরণ করে। 1) অজানা স্বীকার করুন: বিপুল সংখ্যক সম্ভাব্য ইভেন্ট ডামি ভেরিয়েবল এবং ল্যাগ টার্ম দিয়ে শুরু করুন। 2) কাঠামোগত সন্দেহ আরোপ করুন: একটি বিশ্বাস প্রকাশ করতে স্পাইক-ফ্যাট টেইল প্রায়র ব্যবহার করুন, যেখানে অধিকাংশ ঘটনার প্রভাব শূন্য ("স্পাইক"), কিন্তু কিছু ঘটনার বড় প্রভাব থাকতে পারে ("ফ্যাট টেইল")।3) ডেটাকে সিদ্ধান্ত নিতে দিন: বেইজিয়ান উপপাদ্যের মাধ্যমে বিশ্বাস হালনাগাদ করুন; প্রতিটি ঘটনার পোস্টেরিয়র অন্তর্ভুক্তি সম্ভাবনা তার গুরুত্বের মূল সূচক হয়ে ওঠে। এই ধারাটি অর্থনীতিতে মেশিন লার্নিংয়ের সফল প্রয়োগের পিছনের দর্শনকে প্রতিফলিত করে, যেমন LASSO বা ইলাস্টিক নেট ব্যবহার করে ভেরিয়েবল সিলেকশন, কিন্তু এই গবেষণাপত্রটি একটি সম্পূর্ণ সম্ভাবনাভিত্তিক, অনিশ্চয়তা পরিমাপক কাঠামোর মধ্যে এটি বাস্তবায়ন করে।
সুবিধা ও সীমাবদ্ধতা:
সুবিধা: পদ্ধতিগত কঠোরতা নিখুঁত। সমস্ত উপাদান যৌথভাবে মডেলিং করার মাধ্যমে, ঋতুগত বা স্থায়ী প্রভাবকে ভুলভাবে মিথ্যা ঘটনা-সম্পর্কিততার জন্য দায়ী করার ফাঁদ এড়ানো হয়েছে। একটি সরল শ্রম সরবরাহ অনুকল্প দ্বারা ব্যাখ্যকৃত ইন্ট্রাডে ঋতুগততা এবং বৈশ্বিক বাজার ট্রেডিং সেশনের মধ্যে সংযোগ একটি সংক্ষিপ্ত ও স্বজ্ঞাত আবিষ্কার। নমুনা-বহির্ভূত পূর্বাভাস এবং পোর্টফোলিও পরীক্ষা বাধ্যকর, ব্যবহারিক যাচাই সরবরাহ করে, যা কেবলমাত্র পদ্ধতিগত গবেষণাপত্রে প্রায়শই অনুপস্থিত থাকে।
সীমাবদ্ধতা: মডেলের জটিলতা এর আচিলিসের গোড়ালি। যদিও এটি কার্যকর, অনুমান প্রক্রিয়াটি গণনাভিত্তিকভাবে ঘন। কোন ঘটনাগুলি নির্বাচিত হয়েছে তার "ব্ল্যাক বক্স" প্রকৃতি, যদিও তথ্য-চালিত, বর্ণনামূলক ব্যাখ্যা খোঁজা ট্রেডারদের জন্য কম ব্যাখ্যাযোগ্য হতে পারে। এছাড়াও, মডেলটি ধরে নেয় যে ঘটনার প্রভাব নমুনা সময়কালে স্থির; এটি বাজার প্রতিক্রিয়া সময়ের সাথে পরিবর্তিত হতে পারে এমন ক্ষেত্রে ধরতে ব্যর্থ হয়, যেমন মহামারীর আগে ও পরে মুদ্রাস্ফীতি তথ্যের প্রতিক্রিয়া – এটিব্যাংক ফর ইন্টারন্যাশনাল সেটেলমেন্টস (BIS)এবং অন্যান্য সংস্থা দ্বারা অধ্যয়নকালে বিবর্তন প্রক্রিয়ার একটি সীমাবদ্ধতা হিসাবে উল্লেখ করা হয়েছে।
কার্যকরী অন্তর্দৃষ্টি: কোয়ান্ট গবেষক এবং ঝুঁকি ব্যবস্থাপকদের জন্য, এই নিবন্ধটি একটি রূপরেখা।প্রথমত, প্রস্তুত অর্থনৈতিক ক্যালেন্ডার ব্যবহার বন্ধ করুন। আপনার মুদ্রা জোড়া এবং ধারণ সময়ের উপর ভিত্তি করে, আপনার নিজের ঘটনা নির্বাচন প্রক্রিয়া তৈরি করুন।দ্বিতীয়ত, দৈনিক ওঠানামার ধরণগুলি শব্দ নয়; এগুলি পূর্বাভাসযোগ্য ঝুঁকি এবং সুযোগের উৎস, যা হেজ করা বা কাজে লাগানো উচিত।তৃতীয়ত, উচ্চতর শার্প অনুপাত চূড়ান্ত বিক্রয় বিন্দু। এই মডেলটিকে ভোলাটিলিটি টার্গেট কৌশল বা ক্যারি ট্রেড কৌশলে সংহত করা টেকসই সুবিধা দিতে পারে, বিশেষ করে ক্রস-কারেন্সি পোর্টফোলিওতে। উপসংহার স্পষ্ট: ভোলাটিলিটি মডেলিংয়ের জটিলতার মাত্রা সরাসরি আলফা লাভে রূপান্তরিত হয়।
প্রস্তাবিত মডেলটি হল স্ট্যান্ডার্ড স্টোকাস্টিক ভোলাটিলিটি কাঠামোর একটি পরিশীলিত সম্প্রসারণ, যা উচ্চ-ফ্রিকোয়েন্সি (যেমন 5-মিনিট) রিটার্ন ডেটা $r_t$-এর জন্য ডিজাইন করা হয়েছে।
বেঞ্চমার্ক মডেলটি ধরে নেয় যে রিটার্ন সময়-পরিবর্তনশীল ভোলাটিলিটি সহ একটি স্বাভাবিক বন্টন অনুসরণ করে:
$r_t = \exp(h_t / 2) \epsilon_t, \quad \epsilon_t \sim N(0, 1)$
লগারিদমিক অস্থিরতা $h_t$ একটি স্থায়ী স্বয়ংক্রিয়-প্রতিগমন প্রক্রিয়া অনুসরণ করে, যা অস্থিরতা ক্লাস্টারিং ঘটনা ধারণ করে:
$h_t = \mu + \phi (h_{t-1} - \mu) + \eta_t, \quad \eta_t \sim N(0, \sigma_{\eta}^2)$
其中 $|\phi| < 1$ 确保平稳性，$\mu$ 是平均对数波动率。
এটি মূল উদ্ভাবনী পয়েন্ট। লগারিদমিক অস্থিরতা সমীকরণটি $K$ সংখ্যক সম্ভাব্য ম্যাক্রোইকোনমিক ঘোষণা ডামি ভেরিয়েবল $x_{k,t}$ এবং তাদের ল্যাগের প্রভাব অন্তর্ভুক্ত করার জন্য প্রসারিত করা হয়েছে:
$h_t = \mu + \phi (h_{t-1} - \mu) + \sum_{k=1}^{K} \beta_k x_{k,t} + \eta_t$
মূল বিষয়টি হল সহগ $\beta_k$ এর পূর্ববর্তী বন্টন। স্পারসিটি আনয়নের জন্য স্পাইক-এন্ড-স্ল্যাব পূর্ববর্তী ব্যবহার করা হয়:
$\beta_k | \gamma_k \sim (1-\gamma_k) \delta_0 + \gamma_k N(0, \tau^2)$
$\gamma_k \sim \text{Bernoulli}(\pi_k)$
এখানে, $\delta_0$ হল শূন্য বিন্দুর ডিরাক ডেল্টা ফাংশন ("স্পাইক"), এবং $N(0, \tau^2)$ হল একটি বড় প্রকরণ $\tau^2$ সহ গাউসিয়ান বন্টন ("স্ল্যাব")। বাইনারি নির্দেশক চলক $\gamma_k$ নির্ধারণ করে ঘটনা $k$ অন্তর্ভুক্ত ($\gamma_k=1$) নাকি বাদ দেওয়া হয়েছে ($\gamma_k=0$)। পূর্ববর্তী অন্তর্ভুক্তির সম্ভাবনা $\pi_k$ পূর্ববর্তী বিশ্বাসের ভিত্তিতে নির্ধারণ করা যেতে পারে, অথবা অ-তথ্যপূর্ণ রাখা যেতে পারে (যেমন 0.5)। মডেলটি অনুমানের জন্য মার্কভ চেইন মন্টে কার্লো (MCMC) পদ্ধতি ব্যবহার করে, যা একইসাথে নির্দেশক চলক $\gamma_k$ এবং সহগ $\beta_k$ নমুনা করে, এবং ঘটনার গুরুত্ব পরিমাপের একটি সূচক হিসাবে পরবর্তী অন্তর্ভুক্তির সম্ভাবনা $P(\gamma_k=1 | \text{Data})$ প্রদান করে।
পুনরাবৃত্ত দৈনিক প্যাটার্ন (যেমন, মার্কেট খোলা/বন্ধের সময় উচ্চ অস্থিরতা) ধরার জন্য, মডেলটিতে একটি নির্ধারিত মৌসুমী উপাদান $s_t$ অন্তর্ভুক্ত করা হয়েছে:
$h_t = \mu + s_t + \phi (h_{t-1} - \mu - s_{t-1}) + \sum_{k=1}^{K} \beta_k x_{k,t} + \eta_t$
উপাদান $s_t$ সাধারণত প্রতিটি দৈনিক সময়স্লটের (যেমন, 24-ঘন্টা চক্রের প্রতিটি 5-মিনিটের ব্যবধান) ডামি ভেরিয়েবল বা মসৃণ পর্যায়ক্রমিক ফাংশন ব্যবহার করে মডেল করা হয়। এটি নিশ্চিত করে যে এই পূর্বাভাসযোগ্য প্যাটার্ন নিয়ন্ত্রণের পর ইভেন্ট ইফেক্ট অনুমান করা হয়।
লেখকরা তাদের মডেলটি প্রধান কারেন্সি জোড়ার (যেমন, EUR/USD, GBP/USD, JPY/USD) উচ্চ-ফ্রিকোয়েন্সি ডেটাতে প্রয়োগ করেছেন।
মডেলটি শত শত প্রার্থী ইভেন্টকে একটি স্পার্স সেটে সফলভাবে ছাঁটাই করেছে। উচ্চ পোস্টেরিয়র অন্তর্ভুক্তি সম্ভাবনা সহ ইভেন্টগুলি যা পাওয়া গেছে তার মধ্যে রয়েছে:
চার্ট বর্ণনা (অন্তর্নিহিত): একটি বার চার্ট Y-অক্ষে (0 থেকে 1 পর্যন্ত পরিসীমা) ডজনখানেক অর্থনৈতিক ঘটনার (X-অক্ষ) পোস্টেরিয়র অন্তর্ভুক্তি সম্ভাবনা প্রদর্শন করবে। কয়েকটি বার (NFP, CPI, FOMC) 1.0 এর কাছাকাছি উঁচু হয়ে দাঁড়াবে, যখন বেশিরভাগ অন্যান্য বার 0 এর কাছাকাছি প্রায় অদৃশ্য থাকবে। এটি অর্জিত স্পার্সিটিকে স্বজ্ঞাতভাবে প্রদর্শন করে।
আনুমানিক মৌসুমিক উপাদান $s_t$ একটি সাধারণ U-আকৃতির পরিবর্তে একটি স্পষ্ট বহু-শীর্ষবিন্দু "M-আকৃতির" প্যাটার্ন প্রকাশ করে। শীর্ষবিন্দুগুলি সঠিকভাবে সঙ্গতিপূর্ণ:
লেখক এটি বিশ্বব্যাপী শ্রম সরবরাহের সাথে সংযুক্ত করেছেন: যখন মূল সময় অঞ্চলে সর্বাধিক সংখ্যক আর্থিক পেশাদার একই সাথে সক্রিয় থাকে এবং তথ্য প্রক্রিয়া করে, তখন অস্থিরতা সর্বোচ্চ হয়। এই ফলাফল ট্রেডিং ভলিউম এবং অস্থিরতার মধ্যে সম্পর্কের বাজার মাইক্রোস্ট্রাকচার তত্ত্বের সাথে সামঞ্জস্যপূর্ণ।
চূড়ান্ত পরীক্ষা হল নমুনা-বহির্ভূত পূর্বাভাস। প্রস্তাবিত মডেলটির সাথে নিম্নলিখিত মডেলগুলির তুলনা করা হয়:
ফলাফল: সম্পূর্ণ মডেল (ইভেন্ট + ঋতুগততা + স্টোকাস্টিক ভোলাটিলিটি) গড় পরম পূর্বাভাস ত্রুটি (MAFE) এবং Mincer-Zarnowitz রিগ্রেশন $R^2$ এর মতো মেট্রিক্স দ্বারা পরিমাপ করা ভোলাটিলিটি পূর্বাভাসে পরিসংখ্যানগতভাবে উল্লেখযোগ্যভাবে উন্নত পারফরম্যান্স প্রদান করে।
একটি বাস্তব পোর্টফোলিও বরাদ্দ অনুশীলনে (যেমন, একটি ভোলাটিলিটি-পরিচালিত ক্যারি ট্রেড বা একটি সাধারণ মুদ্রা গড়-বৈচিত্র্য পোর্টফোলিও), প্রস্তাবিত মডেলের ভোলাটিলিটি পূর্বাভাস ব্যবহার করে ওজন গতিশীলভাবে সামঞ্জস্য করা হয়। এই পোর্টফোলিও অর্জন করে:
সর্বনিম্ন বাস্তবায়িত অস্থিরতা: GARCH বেঞ্চমার্কের তুলনায় প্রায় ১৫-২০% কম।
সর্বোচ্চ শার্প অনুপাত: পরিসংখ্যানগতভাবে উল্লেখযোগ্য ০.২ থেকে ০.৪ পয়েন্টের উন্নতি।
উপসংহার: উন্নত অস্থিরতা পূর্বাভাস সরাসরি উন্নত ঝুঁকি-সমন্বিত রিটার্নে রূপান্তরিত হয়।
দৃশ্যকল্প: একটি কোয়ান্টিটেটিভ হেজ ফান্ড ২০২৪ সালের চতুর্থ প্রান্তিকে EUR/JPY-এর অস্থিরতার চালকগুলি বুঝতে এবং তার অপশন ট্রেডিং ডেস্কের অস্থিরতা পূর্বাভাস উন্নত করতে চায়।
ধাপ ১ - তথ্য সংগ্রহ: ৫-মিনিটের EUR/JPY রিটার্ন ডেটা সংগ্রহ করুন। ইউরোজোন (যেমন, ECB, জার্মান ZEW অর্থনৈতিক সেন্টিমেন্ট সূচক, ইউরোজোন CPI) এবং জাপান (যেমন, BOJ ট্যাঙ্কান সার্ভে, টোকিও CPI, শিল্প উৎপাদন) থেকে নির্ধারিত ম্যাক্রোইকোনমিক ঘোষণার একটি ব্যাপক ক্যালেন্ডার সংগ্রহ করুন। USD-এর বৈশ্বিক ভূমিকা বিবেচনা করে, মার্কিন ইভেন্ট অন্তর্ভুক্ত করুন। ডামি ভেরিয়েবল $x_{k,t}$ তৈরি করুন, যা ঘোষণা $k$ প্রকাশের ৫-মিনিটের ব্যবধান এবং পরবর্তী কয়েকটি ব্যবধানে (ল্যাগ প্রভাব ক্যাপচার করতে) ১ এর মান নেয়।
ধাপ ২ - মডেল স্পেসিফিকেশন এবং অনুমান:
1. টোকিও-লন্ডন-নিউইয়র্ক ২৪-ঘন্টা চক্রের প্রতিটি ৫-মিনিটের ব্যবধানের জন্য ডামি ভেরিয়েবল ব্যবহার করে মৌসুমী উপাদান $s_t$ সংজ্ঞায়িত করুন।
2. সমস্ত ঘোষণা সহগ $\beta_k$-এর জন্য স্পাইক-এন্ড-স্ল্যাব প্রায়র সেট করুন। স্পার্সিটির প্রত্যাশা প্রতিফলিত করে, অন্তর্ভুক্তির সম্ভাবনা $\pi_k = 0.1$ সহ অপেক্ষাকৃত নন-ইনফরমেটিভ প্রায়র ব্যবহার করুন।
3. একটি MCMC স্যাম্পলার চালান (যেমন, Stan বা কাস্টম গিবস স্যাম্পলার ব্যবহার করে), নির্দেশক ভেরিয়েবল $\gamma_k$ সহ সমস্ত প্যারামিটারের পোস্টেরিয়র ডিস্ট্রিবিউশন পেতে।
ধাপ ৩ - ব্যাখ্যা এবং পদক্ষেপ:
1. মূল চালক শনাক্তকরণ: $P(\gamma_k=1)$ এর পোস্টেরিয়র গড় পরীক্ষা করুন। ফান্ডটি দেখেছে যে EUR/JPY-এর জন্য, নমুনা সময়কালে, ইউরোজোন মুদ্রাস্ফীতি এবং ইউএস ট্রেজারি ফলন ডেটা জাপানের অভ্যন্তরীণ ডেটার চেয়ে বেশি গুরুত্বপূর্ণ ছিল।
2. ট্রেড সংকেত অপ্টিমাইজেশন: ট্রেড ডেস্ক এই উচ্চ-সম্ভাবনা ঘটনাগুলি ঘটার আগেই তাদের অস্থিরতা পূর্বাভাস সামঞ্জস্য করে, সম্ভাব্য অপশন কিনতে (অস্থিরতা বৃদ্ধির প্রত্যাশায়) বা Delta এক্সপোজার হ্রাস করতে পারে।
3. যাচাইকরণ: মূল ECB সভার দিনগুলিতে মডেলের অস্থিরতা পূর্বাভাস প্রকৃত বাস্তবায়িত অস্থিরতার সাথে তুলনা করুন। উচ্চ মিল মডেলের ব্যবহারিকতার প্রতি আস্থা বাড়ায়।
এই কাঠামোটি কাঁচা তথ্য থেকে কার্যকরী অন্তর্দৃষ্টিতে রূপান্তর সাধন করে, যা এই নিবন্ধের মূল মূল্য প্রস্তাবকে প্রতিফলিত করে।
Martins এবং Lopes-এর কাজ ঐতিহ্যগত আর্থিক ইকোনোমেট্রিক্স এবং আধুনিক বেইজিয়ান মেশিন লার্নিং-এর একটি জটিল সমন্বয়ের প্রতিনিধিত্ব করে। তাদের প্রকৃত অবদান শুধুমাত্র কোন ঘটনাগুলো গুরুত্বপূর্ণ তা তালিকাভুক্ত করার মধ্যে নয় – যা অনেক ট্রেডারেরই অন্তর্দৃষ্টি রয়েছে – বরং একটি কঠোর, পুনরুৎপাদনযোগ্য এবং সম্ভাবনাভিত্তিকপদ্ধতিবিদ্যাপ্রদানের মধ্যে রয়েছে, যা উচ্চ-মাত্রিক পরিবেশে এই গুরুত্বপূর্ণ কারণগুলি আবিষ্কার এবং পরিমাপ করতে ব্যবহৃত হয়। এই পদ্ধতিটি দার্শনিকভাবে সংলগ্ন ক্ষেত্রের প্রভাবশালী গবেষণার সাথে সাদৃশ্যপূর্ণ, যেমনCycleGAN(Zhu et al., 2017)-এ লেটেন্ট ভেরিয়েবল মডেল ব্যবহার করে জোড়া উদাহরণ ছাড়াই অন্তর্নিহিত ডেটা উপস্থাপনা আবিষ্কার; এখানে, মডেলটি ইভেন্ট শকের স্পার্স সংমিশ্রণের মাধ্যমে অস্থিরতার অন্তর্নিহিত "উপস্থাপনা" আবিষ্কার করে।
এই নিবন্ধের শক্তি তার মডেল অনিশ্চয়তার মুখোমুখি হওয়ার সৎ দৃষ্টিভঙ্গিতে নিহিত। ইভেন্ট নির্বাচনকে একটি বেইজিয়ান ভেরিয়েবল নির্বাচন সমস্যা হিসেবে গঠন করে, এটি একটি ইভেন্ট প্রাসঙ্গিক কিনা ($P(\gamma_k=1)$) এবং যদি প্রাসঙ্গিক হয় তবে তার প্রভাবের মাত্রা ($\beta_k$-এর বন্টন) সম্পর্কে অনিশ্চয়তা পরিমাপ করে। এটি ধাপে ধাপে রিগ্রেশনের বাইনারি অন্তর্ভুক্তি/বর্জনের সিদ্ধান্ত বা রিজ রিগ্রেশনের অস্বচ্ছ সঙ্কোচনের চেয়ে অনেক বেশি তথ্যপূর্ণ। মৌলিক বিষয়গুলির সাথে সংযোগ – ব্যাখ্যা করা যে কেন নির্দিষ্ট ঘটনাগুলি নির্বাচিত হয় – এটিকে নিছক "ডেটা মাইনিং" অনুশীলন থেকে বিশ্বাসযোগ্য অর্থনৈতিক বিশ্লেষণের স্তরে উন্নীত করে।
যাইহোক, মডেলটি একটি অপেক্ষাকৃত স্থিতিশীল ব্যবস্থার অধীনে কাজ করে। স্পাইক-এন্ড-স্ল্যাব প্রায়র ধরে নেয় যে প্রাসঙ্গিক ঘটনার সেট স্থির। বাস্তবে, যেমনInternational Monetary Fund (IMF) World Economic Outlookবিশ্লেষণে নথিভুক্ত আছে, ম্যাক্রোইকোনমিক খবরের ট্রান্সমিশন চ্যানেলগুলি সংকট বা নীতি ব্যবস্থা পরিবর্তনের সময় (যেমন, জিরো লোয়ার বাউন্ড বনাম সুদ বৃদ্ধির চক্র) আমূল পরিবর্তিত হতে পারে। ভবিষ্যতের সম্প্রসারণে সম্ভাব্যতা $\pi_k$ বা সহগ $\beta_k$ সময়ের সাথে বিবর্তিত হওয়ার অনুমতি দেওয়া যেতে পারে, সম্ভবত লুকানো মার্কভ মডেল বা সময়-পরিবর্তনশীল প্যারামিটার সেটআপের মাধ্যমে। এছাড়াও, যদিও নির্ধারিত ঘটনাগুলির উপর ফোকাস করা হয়েছে, বৈদেশিক মুদ্রার অস্থিরতার একটি বড় অংশ অ-নির্ধারিত খবর (ভূ-রাজনৈতিক ঘটনা, হঠাৎ কেন্দ্রীয় ব্যাংকের হস্তক্ষেপ) থেকে উদ্ভূত হয়। সংবাদ প্রবাহের সেন্টিমেন্ট এবং থিম পরিমাপ করতে প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (NLP) একীভূত করা, যেমনNational Bureau of Economic Research (NBER)সাম্প্রতিক কাজে দেখা গেছে, একটি শক্তিশালী পরবর্তী পদক্ষেপ হতে পারে।
শিল্পের দৃষ্টিকোণ থেকে, এই নিবন্ধটি অ্যাসেট ম্যানেজমেন্ট কোম্পানিগুলির জন্য তাদের ভোলাটিলিটি মডেল আপগ্রেড করার একটি আহ্বান। আজকের জটিল, সংবাদ-চালিত বাজারে, GARCH বা এমনকি স্ট্যান্ডার্ড স্টোকাস্টিক ভোলাটিলিটি মডেলের উপর নির্ভর করার অর্থ হল সম্ভাব্য আলফা ত্যাগ করা। প্রদর্শিত শার্প অনুপাত বৃদ্ধি হল বায়ার ফার্মগুলির জন্য চূড়ান্ত মেট্রিক যা তারা যত্ন নেয়। MCMC-এর গণনামূলক খরচ কম নয়, কিন্তু ক্লাউড কম্পিউটিং রিসোর্সের সামনে এটি আর অতিক্রমযোগ্য বাধা নয়। প্রকৃত চ্যালেঞ্জটি অপারেশনাল: উচ্চ-ফ্রিকোয়েন্সি ডেটা ইনজেশন, ইভেন্ট ক্যালেন্ডার ম্যানেজমেন্ট এবং মডেল পুনঃঅনুমানের জন্য অবকাঠামো তৈরি এবং রক্ষণাবেক্ষণ। যারা এই চ্যালেঞ্জ কাটিয়ে উঠতে পারে, তাদের জন্য এই নিবন্ধটি মুদ্রা বাজারে বাস্তবিক প্রতিযোগিতামূলক সুবিধা অর্জনের জন্য একটি প্রমাণিত ব্লুপ্রিন্ট প্রদান করে।
注：所分析的主要论文是 Martins, I., & Lopes, H. F. (2024). "What events matter for exchange rate volatility?" arXiv preprint arXiv:2411.16244.