فهرست مطالب
1. مقدمه
این مقاله یک چارچوب دینامیک آنتروپیک برای مدلسازی نرخهای ارز خارجی (FX) و قیمتگذاری اختیارات معامله اروپایی ارائه میدهد. هدف اصلی ارائه بنیانی جایگزین و مبتنی بر نظریه اطلاعات برای دینامیک مالی، فراتر از حسابان تصادفی سنتی است. نویسندگان، محمد عابدی و دانیل بارتولومئو، از اصول استنتاج آنتروپیک—روشی برای استدلال در شرایط اطلاعات ناقص—برای استخراج مدلهای مالی شناختهشده از اصول اولیه بهره میبرند.
این کار مفاهیم انتزاعی بیشینه آنتروپی و هندسه اطلاعات را به امور مالی عملی پیوند میزند و در نهایت به استخراج حرکت براونی هندسی (GBM) برای نرخهای ارز و مدل گارمن-کولهاگن برای اختیارات معامله ارز میانجامد. این رویکرد، تقارن ذاتی ناوردایی مقیاس در جفت ارزها را برجسته میکند که منجر به انتخاب طبیعی لگاریتم نرخ ارز برای مدلسازی میشود.
2. چارچوب نظری
2.1. استنتاج آنتروپیک و بیشینه آنتروپی
استنتاج آنتروپیک یک چارچوب استقرایی برای موقعیتهای دارای اطلاعات ناقص است. ابزار اول آن نظریه احتمال برای نمایش حالتهای باور است. ابزار دوم آنتروپی نسبی (یا واگرایی کولبک-لایبلر) است که برای بهروزرسانی باورها هنگام دریافت اطلاعات جدید، تحت هدایت اصل کمینه بهروزرسانی استفاده میشود. بیشینهسازی آنتروپی نسبی، توزیع پسین کمترین سوگیری را به دست میدهد که تمام اطلاعات موجود را دربر میگیرد.
ابزار سوم هندسه اطلاعات است که یک متریک بر فضای توزیعهای احتمال ارائه میدهد. اگرچه در اینجا به عمق بررسی نشده، نویسندگان به اهمیت بالقوه آن برای مدیریت سبد دارایی و دینامیک چنددارایی اشاره میکنند.
2.2. دینامیک آنتروپیک و زمان
دینامیک آنتروپیک، استنتاج آنتروپیک را برای مدلسازی چگونگی تغییر سیستمها به کار میگیرد. یک نوآوری کلیدی معرفی پارامتر زمان آنتروپیک است که یک پدیده ظهورکننده و متناسب با سیستم خاص است، نه یک ساعت جهانی. این مفهوم در زمینههای مختلف فیزیک با موفقیت به کار رفته و در اینجا به امور مالی تطبیق داده شده است.
2.3. ناوردایی مقیاس در بازار ارز
یک تقارن بنیادی در بازارهای ارز، ناوردایی مقیاس است: دینامیک نباید به این بستگی داشته باشد که نرخ ارز را به صورت USD/EUR بیان میکنیم یا به صورت معکوس آن. این تقارن حکم میکند که مدل باید بر حسب لگاریتم نرخ ارز، $x = \ln S$، فرمولبندی شود، که در آن $S$ نرخ لحظهای ارز است. تبدیلهایی مانند $S \to \lambda S$ (یک تغییر مقیاس ساده) وقتی بر حسب $x$ بیان شوند، دینامیک را ناوردا باقی میگذارند.
3. استخراج مدل
3.1. از اصول آنتروپیک به حرکت براونی هندسی
با شروع از اطلاعات پیشین درباره یک نرخ ارز—به طور خاص، مقدار اولیه و نوسان آن—نویسندگان از چارچوب دینامیک آنتروپیک برای استخراج تکامل زمانی آن استفاده میکنند. با اعمال محدودیتهای سازگار با مشاهدات بازار (مانند واریانس محدود) و بیشینهسازی آنتروپی، نشان داده میشود که توزیع احتمال حاصل برای لگاریتم نرخ ارز آتی $x$ از یک فرآیند رانش-انتشار پیروی میکند.
با تبدیل مجدد به نرخ لحظهای $S = e^x$، این فرآیند به حرکت براونی هندسی (GBM) آشنا تبدیل میشود: $$ dS_t = \mu S_t dt + \sigma S_t dW_t $$ که در آن $\mu$ رانش، $\sigma$ نوسان، و $W_t$ یک فرآیند وینر است. این استخراج به وضوح ناوردایی مقیاس را رعایت میکند.
3.2. اندازه خنثی از ریسک و قیمتگذاری اختیارات
برای قیمتگذاری مشتقات، اصل عدم آربیتراژ فراخوانی میشود. نویسندگان نشان میدهند که چگونه یک اندازه خنثی از ریسک $\mathbb{Q}$ را درون چارچوب آنتروپیک استخراج کنند. این کار شامل تنظیم رانش فرآیند GBM به تفاوت نرخ بدون ریسک بین دو ارز، $(r_d - r_f)$ است.
تحت $\mathbb{Q}$، دینامیک به صورت زیر درمیآید: $$ dS_t = (r_d - r_f) S_t dt + \sigma S_t dW_t^{\mathbb{Q}} $$ قیمتگذاری یک اختیار خرید اروپایی بر روی نرخ ارز با این دینامیک، مستقیماً به فرمول گارمن-کولهاگن، معادل بازار ارز فرمول بلک-شولز، منجر میشود.
4. نتایج و بحث
4.1. مدل گارمن-کولهاگن
خروجی نهایی استخراج آنتروپیک، مدل گارمن-کولهاگن برای قیمت یک اختیار خرید اروپایی است: $$ C = S_0 e^{-r_f T} \Phi(d_1) - K e^{-r_d T} \Phi(d_2) $$ که در آن $$ d_1 = \frac{\ln(S_0/K) + (r_d - r_f + \sigma^2/2)T}{\sigma\sqrt{T}}, \quad d_2 = d_1 - \sigma\sqrt{T} $$ $S_0$ نرخ لحظهای، $K$ قیمت اعمال، $T$ زمان تا سررسید، $r_d$ و $r_f$ نرخهای بدون ریسک داخلی و خارجی، $\sigma$ نوسان، و $\Phi$ تابع توزیع تجمعی نرمال استاندارد است.
4.2. مقایسه با روشهای سنتی
مشارکت اصلی مقاله روششناختی است. این مقاله مدلهای تثبیتشده (GBM، گارمن-کولهاگن) را نه از طریق حسابان تصادفی و استدلالهای پوشش ریسک، بلکه از طریق یک رویکرد مبتنی بر نظریه اطلاعات و اصول اولیه مبتنی بر بیشینهسازی آنتروپی و تقارن، بازیابی میکند. این امر توجیهی عمیقتر و بنیادیتر برای این مدلها فراهم میکند و راه را برای تعمیم آنها با گنجاندن محدودیتهای اطلاعاتی متفاوت یا پیچیدهتر باز میکند.
5. بینش کلیدی و دیدگاه تحلیلگر
بینش کلیدی: این مقاله درباره یک فرمول قیمتگذاری جدید و بهتر نیست؛ یک بازی قدرت فلسفی است. استدلال میکند که کل بنای مالی زمان پیوسته، از باشلیه تا بلک-شولز، میتواند از پایه با استفاده از نظریه اطلاعات و اصل بیشینه آنتروپی بازسازی شود. نویسندگان اساساً میگویند: «برای یک لحظه لمای ایتو را فراموش کنید؛ رفتار بازار فقط کمترین چیز شگفتآوری است که میتواند انجام دهد، با توجه به آنچه ما میدانیم.» این یک تغییر عمیق از مدلسازی قیمتها به مدلسازی دانش درباره قیمتها است.
جریان منطقی: استدلال ظریف و کمینهگرا است. ۱) ما اطلاعات ناقص داریم (یک توزیع پیشین). ۲) ما تقارن داریم (ناوردایی مقیاس). ۳) باورهای خود را با استفاده از ابزاری که کمترین تغییر را در آنها ایجاد میکند بهروز میکنیم (بیشینه آنتروپی نسبی). ۴) این بهروزرسانی، که به عنوان دینامیک تفسیر میشود، GBM را به ما میدهد. ۵) عدم آربیتراژ رانش را مشخص میکند و اندازه خنثی از ریسک را برای قیمتگذاری به ما میدهد. این یک استخراج تمیز و مبتنی بر اصل است که در مقایسه، استدلال سنتی PDE/پوشش ریسک را تقریباً ناهموار نشان میدهد.
نقاط قوت و ضعف: نقطه قوت، ظرافت بنیادی و پتانسیل تعمیم است. همانطور که در فیزیک با کارهای ای.تی. جینز و بعداً کاتیچا دیده شد، روشهای آنتروپیک در استخراج نتایج استاندارد از اصول ساده عالی عمل میکنند. نقطه ضعف، مانند بسیاری از نظریههای ظریف، فاصله با واقعیت آشفته است. چارچوب به زیبایی GBM را استخراج میکند، اما خود GBM یک مدل ناقص برای بازار ارز است (ریسک دنباله را دست کم میگیرد، خوشهبندی نوسان را نادیده میگیرد). مقاله به طور خلاصه به کار آینده روی پرشها و هندسه اطلاعات اشاره میکند، که آزمون واقعی در آنجا نهفته است. آیا این چارچوب میتواند به سادگی با افزودن محدودیتهای مناسب، حقایق سبکشده بازارها (مانند دنبالههای سنگین) را به طور طبیعی دربرگیرد، یا نیاز به تنظیمات خاص موقعیتی خواهد داشت که خلوص آن را کاهش میدهد؟
بینشهای عملی: برای کوانتها و اعتبارسنجان مدل، این مقاله یک مطالعه اجباری است. این مقاله لنز جدیدی برای ارزیابی ریسک مدل فراهم میکند. به جای فقط آزمون برازش یک مدل، بپرسید: «این مدل چه اطلاعاتی را فرض میکند؟ آیا آن مجموعه اطلاعات کامل یا مناسب است؟» برای نوآوران، نقشه راه روشن است. گام بعدی استفاده از این چارچوب برای ساخت مدلهای جدید است. بیشینهسازی آنتروپی را با اطلاعاتی درباره لبخند نوسان مشاهدهشده یا فرکانس پرشها محدود کنید، همانطور که نویسندگان با اشاره به مدلهای بیتس و هستون اشاره کردهاند. جایزه یک نظریه منسجم و یکپارچه از قیمتگذاری مشتقات است که مدلهای ناسازگار را به هم نمیدوزد. کار پیترز و گِل-من (۲۰۱۶) درباره اقتصاد ارگودیک نشان میدهد که بازاندیشی بنیادی مشابه در حال جذب توجه است. این مقاله گامی محکم در آن جهت است، اما بازار قاضی نهایی سودمندی آن فراتر از جذابیت فلسفی خواهد بود.
6. جزئیات فنی
هسته ریاضی شامل بیشینهسازی آنتروپی نسبی $\mathcal{S}[P|Q]$ یک توزیع پسین $P(x'|x)$ نسبت به یک پیشین $Q(x'|x)$، تحت محدودیتها است. یک محدودیت کلیدی، جابجایی مربع مورد انتظار است که نوسان $\sigma$ را معرفی میکند: $$ \langle (\Delta x)^2 \rangle = \kappa dt $$ که در آن $\kappa$ به نوسان $\sigma$ مرتبط است. بیشینهسازی یک احتمال گذار گاوسی به دست میدهد: $$ P(x'|x) \propto \exp\left(-\frac{(x' - x - \alpha dt)^2}{2\kappa dt}\right) $$ که در حد پیوسته به SDE رانش-انتشار برای $x_t$ منجر میشود. ارتباط با PDE بلک-شولز-مرتون از طریق استدلال استاندارد ارزشگذاری خنثی از ریسک اعمال شده به فرآیند GBM استخراجشده برقرار میشود.
7. مثال چارچوب تحلیل
مورد: گنجاندن اطلاعات لبخند نوسان. چارچوب آنتروپیک امکان ادغام دادههای بازار اضافی را فراهم میکند. فرض کنید، فراتر از قیمت لحظهای و نوسان تاریخی، ما همچنین اطلاعاتی از بازار اختیارات داریم که دلالت بر این دارد که توزیع خنثی از ریسک بازدههای لگاریتمی گاوسی نیست بلکه دارای چولگی منفی و کشیدگی اضافی (یک لبخند نوسان) است.
گام ۱: تعریف محدودیتها. علاوه بر محدودیت واریانس $\langle (\Delta x)^2 \rangle = \sigma^2 dt$، ما محدودیتهای گشتاور از سطح نوسان ضمنی مشاهدهشده را اضافه میکنیم: $$ \langle (\Delta x)^3 \rangle = \tilde{S} dt, \quad \langle (\Delta x)^4 \rangle - 3\langle (\Delta x)^2 \rangle^2 = \tilde{K} dt $$ که در آن $\tilde{S}$ و $\tilde{K$ به ترتیب چولگی و کشیدگی در واحد زمان را ضبط میکنند.
گام ۲: بیشینهسازی آنتروپی. بیشینهسازی آنتروپی نسبی با این چهار محدودیت (میانگین، واریانس، چولگی، کشیدگی) به یک احتمال گذار $P(x'|x)$ توصیف شده توسط یک سری گرام-شارلیه یا یک توزیع خانواده نمایی عمومیتر، نه یک گاوسی ساده، منجر میشود.
گام ۳: استخراج دینامیک. حد زمان پیوسته حاصل، یک فرآیند انتشار با رانش و نوسان وابسته به حالت، یا به طور بالقوه یک فرآیند پرش-انتشار خواهد بود که در عمل مدلی مانند مدلهای بیتس یا هستون را از اصول اولیه اطلاعاتی استخراج میکند، نه اینکه از پیش یک فرآیند نوسان تصادفی را مشخص کند.
این مثال قدرت چارچوب را برای تعمیم سیستماتیک مدلها با گنجاندن صریح اطلاعات بازار ریزدانهتر به عنوان محدودیت نشان میدهد.
8. کاربردها و جهتهای آتی
چارچوب دینامیک آنتروپیک چندین مسیر امیدوارکننده برای پژوهش آینده در امور مالی کمی باز میکند:
- سبدهای دارایی چندگانه و هندسه اطلاعات: نویسندگان به کاربرد هندسه اطلاعات در انتخاب سبد اشاره میکنند. این میتواند به استراتژیهای تخصیص دارایی نوین مبتنی بر «فاصله» بین توزیع بازار فعلی و یک توزیع بهینه هدف، فراتر از بهینهسازی میانگین-واریانس، منجر شود.
- مدلسازی حقایق سبکشده: چارچوب به طور طبیعی مناسب برای گنجاندن ویژگیهای تجربی شناختهشده مانند دنبالههای سنگین، خوشهبندی نوسان، و اثرات اهرمی با افزودن محدودیتهای دینامیکی مناسب یا وابسته کردن خود محدودیتها به زمان بر اساس اطلاعات گذشته است.
- بازارهای غیرایستا و دارای تعویض رژیم: توزیع پیشین $Q$ در آنتروپی نسبی میتواند به صورت پویا بهروزرسانی شود تا تغییر رژیمهای بازار را منعکس کند، که به طور بالقوه راهی اصولی برای ساخت مدلهای سازگار که به شکستهای ساختاری پاسخ میدهند، ارائه میدهد.
- ادغام مالی رفتاری: محدودیتهای «اطلاعاتی» میتوانند برای گنجاندن معیارهای احساسات یا توجه سرمایهگذاران گسترش یابند و پلی بین امور مالی کمی سنتی و مدلهای رفتاری ایجاد کنند.
- همافزایی یادگیری ماشین: اصل بیشینه آنتروپی سنگ بنای بسیاری از روشهای یادگیری ماشین است. این چارچوب میتواند بنیانی اطلاعاتی-نظری دقیق برای مدلهای ترکیبی ML-مالی فراهم کند و توضیح دهد که چرا برخی معماریهای شبکه عصبی یا تکنیکهای تنظیم برای سریهای زمانی مالی خوب عمل میکنند.
هدف نهایی یک نظریه یکپارچه و مبتنی بر اصل از دینامیک بازار است که هم از نظر نظری مستحکم و هم از نظر تجربی دقیق باشد و نیاز به وصلهکاری خاص موقعیتی رایج در مهندسی مالی امروزی را کاهش دهد.
9. مراجع
- Jaynes, E. T. (1957). Information Theory and Statistical Mechanics. Physical Review, 106(4), 620–630.
- Caticha, A. (2012). Entropic Inference and the Foundations of Physics. In Proceedings of the MaxEnt 2012 conference.
- Garman, M. B., & Kohlhagen, S. W. (1983). Foreign currency option values. Journal of International Money and Finance, 2(3), 231–237.
- Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of Political Economy, 81(3), 637–654.
- Peters, O., & Gell-Mann, M. (2016). Evaluating gambles using dynamics. Chaos: An Interdisciplinary Journal of Nonlinear Science, 26(2), 023103. https://doi.org/10.1063/1.4940236
- Amari, S. I. (2016). Information Geometry and Its Applications. Springer.
- Bachelier, L. (1900). Théorie de la spéculation. Annales scientifiques de l'École Normale Supérieure, 3(17), 21–86.