دینامیک آنتروپیک نرخ‌های ارز و اختیارات معامله: چارچوب بیشینه آنتروپی

1. مقدمه

این مقاله یک چارچوب دینامیک آنتروپیک برای مدل‌سازی دینامیک نرخ ارز خارجی (FX) و قیمت‌گذاری اختیارات معامله اروپایی ارائه می‌دهد. هدف اصلی ارائه یک بنیان جایگزین مبتنی بر نظریه اطلاعات برای رویکردهای سنتی حسابان تصادفی است. نویسندگان، محمد عابدی و دانیل بارتولومئو از دانشگاه آلبانی-سونی، از اصول استنتاج آنتروپیک و بیشینه آنتروپی برای مواجهه با موقعیت‌های اطلاعات ناقص — واقعیتی رایج در بازارهای مالی — بهره می‌برند. این چارچوب به صورت نظام‌مند، تقارن‌های شناخته‌شده مانند ناوردایی مقیاس را دربرمی‌گیرد و منجر به استخراج مدل‌های جاافتاده‌ای مانند حرکت براونی هندسی (GBM) و مدل گارمن-کولهاگن از اصول اولیه می‌شود.

2. چارچوب نظری

این روش‌شناسی بر سه ستون استنتاج آنتروپیک بنا شده است.

2.1. مبانی استنتاج آنتروپیک

استنتاج آنتروپیک یک چارچوب استقرایی است که برای استدلال در شرایط عدم قطعیت طراحی شده است. این چارچوب منطق کلاسیک را برای مدیریت اطلاعات جزئی گسترش می‌دهد. توزیع‌های احتمال، حالت دانش درباره یک سیستم را نمایندگی می‌کنند.

2.2. اصل به‌روزرسانی حداقلی

هنگامی که اطلاعات جدید در دسترس قرار می‌گیرد، توزیع احتمال پیشین با استفاده از آنتروپی نسبی (واگرایی کولبک-لایبلر) به‌روز می‌شود. این به‌روزرسانی توسط اصل به‌روزرسانی حداقلی اداره می‌شود که تضمین می‌کند تغییرات تنها به اندازه ضرورت داده‌های جدید اعمال شوند و کم‌ترین تورش را در توزیع پسین ایجاد کنند.

2.3. هندسه اطلاعات

فضای توزیع‌های احتمال یک منیفولد ریمانی با متریک منحصربه‌فردی تشکیل می‌دهد که از اطلاعات فیشر مشتق شده است. این هندسه اطلاعات مفهوم فاصله بین توزیع‌ها را ارائه می‌دهد که برای تعریف دینامیک‌ها حیاتی است. نویسندگان به اهمیت بالقوه آن برای بهینه‌سازی سبد سرمایه‌گذاری اشاره می‌کنند که در کارهای آتی مورد بررسی قرار خواهد گرفت.

3. دینامیک آنتروپیک برای نرخ‌های ارز

دینامیک آنتروپیک، چارچوب استنتاج را برای مدل‌سازی چگونگی تغییر سیستم‌ها به کار می‌برد و یک زمان آنتروپیک خاص سیستم را معرفی می‌کند.

3.1. ناوردایی مقیاس و انتخاب متغیر

یک تقارن کلیدی در بازارهای ارز، ناوردایی مقیاس است: دینامیک باید تحت تبدیل‌هایی مانند $S \rightarrow \lambda S$ ناوردا باشد، که در آن $S$ نرخ ارز است. برای آشکارسازی این تقارن، نویسندگان $x = \log S$ را به عنوان متغیر طبیعی برای مدل‌سازی شناسایی می‌کنند، زیرا تبدیل به یک انتقال $x \rightarrow x + \log \lambda$ تبدیل می‌شود.

3.2. استخراج حرکت براونی هندسی

با اعمال محدودیت‌هایی مبتنی بر اطلاعات موجود درباره نرخ ارز (مانند رانش و نوسان مورد انتظار آن) و بیشینه کردن آنتروپی نسبی با توجه به این محدودیت‌ها، چارچوب به طور طبیعی به یک دینامیک برای $x$ منجر می‌شود. ترجمه مجدد به $S$ معادله حرکت براونی هندسی (GBM) را به دست می‌دهد: $$ dS_t = \mu S_t dt + \sigma S_t dW_t $$ که در آن $\mu$ رانش، $\sigma$ نوسان و $W_t$ یک فرآیند وینر است. این استخراج نشان می‌دهد که GBM به عنوان کم‌ترین مدل مغرضانه‌ای ظاهر می‌شود که با محدودیت‌های گشتاور داده شده و تقارن مقیاس سازگار است.

4. چارچوب قیمت‌گذاری اختیارات معامله

برای قیمت‌گذاری مشتقات، یک چارچوب ارزش‌گذاری خنثی از ریسک برای اجتناب از آربیتراژ ضروری است.

4.1. استخراج معیار خنثی از ریسک

در چارچوب آنتروپیک، تغییر از معیار دنیای واقعی $\mathbb{P}$ به یک معیار خنثی از ریسک $\mathbb{Q}$ به عنوان یک مسئله استنتاج تفسیر می‌شود. این شامل به‌روزرسانی پیشین (دینامیک دنیای واقعی) با اطلاعات جدیدی است که قیمت تنزیل‌شده دارایی باید یک مارتینگل باشد (عدم آربیتراژ). اعمال اصل به‌روزرسانی حداقلی تحت این محدودیت به تبدیل قضیه گیرسانوف منجر می‌شود که $\mathbb{Q}$ را تعریف می‌کند.

4.2. مدل گارمن-کولهاگن

اعمال معیار خنثی از ریسک بر دینامیک GBM برای یک نرخ ارز (که شامل دو نرخ بهره، داخلی $r_d$ و خارجی $r_f$ است) و حل معادله دیفرانسیل با مشتقات جزئی بلک-شولز-مرتون برای یک اختیار معامله اروپایی، فرمول گارمن-کولهاگن را به دست می‌دهد: $$ C = S_0 e^{-r_f T} \Phi(d_1) - K e^{-r_d T} \Phi(d_2) $$ که در آن $$ d_1 = \frac{\ln(S_0/K) + (r_d - r_f + \sigma^2/2)T}{\sigma\sqrt{T}}, \quad d_2 = d_1 - \sigma\sqrt{T}. $$ این نتیجه، رویکرد دینامیک آنتروپیک را با مدل استاندارد قیمت‌گذاری اختیارات ارز همسو می‌کند.

6. تحلیل اصیل: یک دیدگاه انتقادی

مقاله عابدی و بارتولومئو یک تمرین فکری قانع‌کننده در بازقاب‌بندی ریاضیات مالی کلاسیک از طریق لنز نظریه اطلاعات ارائه می‌دهد. سهم اصلی آن یک مدل جدید نیست، بلکه یک استخراج و توجیه نوآورانه برای مدل‌های موجود — حرکت براونی هندسی (GBM) و مدل گارمن-کولهاگن — است. این با روند گسترده‌تری در مالی کمی که به دنبال اصول بنیادی‌تر است، همسو است و رویکرد اصل‌موضوعی در اقتصاد یا جستجوی اصول اولیه در فیزیک را به یاد می‌آورد.

از نظر فنی، کاربرد اصول بیشینه آنتروپی برای استخراج دینامیک‌ها ظریف است. شناسایی $\log S$ به عنوان متغیر صحیح به دلیل ناوردایی مقیاس، گامی حیاتی و به خوبی توجیه‌شده است. این کاربرد، استفاده از لگاریتم قیمت‌ها را در تقریباً تمام مدل‌های نوسان تصادفی و پرش-انتشار که پس از GBM موفق بودند، بازتاب می‌دهد. با این حال، خروجی چارچوب — GBM استاندارد — بزرگ‌ترین محدودیت آن است. ادبیات مالی از سقوط ۱۹۸۷ و بحران ۲۰۰۸ به بعد به طور قاطع کاستی‌های تجربی GBM را نشان داده است: این مدل در ثبت خوشه‌بندی نوسان (همانطور که در مدل‌های GARCH دیده می‌شود)، بازده‌های دم‌کلفت و لبخند/چولگی نوسان فراگیر در بازارهای اختیارات معامله شکست می‌خورد. مدل‌هایی مانند هستون (۱۹۹۳) یا فرآیندهای لوی با فعالیت نامتناهی که توسط کانت و تانکوف (۲۰۰۴) مرور شده‌اند، دقیقاً برای پر کردن این شکاف‌ها توسعه یافته‌اند.

بنابراین، اهمیت مقاله نه در معادلات نهایی آن، بلکه در وعده روش‌شناختی آن نهفته است. چارچوب استنتاج آنتروپیک ذاتاً انعطاف‌پذیر است. محدودیت‌های مورد استفاده برای استخراج GBM (میانگین و واریانس بازده‌ها) ساده‌انگارانه هستند. آزمون واقعی این خواهد بود که محدودیت‌های واقع‌بینانه‌تری اعمال شود — مانند نوسان مشاهده‌شده نوسان یا گشتاورهای خاصی از توزیع بازده — و ببینیم چه دینامیک‌هایی ظاهر می‌شوند. آیا می‌تواند یک مدل از نوع هستون را استخراج کند؟ این سهم بسیار تأثیرگذارتری خواهد بود. اشاره به کار آینده بر روی هندسه اطلاعات برای بهینه‌سازی سبد سرمایه‌گذاری به ویژه وسوسه‌انگیز است. متریک اطلاعات فیشر می‌تواند راهی دقیق برای اندازه‌گیری پایداری یا حساسیت یک سبد سرمایه‌گذاری به خطاهای برآورد پارامترها ارائه دهد، موضوعی که نگرانی عملی بزرگی است و اغلب به صورت اکتشافی مورد توجه قرار می‌گیرد.

در نتیجه، این کار یک اثبات مفهومی پیچیده است. این چارچوب با موفقیت، چارچوب دینامیک آنتروپیک را از فیزیک به مالی پیوند می‌زند و نشان می‌دهد که می‌تواند نتایج بنیادی را تکرار کند. ارزش آن توسط این تعیین خواهد شد که آیا پژوهش‌های بعدی می‌توانند از ماشین‌آلات این چارچوب برای پرداختن به کاستی‌های شناخته‌شده آن بنیادها استفاده کنند و از توجیه ظریف به نوآوری واقعی حرکت کنند.

7. چارچوب ریاضی و جزئیات فنی

موتور ریاضی هسته، بیشینه کردن آنتروپی نسبی (واگرایی کولبک-لایبلر) با توجه به محدودیت‌ها است. با توجه به یک توزیع پیشین $q(x)$ و اطلاعات جدید به شکل مقادیر مورد انتظار $\mathbb{E}_p[f_i(x)] = F_i$ برای چند تابع $f_i$، توزیع پسین $p(x)$ با کمینه کردن به دست می‌آید: $$ D_{KL}[p||q] = \int p(x) \ln \frac{p(x)}{q(x)} dx $$ با توجه به $\int p(x) f_i(x) dx = F_i$ و نرمال‌سازی $\int p(x) dx = 1$. با استفاده از ضریب‌های لاگرانژ $\lambda_i$، جواب به صورت زیر است: $$ p(x) = \frac{1}{Z} q(x) \exp\left(-\sum_i \lambda_i f_i(x)\right) $$ که در آن $Z$ تابع پارش است. در زمینه دینامیک‌ها، $q(x)$ احتمال انتقال از یک حالت اولیه را نمایندگی می‌کند و محدودیت‌ها، رانش و نوسان مورد انتظار سیستم را رمزگذاری می‌کنند. برای کاربرد ارز، با $x = \log S$، یک محدودیت بر تغییر مورد انتظار $\mathbb{E}[\Delta x]$ و واریانس آن $\mathbb{E}[(\Delta x)^2]$ به یک احتمال انتقال گاوسی منجر می‌شود که در حد پیوسته، معادله انتشار زیربنای GBM را تولید می‌کند.

تغییر به معیار خنثی از ریسک $\mathbb{Q}$ شامل افزودن یک محدودیت جدید است: بازده مورد انتظار دارایی تنزیل‌شده باید برابر نرخ بدون ریسک باشد. این امر ضریب‌های لاگرانژ را تغییر می‌دهد و به طور مؤثر یک جمله تعدیل رانش $\theta$ معرفی می‌کند به طوری که $dW^{\mathbb{Q}}_t = dW^{\mathbb{P}}_t + \theta dt$، که جوهر قضیه گیرسانوف است.

8. چارچوب تحلیلی و مثال موردی

مورد: توجیه انتخاب مدل برای یک جفت ارز (EUR/USD)

سناریو: یک تحلیل‌گر کمی در یک بانک موظف به توسعه یک مدل برای قیمت‌گذاری اختیارات معامله ساده EUR/USD است. او باید انتخاب مدل خود را به کمیته اعتبارسنجی مدل توجیه کند.

کاربرد چارچوب آنتروپیک:

1. بیان اطلاعات پیشین: تحلیل‌گر حقایق شناخته‌شده را فهرست می‌کند: EUR/USD مثبت است، تغییرات درصدی آن مرتبط‌تر از تغییرات مطلق است (ناوردایی مقیاس) و داده‌های تاریخی برآوردهایی برای رانش متوسط و نوسان ارائه می‌دهند.
2. اعمال اصل به‌روزرسانی حداقلی: با شروع از حالت حداکثر ناآگاهی (یک پیشین تخت برای $\log S$)، تحلیل‌گر باورها را با گنجاندن محدودیت‌های رانش و نوسان از طریق بیشینه آنتروپی به‌روز می‌کند.
3. استخراج دینامیک: چارچوب، GBM را به عنوان کم‌ترین مدل مغرضانه سازگار با دو محدودیت گشتاور خروجی می‌دهد. تحلیل‌گر این استخراج را به کمیته ارائه می‌دهد و استدلال می‌کند که استفاده از هر مدل با پارامترهای بیشتر (مانند نوسان تصادفی) نیازمند اطلاعات اضافی متناظر و از نظر آماری قوی برای توجیه به‌روزرسانی پیچیده‌تر از پیشین GBM است.
4. قیمت‌گذاری: برای قیمت‌گذاری اختیارات معامله، تحلیل‌گر محدودیت عدم آربیتراژ را اضافه می‌کند و معیار خنثی از ریسک و فرمول گارمن-کولهاگن را استخراج می‌کند.

نتیجه: کمیته GBM/گارمن-کولهاگن را به عنوان مدل خط پایه به دلیل استخراج اصولی آن از اطلاعات محدود می‌پذیرد. آنها ممکن است یک مدل پیچیده‌تر (مانند SABR) را تنها برای سررسیدها/نسبت قیمت اعمالی خاص تأیید کنند اگر تحلیل‌گر بتواند نشان دهد، شاید با استفاده از همان منطق آنتروپیک، که داده‌های بازار اضافی (مانند لبخند نوسان) اطلاعات کافی برای توجیه به‌روزرسانی پیچیده‌تر از پیشین GBM فراهم می‌کنند.

9. کاربردهای آتی و جهت‌های پژوهشی

چارچوب دینامیک آنتروپیک چندین مسیر امیدوارکننده فراتر از تکرار نتایج کلاسیک باز می‌کند:

• فراتر از GBM: گنجاندن محدودیت‌ها بر گشتاورهای بالاتر (چولگی، کشیدگی) یا فرآیند نوسان خود می‌تواند به استخراج‌های مبتنی بر آنتروپی از مدل‌های نوسان محلی/تصادفی یا مدل‌های پرش-انتشار منجر شود.
• هندسه اطلاعات در ساخت سبد سرمایه‌گذاری: همانطور که نویسندگان اشاره کرده‌اند، متریک فیشر می‌تواند «فاصله آماری» بین محیط‌های بازار مختلف را کمّی کند. این می‌تواند برای: 1) توسعه استراتژی‌های سبد سرمایه‌گذاری قوی که حساسیت به خطاهای پارامترهای برآوردشده را کمینه می‌کنند، استفاده شود. 2) ایجاد سیگنال‌های هشدار زودهنگام برای تغییر رژیم با نظارت بر فاصله اطلاعاتی بین بازده‌های اخیر و مدل فعلی.
• مدل‌سازی دارایی‌های غیرنقدشونده: برای دارایی‌هایی با داده‌های پراکنده، رویکرد بیشینه آنتروپی روشی دقیق برای مشخص کردن یک توزیع پیشین بر اساس اصول اقتصادی یا دارایی‌های مشابه و به‌روزرسانی حداقلی آن با وقوع معاملات جدید ارائه می‌دهد.
• دینامیک چند دارایی: گسترش چارچوب به چند دارایی همبسته. محدودیت‌ها شامل همبستگی‌ها خواهند بود و دینامیک حاصل به طور طبیعی هندسه ساختار کوواریانس را رعایت خواهد کرد و به طور بالقوه بینش‌هایی درباره ریسک سیستماتیک ارائه خواهد داد.
• ادغام با یادگیری ماشین: پارادایم «به‌روزرسانی پیشین» با یادگیری ماشین بیزی همسو است. این چارچوب می‌تواند طراحی شبکه‌های عصبی را هدایت کند که محدودیت‌های مالی (مانند عدم آربیتراژ) را مستقیماً در معماری یا توابع زیان خود بگنجانند و تفسیرپذیری و استحکام را بهبود بخشند.

10. منابع

1. Jaynes, E. T. (1957). Information Theory and Statistical Mechanics. Physical Review, 106(4), 620–630.
2. Caticha, A. (2012). Entropic Inference and the Foundations of Physics. In 11th Brazilian Meeting on Bayesian Statistics.
3. Garman, M. B., & Kohlhagen, S. W. (1983). Foreign currency option values. Journal of International Money and Finance, 2(3), 231–237.
4. Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of Political Economy, 81(3), 637–654.
5. Cont, R. (2001). Empirical properties of asset returns: stylized facts and statistical issues. Quantitative Finance, 1(2), 223–236.
6. Heston, S. L. (1993). A closed-form solution for options with stochastic volatility with applications to bond and currency options. The Review of Financial Studies, 6(2), 327–343.
7. Cont, R., & Tankov, P. (2004). Financial Modelling with Jump Processes. Chapman and Hall/CRC.
8. Amari, S. I., & Nagaoka, H. (2000). Methods of Information Geometry. American Mathematical Society.