مدلسازی و پیش‌بینی نوسان نرخ ارز در حوزه زمان-فرکانس

فهرست مطالب

1. مقدمه و مرور کلی

این مقاله رویکردی نوین برای مدل‌سازی و پیش‌بینی نوسان مالی، به‌طور خاص برای نرخ‌های ارز، با تلفیق تحلیل داده‌های فرکانس‌بالا و تکنیک‌های تجزیه زمان-فرکانس ارائه می‌دهد. نوآوری اصلی در تقویت چارچوب GARCH تحقق‌یافته با معیارهای نوسان تحقق‌یافته تجزیه‌شده با موجک و یک برآوردگر تخصصی پرش نهفته است. این امر به مدل اجازه می‌دهد تا نوسان را به مؤلفه‌های متناظر با افق‌های سرمایه‌گذاری مختلف (مقیاس‌های زمانی) تجزیه کرده و تأثیر پرش‌های ناپیوسته قیمت را به‌طور جداگانه در نظر بگیرد. این پژوهش از ماهیت ناهمگون فعالان بازار که در افق‌های زمانی مختلف، از معامله‌گران فرکانس‌بالا تا سرمایه‌گذاران بلندمدت، فعالیت می‌کنند، الهام گرفته است.

نویسندگان نشان می‌دهند که مدل‌های پیشنهادی «Jump-GARCH» آن‌ها که از طریق حداکثر درست‌نمایی و چارچوب نمره خودرگرسیو تعمیم‌یافته (GAS) برآورد شده‌اند، در مقایسه با مدل‌های متعارف GARCH و مدل‌های محبوب نوسان تحقق‌یافته، پیش‌بینی‌های آماری برتری ارائه می‌دهند. این تحلیل از داده‌های آتی ارز خارجی که بحران مالی ۲۰۰۸-۲۰۰۷ را در بر می‌گیرد، استفاده می‌کند و آزمون استرس قوی‌ای برای روش‌شناسی فراهم می‌کند.

2. روش‌شناسی و چارچوب فنی

2.1 چارچوب GARCH تحقق‌یافته

مدل GARCH تحقق‌یافته شکاف بین مدل‌های سنتی GARCH و داده‌های فرکانس‌بالا را با گنجاندن مستقیم یک معیار نوسان تحقق‌یافته $RV_t$ در معادله نوسان پر می‌کند. ساختار پایه شامل یک معادله بازده، یک معادله GARCH برای نوسان پنهان، و یک معادله اندازه‌گیری است که نوسان پنهان را به معیار تحقق‌یافته پیوند می‌دهد.

2.2 تجزیه چندمقیاسی مبتنی بر موجک

برای درک طبیعت چندافق نوسان، نویسندگان از تبدیل موجک استفاده می‌کنند. این ابزار ریاضی، سری نوسان تحقق‌یافته را به مؤلفه‌های متعامد نشان‌دهنده مقیاس‌های زمانی مختلف (مانند پویایی‌های درون‌روزی، روزانه، هفتگی) تجزیه می‌کند. اگر $RV_t$ نوسان تحقق‌یافته باشد، تجزیه موجک آن را می‌توان به صورت زیر نمایش داد:

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

که در آن $D_{j,t}$ مؤلفه نوسان («جزئیات») در مقیاس $j$ (متناظر با یک باند فرکانسی خاص) را نشان می‌دهد، و $S_{J,t}$ مؤلفه هموار است که روند بلندمدت‌ترین را ثبت می‌کند. هر $D_{j,t}$ فعالیت معاملاتی و جریان اطلاعات در یک افق سرمایه‌گذاری خاص را تقریب می‌زند.

2.3 تشخیص پرش و برآوردگر JTSRV

یک پیشرفت حیاتی، ادغام تغییرات پرش است. نویسندگان از یک برآوردگر نوسان تحقق‌یافته دو مقیاسی پرش (JTSRV) استفاده می‌کنند. این برآوردگر تغییرات درجه دوم کل را به واریانس انتگرالی پیوسته (IV) و واریانس پرش ناپیوسته (JV) تفکیک می‌کند:

$RV_t \approx IV_t + JV_t$

این تفکیک حیاتی است زیرا پرش‌ها و نوسان پیوسته اغلب دارای ویژگی‌های تداوم و پیش‌بینی متفاوتی هستند.

2.4 برآورد: MLE در مقابل GAS

مدل‌های Jump-GARCH پیشنهادی با استفاده از دو روش برآورد می‌شوند: ۱) برآورد درست‌نمایی شبه‌حداکثر (QMLE)، و ۲) چارچوب نمره خودرگرسیو تعمیم‌یافته (GAS) مبتنی بر مشاهده. چارچوب GAS که توسط کریل و همکاران (۲۰۱۳) معرفی شد، پارامترها را بر اساس نمره تابع درست‌نمایی به‌روزرسانی می‌کند و استحکام و سازگاری بالقوه‌ای در برابر اشتباه‌گیری مدل ارائه می‌دهد.

3. تحلیل تجربی و نتایج

3.1 داده‌ها و تنظیمات آزمایش

این مطالعه از داده‌های فرکانس‌بالا برای آتی‌های ارز خارجی (احتمالاً جفت‌های اصلی مانند EUR/USD) استفاده می‌کند. دوره نمونه شامل بحران مالی ۲۰۰۹-۲۰۰۷ است که امکان بررسی عملکرد مدل تحت فشار شدید را فراهم می‌کند. پیش‌بینی‌ها برای افق‌های یک‌روزه و چند‌دوره‌ای ارزیابی می‌شوند.

3.2 عملکرد پیش‌بینی

مدل‌های پیشنهادی در برابر مدل‌های استاندارد مانند GARCH(1,1) و HAR-RV معیارسنجی می‌شوند. ارزیابی از توابع زیان آماری (مانند MSE، QLIKE) استفاده می‌کند. نتایج کلیدی در یک جدول مقایسه‌ای ارائه شده است (به صورت شبیه‌سازی شده در زیر):

توجه: مقادیر نسبت‌های نمایشی نسبت به معیار GARCH(1,1) هستند.

3.3 یافته‌ها و بینش‌های کلیدی

• تفکیک پرش کلیدی است: جداسازی تغییرات پرش از واریانس انتگرالی به طور مداوم دقت پیش‌بینی را بهبود می‌بخشد.
• غلبه فرکانس‌بالا: آموزنده‌ترین مقیاس زمانی برای نوسان آتی، مؤلفه فرکانس‌بالا (افق کوتاه‌مدت) تجزیه موجک است.
• برتری مدل: مدل‌های Jump-GARCH تازه پیشنهادی با تجزیه موجک، از نظر آماری هم از مدل‌های متعارف GARCH و هم از مدل‌های استاندارد GARCH تحقق‌یافته بهتر عمل می‌کنند.
• تاب‌آوری بحران: مدل‌ها در دوره بحران مالی عملکرد مستحکمی نشان می‌دهند.

4. بینش اصلی و دیدگاه تحلیلی

بینش اصلی: این مقاله پیامی قدرتمند و در عین حال کم‌تر قدردانی‌شده ارائه می‌دهد: نوسان یک فرآیند یکپارچه نیست، بلکه لایه‌ای است. با امتناع از برخورد با بازار به عنوان یک موجودیت واحد و همگن و در عوض استفاده از موجک‌ها برای تجزیه آن به افق‌های سرمایه‌گذاری تشکیل‌دهنده‌اش، نویسندگان جعبه سیاه پویایی نوسان را می‌شکافند. یافته اینکه مؤلفه‌های کوتاه‌مدت و فرکانس‌بالا پیش‌بینی‌ها را هدایت می‌کنند، مستقیماً مدل‌هایی را به چالش می‌کشد که به روندهای بلندمدت وزن بیش از حد می‌دهند و بر غلبه فزاینده معاملات الگوریتمی و فرکانس‌بالا در کشف قیمت و شکل‌گیری نوسان تأکید می‌کند.

جریان منطقی: استدلال به زیبایی ساخته شده است. از واقعیت تجربی ثابت‌شده عاملان ناهمگون بازار (از مدل HAR کورسی) شروع می‌کند. سپس منطقاً می‌پرسد: اگر عاملان در مقیاس‌های زمانی مختلف عمل می‌کنند، آیا نباید مدل‌های ما این را منعکس کنند؟ تجزیه موجک پاسخ فنی کامل است. ادغام بعدی ریسک پرش - واقعیت ناپیوسته و غیرگاوسی دیگر بازارها - تصویر را کامل می‌کند. جریان از شهود اقتصادی (ناهمگونی) به ابزار ریاضی (موجک‌ها) و سپس به نتیجه تجربی (بهبود پیش‌بینی) قانع‌کننده است.

نقاط قوت و ضعف: نقطه قوت اصلی، ادغام موفقیت‌آمیز اقتصادسنجی پیچیده (GARCH تحقق‌یافته، موجک‌ها، تشخیص پرش) در یک چارچوب منسجم و موفق تجربی است. این کار فراتر از مقایسه‌های ساده مدل رفته و بینش واقعی در مورد منبع پیش‌بینی‌پذیری ارائه می‌دهد. استفاده از چارچوب GAS نیز آینده‌نگرانه است. ضعف اصلی، که در این ادبیات رایج است، «حس درون‌نمونه‌ای» آزمون استحکام است. اگرچه دوره بحران گنجانده شده، یک آزمون واقعی برون‌نمونه‌ای بر روی داده‌های کاملاً نادیده (مانند سقوط کووید-۱۹ در سال ۲۰۲۰) قانع‌کننده‌تر خواهد بود. علاوه بر این، پیچیدگی محاسباتی مدل موجک-GARCH-پرش ممکن است کاربرد بلادرنگ آن را در برخی سیستم‌های معاملاتی محدود کند، مانعی عملی که به آن پرداخته نشده است.

بینش‌های عملی: برای کوانت‌ها و مدیران ریسک، این مقاله یک نقشه راه است. اول، تجزیه کنید، سپس مدل‌سازی. اعمال یک فیلتر موجک ساده بر سری نوسان شما قبل از تغذیه آن به مدل یادگیری ماشین یا اقتصادسنجی مورد علاقه‌تان می‌تواند بلافاصله سود به همراه آورد. دوم، پرش‌ها را جداگانه درمان کنید. ساختن یک سیگنال اختصاصی برای تشخیص پرش و مدل‌سازی تأثیر آن به طور مستقل، همان‌طور که با JTSRV انجام شد، یک بهترین عمل غیرقابل مذاکره برای هر مدل نوسان جدی پس از سال ۲۰۰۸ است. در نهایت، انرژی پیش‌بینی خود را بر لایه فرکانس‌بالا متمرکز کنید. منابع پژوهشی و محاسباتی بیشتری را به درک و پیش‌بینی پویایی‌های نوسان درون‌روزی اختصاص دهید، زیرا اینجاست که معنادارترین سیگنال پیش‌بینی نهفته است.

5. جزئیات فنی و فرمول‌بندی ریاضی

مدل Jump-GARCH اصلی با مؤلفه‌های موجک را می‌توان به صورت زیر خلاصه کرد:

معادله بازده: $r_t = \sqrt{h_t} z_t$، که در آن $z_t \sim i.i.d.(0,1)$.

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

معادله اندازه‌گیری (تقویت‌شده):
$\log(RV_t) = \xi + \phi \log(h_t) + \tau_1 z_t + \tau_2 (z_t^2 - 1) + \sum_{j=1}^J \delta_j D_{j,t} + \lambda J_t + u_t$
که در آن $u_t \sim i.i.d.(0, \sigma_u^2)$. در اینجا، $D_{j,t}$ مؤلفه‌های جزئیات موجک $RV_t$ هستند، و $J_t$ مؤلفه پرش معنادار شناسایی‌شده توسط برآوردگر JTSRV است.

مدل پارامترهای $\theta = (\omega, \beta, \gamma, \xi, \phi, \tau_1, \tau_2, \{\delta_j\}, \lambda)$ را برآورد می‌کند تا پویایی بین نوسان پنهان، معیارهای تحقق‌یافته، پرش‌ها و مؤلفه‌های چندمقیاسی را ثبت کند.

6. چارچوب تحلیل: نمونه موردی

سناریو: یک صندوق پوشش ریسک کمی می‌خواهد پیش‌بینی روزانه ارزش در معرض خطر (VaR) خود را برای یک دفتر معاملاتی EUR/USD بهبود بخشد.

مرحله ۱ - آماده‌سازی داده: بازده‌های درون‌روزی ۵ دقیقه‌ای برای EUR/USD را تهیه کنید. یک نوسان تحقق‌یافته پایه (مانند RV) محاسبه کرده و یک تبدیل موجک (با استفاده از کتابخانه‌ای مانند PyWavelets در پایتون) برای تجزیه آن به ۳ مقیاس اعمال کنید: D1 (پویایی ۲-۴ ساعته)، D2 (۴-۸ ساعته)، D3 (۸-۱۶ ساعته). به طور جداگانه، برآوردگر JTSRV را برای استخراج سری روزانه پرش $J_t$ اعمال کنید.

مرحله ۲ - مشخص‌سازی و برآورد مدل: مدل Jump-GARCH از بخش ۵ را برآورد کنید، جایی که معادله اندازه‌گیری شامل D1، D2، D3 و $J_t$ به عنوان متغیرهای برونزاست. درست‌نمایی لگاریتمی و معیارهای اطلاعاتی را با یک مدل استاندارد GARCH تحقق‌یافته مقایسه کنید.

مرحله ۳ - پیش‌بینی و کاربرد: پیش‌بینی نوسان یک‌روزه $\hat{h}_{t+1}$ را از مدل برآوردشده تولید کنید. از این پیش‌بینی برای محاسبه VaR استفاده کنید (مثلاً $VaR_{t+1}^{\alpha} = -\Phi^{-1}(\alpha) \sqrt{\hat{h}_{t+1}}$). پیش‌بینی‌های VaR را در برابر سود و زیان واقعی پس‌آزمون کنید تا دقت پوشش را ارزیابی کنید.

نتیجه مورد انتظار: پیش‌بینی‌های VaR از مدل Jump-GARCH با موجک‌ها باید پوشش دقیق‌تری (استثنائات کمتر) نشان داده و کمتر مستعد دست‌کم گرفتن ریسک پس از روزهای با پرش‌های بالا یا الگوهای خاص نوسان درون‌روزی باشند.

7. کاربردهای آتی و جهت‌های پژوهشی

• ادغام یادگیری ماشین: مؤلفه‌های موجک $D_{j,t}$ و سری پرش $J_t$ می‌توانند به عنوان ویژگی‌های بسیار آموزنده برای مدل‌های یادگیری ماشین (مانند LSTM، Gradient Boosting) برای پیش‌بینی نوسان عمل کنند و فراتر از ساختار خطی/پارامتریک GARCH حرکت کنند.
• سرریز نوسان بین دارایی‌ها: تجزیه چندمقیاسی را برای مطالعه چگونگی انتقال نوسان بین طبقات دارایی (مانند از سهام به ارز) در افق‌های زمانی مختلف اعمال کنید. آیا سقوط بازار سهام از طریق مؤلفه‌های نوسان کوتاه‌مدت یا بلندمدت منتقل می‌شود؟
• سیگنال‌های معاملاتی بلادرنگ: استراتژی‌های معاملاتی توسعه دهید که به صراحت از اختلاف بین مؤلفه‌های نوسان افق کوتاه‌مدت و بلندمدت به عنوان یک سیگنال بازگشت به میانگین یا مومنتوم استفاده می‌کنند.
• تحلیل بانک مرکزی و سیاست: از چارچوب برای تحلیل تأثیر اعلامیه‌های سیاست پولی بر نوسان ارز استفاده کنید و بین «جهش خبری» فوری فرکانس‌بالا و جذب بلندمدت اطلاعات تمایز قائل شوید.
• تعمیم به ارزهای دیجیتال: مدل را بر روی بازارهای ۲۴/۷ ارزهای دیجیتال، که با پرش‌های شدید و رفتار سرمایه‌گذاری چندمقیاسی، از بات‌های الگوریتمی تا سرمایه‌گذاران بلندمدت «HODLer» مشخص می‌شوند، آزمایش کنید.

8. مراجع

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.