کدام رویدادها برای نوسانات نرخ ارز حیاتی هستند؟ | یک تحلیل نوسان‌پذیری تصادفی مبتنی بر داده

1. مقدمه و مرور کلی

این مقاله به حل یک مسئله محوری در امور مالی بین‌المللی می‌پردازد: درک و پیش‌بینی نوسانات نرخ ارز. نویسندگان، Igor Martins و Hedibert Freitas Lopes، یک پیشرفت روش‌شناختی مهم ارائه می‌دهند که اثرات صدها رویداد بالقوه کلان‌اقتصادی را در یک مدل نوسان‌پذیری تصادفی برای بازده ارز با فرکانس بالا ادغام می‌کند. چالش اصلی که حل می‌کنند، فراتر رفتن از انتخاب موردی تعداد معدودی از اعلان‌های «مهم» (مانند داده‌های اشتغال غیرکشاورزی و CPI) و حرکت به سمت یک روش سیستماتیک و داده‌محور است که به مدل اجازه می‌دهد خودش تعیین کند کدام رویدادها مهم هستند، اندازه اثر آنها و زمان آن.

این مدل به طور همزمان سه ویژگی کلیدی بازده ارز درون‌روز را در نظر می‌گیرد:تداوم نوسان‌پذیری(خوشه‌بندی دوره‌های نوسان‌پذیری بالا/پایین)،فصلی بودن درون‌روز(الگوهای تکراری درون‌روزی، مانند منحنی "U") و همچنین از چندین کشورتأثیر اعلامیه‌های کلان اقتصادی. نوآوری اصلی آن در استفاده ازپیشین‌های نوک‌تیز-دم‌کلفتبرای القای پراکندگی و غربالگری خودکار رویدادهای مرتبط از میان تعداد زیادی از رویدادهای نامزد است.

مشارکت‌های اصلی:

انتخاب رویداد مبتنی بر داده: این روش، سوگیری و انتخاب‌سوگیری محققان در شناسایی رویدادهای محرک نوسانات را کاهش می‌دهد.
مدلسازی جامع: مدلسازی همزمان اثرات پایدار، فصلی و رویدادی، که از سوگیری متغیرهای حذفشده جلوگیری میکند.
ارتباطات بنیادی: ارتباط رویدادهای غربالشده با نظریههای اقتصادی کلان بالقوه.
توانایی پیشبینی برجسته: نشاندهنده بهبود در توانایی پیشبینی نوسانات و افزایش عملکرد سبد سرمایهگذاری (نسبت شارپ) در مقایسه با مدلهای استاندارد نوسان تصادفی و مدلهای پایه GARCH.

2. بینش‌های کلیدی، ساختار منطقی، نقاط قوت و ضعف، و بینش‌های عملیاتی

بینشهای کلیدی: از دگم مجموعه‌ای ثابت از شاخص‌های «بازار تأثیرگذار» چشم‌پوشی کنید. نوسانات واقعی نرخ ارز توسط زیرمجموعه‌ای پویا و وابسته به بافت از صدها رویداد اقتصاد کلان جهانی هدایت می‌شود و از طریق لنز حافظه مداوم نوسان و ریتم قابل پیش‌بینی معاملات درون‌روزی فیلتر می‌شود. ظرافت این مقاله درندانم‌گراییروش آن است — اجازه دادن به داده‌های فرکانس بالا تا خود آشکار کنند کدام اعلان‌ها واقعاً سیستم را تحت تأثیر قرار می‌دهند، فرآیندی که شبیه به رأی‌گیری بازار در زمان واقعی است.

خط منطقی: فرآیند استدلال به شیوه‌ای ظریف از منطق بیزی پیروی می‌کند. 1) پذیرش ناشناخته‌ها: شروع با تعداد زیادی متغیر مجازی رویداد بالقوه و جمله‌های وقفه. 2) اعمال شک ساختاریافته: استفاده از پیشین‌های نوک‌تیز-دم‌کلفت برای بیان این باور که اثر اکثر رویدادها صفر است ("نوک‌تیز")، اما تعداد کمی از رویدادها ممکن است اثر بزرگی داشته باشند ("دم‌کلفت").3) اجازه دادن به داده‌ها برای تصمیم‌گیری: به‌روزرسانی باورها از طریق قضیه بیزی؛ احتمال پسین هر رویداد به یک شاخص کلیدی برای اندازه‌گیری اهمیت آن تبدیل می‌شود. این روند فلسفه پشت موفقیت یادگیری ماشین در حوزه مالی را منعکس می‌کند، مانند استفاده از LASSO یا شبکه‌های کشسان برای انتخاب متغیر، اما این مقاله در چارچوبی کاملاً احتمالاتی و کمّی‌سازی عدم قطعیت محقق شده است.

نقاط قوت و ضعف:
نقاط قوت: دقت روش‌شناختی بی‌عیب است. با مدل‌سازی مشترک تمام اجزا، از دام نسبت دادن اشتباه اثرات فصلی یا اثرات تداوم به همبستگی‌های رویداد ساختگی اجتناب شده است. ارتباط بین فصلی بودن درون‌روزی که با یک فرضیه ساده عرضه نیروی کار توضیح داده می‌شود و ساعات معاملاتی بازارهای جهانی، یافته‌ای مختصر و شهودی است. پیش‌بینی خارج از نمونه و آزمون‌های سبد سهام، اعتبارسنجی متقاعدکننده و عملی ارائه می‌دهند که اغلب در مقالات صرفاً روش‌شناختی غایب است.
نقاط ضعف: پیچیدگی مدل، پاشنه آشیل آن است. اگرچه قابل اجراست، اما فرآیند برآورد از نظر محاسباتی فشرده است. ماهیت «جعبه سیاه» انتخاب رویدادها، اگرچه مبتنی بر داده است، ممکن است برای معامله‌گرانی که به دنبال تفسیرهای روایی هستند، کمتر قابل توجیه باشد. علاوه بر این، مدل فرض می‌کند که اثر رویدادها در طول دوره نمونه ثابت است؛ این مدل نتوانسته است مواردی را که واکنش بازار ممکن است در طول زمان تغییر کند، مانند واکنش به داده‌های تورم قبل و بعد از همه‌گیری، ثبت کند – اینبانک تسویه حساب‌های بین‌المللی (BIS)محدودیتی است که توسط نهادهایی مانند این در مطالعه مکانیسم‌های تکامل اشاره شده است.

بینش‌های عملی: برای تحلیلگران کمی و مدیران ریسک، این مقاله یک نقشه راه است.اولاً، استفاده از تقویم اقتصادی آماده را متوقف کنید. با توجه به جفت ارز و دوره نگهداری خود، مکانیسم انتخاب رویداد شخصی‌سازی شده خود را بسازید.ثانیاً، الگوهای نوسان روزانه نویز نیستند؛ آنها منبع قابل پیش‌بینی ریسک و فرصت هستند که باید پوشش داده شوند یا از آنها استفاده کرد.سوم، نسبت شارپ بالاتر نقطه فروش نهایی است. ادغام این مدل در استراتژی‌های هدف نوسان یا استراتژی‌های معاملاتی حامل می‌تواند مزیت پایدار ارائه دهد، به ویژه در سبدهای سرمایه‌گذاری چند ارزی. نتیجه واضح است: پیچیدگی مدل‌سازی نوسان مستقیماً به بازده آلفا تبدیل می‌شود.

3. چارچوب مدل و جزئیات فنی

مدل پیشنهادی یک توسعه پیچیده از چارچوب استاندارد نوسان تصادفی است، که به طور خاص برای داده‌های بازدهی با فرکانس بالا (مثلاً ۵ دقیقه‌ای) $r_t$ طراحی شده است.

3.1. مدل اصلی نوسان‌ تصادفی

مدل پایه فرض می‌کند که بازدهی‌ها از توزیع نرمال با نوسان زمانی متغیر پیروی می‌کنند:

$r_t = \exp(h_t / 2) \epsilon_t, \quad \epsilon_t \sim N(0, 1)$

نوسان‌گیری لگاریتمی $h_t$ از یک فرآیند خودرگرسیون پایدار پیروی می‌کند تا پدیده خوشه‌بندی نوسان‌گیری را ثبت کند:

$h_t = \mu + \phi (h_{t-1} - \mu) + \eta_t, \quad \eta_t \sim N(0, \sigma_{\eta}^2)$

其中 $|\phi| < 1$ 确保平稳性，$\mu$ 是平均对数波动率。

3.2. گنجاندن رویدادهای کلان اقتصادی از طریق پیشین‌های spike-and-slab

این نوآوری اصلی است. معادله نوسان‌گیری لگاریتمی گسترش یافته تا تأثیر $K$ متغیر مجازی بالقوه اعلامیه اقتصاد کلان $x_{k,t}$ و وقفه‌های آن را دربرگیرد:

$h_t = \mu + \phi (h_{t-1} - \mu) + \sum_{k=1}^{K} \beta_k x_{k,t} + \eta_t$

نکته کلیدی در توزیع پیشین ضرایب $\beta_k$ است. برای القای پراکندگی از توزیع پیشین spike-and-slab استفاده می‌شود:

$\beta_k | \gamma_k \sim (1-\gamma_k) \delta_0 + \gamma_k N(0, \tau^2)$

$\gamma_k \sim \text{Bernoulli}(\pi_k)$

در اینجا، $\delta_0$ تابع دلتای دیراک در نقطه صفر ("spike") است و $N(0, \tau^2)$ یک توزیع گاوسی با واریانس بزرگ $\tau^2$ ("slab") است. متغیر نشانگر دودویی $\gamma_k$ تعیین می‌کند که آیا رویداد $k$ شامل می‌شود ($\gamma_k=1$) یا حذف می‌شود ($\gamma_k=0$). احتمال پیشین شمول $\pi_k$ را می‌توان بر اساس باورهای پیشین تنظیم کرد یا آن را غیراطلاعاتی نگه داشت (مثلاً 0.5). مدل با استفاده از روش مارکوف چین مونت کارلو (MCMC) برآورد می‌شود که هم متغیرهای نشانگر $\gamma_k$ و هم ضرایب $\beta_k$ را نمونه‌گیری می‌کند و احتمال شمول پسین $P(\gamma_k=1 | \text{Data})$ را به عنوان معیاری برای اهمیت رویداد ارائه می‌دهد.

3.3. مدلسازی فصلی درون‌روزی

برای ثبت الگوهای تکرارشونده درون‌روزی (مانند نوسان‌پذیری بالا در زمان باز و بسته شدن بازار)، مدل شامل یک مؤلفه فصلی قطعی $s_t$ می‌شود:

$h_t = \mu + s_t + \phi (h_{t-1} - \mu - s_{t-1}) + \sum_{k=1}^{K} \beta_k x_{k,t} + \eta_t$

مؤلفه $s_t$ معمولاً با استفاده از متغیرهای مجازی برای هر بازه درون‌روزی (مثلاً هر بازه ۵ دقیقه‌ای در یک چرخه ۲۴ ساعته) یا توابع دوره‌ای هموار مدل‌سازی می‌شود. این امر اطمینان می‌دهد که اثر رویداد پس از کنترل این الگوهای قابل پیش‌بینی برآورد می‌شود.

4. نتایج و یافته‌های آزمایشی

نویسندگان مدل خود را بر روی داده‌های فرکانس بالا جفت‌ارزهای اصلی (مانند EUR/USD، GBP/USD، JPY/USD) اعمال کردند.

4.1. رویدادهای کلیدی اقتصادی کلان شناسایی شده

این مدل با موفقیت صدها رویداد کاندید را به یک مجموعه پراکنده تقلیل داد. رویدادهایی با احتمال پسین بالای شمول شناسایی شدند که شامل موارد زیر هستند:

داده‌های اشتغال غیرکشاورزی ایالات متحده (NFP): به عنوان محرک‌های اصلی تأیید شدند که تأثیر آنها تا ساعاتی پس از اعلام ادامه می‌یابد.
تصمیمات بانک‌های مرکزی (FOMC فدرال رزرو، ECB بانک مرکزی اروپا، BoJ بانک ژاپن): نه تنها تصمیمات نرخ بهره، بلکه بیانیه‌های همراه و کنفرانس‌های مطبوعاتی را نیز شامل می‌شود.
شاخص‌های تورم (CPI, PCE): به ویژه در محیط تورمی بالا پس از سال 2020.
عوامل غیرمنتظره: رویدادهایی که در آنها داده‌های واقعی به طور قابل توجهی از پیش‌بینی‌های اجماع منحرف می‌شوند، بیشترین قله‌های نوسان را ایجاد می‌کنند.

توصیف نمودار (ضمنی): یک نمودار میله‌ای احتمال پسین شمول (در محدوده ۰ تا ۱) را برای ده‌ها رویداد اقتصادی (محور x) روی محور y نشان خواهد داد. چند میله (NFP، CPI، FOMC) نزدیک به ۱.۰ به طور برجسته ایستاده‌اند، در حالی که اکثر میله‌های دیگر نزدیک به صفر و تقریباً نامرئی هستند. این امر پراکندگی تحقق‌یافته را به صورت بصری نشان می‌دهد.

4.2. فصلی درون‌روزی و همبستگی بازار

مؤلفه فصلی برآورد شده $s_t$ یک الگوی چندقله‌ای واضح "شکل M" را نشان می‌دهد، نه یک شکل U ساده. قله‌ها دقیقاً مطابق با موارد زیر هستند:

بازگشایی مراکز مالی اروپا (لندن، حدود ۰۸:۰۰ به وقت گرینویچ).
همپوشانی ساعات معاملاتی اروپا و آمریکا (لندن/نیویورک، حدود ۱۳:۰۰ تا ۱۶:۰۰ به وقت گرینویچ).
بازگشایی بازار آمریکا (نیویورک، تقریباً ساعت 14:30 به وقت گرینویچ).

نویسنده این موضوع را با عرضه نیروی کار جهانی مرتبط می‌داند: نوسان در زمانی به اوج خود می‌رسد که بیشترین تعداد متخصصان مالی در مناطق زمانی کلیدی به طور همزمان فعال بوده و در حال پردازش اطلاعات باشند. این یافته با نظریه‌های ریزساختار بازار در مورد ارتباط حجم معاملات و نوسان مطابقت دارد.

4.3. عملکرد پیش‌بینی و تخصیص سبد سرمایه‌گذاری

آزمون نهایی، پیش‌بینی خارج از نمونه است. مدل پیشنهادی با مدل‌های زیر مقایسه می‌شود:

مدل استاندارد نوسان تصادفی (بدون رویداد، بدون فصلیت).
مدل‌های GARCH(1,1) و EGARCH.
مدل نوسان‌پذیری تصادفی صرفاً فصلی.
مدل نوسان‌پذیری تصادفی تنها با مجموعه کوچکی از رویدادهای از پیش انتخاب شده.

نتایج: مدل کامل (رویداد + فصلی + نوسان‌پذیری تصادفی) عملکرد آماری معنادار بهتری در پیش‌بینی نوسان‌پذیری ارائه می‌دهد که با معیارهایی مانند میانگین خطای مطلق پیش‌بینی (MAFE) و رگرسیون Mincer-Zarnowitz $R^2$ اندازه‌گیری می‌شود.

در یک تمرین عملی تخصیص سبد سرمایه‌گذاری (مثلاً، یک معامله حمل با مدیریت نوسان‌پذیری یا یک سبد سرمایه‌گذاری میانگین-واریانس ساده ارزی)، با استفاده از پیش‌بینی‌های نوسان‌پذیری مدل پیشنهادی برای تنظیم پویای وزن‌ها. این سبد سرمایه‌گذاری به دست آورد:

مرور عملکرد سبد سرمایه‌گذاری

کمترین نوسان محقق‌شده: حدود ۱۵-۲۰٪ پایین‌تر از معیار GARCH.

بالاترین نسبت شارپ: بهبود آماری معنادار ۰.۲ تا ۰.۴ واحدی.

نتیجه‌گیری: پیش‌بینی بهتر نوسان مستقیماً به بازده تعدیل‌شده با ریسک بهتر تبدیل می‌شود.

5. چارچوب تحلیلی: یک مطالعه موردی مفهومی

سناریو: یک صندوق پوشش ریسک کمی می‌خواهد عوامل محرک نوسانات یورو/ین را در سه‌ماهه چهارم ۲۰۲۴ درک کرده و پیش‌بینی‌های نوسان میز معاملات اختیار معامله خود را بهبود بخشد.

مرحله ۱ - جمع‌آوری داده‌ها: داده‌های بازدهی ۵ دقیقه‌ای یورو/ین را به‌دست آورید. یک تقویم جامع از اعلامیه‌های برنامه‌ریزی‌شده کلان اقتصادی از منطقه یورو (مثلاً ECB، شاخص ZEW آلمان، CPI منطقه یورو) و ژاپن (مثلاً نظرسنجی تانکان بانک ژاپن، CPI توکیو، تولید صنعتی) جمع‌آوری کنید. با توجه به نقش جهانی دلار، رویدادهای ایالات متحده را نیز لحاظ کنید. متغیرهای مجازی $x_{k,t}$ ایجاد کنید که در بازه ۵ دقیقه‌ای انتشار اعلامیه $k$ و چند بازه بعدی (برای ثبت اثرات تأخیری) مقدار ۱ می‌گیرند.

مرحله ۲ - مشخص‌سازی و برآورد مدل:
۱. مؤلفه فصلی $s_t$ را با استفاده از متغیرهای مجازی برای هر بازه ۵ دقیقه‌ای در چرخه ۲۴ ساعته توکیو-لندن-نیویورک تعریف کنید.
۲. برای همه ضرایب اعلامیه $\beta_k$، یک پیشینیه spike-and-slab با دم کلفت تنظیم کنید. از احتمال گنجاندن پیشینیه نسبتاً غیراطلاعاتی $\pi_k = 0.1$ استفاده کنید که بازتاب‌دهنده انتظار برای پراکندگی است.
۳. یک نمونه‌بردار MCMC (مثلاً با استفاده از Stan یا یک نمونه‌بردار گیبز سفارشی) اجرا کنید تا توزیع پسین همه پارامترها، از جمله متغیرهای نشانگر $\gamma_k$، به‌دست آید.

مرحله ۳ - تفسیر و اقدام:
1. شناسایی عوامل کلیدی محرک: میانگین پسین $P(\gamma_k=1)$ را بررسی کنید. این صندوق دریافت که برای جفت ارز یورو/ین، در طول دوره نمونه، داده‌های تورم منطقه یورو و بازدهی خزانه‌داری ایالات متحده نسبت به داده‌های داخلی ژاپن از اهمیت کلیدی‌تری برخوردار بودند.
2. بهینه‌سازی سیگنال‌های معاملاتی: میز معاملاتی پیش از وقوع این رویدادهای با احتمال بالا، پیش‌بینی‌های نوسان خود را تنظیم می‌کند، ممکن است اختیار معامله بخرد (در انتظار افزایش نوسان) یا مواجهه دلتا را کاهش دهد.
3. اعتبارسنجی: پیش‌بینی نوسان مدل را در روزهای کلیدی اجلاس ECB با نوسان محقق‌شده واقعی مقایسه کنید. همخوانی بالا، اطمینان به کاربردی بودن مدل را تقویت می‌کند.

این چارچوب، تبدیل داده‌های خام به بینش‌های عملی را محقق می‌سازد و بیانگر ادعای ارزش اصلی این مقاله است.

6. تحلیل اصیل و تفسیر انتقادی

کار Martins و Lopes نمایانگر تلفیقی پیچیده از اقتصادسنجی مالی سنتی و یادگیری ماشین بیزی مدرن است. سهم واقعی آن نه تنها در فهرست کردن رویدادهای مهم – که بسیاری از معامله‌گران نسبت به آن‌ها شهود دارند – بلکه در ارائه‌ای دقیق، قابل تکرار و احتمالاتیMethodologyبرای کشف و کمّی‌سازی این عوامل مهم در محیط‌های ابعاد بالا است. این رویکرد از نظر فلسفی با پژوهش‌های تأثیرگذار در حوزه‌های مرتبط هم‌خوانی دارد، مانندCycleGAN(Zhu et al., 2017) که از مدل‌های متغیر پنهان برای کشف بازنمایی‌های زیربنایی داده‌ها بدون مثال‌های جفت‌شده استفاده می‌کند؛ در اینجا، مدل از طریق ترکیبات پراکنده شوک‌های رویدادی، بازنمایی پنهان نوسانات را کشف می‌کند.

نقطه قوت این مقاله در رویکرد صریح آن در مواجهه با عدم قطعیت مدل است. با صورتبندی انتخاب رویداد به عنوان یک مسئله انتخاب متغیر بیزی، عدم قطعیت در مورد مرتبط بودن یک رویداد ($P(\gamma_k=1)$) و در صورت مرتبط بودن، اندازه اثر آن (توزیع $\beta_k$) را کمّی می‌سازد. این رویکرد بسیار اطلاعات‌بخش‌تر از تصمیم‌گیری دودویی شامل/حذف رگرسیون گام‌به‌گام یا انقباض ناشفاف رگرسیون ریج است. ارتباط با مبانی بنیادی – که توضیح می‌دهد چرا برخی رویدادها انتخاب می‌شوند – آن را از یک تمرین صرفاً "داده‌کاوی" به یک تحلیل اقتصادی معتبر ارتقا می‌دهد.

با این حال، این مدل تحت یک مکانیسم نسبتاً ثابت عمل می‌کند. پیش‌فرض اسپایک-اسلب فرض می‌کند مجموعه رویدادهای مرتبط ایستا هستند. در واقع، همانطور کهInternational Monetary Fund (IMF) World Economic Outlookتحلیل نشان می‌دهد، کانال‌های انتقال اخبار کلان اقتصادی ممکن است در طول بحران‌ها یا تغییرات رژیم سیاستی (مثلاً، حد پایین نرخ بهره صفر در مقابل چرخه افزایش نرخ) به شدت تغییر کنند. گسترش‌های آتی می‌توانند اجازه تکامل احتمالات π_k یا ضرایب β_k در طول زمان را بدهند، شاید از طریق یک مدل مارکوف پنهان یا تنظیم پارامترهای وابسته به زمان. علاوه بر این، اگرچه تمرکز بر رویدادهای از پیش برنامه‌ریزی شده است، بخش عمده‌ای از نوسانات ارز ناشی از اخبار غیربرنامه‌ریزی شده (رویدادهای ژئوپلیتیک، مداخلات ناگهانی بانک مرکزی) است. ادغام پردازش زبان طبیعی (NLP) برای کمّی‌سازی احساس و موضوع جریان اخبار، همانطور که درNational Bureau of Economic Research (NBER)کارهای اخیر دیده شده است، می‌تواند گام قدرتمند بعدی باشد.

از منظر صنعت، این مقاله ندایی برای شرکت‌های مدیریت دارایی است تا مدل‌های نوسان خود را ارتقا دهند. در بازارهای پیچیده و خبر-محور امروزی، تکیه بر مدل‌های GARCH یا حتی مدل‌های نوسان تصادفی استاندارد به معنای چشم‌پوشی از آلفای بالقوه است. بهبود نسبت شارپ نشان داده شده، معیار نهایی مورد توجه شرکت‌های سوی خرید است. هزینه محاسباتی MCMC اگرچه ناچیز نیست، اما در مواجهه با منابع رایانش ابری دیگر مانع غیرقابل عبوری نیست. چالش واقعی در سطح عملیاتی است: ساخت و نگهداری زیرساخت برای جذب داده‌های فرکانس بالا، مدیریت تقویم رویدادها و برآورد مجدد مدل. برای کسانی که بتوانند بر این چالش غلبه کنند، این مقاله یک نقشه راه اثبات شده برای دستیابی به مزیت رقابتی ملموس در بازار ارز ارائه می‌دهد.

7. چشم‌اندازهای کاربرد و پژوهش آینده

انتخاب رویداد پویا: گسترش مدل به‌گونه‌ای که مجموعه رویدادهای مرتبط (γ_k) بتواند در طول زمان تغییر کند تا با مکانیزم‌های جدید اقتصاد کلان سازگار شود.
سرریز نوسان‌های بین دارایی‌ها: اعمال همان چارچوب برای مدل‌سازی مشترک دینامیک نوسان در ارز، سهام و اوراق قرضه به منظور شناسایی عوامل خطر مشترک جهانی ناشی از اعلامیه‌ها.
ادغام با اخبار غیربرنامه‌ریزی‌شده: گنجاندن امتیازات لحظه‌ای احساسی اخبار مشتق‌شده از NLP (مانند مدل‌های Transformer مانند BERT) به عنوان متغیرهای «رویداد» اضافی در ماتریس x_{k,t}.
خودکارسازی استراتژی معاملاتی: تعبیه مستقیم پیش‌بینی‌های نوسان مدل در استراتژی‌های معاملاتی الگوریتمی خودکار برای اختیار معامله ارز، معاوضه نوسان یا معاملات حمل ارز هدف‌گذاری‌شده بر نوسان.
برنامه‌های کاربردی بانک مرکزی و نظارتی: ارائه نقشه‌ای واضح‌تر و مبتنی بر داده به سیاست‌گذاران که نشان می‌دهد کدام اعلامیه‌ها منجر به اختلال در عملکرد بازار می‌شوند و می‌توانند مبنای طراحی راهبردهای ارتباطی یا ابزارهای ثبات‌بخشی بازار قرار گیرند.
داده‌های جایگزین: گنجاندن جریان‌های داده غیرسنتی، مانند عدم تعادل جریان سفارشات یا تصاویر ماهواره‌ای فعالیت‌های اقتصادی، به عنوان محرک‌های بالقوه نوسان در چارچوب گزینش پراکنده یکسان.

8. مراجع

Andersen, T. G., & Bollerslev, T. (1998). Answering the skeptics: Yes, standard volatility models do provide accurate forecasts. International Economic Review, 39(4), 885-905.
Bauwens, L., Hafner, C., & Laurent, S. (2005). A new class of multivariate skew densities, with application to generalized autoregressive conditional heteroscedasticity models. Journal of Business & Economic Statistics.
Gabaix, X., & Maggiori, M. (2015). International liquidity and exchange rate dynamics. The Quarterly Journal of Economics, 130(3), 1369-1420.
International Monetary Fund (IMF). World Economic Outlook Databases. Retrieved from https://www.imf.org.
Ito, T., & Hashimoto, Y. (2006). Intraday seasonality in activities of the foreign exchange markets: Evidence from the electronic broking system. Journal of the Japanese and International Economies.
Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV).
Bank for International Settlements (BIS). (Various Reports). Research on foreign exchange markets and volatility. Retrieved from https://www.bis.org.

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.