समय-आवृत्ति डोमेन में विनिमय दर अस्थिरता का मॉडलिंग और पूर्वानुमान

विषय सूची

1. परिचय एवं अवलोकन

यह शोध पत्र, उच्च-आवृत्ति डेटा विश्लेषण को समय-आवृत्ति अपघटन तकनीकों के साथ एकीकृत करके, विशेष रूप से विनिमय दरों के लिए, वित्तीय अस्थिरता के मॉडलिंग और पूर्वानुमान के लिए एक नवीन दृष्टिकोण प्रस्तुत करता है। मूल नवाचार रियलाइज्ड GARCH ढांचे को वेवलेट-अपघटित रियलाइज्ड अस्थिरता माप और एक विशेष जंप अनुमानक के साथ संवर्धित करने में निहित है। यह मॉडल को अस्थिरता को विभिन्न निवेश क्षितिज (समय-मापक) के अनुरूप घटकों में विभाजित करने और असंतत मूल्य उछालों के प्रभाव को अलग से समझने की अनुमति देता है। यह शोध बाजार प्रतिभागियों की विषम प्रकृति से प्रेरित है, जो उच्च-आवृत्ति व्यापारियों से लेकर दीर्घकालिक निवेशकों तक, विभिन्न समय क्षितिजों पर कार्य करते हैं।

लेखक प्रदर्शित करते हैं कि उनके प्रस्तावित "जंप-GARCH" मॉडल, जिनका अनुमान अधिकतम संभावना और सामान्यीकृत ऑटोरेग्रेसिव स्कोर (GAS) ढांचे दोनों के माध्यम से लगाया गया है, पारंपरिक GARCH और लोकप्रिय रियलाइज्ड अस्थिरता मॉडलों की तुलना में सांख्यिकीय रूप से श्रेष्ठ पूर्वानुमान प्रदान करते हैं। विश्लेषण में 2007-2008 के वित्तीय संकट को शामिल करते हुए विदेशी मुद्रा वायदा डेटा का उपयोग किया गया है, जो पद्धति के लिए एक मजबूत तनाव परीक्षण प्रदान करता है।

2. पद्धति एवं तकनीकी ढांचा

2.1 रियलाइज्ड GARCH ढांचा

रियलाइज्ड GARCH मॉडल, अस्थिरता समीकरण में सीधे एक रियलाइज्ड अस्थिरता माप $RV_t$ को शामिल करके, पारंपरिक GARCH मॉडलों और उच्च-आवृत्ति डेटा के बीच की खाई को पाटता है। मूल संरचना में एक रिटर्न समीकरण, अव्यक्त अस्थिरता के लिए एक GARCH समीकरण, और अव्यक्त अस्थिरता को रियलाइज्ड माप से जोड़ने वाला एक मापन समीकरण शामिल होता है।

2.2 वेवलेट-आधारित बहु-स्तरीय अपघटन

अस्थिरता की बहु-क्षितिज प्रकृति को पकड़ने के लिए, लेखक एक वेवलेट ट्रांसफॉर्म का उपयोग करते हैं। यह गणितीय उपकरण रियलाइज्ड अस्थिरता श्रृंखला को विभिन्न समय-मापकों (जैसे, इंट्राडे, दैनिक, साप्ताहिक गतिशीलता) का प्रतिनिधित्व करने वाले ऑर्थोगोनल घटकों में विघटित करता है। यदि $RV_t$ रियलाइज्ड अस्थिरता है, तो इसका वेवलेट अपघटन इस प्रकार दर्शाया जा सकता है:

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

जहां $D_{j,t}$ स्केल $j$ (एक विशिष्ट आवृत्ति बैंड के अनुरूप) पर अस्थिरता घटक ("विस्तार") का प्रतिनिधित्व करता है, और $S_{J,t}$ सबसे दीर्घकालिक प्रवृत्ति को पकड़ने वाला स्मूथ घटक है। प्रत्येक $D_{j,t}$ एक विशिष्ट निवेश क्षितिज पर व्यापारिक गतिविधि और सूचना प्रवाह का अनुमान लगाता है।

2.3 जंप डिटेक्शन एवं JTSRV अनुमानक

एक महत्वपूर्ण प्रगति जंप वेरिएशन का एकीकरण है। लेखक एक जंप टू स्केल रियलाइज्ड वोलैटिलिटी (JTSRV) अनुमानक का उपयोग करते हैं। यह अनुमानक कुल द्विघात भिन्नता को निरंतर समाकलित विचरण (IV) और असंतत जंप विचरण (JV) में अलग करता है:

$RV_t \approx IV_t + JV_t$

यह पृथक्करण महत्वपूर्ण है क्योंकि जंप और निरंतर अस्थिरता में अक्सर अलग-अलग दृढ़ता और पूर्वानुमान गुण होते हैं।

2.4 अनुमान: MLE बनाम GAS

प्रस्तावित जंप-GARCH मॉडलों का अनुमान दो विधियों का उपयोग करके लगाया जाता है: 1) क्वासी-अधिकतम संभावना अनुमान (QMLE), और 2) अवलोकन-संचालित सामान्यीकृत ऑटोरेग्रेसिव स्कोर (GAS) ढांचा। GAS ढांचा, जिसे Creal et al. (2013) द्वारा प्रस्तुत किया गया था, संभावना फ़ंक्शन के स्कोर के आधार पर पैरामीटर अपडेट करता है, जो मॉडल गलत विनिर्देशन के लिए संभावित मजबूती और अनुकूलनशीलता प्रदान करता है।

3. अनुभवजन्य विश्लेषण एवं परिणाम

3.1 डेटा एवं प्रायोगिक सेटअप

अध्ययन एफएक्स वायदा (संभवतः EUR/USD जैसे प्रमुख जोड़े) के लिए उच्च-आवृत्ति डेटा का उपयोग करता है। नमूना अवधि में 2007-2009 का वित्तीय संकट शामिल है, जो चरम तनाव के तहत मॉडल प्रदर्शन की जांच की अनुमति देता है। एक-दिन-आगे और बहु-अवधि-आगे दोनों क्षितिजों के लिए पूर्वानुमानों का मूल्यांकन किया जाता है।

3.2 पूर्वानुमान प्रदर्शन

प्रस्तावित मॉडलों की तुलना GARCH(1,1) और HAR-RV जैसे मानक मॉडलों के विरुद्ध बेंचमार्क की जाती है। मूल्यांकन सांख्यिकीय हानि फ़ंक्शन (जैसे, MSE, QLIKE) का उपयोग करता है। प्रमुख परिणाम एक तुलनात्मक तालिका में प्रस्तुत किए गए हैं (नीचे अनुकरण किया गया):

नोट: मान GARCH(1,1) बेंचमार्क के सापेक्ष उदाहरणात्मक अनुपात हैं।

3.3 प्रमुख निष्कर्ष एवं अंतर्दृष्टि

• जंप पृथक्करण महत्वपूर्ण है: समाकलित विचरण से जंप वेरिएशन को अलग करने से पूर्वानुमान सटीकता में लगातार सुधार होता है।
• उच्च-आवृत्ति प्रभुत्व: भविष्य की अस्थिरता के लिए सबसे सूचनात्मक समय-मापक वेवलेट अपघटन का उच्च-आवृत्ति (लघु-क्षितिज) घटक है।
• मॉडल श्रेष्ठता: वेवलेट अपघटन के साथ नव प्रस्तावित जंप-GARCH मॉडल सांख्यिकीय रूप से पारंपरिक GARCH और मानक रियलाइज्ड GARCH मॉडलों दोनों से बेहतर प्रदर्शन करते हैं।
• संकट लचीलापन: मॉडल वित्तीय संकट अवधि के दौरान मजबूत प्रदर्शन प्रदर्शित करते हैं।

4. मूल अंतर्दृष्टि एवं विश्लेषक परिप्रेक्ष्य

मूल अंतर्दृष्टि: यह शोध पत्र एक शक्तिशाली, फिर भी कम-सराहा गया संदेश देता है: अस्थिरता एक एकीकृत प्रक्रिया नहीं बल्कि एक स्तरित प्रक्रिया है। बाजार को एक एकल, सजातीय इकाई के रूप में मानने से इनकार करके और इसके बजाय इसे अपने घटक निवेश क्षितिजों में विभाजित करने के लिए वेवलेट्स का उपयोग करके, लेखक अस्थिरता गतिशीलता के ब्लैक बॉक्स को खोल देते हैं। यह खोज कि अल्पकालिक, उच्च-आवृत्ति घटक पूर्वानुमानों को चलाते हैं, उन मॉडलों के लिए एक सीधी चुनौती है जो दीर्घकालिक प्रवृत्तियों को अधिक महत्व देते हैं और मूल्य खोज और अस्थिरता निर्माण में एल्गोरिथम और उच्च-आवृत्ति व्यापार के बढ़ते प्रभुत्व को रेखांकित करते हैं।

तार्किक प्रवाह: तर्क सुंदर ढंग से निर्मित है। यह बाजार एजेंटों की विषम प्रकृति के सुस्थापित अनुभवजन्य तथ्य (Corsi के HAR मॉडल से) से शुरू होता है। फिर यह तार्किक रूप से पूछता है: यदि एजेंट विभिन्न समय-मापकों पर कार्य करते हैं, तो क्या हमारे मॉडलों को इसे प्रतिबिंबित नहीं करना चाहिए? वेवलेट अपघटन सही तकनीकी उत्तर है। जंप जोखिम का बाद का एकीकरण—बाजारों की एक और गैर-गॉसियन, असंतत वास्तविकता—तस्वीर को पूरा करता है। आर्थिक अंतर्ज्ञान (विषमता) से गणितीय उपकरण (वेवलेट्स) तक और अनुभवजन्य परिणाम (पूर्वानुमान सुधार) तक का प्रवाह प्रभावशाली है।

शक्तियां एवं कमियां: प्राथमिक शक्ति परिष्कृत इकोनोमेट्रिक्स (रियलाइज्ड GARCH, वेवलेट्स, जंप डिटेक्शन) का एक सुसंगत, अनुभवजन्य रूप से सफल ढांचे में सफल समामेलन है। यह सरल मॉडल तुलनाओं से आगे बढ़कर पूर्वानुमान योग्यता के स्रोत में वास्तविक अंतर्दृष्टि प्रदान करता है। GAS ढांचे का उपयोग भी दूरदर्शी है। मुख्य कमी, जो इस साहित्य में आम है, रोबस्टनेस चेक की "इन-सैंपल" भावना है। हालांकि संकट अवधि शामिल है, पूरी तरह से अदृश्य डेटा (जैसे, 2020 COVID क्रैश) पर एक सच्चा आउट-ऑफ-सैंपल परीक्षण अधिक विश्वसनीय होगा। इसके अलावा, वेवलेट-GARCH-जंप मॉडल की कम्प्यूटेशनल जटिलता कुछ व्यापारिक प्रणालियों में इसके रीयल-टाइम अनुप्रयोग को सीमित कर सकती है, एक व्यावहारिक बाधा जिस पर ध्यान नहीं दिया गया है।

कार्रवाई योग्य अंतर्दृष्टि: क्वांट्स और जोखिम प्रबंधकों के लिए, यह शोध पत्र एक खाका है। पहला, अपघटित करें, फिर मॉडल बनाएं। अपनी अस्थिरता श्रृंखला को अपने पसंदीदा ML या इकोनोमेट्रिक मॉडल में फीड करने से पहले एक साधारण वेवलेट फिल्टर लागू करने से तत्काल लाभ मिल सकता है। दूसरा, जंप को अलग से व्यवहार करें। JTSRV के साथ किए गए अनुसार, जंप डिटेक्शन के लिए एक समर्पित सिग्नल बनाना और इसके प्रभाव का स्वतंत्र रूप से मॉडलिंग करना, 2008 के बाद किसी भी गंभीर अस्थिरता मॉडल के लिए एक गैर-परक्राम्य सर्वोत्तम अभ्यास है। अंत में, अपनी पूर्वानुमान ऊर्जा को उच्च-आवृत्ति स्तर पर केंद्रित करें। इंट्राडे अस्थिरता गतिशीलता को समझने और भविष्यवाणी करने के लिए अधिक शोध और कम्प्यूटेशनल संसाधन आवंटित करें, क्योंकि यहीं सबसे महत्वपूर्ण पूर्वानुमान सिग्नल निहित है।

5. तकनीकी विवरण एवं गणितीय सूत्रीकरण

वेवलेट घटकों के साथ मूल जंप-GARCH मॉडल को निम्नानुसार संक्षेपित किया जा सकता है:

रिटर्न समीकरण: $r_t = \sqrt{h_t} z_t$, जहां $z_t \sim i.i.d.(0,1)$.

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

मापन समीकरण (संवर्धित):
$\log(RV_t) = \xi + \phi \log(h_t) + \tau_1 z_t + \tau_2 (z_t^2 - 1) + \sum_{j=1}^J \delta_j D_{j,t} + \lambda J_t + u_t$
जहां $u_t \sim i.i.d.(0, \sigma_u^2)$. यहां, $D_{j,t}$ $RV_t$ के वेवलेट-विस्तार घटक हैं, और $J_t$ JTSRV अनुमानक द्वारा पहचाना गया महत्वपूर्ण जंप घटक है।

मॉडल पैरामीटर $\theta = (\omega, \beta, \gamma, \xi, \phi, \tau_1, \tau_2, \{\delta_j\}, \lambda)$ का अनुमान लगाता है ताकि अव्यक्त अस्थिरता, रियलाइज्ड माप, जंप और बहु-स्तरीय घटकों के बीच की गतिशीलता को पकड़ा जा सके।

6. विश्लेषण ढांचा: उदाहरण केस

परिदृश्य: एक मात्रात्मक हेज फंड EUR/USD ट्रेडिंग बुक के लिए अपने दैनिक वैल्यू-एट-रिस्क (VaR) पूर्वानुमान में सुधार करना चाहता है।

चरण 1 - डेटा तैयारी: EUR/USD के लिए 5-मिनट के इंट्राडे रिटर्न प्राप्त करें। एक आधार रेखा रियलाइज्ड अस्थिरता (जैसे, RV) की गणना करें और इसे 3 स्केलों में विघटित करने के लिए एक वेवलेट ट्रांसफॉर्म लागू करें (Python में PyWavelets जैसे लाइब्रेरी का उपयोग करके): D1 (2-4 घंटे की गतिशीलता), D2 (4-8 घंटे), D3 (8-16 घंटे)। अलग से, दैनिक जंप श्रृंखला $J_t$ निकालने के लिए JTSRV अनुमानक लागू करें।

चरण 2 - मॉडल विनिर्देश एवं अनुमान: खंड 5 से जंप-GARCH मॉडल का अनुमान लगाएं, जहां मापन समीकरण में D1, D2, D3 और $J_t$ को बाहरी चर के रूप में शामिल किया गया है। एक मानक रियलाइज्ड GARCH मॉडल के साथ लॉग-संभावना और सूचना मानदंडों की तुलना करें।

चरण 3 - पूर्वानुमान एवं अनुप्रयोग: अनुमानित मॉडल से एक-दिन-आगे अस्थिरता पूर्वानुमान $\hat{h}_{t+1}$ उत्पन्न करें। इस पूर्वानुमान का उपयोग VaR की गणना करने के लिए करें (जैसे, $VaR_{t+1}^{\alpha} = -\Phi^{-1}(\alpha) \sqrt{\hat{h}_{t+1}}$)। कवरेज सटीकता का आकलन करने के लिए VaR पूर्वानुमानों का वास्तविक P&L के विरुद्ध बैकटेस्ट करें।

अपेक्षित परिणाम: वेवलेट्स के साथ जंप-GARCH मॉडल से VaR पूर्वानुमान अधिक सटीक कवरेज (कम अपवाद) प्रदर्शित करने चाहिए और उच्च जंप या विशिष्ट इंट्राडे अस्थिरता पैटर्न वाले दिनों के बाद जोखिम को कम आंकने के प्रति कम प्रवृत्त होने चाहिए।

7. भविष्य के अनुप्रयोग एवं शोध दिशाएं

• मशीन लर्निंग एकीकरण: वेवलेट घटक $D_{j,t}$ और जंप श्रृंखला $J_t$ अस्थिरता पूर्वानुमान के लिए मशीन लर्निंग मॉडल (जैसे, LSTM, ग्रेडिएंट बूस्टिंग) के लिए अत्यधिक सूचनात्मक विशेषताओं के रूप में कार्य कर सकते हैं, रैखिक/पैरामीट्रिक GARCH संरचना से आगे बढ़ते हुए।
• क्रॉस-एसेट अस्थिरता स्पिलओवर: बहु-स्तरीय अपघटन को लागू करके अध्ययन करें कि अस्थिरता विभिन्न समय क्षितिजों पर परिसंपत्ति वर्गों (जैसे, इक्विटी से एफएक्स) के बीच कैसे प्रसारित होती है। क्या स्टॉक मार्केट क्रैश अल्पकालिक या दीर्घकालिक अस्थिरता घटकों के माध्यम से प्रसारित होता है?
• रीयल-टाइम ट्रेडिंग सिग्नल: ऐसी व्यापारिक रणनीतियाँ विकसित करें जो स्पष्ट रूप से लघु-क्षितिज और दीर्घकालिक अस्थिरता घटकों के बीच के अंतर का उपयोग एक माध्य-प्रत्यावर्तन या गति संकेत के रूप में करती हैं।
• केंद्रीय बैंक एवं नीति विश्लेषण: मौद्रिक नीति घोषणाओं के एफएक्स अस्थिरता पर प्रभाव का विश्लेषण करने के लिए ढांचे का उपयोग करें, तत्काल उच्च-आवृत्ति "समाचार स्पाइक" और सूचना के दीर्घकालिक आत्मसातीकरण के बीच अंतर करते हुए।
• क्रिप्टोकरेंसी तक विस्तार: 24/7 क्रिप्टोकरेंसी बाजारों पर मॉडल का परीक्षण करें, जो चरम जंप और बहु-स्तरीय निवेशक व्यवहार, एल्गोरिथम बॉट्स से लेकर दीर्घकालिक "HODLers" तक, की विशेषता रखते हैं।

8. संदर्भ

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.