यह लेख अंतरराष्ट्रीय वित्त की एक मूलभूत समस्या को हल करने का लक्ष्य रखता है: विनिमय दर अस्थिरता को समझना और पूर्वानुमान लगाना। लेखक इगोर मार्टिंस और हेडिबर्ट फ्रेइटास लोपेस ने एक महत्वपूर्ण पद्धतिगत प्रगति प्रस्तुत की है, जो सैकड़ों संभावित मैक्रोइकॉनॉमिक घटना प्रभावों को उच्च-आवृत्ति मुद्रा रिटर्न के लिए एक स्टोकेस्टिक वोलैटिलिटी मॉडल में एकीकृत करती है। इसमें हल की गई मूल चुनौती कुछ "महत्वपूर्ण" घोषणाओं (जैसे गैर-कृषि पेरोल, CPI) के विवेकाधीन चयन से आगे बढ़कर, एक डेटा-संचालित व्यवस्थित दृष्टिकोण की ओर बढ़ना है, जहाँ मॉडल स्वयं यह तय करता है कि कौन सी घटनाएँ महत्वपूर्ण हैं, उनका प्रभाव परिमाण और समय।
यह मॉडल दैनिक विदेशी मुद्रा रिटर्न की तीन प्रमुख विशेषताओं को एक साथ ध्यान में रखता है:वोलैटिलिटी दृढ़ता(उच्च/निम्न अस्थिरता अवधियों का समूहन),दैनिक मौसमीपन(दोहराए जाने वाले इंट्राडे पैटर्न, जैसे "यू-आकार" वक्र) और कई देशों से प्राप्तमैक्रोइकॉनॉमिक घोषणाओं का प्रभाव। इसकी मुख्य नवीनता यह है कि बायेसियन ढांचे के भीतरस्पाइकी-हेवी टेल्ड प्रायरका उपयोग करके विरलता प्रेरित की जाती है, जो स्वचालित रूप से बड़ी संख्या में संभावित घटनाओं से प्रासंगिक घटनाओं का चयन करती है।
मुख्य अंतर्दृष्टि: निश्चित "बाजार को प्रभावित करने वाले" मैट्रिक्स के सेट के बारे में सिद्धांतों को भूल जाएं। वास्तविक विनिमय दर अस्थिरता सैकड़ों वैश्विक मैक्रोइकॉनॉमिक घटनाओं के एक गतिशील, संदर्भ-निर्भर उपसमुच्चय द्वारा संचालित होती है, जिसे निरंतर अस्थिरता स्मृति और एक पूर्वानुमेय इंट्राडे ट्रेडिंग लय के लेंस के माध्यम से फ़िल्टर किया जाता है। इस पेपर की चतुराई इसकीअज्ञेयवादीपद्धति में निहित है - उच्च-आवृत्ति डेटा को स्वयं यह प्रकट करने देना कि कौन से घोषणाएँ वास्तव में सिस्टम को प्रभावित करती हैं, एक ऐसी प्रक्रिया जो बाजार को वास्तविक समय में वोट देने के समान है।
तार्किक संरचना: तर्क प्रक्रिया बेयसियन तर्क का सुंदरता से पालन करती है। 1) अज्ञात को स्वीकार करना: बड़ी संख्या में संभावित इवेंट डमी वेरिएबल्स और लैग्स से शुरुआत करें। 2) संरचित संदेह लागू करें: एक विश्वास व्यक्त करने के लिए स्पाइक-एंड-फैट-टेल पूर्वाधारिता का उपयोग करें कि अधिकांश घटनाओं का प्रभाव शून्य है ("स्पाइक"), लेकिन कुछ घटनाओं का बड़ा प्रभाव हो सकता है ("फैट टेल")।3) डेटा को निर्णय लेने दें: बेयस प्रमेय के माध्यम से विश्वासों को अद्यतन करें; प्रत्येक घटना का पश्च प्रायिकता उसके महत्व का एक प्रमुख माप बन जाती है। यह धारा वित्त में मशीन लर्निंग के सफल अनुप्रयोगों के पीछे के दर्शन को दर्शाती है, जैसे कि चर चयन के लिए LASSO या इलास्टिक नेट का उपयोग, लेकिन यह पूर्ण संभाव्य, अनिश्चितता को मात्रात्मक बनाने वाले ढांचे के भीतर किया जाता है।
शक्तियाँ और सीमाएँ:
शक्तियाँ: पद्धति की कठोरता निर्दोष है। सभी घटकों के संयुक्त मॉडलिंग के माध्यम से, यह मौसमी या निरंतरता प्रभावों को गलत तरीके से नकली घटना सहसंबंधों के लिए जिम्मेदार ठहराने के जाल से बचता है। एक साधारण श्रम आपूर्ति परिकल्पना द्वारा समझाया गया इंट्राडे मौसमीयता और वैश्विक बाजार ट्रेडिंग सत्रों के बीच संबंध, एक संक्षिप्त और सहज ज्ञान युक्त खोज है। नमूना-बाह्य पूर्वानुमान और पोर्टफोलियो परीक्षण विश्वसनीय, व्यावहारिक सत्यापन प्रदान करते हैं, जो शुद्ध पद्धति संबंधी शोध पत्रों में अक्सर अनुपस्थित रहता है।
सीमाएँ: मॉडल की जटिलता इसकी अकिलीज़ एड़ी है। हालांकि व्यवहार्य, अनुमान प्रक्रिया कम्प्यूटेशनल रूप से गहन है। किन घटनाओं का चयन किया जाता है, इसकी "ब्लैक बॉक्स" प्रकृति, हालांकि डेटा-संचालित, व्यापारियों के लिए कम व्याख्यायोग्य हो सकती है जो कथा संबंधी स्पष्टीकरण चाहते हैं। इसके अलावा, मॉडल यह धारणा बनाता है कि नमूना अवधि के दौरान घटना प्रभाव स्थिर हैं; यह उस स्थिति को पकड़ने में विफल रहता है जहां बाजार की प्रतिक्रिया समय के साथ बदल सकती है, उदाहरण के लिए, महामारी से पहले और बाद में मुद्रास्फीति डेटा की प्रतिक्रिया - यह एक सीमा है जिसेBank for International Settlements (BIS)जैसे संस्थानों द्वारा विकास तंत्र का अध्ययन करते समय इंगित किया गया है।
क्रियान्वयन योग्य अंतर्दृष्टि: क्वांट विश्लेषकों और जोखिम प्रबंधकों के लिए, यह पेपर एक खाका है।सबसे पहले, तैयार आर्थिक कैलेंडर का उपयोग बंद करें। अपनी मुद्रा जोड़ी और होल्डिंग अवधि के आधार पर, अपनी स्वयं की घटना चयन प्रणाली का निर्माण करें।दूसरा, इंट्राडे वोलैटिलिटी पैटर्न शोर नहीं हैं; वे पूर्वानुमेय जोखिम और अवसर के स्रोत हैं, जिनका हेज या उपयोग किया जाना चाहिए।तीसरा, उच्च शार्प अनुपात अंतिम विक्रय बिंदु है। इस मॉडल को वोलैटिलिटी लक्ष्य रणनीति या कैरी ट्रेड रणनीति में एकीकृत करने से, विशेष रूप से क्रॉस-करेंसी पोर्टफोलियो में, एक स्थायी लाभ प्रदान किया जा सकता है। निष्कर्ष स्पष्ट है: वोलैटिलिटी मॉडलिंग की परिष्कृति सीधे अल्फा रिटर्न में परिवर्तित होती है।
प्रस्तावित मॉडल मानक स्टोकेस्टिक वोलैटिलिटी फ्रेमवर्क का एक परिष्कृत विस्तार है, जो उच्च-आवृत्ति (जैसे 5-मिनट) रिटर्न डेटा $r_t$ के लिए डिज़ाइन किया गया है।
बेंचमार्क मॉडल मानता है कि रिटर्न समय-परिवर्तनीय वोलैटिलिटी वाले सामान्य वितरण का पालन करते हैं:
$r_t = \exp(h_t / 2) \epsilon_t, \quad \epsilon_t \sim N(0, 1)$
लघुगणकीय अस्थिरता $h_t$ एक लगातार ऑटोरेग्रेसिव प्रक्रिया का अनुसरण करती है, जो अस्थिरता समूहन की घटना को पकड़ती है:
$h_t = \mu + \phi (h_{t-1} - \mu) + \eta_t, \quad \eta_t \sim N(0, \sigma_{\eta}^2)$
其中 $|\phi| < 1$ 确保平稳性，$\mu$ 是平均对数波动率。
यह मुख्य नवाचार है। लघुगणकीय अस्थिरता समीकरण को $K$ संभावित मैक्रोइकॉनॉमिक घोषणा डमी चर $x_{k,t}$ और उनके विलंबित प्रभावों को शामिल करने के लिए विस्तारित किया गया है:
$h_t = \mu + \phi (h_{t-1} - \mu) + \sum_{k=1}^{K} \beta_k x_{k,t} + \eta_t$
मुख्य बात गुणांक $\beta_k$ के पूर्व वितरण में है। विरलता को प्रेरित करने के लिए स्पाइक-स्लैब पूर्व का उपयोग करें:
$\beta_k | \gamma_k \sim (1-\gamma_k) \delta_0 + \gamma_k N(0, \tau^2)$
$\gamma_k \sim \text{Bernoulli}(\pi_k)$
यहाँ, $\delta_0$ शून्य पर डिराक डेल्टा फ़ंक्शन ("स्पाइक") है, और $N(0, \tau^2)$ बड़े प्रसरण $\tau^2$ वाला गाऊसी वितरण ("स्लैब") है। द्विआधारी सूचक चर $\gamma_k$ तय करता है कि घटना $k$ शामिल है ($\gamma_k=1$) या बहिष्कृत है ($\gamma_k=0$)। पूर्व समावेशन प्रायिकता $\pi_k$ को पूर्व विश्वास के आधार पर सेट किया जा सकता है, या गैर-सूचनात्मक (जैसे 0.5) रखा जा सकता है। मॉडल का अनुमान मार्कोव चेन मोंटे कार्लो (MCMC) विधि से लगाया जाता है, जो सूचक चर $\gamma_k$ और गुणांक $\beta_k$ दोनों का एक साथ प्रतिचयन करती है, और घटना के महत्व के माप के रूप में पश्च समावेशन प्रायिकता $P(\gamma_k=1 | \text{Data})$ प्रदान करती है।
दोहराए जाने वाले इंट्राडे पैटर्न (जैसे, बाजार खुलने/बंद होने पर उच्च अस्थिरता) को पकड़ने के लिए, मॉडल में एक नियतात्मक मौसमी घटक $s_t$ शामिल है:
$h_t = \mu + s_t + \phi (h_{t-1} - \mu - s_{t-1}) + \sum_{k=1}^{K} \beta_k x_{k,t} + \eta_t$
घटक $s_t$ को आमतौर पर प्रत्येक इंट्राडे अवधि (जैसे, 24-घंटे चक्र में प्रत्येक 5-मिनट का अंतराल) के लिए डमी वेरिएबल या चिकने आवधिक फलन का उपयोग करके मॉडल किया जाता है। यह सुनिश्चित करता है कि इन पूर्वानुमेय पैटर्न को नियंत्रित करने के बाद घटना प्रभाव का अनुमान लगाया जाता है।
लेखकों ने अपने मॉडल को प्रमुख मुद्रा जोड़े (जैसे, EUR/USD, GBP/USD, JPY/USD) के उच्च-आवृत्ति डेटा पर लागू किया।
इस मॉडल ने सफलतापूर्वक सैकड़ों उम्मीदवार घटनाओं को एक विरल समुच्चय में छाँट लिया। उच्च पश्चात् समावेशन संभावना वाली घटनाओं में शामिल पाई गईं:
चार्ट विवरण (अंतर्निहित): एक बार चार्ट y-अक्ष पर दर्जनों आर्थिक घटनाओं (x-अक्ष) के पश्चगामी समावेशन संभाव्यता (0 से 1 की सीमा) को प्रदर्शित करेगा। कुछ बार (NFP, CPI, FOMC) 1.0 के निकट ऊँचे खड़े होंगे, जबकि अधिकांश अन्य बार 0 के निकट लगभग अदृश्य होंगे। यह प्राप्त विरलता को सहज रूप से प्रदर्शित करता है।
अनुमानित मौसमीय घटक $s_t$ एक स्पष्ट बहु-शिखर "M-आकार" पैटर्न प्रकट करता है, न कि एक साधारण U-आकार का। शिखर सटीक रूप से निम्नलिखित से मेल खाते हैं:
लेखक इसे वैश्विक श्रम आपूर्ति से जोड़ते हैं: जब प्रमुख समय क्षेत्रों में वित्तीय पेशेवरों की अधिकतम संख्या एक साथ सक्रिय होती है और सूचना संसाधित करती है, तो अस्थिरता सबसे अधिक होती है। यह निष्कर्ष ट्रेडिंग वॉल्यूम और अस्थिरता के बीच संबंध पर बाजार सूक्ष्मसंरचना सिद्धांत के अनुरूप है।
अंतिम परीक्षण नमूना-बाह्य पूर्वानुमान है। प्रस्तावित मॉडल की तुलना निम्नलिखित मॉडलों से की जाती है:
परिणाम: पूर्ण मॉडल (घटना + मौसमीयता + स्टोकेस्टिक वोलेटिलिटी) ने वोलेटिलिटी पूर्वानुमान में सांख्यिकीय रूप से महत्वपूर्ण रूप से बेहतर प्रदर्शन प्रदान किया, जिसे माध्य निरपेक्ष पूर्वानुमान त्रुटि (MAFE) और Mincer-Zarnowitz रिग्रेशन $R^2$ जैसे मैट्रिक्स द्वारा मापा गया।
एक व्यावहारिक पोर्टफोलियो आवंटन अभ्यास में (उदाहरण के लिए, एक वोलेटिलिटी-प्रबंधित कैरी ट्रेड या एक साधारण मुद्रा माध्य-विचरण पोर्टफोलियो), प्रस्तावित मॉडल के वोलेटिलिटी पूर्वानुमानों का उपयोग करके भारों को गतिशील रूप से समायोजित किया गया। इस पोर्टफोलियो ने प्राप्त किया:
न्यूनतम अर्जित अस्थिरता: GARCH बेंचमार्क से लगभग 15-20% कम।
उच्चतम शार्प अनुपात: सांख्यिकीय रूप से महत्वपूर्ण 0.2 से 0.4 अंकों की वृद्धि।
निष्कर्ष: बेहतर अस्थिरता पूर्वानुमान सीधे बेहतर जोखिम-समायोजित रिटर्न में परिवर्तित होता है।
परिदृश्य: एक मात्रात्मक हेज फंड 2024 की चौथी तिमाही में EUR/JPY अस्थिरता के चालकों को समझना और अपने विकल्प ट्रेडिंग डेस्क की अस्थिरता पूर्वानुमान में सुधार करना चाहता है।
चरण 1 - डेटा संग्रह: 5-मिनट EUR/JPY रिटर्न डेटा प्राप्त करें। यूरोज़ोन (जैसे, ECB, जर्मन ZEW आर्थिक सेंटीमेंट, यूरोज़ोन CPI) और जापान (जैसे, बैंक ऑफ जापान टैंकन सर्वेक्षण, टोक्यो CPI, औद्योगिक उत्पादन) से निर्धारित मैक्रोइकॉनॉमिक घोषणाओं का एक व्यापक कैलेंडर एकत्र करें। डॉलर की वैश्विक भूमिका को ध्यान में रखते हुए, अमेरिकी घटनाओं को शामिल करें। डमी वेरिएबल $x_{k,t}$ बनाएं जो घोषणा $k$ के जारी होने के 5-मिनट के अंतराल और उसके बाद के कुछ अंतरालों (विलंब प्रभाव को पकड़ने के लिए) में 1 का मान लेता है।
चरण 2 - मॉडल विनिर्देशन और अनुमान:
1. टोक्यो-लंदन-न्यूयॉर्क 24-घंटे चक्र में प्रत्येक 5-मिनट के अंतराल के लिए डमी वेरिएबल्स का उपयोग करके मौसमी घटक $s_t$ को परिभाषित करें।
2. सभी घोषणा गुणांकों $\beta_k$ के लिए स्पाइक-एंड-स्लैब पूर्वाधारिता निर्धारित करें। विरलता की अपेक्षा को दर्शाते हुए, अपेक्षाकृत गैर-सूचनात्मक पूर्वाधारिता समावेशन संभाव्यता $\pi_k = 0.1$ का उपयोग करें।
3. एक MCMC सैंपलर चलाएं (जैसे, Stan या कस्टम गिब्स सैंपलर का उपयोग करके), संकेतक चर $\gamma_k$ सहित सभी मापदंडों के पश्च वितरण प्राप्त करें।
चरण 3 - व्याख्या और कार्रवाई:
1. प्रमुख चालक कारकों की पहचान करें: $P(\gamma_k=1)$ के पश्च माध्य की जाँच करें। फंड ने पाया कि EUR/JPY के लिए, नमूना अवधि में, यूरोज़ोन मुद्रास्फीति और US ट्रेजरी यील्ड डेटा जापानी घरेलू डेटा की तुलना में अधिक महत्वपूर्ण थे।
2. व्यापार संकेतों का अनुकूलन करें: ट्रेडिंग डेस्क इन उच्च-संभाव्यता घटनाओं से पहले अपने अस्थिरता पूर्वानुमान समायोजित करता है, संभावित रूप से विकल्प खरीदता है (अस्थिरता में वृद्धि की अपेक्षा में) या डेल्टा एक्सपोजर कम करता है।
3. सत्यापन: प्रमुख ECB बैठक के दिन मॉडल के अस्थिरता पूर्वानुमान की वास्तविक अहसास अस्थिरता से तुलना करें। उच्च सहसंबंध मॉडल की व्यावहारिक उपयोगिता में विश्वास बढ़ाता है।
यह ढांचा कच्चे डेटा से क्रियान्वयन योग्य अंतर्दृष्टि में रूपांतरण को साकार करता है, जो इस लेख के मूल्य प्रस्ताव को प्रतिबिंबित करता है।
Martins और Lopes का कार्य पारंपरिक वित्तीय इकोनोमेट्रिक्स और आधुनिक बायेसियन मशीन लर्निंग का एक जटिल समामेलन प्रस्तुत करता है। इसका वास्तविक योगदान केवल यह सूचीबद्ध करने में नहीं है कि कौन से इवेंट महत्वपूर्ण हैं – जिसकी कई व्यापारियों को सहज ज्ञान होता है – बल्कि एक कठोर, पुनरुत्पादनीय और संभाव्यात्मकपद्धतिप्रदान करने में है, जो उच्च-आयामी वातावरण में इन महत्वपूर्ण कारकों की खोज और मात्रात्मक मूल्यांकन के लिए है। यह दृष्टिकोण दार्शनिक रूप से संबंधित क्षेत्रों के प्रभावशाली शोध से मेल खाता है, जैसे किCycleGAN(Zhu et al., 2017) में लेटेंट वेरिएबल मॉडल का उपयोग बिना युग्मित उदाहरणों के अंतर्निहित डेटा प्रतिनिधित्व की खोज के लिए; यहाँ, मॉडल इवेंट झटकों के विरल संयोजन के माध्यम से अस्थिरता के अंतर्निहित "प्रतिनिधित्व" की खोज करता है।
इस लेख की ताकत मॉडल अनिश्चितता के प्रति इसकी स्पष्टवादिता में निहित है। इवेंट चयन को एक बायेसियन वेरिएबल चयन समस्या के रूप में तैयार करके, यह इस बारे में अनिश्चितता को मात्रात्मक रूप देता है कि कोई इवेंट प्रासंगिक है या नहीं ($P(\gamma_k=1)$) और यदि प्रासंगिक है तो उसके प्रभाव का परिमाण ($\beta_k$ का वितरण)। यह स्टेपवाइज रिग्रेशन के द्विआधारी समावेश/बहिष्करण निर्णय या रिज रिग्रेशन के अपारदर्शी संकुचन की तुलना में कहीं अधिक सूचनापूर्ण है। मूलभूत सिद्धांतों से संबंध – यह व्याख्या कि कुछ इवेंट क्यों चुने गए – इसे शुद्ध "डेटा माइनिंग" अभ्यास से ऊपर उठाकर विश्वसनीय आर्थिक विश्लेषण का दर्जा देता है।
हालांकि, यह मॉडल एक अपेक्षाकृत स्थिर व्यवस्था के तहत काम करता है। स्पाइक-एंड-स्लैब पूर्वधारणा मानती है कि प्रासंगिक घटनाओं का समूह स्थिर है। वास्तव में, जैसा किInternational Monetary Fund (IMF) World Economic Outlookविश्लेषण दर्ज करता है, मैक्रोइकॉनॉमिक समाचारों का संचरण चैनल संकट या नीति व्यवस्था परिवर्तनों (उदाहरण के लिए, शून्य ब्याज दर सीमा बनाम ब्याज दर वृद्धि चक्र) के दौरान नाटकीय रूप से बदल सकता है। भविष्य के विस्तार में संभावना $\pi_k$ या गुणांक $\beta_k$ को समय के साथ विकसित होने की अनुमति दी जा सकती है, शायद हिडन मार्कोव मॉडल या समय-परिवर्तनशील पैरामीटर सेटअप के माध्यम से। इसके अलावा, हालांकि यह निर्धारित घटनाओं पर केंद्रित है, विदेशी मुद्रा अस्थिरता का एक बड़ा हिस्सा गैर-निर्धारित समाचारों (भू-राजनीतिक घटनाएं, अचानक केंद्रीय बैंक हस्तक्षेप) से उत्पन्न होता है। समाचार प्रवाह की भावना और विषयवस्तु को मात्रात्मक रूप देने के लिए प्राकृतिक भाषा प्रसंस्करण (NLP) को एकीकृत करना, जैसा किNational Bureau of Economic Research (NBER)हाल के कार्यों में देखा गया है, एक शक्तिशाली अगला कदम हो सकता है।
उद्योग के दृष्टिकोण से, यह पेपर परिसंपत्ति प्रबंधन कंपनियों के लिए अपने अस्थिरता मॉडल को उन्नत करने का आह्वान है। आज की जटिल, समाचार-संचालित बाजार में, GARCH या यहां तक कि मानक स्टोकेस्टिक अस्थिरता मॉडल पर निर्भर रहने का मतलब है संभावित अल्फा को छोड़ देना। प्रदर्शित शार्प अनुपात में वृद्धि खरीदार पक्ष की कंपनियों के लिए अंतिम मीट्रिक है। MCMC की कम्प्यूटेशनल लागत, हालांकि कम नहीं है, क्लाउड कंप्यूटिंग संसाधनों के सामने अब एक अदम्य बाधा नहीं है। वास्तविक चुनौती परिचालन स्तर पर है: उच्च-आवृत्ति डेटा अंतर्ग्रहण, घटना कैलेंडर प्रबंधन और मॉडल पुनः अनुमान के लिए बुनियादी ढांचे का निर्माण और रखरखाव। उन लोगों के लिए जो इस चुनौती को दूर कर सकते हैं, यह पेपर मुद्रा बाजार में ठोस प्रतिस्पर्धात्मक लाभ प्राप्त करने के लिए एक सिद्ध खाका प्रदान करता है।
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.