Pemodelan dan Ramalan Volatiliti Kadar Pertukaran dalam Domain Masa-Frekuensi

Kandungan

1. Pengenalan & Gambaran Keseluruhan

Kertas kerja ini membentangkan pendekatan baharu untuk memodelkan dan meramal volatiliti kewangan, khususnya untuk kadar pertukaran, dengan mengintegrasikan analisis data frekuensi tinggi dengan teknik penguraian masa-frekuensi. Inovasi teras terletak pada penambahbaikan kerangka Realized GARCH dengan ukuran volatiliti terealisasi terurai wavelet dan penganggar lonjakan khusus. Ini membolehkan model menguraikan volatiliti kepada komponen yang sepadan dengan ufuk pelaburan yang berbeza (skala masa) dan mengira secara berasingan kesan lonjakan harga tak selanjar. Penyelidikan ini didorong oleh sifat heterogen peserta pasaran yang beroperasi pada ufuk masa yang berbeza, daripada pedagang frekuensi tinggi kepada pelabur jangka panjang.

Penulis menunjukkan bahawa model "Jump-GARCH" yang dicadangkan mereka, dianggar melalui kedua-dua Kerangka Kemungkinan Maksimum dan Skor Autoregresif Teritlak (GAS), memberikan ramalan yang lebih unggul secara statistik berbanding model GARCH konvensional dan model volatiliti terealisasi yang popular. Analisis menggunakan data niaga hadapan pertukaran asing yang merangkumi krisis kewangan 2007-2008, menyediakan ujian tekanan yang kukuh untuk metodologi tersebut.

2. Metodologi & Kerangka Teknikal

2.1 Kerangka Realized GARCH

Model Realized GARCH merapatkan jurang antara model GARCH tradisional dan data frekuensi tinggi dengan menggabungkan ukuran volatiliti terealisasi $RV_t$ secara langsung ke dalam persamaan volatiliti. Struktur asas melibatkan persamaan pulangan, persamaan GARCH untuk volatiliti pendam, dan persamaan pengukuran yang menghubungkan volatiliti pendam dengan ukuran terealisasi.

2.2 Penguraian Pelbagai Skala Berasaskan Wavelet

Untuk menangkap sifat pelbagai ufuk volatiliti, penulis menggunakan transformasi wavelet. Alat matematik ini menguraikan siri volatiliti terealisasi kepada komponen ortogon yang mewakili skala masa yang berbeza (contohnya, dinamik intrahari, harian, mingguan). Jika $RV_t$ ialah volatiliti terealisasi, penguraian waveletnya boleh diwakili sebagai:

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

di mana $D_{j,t}$ mewakili komponen volatiliti ("detail") pada skala $j$ (sepadan dengan jalur frekuensi tertentu), dan $S_{J,t}$ ialah komponen licin yang menangkap tren jangka terpanjang. Setiap $D_{j,t}$ menganggarkan aktiviti perdagangan dan aliran maklumat pada ufuk pelaburan tertentu.

2.3 Pengesanan Lonjakan & Penganggar JTSRV

Satu kemajuan kritikal ialah integrasi variasi lonjakan. Penulis menggunakan penganggar Volatiliti Terealisasi Dua Skala Lonjakan (JTSRV). Penganggar ini memisahkan variasi kuadratik total kepada varians bersepadu selanjar (IV) dan varians lonjakan tak selanjar (JV):

$RV_t \approx IV_t + JV_t$

Pemisahan ini adalah penting kerana lonjakan dan volatiliti selanjar selalunya mempunyai sifat ketekalan dan peramalan yang berbeza.

2.4 Penganggaran: MLE vs. GAS

Model Jump-GARCH yang dicadangkan dianggar menggunakan dua kaedah: 1) Penganggaran Kemungkinan Maksimum Kuasi (QMLE), dan 2) kerangka Skor Autoregresif Teritlak (GAS) yang didorong pemerhatian. Kerangka GAS, diperkenalkan oleh Creal et al. (2013), mengemas kini parameter berdasarkan skor fungsi kemungkinan, menawarkan potensi keteguhan dan kebolehsesuaian kepada salah spesifikasi model.

3. Analisis Empirikal & Keputusan

3.1 Data & Persediaan Eksperimen

Kajian menggunakan data frekuensi tinggi untuk niaga hadapan FX (kemungkinan pasangan utama seperti EUR/USD). Tempoh sampel termasuk krisis kewangan 2007-2009, membolehkan pemeriksaan prestasi model di bawah tekanan melampau. Ramalan dinilai untuk kedua-dua ufuk satu hari ke hadapan dan pelbagai tempoh ke hadapan.

3.2 Prestasi Peramalan

Model yang dicadangkan dibandingkan dengan model piawai seperti GARCH(1,1) dan HAR-RV. Penilaian menggunakan fungsi kerugian statistik (contohnya, MSE, QLIKE). Keputusan utama dibentangkan dalam jadual perbandingan (disimulasikan di bawah):

Nota: Nilai adalah nisbah ilustrasi relatif kepada penanda aras GARCH(1,1).

3.3 Penemuan Utama & Wawasan

• Pemisahan Lonjakan Adalah Kunci: Memisahkan variasi lonjakan daripada varians bersepadu secara konsisten meningkatkan ketepatan peramalan.
• Dominasi Frekuensi Tinggi: Skala masa yang paling bermaklumat untuk volatiliti masa depan ialah komponen frekuensi tinggi (ufuk pendek) penguraian wavelet.
• Keunggulan Model: Model Jump-GARCH baharu yang dicadangkan dengan penguraian wavelet secara statistik mengatasi kedua-dua model GARCH konvensional dan model Realized GARCH piawai.
• Ketahanan Krisis: Model menunjukkan prestasi teguh semasa tempoh krisis kewangan.

4. Wawasan Teras & Perspektif Penganalisis

Wawasan Teras: Kertas kerja ini menyampaikan mesej yang kuat, namun kurang dihargai: volatiliti bukan proses monolitik tetapi proses berlapis. Dengan enggan memperlakukan pasaran sebagai entiti tunggal dan homogen dan sebaliknya menggunakan wavelet untuk menguraikannya kepada ufuk pelaburan penyusunnya, penulis membuka kotak hitam dinamik volatiliti. Penemuan bahawa komponen jangka pendek, frekuensi tinggi mendorong ramalan adalah cabaran langsung kepada model yang memberi pemberat berlebihan kepada tren jangka panjang dan menekankan dominasi perdagangan algoritma dan frekuensi tinggi yang semakin meningkat dalam penemuan harga dan pembentukan volatiliti.

Aliran Logik: Hujah dibina dengan elegan. Ia bermula daripada fakta empirikal yang mantap tentang agen pasaran heterogen (daripada model HAR Corsi). Kemudian secara logik bertanya: jika agen beroperasi pada skala masa yang berbeza, tidakkah model kita harus mencerminkan itu? Penguraian wavelet adalah jawapan teknikal yang sempurna. Integrasi seterusnya risiko lonjakan—realiti pasaran lain yang bukan Gaussian dan tak selanjar—melengkapkan gambaran. Aliran daripada intuisi ekonomi (heterogeniti) kepada alat matematik (wavelet) kepada keputusan empirikal (peningkatan ramalan) adalah meyakinkan.

Kekuatan & Kelemahan: Kekuatan utama ialah gabungan ekonometrik canggih (Realized GARCH, wavelet, pengesanan lonjakan) yang berjaya ke dalam kerangka yang koheren dan berjaya secara empirikal. Ia melangkaui perbandingan model mudah untuk memberikan wawasan tulen kepada sumber kebolehramalan. Penggunaan kerangka GAS juga berpandangan ke hadapan. Kelemahan utama, biasa dalam literatur ini, ialah rasa "dalam sampel" semakan keteguhan. Walaupun tempoh krisis disertakan, ujian benar di luar sampel pada data yang sama sekali tidak dilihat (contohnya, kemalangan COVID 2020) akan lebih meyakinkan. Tambahan pula, kerumitan pengiraan model wavelet-GARCH-lonjakan mungkin menghadkan aplikasi masa nyatanya dalam sesetengah sistem perdagangan, halangan praktikal yang tidak ditangani.

Wawasan Boleh Tindak: Untuk kuant dan pengurus risiko, kertas kerja ini adalah pelan. Pertama, uraikan, kemudian modelkan. Menggunakan penapis wavelet mudah pada siri volatiliti anda sebelum memasukkannya ke dalam model ML atau ekonometrik kegemaran anda boleh menghasilkan keuntungan segera. Kedua, rawat lonjakan secara berasingan. Membina isyarat khusus untuk pengesanan lonjakan dan memodelkan kesannya secara bebas, seperti yang dilakukan dengan JTSRV, adalah amalan terbaik yang tidak boleh dirunding untuk sebarang model volatiliti serius pasca-2008. Akhirnya, tumpukan tenaga peramalan anda pada lapisan frekuensi tinggi. Peruntukkan lebih banyak sumber penyelidikan dan pengiraan untuk memahami dan meramal dinamik volatiliti intrahari, kerana di sinilah isyarat ramalan paling ketara terletak.

5. Butiran Teknikal & Formulasi Matematik

Model Jump-GARCH teras dengan komponen wavelet boleh diringkaskan seperti berikut:

Persamaan Pulangan: $r_t = \sqrt{h_t} z_t$, di mana $z_t \sim i.i.d.(0,1)$.

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

Persamaan Pengukuran (Dipertingkat):
$\log(RV_t) = \xi + \phi \log(h_t) + \tau_1 z_t + \tau_2 (z_t^2 - 1) + \sum_{j=1}^J \delta_j D_{j,t} + \lambda J_t + u_t$
di mana $u_t \sim i.i.d.(0, \sigma_u^2)$. Di sini, $D_{j,t}$ ialah komponen detail wavelet bagi $RV_t$, dan $J_t$ ialah komponen lonjakan signifikan yang dikenal pasti oleh penganggar JTSRV.

Model menganggar parameter $\theta = (\omega, \beta, \gamma, \xi, \phi, \tau_1, \tau_2, \{\delta_j\}, \lambda)$ untuk menangkap dinamik antara volatiliti pendam, ukuran terealisasi, lonjakan, dan komponen pelbagai skala.

6. Kerangka Analisis: Contoh Kes

Skenario: Dana lindung nilai kuantitatif ingin memperbaiki ramalan Nilai Berisiko (VaR) hariannya untuk buku dagangan EUR/USD.

Langkah 1 - Penyediaan Data: Dapatkan pulangan intrahari 5-minit untuk EUR/USD. Kira volatiliti terealisasi asas (contohnya, RV) dan gunakan transformasi wavelet (menggunakan pustaka seperti PyWavelets dalam Python) untuk menguraikannya kepada 3 skala: D1 (dinamik 2-4 jam), D2 (4-8 jam), D3 (8-16 jam). Secara berasingan, gunakan penganggar JTSRV untuk mengekstrak siri lonjakan harian $J_t$.

Langkah 2 - Spesifikasi & Penganggaran Model: Anggar model Jump-GARCH dari Bahagian 5, di mana persamaan pengukuran termasuk D1, D2, D3, dan $J_t$ sebagai pemboleh ubah eksogen. Bandingkan log-kemungkinan dan kriteria maklumat dengan model Realized GARCH piawai.

Langkah 3 - Peramalan & Aplikasi: Hasilkan ramalan volatiliti satu hari ke hadapan $\hat{h}_{t+1}$ daripada model yang dianggar. Gunakan ramalan ini untuk mengira VaR (contohnya, $VaR_{t+1}^{\alpha} = -\Phi^{-1}(\alpha) \sqrt{\hat{h}_{t+1}}$). Uji balik ramalan VaR terhadap P&L sebenar untuk menilai ketepatan liputan.

Hasil Dijangka: Ramalan VaR daripada model Jump-GARCH dengan wavelet sepatutnya menunjukkan liputan yang lebih tepat (kurang pengecualian) dan kurang cenderung untuk meremehkan risiko selepas hari dengan lonjakan tinggi atau corak volatiliti intrahari tertentu.

7. Aplikasi Masa Depan & Hala Tuju Penyelidikan

• Integrasi Pembelajaran Mesin: Komponen wavelet $D_{j,t}$ dan siri lonjakan $J_t$ boleh berfungsi sebagai ciri yang sangat bermaklumat untuk model pembelajaran mesin (contohnya, LSTM, Gradient Boosting) untuk peramalan volatiliti, melangkaui struktur GARCH linear/parametrik.
• Tumpahan Volatiliti Rentas Aset: Gunakan penguraian pelbagai skala untuk mengkaji bagaimana volatiliti dipindahkan antara kelas aset (contohnya, daripada ekuiti kepada FX) pada ufuk masa yang berbeza. Adakah kemalangan pasaran saham dipindahkan melalui komponen volatiliti jangka pendek atau jangka panjang?
• Isyarat Dagangan Masa Nyata: Bangunkan strategi dagangan yang secara eksplisit menggunakan percanggahan antara komponen volatiliti ufuk pendek dan ufuk panjang sebagai isyarat pemulihan min atau momentum.
• Analisis Bank Pusat & Dasar: Gunakan kerangka untuk menganalisis kesan pengumuman dasar monetari ke atas volatiliti FX, membezakan antara "lonjakan berita" frekuensi tinggi segera dan asimilasi maklumat jangka panjang.
• Perluasan kepada Mata Wang Kripto: Uji model pada pasaran mata wang kripto 24/7, yang dicirikan oleh lonjakan melampau dan tingkah laku pelabur pelbagai skala, daripada bot algoritma kepada "HODLer" jangka panjang.

8. Rujukan

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.