Моделирование и прогнозирование волатильности обменного курса в частотно-временной области

Содержание

1. Введение и обзор

В данной статье представлен новый подход к моделированию и прогнозированию финансовой волатильности, в частности для обменных курсов, путем интеграции анализа высокочастотных данных с методами частотно-временного разложения. Основная инновация заключается в расширении структуры Realized GARCH за счет мер реализованной волатильности, разложенных с помощью вейвлетов, и специализированного оценщика скачков. Это позволяет модели разделять волатильность на компоненты, соответствующие разным инвестиционным горизонтам (временным масштабам), и отдельно учитывать влияние разрывных ценовых скачков. Исследование мотивировано разнородной природой участников рынка, действующих на разных временных горизонтах — от высокочастотных трейдеров до долгосрочных инвесторов.

Авторы демонстрируют, что их предложенные модели «Jump-GARCH», оцененные как методом максимального правдоподобия, так и в рамках обобщенной авторегрессионной модели скоринга (GAS), обеспечивают статистически более точные прогнозы по сравнению с традиционными моделями GARCH и популярными моделями реализованной волатильности. Анализ использует данные по фьючерсам на валютные пары, охватывающие финансовый кризис 2007–2008 годов, что обеспечивает надежный стресс-тест для методологии.

2. Методология и техническая структура

2.1 Структура Realized GARCH

Модель Realized GARCH преодолевает разрыв между традиционными моделями GARCH и высокочастотными данными, непосредственно включая меру реализованной волатильности $RV_t$ в уравнение волатильности. Базовая структура включает уравнение доходности, уравнение GARCH для латентной волатильности и уравнение измерения, связывающее латентную волатильность с реализованной мерой.

2.2 Многомасштабное разложение на основе вейвлетов

Для учета многомасштабной природы волатильности авторы используют вейвлет-преобразование. Этот математический инструмент разлагает ряд реализованной волатильности на ортогональные компоненты, представляющие разные временные масштабы (например, внутридневную, дневную, недельную динамику). Если $RV_t$ — это реализованная волатильность, то её вейвлет-разложение можно представить как:

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

где $D_{j,t}$ представляет компонент волатильности («деталь») на масштабе $j$ (соответствующем определенной полосе частот), а $S_{J,t}$ — сглаженный компонент, отражающий долгосрочный тренд. Каждый $D_{j,t}$ аппроксимирует торговую активность и поток информации на конкретном инвестиционном горизонте.

2.3 Детектирование скачков и оценщик JTSRV

Критическим усовершенствованием является интеграция вариации скачков. Авторы используют оценщик Jump Two Scale Realized Volatility (JTSRV). Этот оценщик разделяет общую квадратическую вариацию на непрерывную интегрированную дисперсию (IV) и разрывную дисперсию скачков (JV):

$RV_t \approx IV_t + JV_t$

Это разделение крайне важно, поскольку скачки и непрерывная волатильность часто обладают разной персистентностью и прогнозными свойствами.

2.4 Оценивание: MLE против GAS

Предложенные модели Jump-GARCH оцениваются двумя методами: 1) Квази-метод максимального правдоподобия (QMLE) и 2) управляемая наблюдениями обобщенная авторегрессионная модель скоринга (GAS). Структура GAS, представленная Creal et al. (2013), обновляет параметры на основе скора функции правдоподобия, что обеспечивает потенциальную устойчивость и адаптивность к неверной спецификации модели.

3. Эмпирический анализ и результаты

3.1 Данные и экспериментальная установка

В исследовании используются высокочастотные данные по фьючерсам на валютные пары (вероятно, основные пары, такие как EUR/USD). Период выборки включает финансовый кризис 2007–2009 годов, что позволяет изучить работу модели в условиях экстремального стресса. Прогнозы оцениваются как на один день вперед, так и на несколько периодов вперед.

3.2 Качество прогнозирования

Предложенные модели сравниваются с эталонными моделями, такими как GARCH(1,1) и HAR-RV. Оценка проводится с использованием статистических функций потерь (например, MSE, QLIKE). Ключевые результаты представлены в сравнительной таблице (имитация ниже):

Примечание: Значения являются иллюстративными относительными коэффициентами по сравнению с эталоном GARCH(1,1).

3.3 Ключевые выводы и инсайты

• Разделение скачков — ключевой фактор: Выделение вариации скачков из интегрированной дисперсии последовательно повышает точность прогнозирования.
• Доминирование высоких частот: Наиболее информативным временным масштабом для будущей волатильности является высокочастотный (краткосрочный) компонент вейвлет-разложения.
• Преимущество модели: Новые предложенные модели Jump-GARCH с вейвлет-разложением статистически превосходят как традиционные модели GARCH, так и стандартные модели Realized GARCH.
• Устойчивость к кризису: Модели демонстрируют надежную работу в период финансового кризиса.

4. Ключевая идея и взгляд аналитика

Ключевая идея: Эта статья доносит мощную, но недооцененную мысль: волатильность — это не монолитный процесс, а многослойный. Отказавшись от рассмотрения рынка как единой однородной сущности и используя вейвлеты для его разложения на составляющие инвестиционные горизонты, авторы вскрывают «черный ящик» динамики волатильности. Вывод о том, что краткосрочные, высокочастотные компоненты определяют прогнозы, является прямым вызовом моделям, переоценивающим долгосрочные тренды, и подчеркивает растущее доминирование алгоритмической и высокочастотной торговли в ценовом обнаружении и формировании волатильности.

Логика изложения: Аргументация элегантно выстроена. Она начинается с хорошо установленного эмпирического факта о разнородности рыночных агентов (из модели HAR Корси). Затем логично задается вопрос: если агенты действуют на разных временных масштабах, не должны ли наши модели это отражать? Вейвлет-разложение является идеальным техническим ответом. Последующая интеграция риска скачков — еще одной не-гауссовской, разрывной реальности рынков — завершает картину. Последовательность от экономической интуиции (разнородность) к математическому инструменту (вейвлеты) и эмпирическому результату (улучшение прогноза) убедительна.

Сильные стороны и недостатки: Основная сила — успешное объединение сложной эконометрики (Realized GARCH, вейвлеты, детектирование скачков) в последовательную, эмпирически успешную структуру. Это выходит за рамки простого сравнения моделей и дает подлинное понимание источника предсказуемости. Использование структуры GAS также является перспективным. Главный недостаток, общий для этой литературы, — ощущение «внутривыборочной» проверки устойчивости. Хотя кризисный период включен, настоящая вневыборочная проверка на полностью новых данных (например, крах 2020 года из-за COVID) была бы более убедительной. Кроме того, вычислительная сложность модели wavelet-GARCH-jump может ограничивать её применение в реальном времени в некоторых торговых системах — практическое препятствие, которое не рассматривается.

Практические инсайты: Для количественных аналитиков и риск-менеджеров эта статья — руководство к действию. Во-первых, разложите, затем моделируйте. Применение простого вейвлет-фильтра к вашему ряду волатильности перед подачей в вашу любимую ML или эконометрическую модель может дать немедленный выигрыш. Во-вторых, обрабатывайте скачки отдельно. Создание отдельного сигнала для детектирования скачков и независимое моделирование их воздействия, как это сделано с JTSRV, является обязательной лучшей практикой для любой серьезной модели волатильности после 2008 года. Наконец, сосредоточьте свои прогнозные усилия на высокочастотном слое. Направьте больше исследовательских и вычислительных ресурсов на понимание и прогнозирование внутридневной динамики волатильности, поскольку именно здесь лежит наиболее значимый прогнозный сигнал.

5. Технические детали и математическая формулировка

Основную модель Jump-GARCH с вейвлет-компонентами можно обобщить следующим образом:

Уравнение доходности: $r_t = \sqrt{h_t} z_t$, где $z_t \sim i.i.d.(0,1)$.

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

Уравнение измерения (расширенное):
$\log(RV_t) = \xi + \phi \log(h_t) + \tau_1 z_t + \tau_2 (z_t^2 - 1) + \sum_{j=1}^J \delta_j D_{j,t} + \lambda J_t + u_t$
где $u_t \sim i.i.d.(0, \sigma_u^2)$. Здесь $D_{j,t}$ — вейвлет-детали компоненты $RV_t$, а $J_t$ — значимый компонент скачка, идентифицированный оценщиком JTSRV.

Модель оценивает параметры $\theta = (\omega, \beta, \gamma, \xi, \phi, \tau_1, \tau_2, \{\delta_j\}, \lambda)$, чтобы уловить динамику между латентной волатильностью, реализованными мерами, скачками и многомасштабными компонентами.

6. Структура анализа: пример

Сценарий: Количественный хедж-фонд хочет улучшить свой ежедневный прогноз Value-at-Risk (VaR) для торговой книги EUR/USD.

Шаг 1 — Подготовка данных: Получить 5-минутные внутридневные доходности для EUR/USD. Рассчитать базовую реализованную волатильность (например, RV) и применить вейвлет-преобразование (используя библиотеку, такую как PyWavelets в Python), чтобы разложить её на 3 масштаба: D1 (динамика 2–4 часа), D2 (4–8 часов), D3 (8–16 часов). Отдельно применить оценщик JTSRV для извлечения дневного ряда скачков $J_t$.

Шаг 2 — Спецификация и оценивание модели: Оценить модель Jump-GARCH из раздела 5, где уравнение измерения включает D1, D2, D3 и $J_t$ в качестве экзогенных переменных. Сравнить логарифм правдоподобия и информационные критерии со стандартной моделью Realized GARCH.

Шаг 3 — Прогнозирование и применение: Сгенерировать прогноз волатильности на один день вперед $\hat{h}_{t+1}$ из оцененной модели. Использовать этот прогноз для расчета VaR (например, $VaR_{t+1}^{\alpha} = -\Phi^{-1}(\alpha) \sqrt{\hat{h}_{t+1}}$). Провести бэктестинг прогнозов VaR по сравнению с фактическим P&L для оценки точности покрытия.

Ожидаемый результат: Прогнозы VaR от модели Jump-GARCH с вейвлетами должны демонстрировать более точное покрытие (меньше исключений) и быть менее склонными к недооценке риска после дней с высокими скачками или специфическими внутридневными паттернами волатильности.

7. Будущие применения и направления исследований

• Интеграция с машинным обучением: Вейвлет-компоненты $D_{j,t}$ и ряд скачков $J_t$ могут служить высокоинформативными признаками для моделей машинного обучения (например, LSTM, Gradient Boosting) для прогнозирования волатильности, выходя за рамки линейной/параметрической структуры GARCH.
• Перекрестное влияние волатильности между классами активов: Применить многомасштабное разложение для изучения того, как волатильность передается между классами активов (например, от акций к валютам) на разных временных горизонтах. Передается ли крах фондового рынка через краткосрочные или долгосрочные компоненты волатильности?
• Торговые сигналы в реальном времени: Разработать торговые стратегии, которые явно используют расхождение между краткосрочными и долгосрочными компонентами волатильности в качестве сигнала на возврат к среднему или импульса.
• Анализ центральных банков и политики: Использовать структуру для анализа влияния объявлений денежно-кредитной политики на валютную волатильность, различая немедленный высокочастотный «спайк новостей» и долгосрочное усвоение информации.
• Расширение на криптовалюты: Протестировать модель на круглосуточных рынках криптовалют, для которых характерны экстремальные скачки и многомасштабное поведение инвесторов — от алгоритмических ботов до долгосрочных «HODLеров».

8. Ссылки

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.