Uundaji na Utabiri wa Mienendo ya Mabadiliko ya Vigezo vya Kubadilishana Fedha katika Uwanja wa Muda na Mzunguko

Yaliyomo

1. Utangulizi na Muhtasari

Makala hii inawasilisha mbinu mpya ya kuunda na kutabiri mienendo ya kifedha, hasa kwa viwango vya kubadilishana fedha, kwa kuunganisha uchambuzi wa data ya juu-mzunguko na mbinu za utenganishaji wa muda-na-mzunguko. Uvumbuzi msingi upo katika kuimarisha mfumo wa Realized GARCH kwa kutumia vipimo vya mienendo vilivyotenganishwa kwa wimbi na kikokotoo maalum cha miruko. Hii inaruhusu mfumo kuchambua mienendo katika vipengele vinavyolingana na upeo tofauti wa uwekezaji (viwango vya muda) na kuzingatia tofauti athari ya mabadiliko ya bei yasiyoendelea (miruko). Utafiti huu umesukumwa na hali ya kutofautiana kwa washiriki wa soko ambao hufanya kazi kwa upeo tofauti wa muda, kutoka kwa wafanyabiashara wa juu-mzunguko hadi wawekezaji wa muda mrefu.

Waandishi wanaonyesha kwamba miundo yao iliyopendekezwa ya "Jump-GARCH", iliyokadiriwa kupitia Uwezekano Mkuu zaidi (MLE) na mfumo wa Alama ya Kujirejesha ya Jumla (GAS), hutoa utabiri bora zaidi kitaalamu ikilinganishwa na miundo ya kawaida ya GARCH na miundo maarufu ya mienendo iliyotambuliwa. Uchambuzi hutumia data ya juu-mzunguko ya mikataba ya baadaye ya fedha za kigeni inayojumuida mgogoro wa kifedha wa 2007-2008, ikitoa jaribio kali la mbinu hii.

2. Mbinu na Mfumo wa Kiufundi

2.1 Mfumo wa Realized GARCH

Mfumo wa Realized GARCH hujaza pengo kati ya miundo ya kawaida ya GARCH na data ya juu-mzunguko kwa kujumuisha kipimo cha mienendo kilichotambuliwa $RV_t$ moja kwa moja katika mlinganyo wa mienendo. Muundo wa msingi unajumuisha mlinganyo wa kurudi, mlinganyo wa GARCH kwa mienendo ya siri, na mlinganyo wa kipimo unaounganisha mienendo ya siri na kipimo kilichotambuliwa.

2.2 Utenganishaji wa Viwango Mbalimbali Kulingana na Wimbi

Ili kukamata hali ya mienendo yenye viwango vya muda mbalimbali, waandishi hutumia mabadiliko ya wimbi. Chombo hiki cha kihisabati hutenganisha mfululizo wa mienendo uliotambuliwa katika vipengele vya kawaida vinavyowakilisha viwango tofauti vya muda (k.m., mienendo ya ndani ya siku, ya kila siku, ya kila wiki). Ikiwa $RV_t$ ndio mienendo iliyotambuliwa, utenganishaji wake wa wimbi unaweza kuwakilishwa kama:

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

ambapo $D_{j,t}$ inawakilisha kipengele cha mienendo ("maelezo") katika kiwango $j$ (kinacholingana na bendi maalum ya mzunguko), na $S_{J,t}$ ni kipengele laini kinachokamata mwelekeo wa muda mrefu zaidi. Kila $D_{j,t}$ inakadiria shughuli za biashara na mtiririko wa habari katika upeo maalum wa uwekezaji.

2.3 Ugunduzi wa Miruko na Kikokotoo cha JTSRV

Maendeleo muhimu ni kuunganishwa kwa tofauti ya miruko. Waandishi hutumia kikokotoo cha Mienendo Iliyotambuliwa ya Viwango Viwili vya Miruko (JTSRV). Kikokotoo hiki hutenganisha jumla ya tofauti ya mraba katika tofauti iliyoendelea iliyojumuishwa (IV) na tofauti ya mraba ya miruko isiyoendelea (JV):

$RV_t \approx IV_t + JV_t$

Utenganishaji huu ni muhimu kwani miruko na mienendo endelevu mara nyingi huwa na sifa tofauti za kudumu na za kutabiri.

2.4 Ukadiriaji: MLE dhidi ya GAS

Miundo iliyopendekezwa ya Jump-GARCH inakadiriwa kwa kutumia njia mbili: 1) Ukadiriaji wa Quasi-Maximum Likelihood (QMLE), na 2) mfumo wa alama unaoendeshwa na uchunguzi wa Generalized Autoregressive Score (GAS). Mfumo wa GAS, ulioletwa na Creal et al. (2013), husasisha vigezo kulingana na alama ya kitendakazi cha uwezekano, ukitoa uimara na uwezo wa kukabiliana na makosa ya muundo.

3. Uchambuzi wa Kimaumbile na Matokeo

3.1 Data na Usanidi wa Jaribio

Utafiti huu hutumia data ya juu-mzunguko kwa mikataba ya baadaye ya FX (labda jozi kuu kama EUR/USD). Kipindi cha sampuli kinajumuida mgogoro wa kifedha wa 2007-2009, kuruhusu uchunguzi wa utendaji wa muundo chini ya msongo mkali. Utabiri unatathminiwa kwa upeo wa siku moja mbele na upeo wa vipindi vingi mbele.

3.2 Utendaji wa Kutabiri

Miundo iliyopendekezwa inalinganishwa na miundo ya kawaida kama GARCH(1,1) na HAR-RV. Tathmini hutumia vitendakazi vya hasara vya kitaalamu (k.m., MSE, QLIKE). Matokeo muhimu yanawasilishwa kwenye jedwali la kulinganisha (lililosimuliwa hapa chini):

Kumbuka: Thamani ni uwiano wa kielelezo ukilinganisha na kigezo cha GARCH(1,1).

3.3 Matokeo Muhimu na Ufahamu

• Kutenganisha Miruko ni Muhimu: Kutenganisha tofauti ya miruko kutoka kwa tofauti iliyojumuishwa huboresha usahihi wa utabiri mara kwa mara.
• Ushindi wa Juu-Mzunguko: Kiwango cha muda kinachotoa habari zaidi kwa mienendo ya baadaye ni kipengele cha juu-mzunguko (upeo mfupi) cha utenganishaji wa wimbi.
• Ukuu wa Muundo: Miundo mpya iliyopendekezwa ya Jump-GARCH yenye utenganishaji wa wimbi inafanya vizuri zaidi kitaalamu ikilinganishwa na miundo ya kawaida ya GARCH na ya kawaida ya Realized GARCH.
• Uimara wa Mgogoro: Miundo inaonyesha utendaji thabiti wakati wa kipindi cha mgogoro wa kifedha.

4. Ufahamu Msingi na Mtazamo wa Mchambuzi

Ufahamu Msingi: Makala hii inatoa ujumbe wenye nguvu, lakini usiohimizwa vya kutosha: mienendo sio mchakato mmoja tu, bali ni mchakato wenye tabaka. Kwa kukataa kuchukulia soko kama kitu kimoja, cha namna moja, na badala yake kutumia mawimbi kuichambua katika upeo wake wa uwekezaji, waandishi wanafungua kisanduku cha mienendo. Ugunduzi kwamba vipengele vya muda mfupi, vya juu-mzunguko vinachochea utabiri ni changamoto ya moja kwa moja kwa miundo inayozidisha mwelekeo wa muda mrefu na inasisitiza ushawishi unaoongezeka wa biashara ya algoriti na ya juu-mzunguko katika ugunduzi wa bei na uundaji wa mienendo.

Mtiririko wa Mantiki: Hoja imejengwa kwa ustadi. Huanzia kutokana na ukweli thabiti wa kiuchumi wa wawakilishi tofauti wa soko (kutoka kwa muundo wa HAR wa Corsi). Kisha huuliza kwa mantiki: ikiwa wawakilishi hufanya kazi kwa viwango tofauti vya muda, je, miundo yetu haipaswi kuonyesha hilo? Utenganishaji wa wimbi ndio jibu kamili la kiufundi. Kuunganishwa kwa hatari ya miruko—ukweli mwingine usio wa kawaida, usioendelea wa masoko—humaliza picha. Mtiririko kutoka kwa dhana ya kiuchumi (kutofautiana) hadi chombo cha kihisabati (mawimbi) hadi matokeo ya kiuchumi (uboreshaji wa utabiri) ni wa kuvutia.

Nguvu na Mapungufu: Nguvu kuu ni muunganisho wa mafanikio wa uchumi wa hali ya juu (Realized GARCH, mawimbi, ugunduzi wa miruko) katika mfumo thabiti, wenye mafanikio ya kiuchumi. Inapita zaidi ya kulinganisha miundo rahisi ili kutoa ufahamu wa kweli kuhusu chanzo cha uwezekano wa kutabiriwa. Matumizi ya mfumo wa GAS pia yanaangalia mbele. Kosa kuu, la kawaida katika fasihi hii, ni hisia ya "ndani ya sampuli" ya ukaguzi wa uthabiti. Ingawa kipindi cha mgogoro kimejumuishwa, jaribio la kweli la nje ya sampuli kwenye data isiyoonwa kabisa (k.m., mgogoro wa COVID wa 2020) lingekuwa la kushawishi zaidi. Zaidi ya hayo, utata wa kompyuta wa muundo wa wimbi-GARCH-miruko unaweza kudhibiti matumizi yake ya wakati halisi katika baadhi ya mifumo ya biashara, kikwazo cha vitendo kisichozingatiwa.

Ufahamu Unaoweza Kutekelezwa: Kwa wataalam wa hesabu na wasimamizi wa hatari, makala hii ni mwongozo. Kwanza, tenganisha, kisha unda muundo. Kutumia kichujio rahisi cha wimbi kwenye mfululizo wako wa mienendo kabla ya kuipeleka kwenye muundo wako unapenda wa ML au kiuchumi kunaweza kutoa faida ya haraka. Pili, chakua miruko tofauti. Kujenga ishara maalum ya kugundua miruko na kuunda muundo wa athari yake kwa kujitegemea, kama ilivyofanywa na JTSRV, ni desturi bora isiyoweza kubadilishwa kwa muundo wowote wa mienendo wa makini baada ya 2008. Mwisho, zingatia nguvu yako ya kutabiri kwenye tabaka la juu-mzunguko. Wekeza rasilimali zaidi za utafiti na kompyuta kuelewa na kutabiri mienendo ya ndani ya siku, kwani hapa ndipo ishara muhimu zaidi ya utabiri iko.

5. Maelezo ya Kiufundi na Uundaji wa Kihisabati

Muundo msingi wa Jump-GARCH wenye vipengele vya wimbi unaweza kufupishwa kama ifuatavyo:

Mlinganyo wa Kurudi: $r_t = \sqrt{h_t} z_t$, ambapo $z_t \sim i.i.d.(0,1)$.

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

Mlinganyo wa Kipimo (Ulioboreshwa):
$\log(RV_t) = \xi + \phi \log(h_t) + \tau_1 z_t + \tau_2 (z_t^2 - 1) + \sum_{j=1}^J \delta_j D_{j,t} + \lambda J_t + u_t$
ambapo $u_t \sim i.i.d.(0, \sigma_u^2)$. Hapa, $D_{j,t}$ ni vipengele vya maelezo vya wimbi vya $RV_t$, na $J_t$ ni kipengele muhimu cha miruko kilichotambuliwa na kikokotoo cha JTSRV.

Muundo unakadiria vigezo $\theta = (\omega, \beta, \gamma, \xi, \phi, \tau_1, \tau_2, \{\delta_j\}, \lambda)$ ili kukamata mienendo kati ya mienendo ya siri, vipimo vilivyotambuliwa, miruko, na vipengele vya viwango vingi.

6. Mfumo wa Uchambuzi: Mfano wa Kesi

Hali: Mfuko wa uwekezaji wa kiasi unataka kuboresha utabiri wake wa kila siku wa Thamani ya Hatari (VaR) kwa kitabu cha biashara cha EUR/USD.

Hatua ya 1 - Maandalizi ya Data: Pata kurudi za ndani ya siku za dakika 5 kwa EUR/USD. Kokotoa mienendo ya msingi iliyotambuliwa (k.m., RV) na utumie mabadiliko ya wimbi (kwa kutumia maktaba kama PyWavelets katika Python) ili kuitenganisha katika viwango 3: D1 (mienendo ya masaa 2-4), D2 (masaa 4-8), D3 (masaa 8-16). Kwa kujitegemea, tumia kikokotoo cha JTSRV kutoa mfululizo wa kila siku wa miruko $J_t$.

Hatua ya 2 - Uainishaji na Ukadiriaji wa Muundo: Kadiria muundo wa Jump-GARCH kutoka Sehemu ya 5, ambapo mlinganyo wa kipimo unajumuisha D1, D2, D3, na $J_t$ kama vigezo vya nje. Linganisha uwezekano wa logi na vigezo vya habari na muundo wa kawaida wa Realized GARCH.

Hatua ya 3 - Kutabiri na Utumizi: Toa utabiri wa mienendo wa siku moja mbele $\hat{h}_{t+1}$ kutoka kwa muundo uliokadiriwa. Tumia utabiri huu kukokotoa VaR (k.m., $VaR_{t+1}^{\alpha} = -\Phi^{-1}(\alpha) \sqrt{\hat{h}_{t+1}}$). Jaribu utabiri wa VaR dhidi ya P&L halisi ili kutathmini usahihi wa chanjo.

Matokeo Yanayotarajiwa: Utabiri wa VaR kutoka kwa muundo wa Jump-GARCH wenye mawimbi unapaswa kuonyesha chanjo sahihi zaidi (isipokuwa chache) na kuwa na uwezekano mdogo wa kukadiria chini hatari kufuatia siku zenye miruko mingi au muundo maalum wa mienendo ya ndani ya siku.

7. Matumizi ya Baadaye na Mwelekeo wa Utafiti

• Kuunganishwa kwa Kujifunza kwa Mashine: Vipengele vya wimbi $D_{j,t}$ na mfululizo wa miruko $J_t$ vinaweza kutumika kama vipengele vyenye habari nyingi kwa miundo ya kujifunza kwa mashine (k.m., LSTM, Gradient Boosting) kwa utabiri wa mienendo, kukipita muundo wa mstari/wa kigezo cha GARCH.
• Ueneaji wa Mienendo Kati ya Mali: Tumia utenganishaji wa viwango vingi kusoma jinsi mienendo inavyopitishwa kati ya aina za mali (k.m., kutoka kwa hisa hadi FX) kwa viwango tofauti vya muda. Je, mgogoro wa soko la hisa unapitishwa kupitia vipengele vya mienendo vya muda mfupi au vya muda mrefu?
• Ishara za Biashara za Wakati Halisi: Unda mikakati ya biashara inayotumia wazi tofauti kati ya vipengele vya mienendo vya upeo mfupi na vya upeo mrefu kama ishara ya kurudi kwa wastani au msukumo.
• Uchambuzi wa Benki Kuu na Sera: Tumia mfumo huu kuchambua athari za matangazo ya sera ya fedha kwenye mienendo ya FX, ukitofautisha kati ya "mshtuko wa habari" wa haraka wa juu-mzunguko na ushikamano wa muda mrefu wa habari.
• Kupanuliwa kwa Fedha za Mtandao: Jaribu muundo huu kwenye masoko ya fedha za mtandao yanayofanya kazi masaa 24, yanayojulikana kwa miruko kali na tabia ya wawekezaji wa viwango vingi, kutoka kwa boti za algoriti hadi "HODLers" wa muda mrefu.

8. Marejeo

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.