This paper aims to address a central challenge in international finance: understanding and predicting exchange rate fluctuations. The authors, Igor Martins and Hedibert Freitas Lopes, propose a significant methodological advancement by integrating the effects of hundreds of potential macroeconomic events into a stochastic volatility model for high-frequency currency returns. The core challenge they tackle is moving beyond the ad hoc selection of a few "important" announcements (such as Nonfarm Payrolls, CPI) towards a data-driven, systematic approach that allows the model itself to determine which events are important, their magnitude of impact, and their timing.
The model simultaneously accounts for three key features of intraday foreign exchange returns:Volatility Persistence(clustering of high/low volatility periods),Intraday Seasonality(Mifumo ya kurudia ndani ya siku, kama mkunjo wa "U") pamoja na kutoka nchi nyingiAthari za tangazo la uchumi wa kitaifa. Uvumbuzi wake mkuu ni kutumiaKipaumbele cha kilele-mshiko mzitoili kusababisha uthabiti, kuchagua moja kwa moja matukio muhimu kutoka kwa idadi kubwa ya matukio yanayostahiki.
Ufahamu Muhimu: Sahau fundisho kuhusu seti maalum ya viashiria vya "soko la ushawishi". Mabadiliko halisi ya viwango vya ubadilishaji yanaendeshwa na sehemu ndogo ya matukio mamia ya uchumi wa kimataifa, inayobadilika na kutegemea muktadha, na kuchujwa kupitia lenzi ya kumbukumbu endelevu ya msukosuko na mdundo unaotabirika wa biashara ya ndani ya siku. Ujanja wa makala hii upo katikaUasi wa KujuaMbinu — kuruhusu data ya masafa ya juu yenyewe ifunue matangazo gani kwa kweli yaligonga mfumo, mchakato unaofanana na kuruhusu soko kupiga kura kwa wakati halisi.
Mfuatano wa Mantiki: Mchakato wa uthibitishaji unafuata kwa ustadi mantiki ya Bayes. 1) Kukiri Usiojulikana: Anza na idadi kubwa ya vigeu bandia vya matukio yanayowezekana na maneno ya kukawia. 2) Kuweka Shaka Lililoundwa: Tumia dhana ya kilele-mkia-mzito kueleza imani kwamba athari za matukio mengi ni sifuri ("kilele"), lakini matukio machache yanaweza kuwa na athari kubwa ("mkia mzito"). 3) Acha data iamue: Sasisha imani kupitia nadharia ya Bayes; uwezekano wa baada ya kila tukio unakuwa kipimo muhimu cha umuhimu wake. Mfumo huu unaonyesha falsafa nyuma ya matumizi ya kufanikiwa ya mashine kujifunza katika sekta ya kifedha, kama vile kutumia LASSO au mtandao wa elastic kwa uteuzi wa vigezo, lakini makala hii inatekelezwa ndani ya mfumo kamili wa uwezekano na upimaji wa kutokuwa na uhakika.
Faida na mapungufu:
Faida: Ukali wa mbinu hauna doa. Kwa kuiga pamoja vipengele vyote, inaepuka mtego wa kumiliki vibaya athari za msimu au uendelevu kwa uhusiano wa matukio bandia. Uhusiano kati ya msimu wa ndani unaoelezewa na nadharia rahisi ya usambazaji wa wafanyikazi na vipindi vya biashara ya soko la kimataifa, ni ugunduzi mfupi na wa moja kwa moja. Utabiri nje ya sampuli na majaribio ya mfuko wa uwekezaji hutoa uthibitisho wa kulazimisha na wa vitendo, ambayo mara nyingi haipo katika makala za mbinu pekee.
Mapungufu: Ufundi wa mfano ndio kisigino cha Achilles chake. Ingawa unawezekana, mchakato wa makadirio ni mkubwa wa hesabu. Asili ya "sanduku nyeusi" ya matukio gani yamechaguliwa, ingawa inaendeshwa na data, inaweza kuwa duni kwa wafanyabiashara wanaotafuta maelezo ya hadithi. Zaidi ya hayo, mfano unadhani athari za tukio ni thabiti katika kipindi cha sampuli; haukubali kukamata athari za soko zinazoweza kubadilika kwa wakati, kwa mfano majibu ya data ya mfumuko wa bei kabla na baada ya janga - hii ndiyoBenki ya Kimataifa ya Marekebisho (BIS)kikomo kilichoelezewa na taasisi kama hizo wakati wa kuchunguza utaratibu wa mageuzi.
Ufahamu Unaoweza Kutekelezwa: Kwa wachambuzi wa kiasi na wasimamizi wa hatari, makala hii ni mchoro wa msingi.Kwanza, Acha kutumia kalenda ya uchumi iliyotengenezwa tayari. Kulingana na jozi yako ya sarafu na kipindi cha kushikilia, jenga utaratibu wako mwenyewe wa uteuzi wa matukio.Pili, Mfumo wa mabadiliko ya ndani sio kelele; ni chanzo cha hatari na fursa zinazoweza kutabiriwa, zinapaswa kufunikwa au kutumika.Tatu, Uwiano wa Sharpe ulio juu ndio hatua ya mwisho ya uuzaji. Kuunganisha mfano huu katika mkakati wa lengo la mabadiliko au mkakati wa biashara ya riba, kunaweza kutoa faida endelevu, hasa katika mchanganyiko wa uwekezaji wa fedha mbalimbali. Hitimisho ni wazi: kiwango cha utata katika uundaji wa mabadiliko hubadilishwa moja kwa moja kuwa faida ya Alpha.
Mfano uliopendekezwa ni upanuzi wa kisasa wa mfumo wa kawaida wa mabadiliko ya nasibu, ulioundwa kwa data ya mapato ya mzunguko wa juu (kwa mfano, dakika 5) $r_t$.
Mfano wa kiwango unadhania kuwa mapato yanafuata usambazaji wa kawaida wenye mabadiliko ya wakati:
$r_t = \exp(h_t / 2) \epsilon_t, \quad \epsilon_t \sim N(0, 1)$
Logarithmic volatility $h_t$ follows a persistent autoregressive process, capturing the phenomenon of volatility clustering:
$h_t = \mu + \phi (h_{t-1} - \mu) + \eta_t, \quad \eta_t \sim N(0, \sigma_{\eta}^2)$
其中 $|\phi| < 1$ 确保平稳性，$\mu$ 是平均对数波动率。
This is the core innovation. The logarithmic volatility equation is extended to include the effects of $K$ potential macroeconomic announcement dummy variables $x_{k,t}$ and their lags:
$h_t = \mu + \phi (h_{t-1} - \mu) + \sum_{k=1}^{K} \beta_k x_{k,t} + \eta_t$
The key lies in the prior distribution of the coefficients $\beta_k$. A spike-and-slab prior is used to induce sparsity:
$\beta_k | \gamma_k \sim (1-\gamma_k) \delta_0 + \gamma_k N(0, \tau^2)$
$\gamma_k \sim \text{Bernoulli}(\pi_k)$
Here, $\delta_0$ is the Dirac delta function at zero (the "spike"), and $N(0, \tau^2)$ is a Gaussian distribution with a large variance $\tau^2$ (the "slab"). The binary indicator variable $\gamma_k$ determines whether predictor $k$ is included ($\gamma_k=1$) or excluded ($\gamma_k=0$). The prior inclusion probability $\pi_k$ can be set based on prior beliefs or kept non-informative (e.g., 0.5). The model is estimated using Markov Chain Monte Carlo (MCMC) methods, which simultaneously sample the indicator variables $\gamma_k$ and the coefficients $\beta_k$, providing the posterior inclusion probability $P(\gamma_k=1 | \text{Data})$ as a measure of predictor importance.
Ili kukamata muundo unaorudiwa wa ndani ya siku (kwa mfano, mienendo kubwa ya soko wakati wa kufunguliwa/kufungwa), muundo unajumuisha kipengele cha msimu chenye uthabiti $s_t$:
$h_t = \mu + s_t + \phi (h_{t-1} - \mu - s_{t-1}) + \sum_{k=1}^{K} \beta_k x_{k,t} + \eta_t$
Kipengele $s_t$ kwa kawaida huundwa kwa kutumia vigeu bandia vya kila kipindi cha ndani ya siku (kwa mfano, kila muda wa dakika 5 katika mzunguko wa saa 24) au utendakazi laini wa mzunguko. Hii inahakikisha athari za tukio zinakadiriwa baada ya kudhibiti muundo huu unaotabirika.
Waandishi walitumia muundo wao kwa data ya masafa ya juu ya jozi kuu za sarafu (kwa mfano, EUR/USD, GBP/USD, USD/JPY).
Modeli hii ilifanikiwa kupunguza matukio mamia ya wakaguzi kuwa seti nadra. Matukio yaliyogunduliwa kuwa na uwezekano wa juu wa ujumuishaji wa baadae yalijumuisha:
Maelezo ya Chati (Yaliyomo Kimafumbo): Chati ya mistataba itaonyesha uwezekano wa ujumuishaji wa baada ya tukio (kutoka 0 hadi 1) kwa matukio mengi ya kiuchumi (mhimili wa x) kwenye mhimili wa y. Mistataba michache (NFP, CPI, FOMC) itasimama juu karibu na 1.0, wakati mistataba mingi mingine itakuwa karibu na 0 na isionekane karibu kabisa. Hii inaonyesha kwa urahisi utelewe uliotimizwa.
Kipengele cha msimu $s_t$ kilichokadiriwa kinafunua muundo dhahiri wa "M" wenye vilele vingi, badala ya U rahisi. Vilele vinahusiana haswa na:
Mwandishi anahusisha hili na usambazaji wa wafanyikazi ulimwenguni: kutofautiana kwa bei huwa kwa kiwango cha juu zaidi wakati idadi kubwa zaidi ya wataalamu wa kifedha katika eneo muhimu la muda wanapoishi na kushughulikia taarifa wakati huo huo. Ugunduzi huu unalingana na nadharia ya muundo mdogo wa soko kuhusu mwingiliano wa kiasi cha biashara na kutofautiana kwa bei.
Mtihani wa mwisho ni utabiri nje ya sampuli. Linganisha mfano uliopendekezwa na mifano ifuatayo:
Results: The full model (events + seasonality + stochastic volatility) provides statistically significantly superior performance in volatility forecasting, as measured by metrics such as Mean Absolute Forecast Error (MAFE) and Mincer-Zarnowitz regression $R^2$.
In a practical portfolio allocation exercise (e.g., a volatility-managed carry trade or a simple currency mean-variance portfolio), using the proposed model's volatility forecasts to dynamically adjust weights. The portfolio achieved:
Volatilità Realizzata Minima: Circa il 15-20% inferiore al benchmark GARCH.
Rapporto di Sharpe Massimo: Un miglioramento statisticamente significativo di 0,2-0,4 punti.
Conclusione: Previsioni di volatilità migliori si traducono direttamente in rendimenti aggiustati per il rischio superiori.
Scenario: Mfuko wa uwekezaji wa kiasi unataka kuelewa sababu zinazosababisha mabadiliko ya thamani ya Euro/Yen katika robo ya nne ya mwaka 2024, na kuboresha utabiri wake wa mabadiliko ya bei kwa dawati lake la biashara ya chaguo.
Hatua ya 1 - Ukusanyaji wa Data: Pata data ya mapato ya Euro/Yen ya dakika 5. Kusanya kalenda kamili ya matangazo ya kimkakati ya uchumi yaliyopangwa kutoka eneo la Euro (k.m., Benki Kuu ya Ulaya ECB, Faharasa ya Hali ya Uchumi ya Ujerumani ZEW, Bei ya Bidhaa na Huduma za Eneo la Euro CPI) na Japani (k.m., Uchunguzi wa Tankan wa Benki Kuu ya Japani, Bei ya Bidhaa na Huduma za Tokyo CPI, Uzalishaji wa Viwanda). Kwa kuzingatia jukumu la dola duniani, jumuisha matukio ya Marekani. Unda vigezo bandia $x_{k,t}$ vinavyochukua thamani 1 katika muda wa dakika 5 wa kutolewa kwa tangazo $k$ na muda unaofuata (kukamata athari za kuchelewa).
Hatua ya 2 - Usanidi na Makadirio ya Mfano:
1. Fafanua sehemu ya msimu $s_t$ kwa kutumia vigezo bandia kwa kila muda wa dakika 5 katika mzunguko wa saa 24 wa Tokyo-London-New York.
2. Weka usimamizi wa mwanzo wenye kilele na mkia mzito kwa viwango vyote vya matangazo $\beta_k$. Tumia uwezekano wa kujumuisha usimamizi usio na taarifa nyingi $\pi_k = 0.1$, ukionyesha matarajio ya uchache.
3. Endesha kichanganuzi cha MCMC (k.m., kutumia Stan au kichanganuzi maalum cha Gibbs), upate usambazaji wa baada ya vigezo vyote, ikiwa ni pamoja na vigezo vya kiashiria $\gamma_k$.
Hatua ya 3 - Ufafanuzi na Hatua:
1. Kutambua Sababu Muhimu za Kusukuma: Chunguza wastani wa baadae wa $P(\gamma_k=1)$. Mfuko uligundua kuwa kwa jozi ya Euro/Yen, katika kipindi cha sampuli, data za mfumuko wa bei wa eneo la Euro na mavuno ya hazina ya Marekani yalikuwa muhimu zaidi kuliko data ya ndani ya Japani.
2. Kuboresha Ishara za Biashara: Dawati la biashara lilisasisha utabiri wake wa msukosuko kabla ya matukio haya yenye uwezekano mkubwa kufanyika, likiweza kununua chaguo (kutarajia msukosuko kupanda) au kupunguza mfichuo wa Delta.
3. Uthibitishaji: Linganisha utabiri wa msukosuko wa modeli siku ya mikutano muhimu ya Benki Kuu ya Ulaya na msukosuko halisi uliotimizwa. Ulinganifu wa kiwango cha juu uliongeza imani katika utumizi wa modeli hiyo.
Mfumo huu unatekeleza ubadilishaji kutoka kwa data ghafi hadi ufahamu unaoweza kutekelezwa, ukionyesha dhana kuu ya thamani ya makala hii.
Kazi ya Martins na Lopes inawakilisha muunganiko changamano wa uchumi wa kifedha wa jadi na ushindeji wa mashine wa kisasa wa Bayes. Mchango wao wa kweli sio tu katika kuorodhesha matukio gani ni muhimu—ambayo wafanyabiashara wengi wana hisia juu yake—bali pia katika kutoa njia madhubuti, inayoweza kurudiwa na ya uwezekanoMethodologia, kwa ajili ya kugundua na kupima vipengele hivi muhimu katika mazingira ya vipimo vikubwa. Njia hii inafanana kikilisofu na utafiti wenye ushawishi katika nyanja zilizo karibu, kwa mfano katikaCycleGAN(Zhu et al., 2017) ambapo mfano wa vigeu vya siri unatumika kugundua uwakilishi wa msingi wa data bila mifano iliyooanishwa; hapa, mfano unagundua uwakilishi wa siri wa "mtikisiko" kupitia mchanganyiko chache wa mshtuko wa matukio.
Uwezo wa makala hii upo katika mtazamo wake wa wazi wa kukabiliana na kutokuwa na hakika ya mfano. Kwa kujenga uteuzi wa tukio kama shida ya uteuzi wa vigeu vya Bayes, inapima kutokuwa na hakika kuhusu kama tukio linahusiana ($P(\gamma_k=1)$) na ukubwa wa athari zake ikiwa linahusiana (usambazaji wa $\beta_k$). Hii inatoa habari nyingi zaidi kuliko uamuzi wa ujumuishaji/ukatili wa binary wa urejeshaji hatua kwa hatua au mkandamizo usio wazi wa urejeshaji wa ridge. Uhusiano na misingi—kuelezea kwa nini matukio fulani yamechaguliwa—unaiinua kutoka kwa mazoezi ya "uchimbaji data" tu hadi uchambuzi wa kiuchumi unaoweza kuaminika.
Hata hivyo, mfano huu unafanya kazi chini ya utaratibu ulio thabiti kiasi. Dharura ya Spike-and-Slab inadhania kuwa seti ya matukio muhimu ni tuli. Kwa kweli, kama ilivyoInternational Monetary Fund (IMF) World Economic Outlookkimeandikwa, njia za usambazaji wa habari za kimakro zinaweza kubadilika kwa kasi wakati wa mzozo au mabadiliko ya utaratibu wa sera (kwa mfano, kikomo cha kiwango cha riba sifuri dhidi ya mzunguko wa kuongeza riba). Upanuzi wa baadaye unaweza kuruhusu ujumuishaji wa uwezekano $\pi_k$ au mgawo $\beta_k$ kubadilika kwa wakati, labda kupitia mfano wa Markov wa siri au mpangilio wa vigezo vinavyobadilika kwa wakati. Zaidi ya hayo, ingawa inazingatia matukio yaliyopangwa, sehemu kubwa ya msukosuko wa fedha za kigeni inatokana na habari zisizo na ratiba (matukio ya kijiografia, uingiliaji wa ghafla wa benki kuu). Kuunganisha Usindikaji wa Lugha ya Asili (NLP) ili kupima hisia na mada za mtiririko wa habari, kama ilivyoNational Bureau of Economic Research (NBER)inavyoonekana katika kazi za hivi karibuni, inaweza kuwa hatua inayofuata yenye nguvu.
Kutoka kwa mtazamo wa tasnia, makala hii ni wito kwa kampuni za usimamizi wa mali kusasisha miundo yao ya msukosuko. Katika soko la kisasa lenye utata na linaloendeshwa na habari, kutegemea mifano ya GARCH hata ya kawaida ya msukosuko wa nasibu kunamaanisha kupuuza faida inayowezekana ya alpha. Uboreshaji wa Uwiano wa Sharpe ulioonyeshwa ni kipimo cha mwisho kinachowahusu kampuni za wanunuzi. Gharama ya hesabu ya MCMC, ingawa sio ndogo, sio tena kikwazo kisichoweza kushindwa mbele ya rasilimali za kompyuta wingu. Changamoto halisi iko katika kiwango cha uendeshaji: kujenga na kudumisha miundombinu ya uingizaji wa data ya mzunguko wa juu, usimamizi wa kalenda ya matukio na upimaji upya wa mfano. Kwa wale wanaoweza kushinda changamoto hii, makala hii inatoa ramani iliyothibitishwa ya kupata faida halisi ya ushindani katika soko la fedha za kigeni.
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.