Zaman-Frekans Alanında Döviz Kuru Oynaklığının Modellenmesi ve Tahmini

İçindekiler

1. Giriş ve Genel Bakış

Bu makale, yüksek frekanslı veri analizini zaman-frekans ayrıştırma teknikleriyle entegre ederek, özellikle döviz kurları için finansal oynaklığın modellenmesi ve tahmin edilmesine yönelik yeni bir yaklaşım sunmaktadır. Temel yenilik, Geliştirilmiş GARCH çerçevesini dalgacıkla ayrıştırılmış gerçekleşmiş oynaklık ölçüleri ve özel bir sıçrama tahmin edicisi ile güçlendirmektedir. Bu, modelin oynaklığı farklı yatırım ufuklarına (zaman ölçekleri) karşılık gelen bileşenlere ayırmasına ve süreksiz fiyat sıçramalarının etkisini ayrı ayrı hesaba katmasına olanak tanır. Araştırma, yüksek frekanslı tüccarlardan uzun vadeli yatırımcılara kadar değişen zaman ufuklarında faaliyet gösteren piyasa katılımcılarının heterojen doğasından ilham almaktadır.

Yazarlar, önerdikleri "Sıçrama-GARCH" modellerinin, hem Maksimum Olabilirlik hem de Genelleştirilmiş Otoregresif Skor (GAS) çerçevesi aracılığıyla tahmin edildiğinde, geleneksel GARCH ve popüler gerçekleşmiş oynaklık modellerine kıyasla istatistiksel olarak üstün tahminler sağladığını göstermektedir. Analiz, 2007-2008 finansal krizini kapsayan döviz vadeli işlem verilerini kullanarak metodoloji için sağlam bir stres testi sağlamaktadır.

2. Metodoloji ve Teknik Çerçeve

2.1 Geliştirilmiş GARCH Çerçevesi

Geliştirilmiş GARCH modeli, bir gerçekleşmiş oynaklık ölçüsü $RV_t$'yi doğrudan oynaklık denklemine dahil ederek geleneksel GARCH modelleri ile yüksek frekanslı veri arasındaki boşluğu kapatır. Temel yapı, bir getiri denklemi, gizli oynaklık için bir GARCH denklemi ve gizli oynaklığı gerçekleşmiş ölçüye bağlayan bir ölçüm denklemi içerir.

2.2 Dalgacık Tabanlı Çok Ölçekli Ayrıştırma

Oynaklığın çok ufuklu doğasını yakalamak için yazarlar bir dalgacık dönüşümü kullanmaktadır. Bu matematiksel araç, gerçekleşmiş oynaklık serisini farklı zaman ölçeklerini (örneğin, gün içi, günlük, haftalık dinamikler) temsil eden dik bileşenlere ayırır. $RV_t$ gerçekleşmiş oynaklık ise, dalgacık ayrışımı şu şekilde temsil edilebilir:

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

Burada $D_{j,t}$, $j$ ölçeğindeki (belirli bir frekans bandına karşılık gelen) oynaklık bileşenini ("detay") temsil eder ve $S_{J,t}$ en uzun vadeli eğilimi yakalayan düz bileşendir. Her bir $D_{j,t}$, belirli bir yatırım ufkundaki işlem aktivitesini ve bilgi akışını yaklaşık olarak ifade eder.

2.3 Sıçrama Tespiti ve JTSRV Tahmin Edicisi

Kritik bir ilerleme, sıçrama varyasyonunun entegrasyonudur. Yazarlar, bir Sıçrama İki Ölçekli Gerçekleşmiş Oynaklık (JTSRV) tahmin edicisi kullanmaktadır. Bu tahmin edici, toplam karesel varyasyonu sürekli entegre varyans (IV) ve süreksiz sıçrama varyansına (JV) ayırır:

$RV_t \approx IV_t + JV_t$

Bu ayrım kritiktir çünkü sıçramalar ve sürekli oynaklık genellikle farklı kalıcılık ve tahmin özelliklerine sahiptir.

2.4 Tahmin: MLE vs. GAS

Önerilen Sıçrama-GARCH modelleri iki yöntem kullanılarak tahmin edilmektedir: 1) Yarı-Maksimum Olabilirlik Tahmini (QMLE) ve 2) gözlem güdümlü Genelleştirilmiş Otoregresif Skor (GAS) çerçevesi. Creal ve diğerleri (2013) tarafından tanıtılan GAS çerçevesi, parametreleri olabilirlik fonksiyonunun skoru temelinde günceller ve model yanlış belirlenmesine karşı potansiyel sağlamlık ve uyarlanabilirlik sunar.

3. Ampirik Analiz ve Sonuçlar

3.1 Veri ve Deneysel Kurulum

Çalışma, FX vadeli işlemleri için (muhtemelen EUR/USD gibi majör çiftler) yüksek frekanslı veri kullanmaktadır. Örneklem dönemi, model performansının aşırı stres altında incelenmesine olanak tanıyan 2007-2009 finansal krizini içermektedir. Tahminler hem bir gün sonrası hem de çok dönemli ufuklar için değerlendirilmiştir.

3.2 Tahmin Performansı

Önerilen modeller, GARCH(1,1) ve HAR-RV gibi standart modellere karşı kıyaslanmıştır. Değerlendirme, istatistiksel kayıp fonksiyonları (örneğin, MSE, QLIKE) kullanmaktadır. Temel sonuçlar karşılaştırmalı bir tabloda sunulmuştur (aşağıda simüle edilmiştir):

Not: Değerler, GARCH(1,1) kıyaslamasına göre gösterge niteliğindeki oranlardır.

3.3 Temel Bulgular ve İçgörüler

• Sıçrama Ayrımı Anahtardır: Sıçrama varyasyonunu entegre varyanstan ayırmak, tahmin doğruluğunu tutarlı bir şekilde iyileştirir.
• Yüksek Frekansın Hakimiyeti: Gelecekteki oynaklık için en bilgilendirici zaman ölçeği, dalgacık ayrışımının yüksek frekanslı (kısa ufuklu) bileşenidir.
• Model Üstünlüğü: Dalgacık ayrıştırmalı yeni önerilen Sıçrama-GARCH modelleri, hem geleneksel GARCH hem de standart Geliştirilmiş GARCH modellerini istatistiksel olarak geride bırakmaktadır.
• Kriz Dayanıklılığı: Modeller, finansal kriz döneminde sağlam bir performans sergilemektedir.

4. Temel İçgörü ve Analist Perspektifi

Temel İçgörü: Bu makale, güçlü ancak yeterince takdir edilmemiş bir mesaj veriyor: oynaklık tek parçalı bir süreç değil, katmanlı bir süreçtir. Yazarlar, piyasayı tek, homojen bir varlık olarak ele almayı reddedip onun yerine dalgacıkları kullanarak onu bileşen yatırım ufuklarına ayırarak, oynaklık dinamiklerinin kara kutusunu açıyorlar. Kısa vadeli, yüksek frekanslı bileşenlerin tahminleri yönlendirdiği bulgusu, uzun vadeli eğilimlere aşırı ağırlık veren modellere doğrudan bir meydan okumadır ve algoritmik ve yüksek frekanslı ticaretin fiyat keşfi ve oynaklık oluşumundaki artan hakimiyetini vurgulamaktadır.

Mantıksal Akış: Argüman zarif bir şekilde inşa edilmiştir. Heterojen piyasa aktörlerinin (Corsi'nin HAR modelinden) iyi bilinen ampirik gerçeğinden başlar. Daha sonra mantıksal olarak sorar: eğer aktörler farklı zaman ölçeklerinde faaliyet gösteriyorsa, modellerimiz bunu yansıtmamalı mı? Dalgacık ayrışımı mükemmel teknik cevaptır. Ardından sıçrama riskinin entegrasyonu—piyasaların bir diğer Gauss-olmayan, süreksiz gerçekliği—resmi tamamlar. Ekonomik sezgiden (heterojenlik) matematiksel araca (dalgacıklar) ve ampirik sonuca (tahmin iyileştirmesi) doğru olan akış ikna edicidir.

Güçlü ve Zayıf Yönler: Birincil güçlü yön, sofistike ekonometriyi (Geliştirilmiş GARCH, dalgacıklar, sıçrama tespiti) tutarlı, ampirik olarak başarılı bir çerçevede birleştirmesidir. Basit model karşılaştırmalarının ötesine geçerek, tahmin edilebilirliğin kaynağı hakkında gerçek bir içgörü sağlar. GAS çerçevesinin kullanımı da ileri görüşlüdür. Bu literatürde yaygın olan ana zayıflık, sağlamlık kontrolünün "örneklem içi" hissidir. Kriz dönemi dahil edilse de, tamamen görülmemiş veriler üzerinde (örneğin, 2020 COVID çöküşü) gerçek bir örneklem dışı test daha ikna edici olurdu. Ayrıca, dalgacık-GARCH-sıçrama modelinin hesaplama karmaşıklığı, bazı ticaret sistemlerinde gerçek zamanlı uygulamasını sınırlayabilir; bu, ele alınmayan pratik bir engeldir.

Harekete Geçirilebilir İçgörüler: Kantitatif analistler ve risk yöneticileri için bu makale bir yol haritasıdır. İlk olarak, ayrıştırın, sonra modelleyin. Oynaklık serinize, onu favori ML veya ekonometrik modelinize beslemeden önce basit bir dalgacık filtresi uygulamak anında kazanç sağlayabilir. İkinci olarak, sıçramaları ayrı ayrı ele alın. JTSRV ile yapıldığı gibi, sıçrama tespiti için özel bir sinyal oluşturmak ve etkisini bağımsız olarak modellemek, 2008 sonrası her ciddi oynaklık modeli için tartışmasız en iyi uygulamadır. Son olarak, tahmin enerjinizi yüksek frekans katmanına odaklayın. Araştırma ve hesaplama kaynaklarınızın daha fazlasını, gün içi oynaklık dinamiklerini anlamaya ve tahmin etmeye ayırın, çünkü en önemli tahmin sinyali buradadır.

5. Teknik Detaylar ve Matematiksel Formülasyon

Dalgacık bileşenli temel Sıçrama-GARCH modeli şu şekilde özetlenebilir:

Getiri Denklemi: $r_t = \sqrt{h_t} z_t$, burada $z_t \sim i.i.d.(0,1)$.

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

Ölçüm Denklemi (Geliştirilmiş):
$\log(RV_t) = \xi + \phi \log(h_t) + \tau_1 z_t + \tau_2 (z_t^2 - 1) + \sum_{j=1}^J \delta_j D_{j,t} + \lambda J_t + u_t$
burada $u_t \sim i.i.d.(0, \sigma_u^2)$. Burada, $D_{j,t}$, $RV_t$'nin dalgacık-detay bileşenleridir ve $J_t$, JTSRV tahmin edicisi tarafından tanımlanan önemli sıçrama bileşenidir.

Model, gizli oynaklık, gerçekleşmiş ölçüler, sıçramalar ve çok ölçekli bileşenler arasındaki dinamikleri yakalamak için $\theta = (\omega, \beta, \gamma, \xi, \phi, \tau_1, \tau_2, \{\delta_j\}, \lambda)$ parametrelerini tahmin eder.

6. Analiz Çerçevesi: Örnek Vaka

Senaryo: Kantitatif bir hedge fonu, EUR/USD ticaret defteri için günlük Risk Değeri (VaR) tahminini iyileştirmek istemektedir.

Adım 1 - Veri Hazırlığı: EUR/USD için 5 dakikalık gün içi getirilerini temin edin. Temel bir gerçekleşmiş oynaklık (örneğin, RV) hesaplayın ve onu 3 ölçeğe ayırmak için bir dalgacık dönüşümü uygulayın (Python'da PyWavelets gibi bir kütüphane kullanarak): D1 (2-4 saat dinamikleri), D2 (4-8 saat), D3 (8-16 saat). Ayrı olarak, günlük sıçrama serisi $J_t$'yi çıkarmak için JTSRV tahmin edicisini uygulayın.

Adım 2 - Model Belirleme ve Tahmin: Ölçüm denklemi D1, D2, D3 ve $J_t$'yi dışsal değişkenler olarak içeren Bölüm 5'teki Sıçrama-GARCH modelini tahmin edin. Log-olabilirliği ve bilgi kriterlerini standart bir Geliştirilmiş GARCH modeliyle karşılaştırın.

Adım 3 - Tahmin ve Uygulama: Tahmin edilen modelden bir gün sonrası oynaklık tahmini $\hat{h}_{t+1}$ oluşturun. Bu tahmini VaR'ı hesaplamak için kullanın (örneğin, $VaR_{t+1}^{\alpha} = -\Phi^{-1}(\alpha) \sqrt{\hat{h}_{t+1}}$). VaR tahminlerini gerçek K/Z'ye karşı geri test ederek kapsama doğruluğunu değerlendirin.

Beklenen Sonuç: Dalgacıklı Sıçrama-GARCH modelinden gelen VaR tahminleri, daha doğru kapsama (daha az istisna) sergilemeli ve yüksek sıçramalar veya belirli gün içi oynaklık kalıplarını takip eden günlerde riski hafife alma eğilimine daha az yatkın olmalıdır.

7. Gelecek Uygulamalar ve Araştırma Yönleri

• Makine Öğrenimi Entegrasyonu: Dalgacık bileşenleri $D_{j,t}$ ve sıçrama serisi $J_t$, oynaklık tahmini için makine öğrenimi modellerine (örneğin, LSTM, Gradient Boosting) yönelik son derece bilgilendirici özellikler olarak hizmet edebilir; böylece doğrusal/parametrik GARCH yapısının ötesine geçilebilir.
• Varlık Sınıfları Arası Oynaklık Yayılımı: Oynaklığın varlık sınıfları arasında (örneğin, hisse senetlerinden FX'e) farklı zaman ufuklarında nasıl iletildiğini incelemek için çok ölçekli ayrıştırmayı uygulayın. Bir borsa çöküşü, kısa vadeli mi yoksa uzun vadeli oynaklık bileşenleri aracılığıyla mı iletilir?
• Gerçek Zamanlı Ticaret Sinyalleri: Kısa ufuklu ve uzun ufuklu oynaklık bileşenleri arasındaki farkı açıkça bir ortalama dönüş veya momentum sinyali olarak kullanan ticaret stratejileri geliştirin.
• Merkez Bankası ve Politika Analizi: Para politikası duyurularının FX oynaklığı üzerindeki etkisini analiz etmek için bu çerçeveyi kullanın; anlık yüksek frekanslı "haber sıçraması" ile bilginin uzun vadeli özümsenmesi arasında ayrım yapın.
• Kripto Para Birimlerine Genişletme: Modeli, algoritmik botlardan uzun vadeli "HODL" yatırımcılarına kadar aşırı sıçramalar ve çok ölçekli yatırımcı davranışı ile karakterize edilen 7/24 kripto para piyasalarında test edin.

8. Referanslar

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.