समय-परिवर्तनशील अस्थिरता वाली समय श्रृंखला में त्रुटि स्वतःसहप्रसरण का बायेसियन गैर-प्राचलिक अनुमान

1. परिचय

विषमपरिक्षेपिता (Heteroskedasticity) कई आर्थिक और वित्तीय समय श्रृंखलाओं की एक मौलिक विशेषता है, जैसा कि एंगल (1982) द्वारा ARCH मॉडल के साथ स्थापित किया गया था। त्रुटि स्वतःसहप्रसरण के मॉडलिंग के लिए पारंपरिक दृष्टिकोण अक्सर प्रतिबंधात्मक प्राचलिक संरचनाएँ थोपते हैं, जिससे मॉडल की गलत विशिष्टता का जोखिम रहता है। यह शोध पत्र त्रुटि स्वतःसहप्रसरण फलन के वर्णक्रमीय घनत्व का अनुमान लगाने के लिए एक बायेसियन गैर-प्राचलिक विधि प्रस्तावित करता है, जो समस्या को आवृत्ति डोमेन में स्थानांतरित करके समय डोमेन कर्नेल विधियों में बैंडविड्थ चयन की जटिलताओं से बचता है। इस रूपरेखा को स्थिर और समय-परिवर्तनशील दोनों प्रकार की त्रुटि अस्थिरता को संभालने के लिए विस्तारित किया गया है, और अनुप्रयोग यह दर्शाते हैं कि यह रैंडम वॉक मॉडल जैसे बेंचमार्क की तुलना में विनिमय दर पूर्वानुमान में श्रेष्ठ प्रदर्शन करता है।

2. पद्धति

मूल पद्धति में मॉडल प्राचलों, समय-परिवर्तनशील अस्थिरता और त्रुटि प्रक्रिया के वर्णक्रमीय घनत्व के संयुक्त अनुमान के लिए एक पदानुक्रमित बायेसियन रूपरेखा शामिल है।

3. प्रायोगिक परिणाम एवं विश्लेषण

4. मूल अंतर्दृष्टि एवं विश्लेषक का परिप्रेक्ष्य

मूल अंतर्दृष्टि: यह शोध पत्र समय श्रृंखला मॉडलिंग में एक महत्वपूर्ण, लेकिन अक्सर अनदेखी किए जाने वाले उन्नयन प्रदान करता है: त्रुटि निर्भरता को सीखने के लिए एक प्रथम श्रेणी के नागरिक के रूप में मानना, न कि मान लेना। इसके वर्णक्रमीय घनत्व के माध्यम से पूर्ण स्वतःसहप्रसरण संरचना का गैर-प्राचलिक अनुमान लगाकर, यह सीधे कई मॉडलों की अकिलीज़ एड़ी—गलत विशिष्ट त्रुटि गतिकी—पर हमला करता है। समय-परिवर्तनशील अस्थिरता का जोड़ केवल एक अतिरिक्त सुविधा नहीं है; यह वित्तीय डेटा के लिए यथार्थवाद का एक आवश्यक स्तर है, जो मॉडल को उन वातावरणों के लिए एक दुर्जेय उपकरण बनाता है जहाँ अस्थिरता समूहों में होती है, जैसे मुद्रा बाजार।

तार्किक प्रवाह: तर्क सुंदर है। चरण 1: स्वीकार करें कि प्राचलिक त्रुटि मॉडल एक दायित्व हैं। चरण 2: गैर-प्राचलिक अनुमान को सुंदर ढंग से संभालने के लिए आवृत्ति डोमेन में स्थानांतरित हों (बैंडविड्थ चयन के अभिशाप से बचते हुए)। चरण 3: लॉग-स्पेक्ट्रम पर एक गाऊसी प्रक्रिया पूर्व संभाव्यता का उपयोग करें—एक गणितीय रूप से सही और लचीला विकल्प। चरण 4: इसे एक समय-परिवर्तनशील अस्थिरता मॉडल के साथ एकीकृत करें, यह मानते हुए कि वास्तविक डेटा में पैमाना और निर्भरता आपस में जुड़े हुए हैं। चरण 5: वित्त में सबसे कठिन बेंचमार्क—विनिमय दरों के लिए रैंडम वॉक—को हराकर मान्य करें। समस्या की पहचान से लेकर तकनीकी समाधान और अनुभवजन्य प्रमाण तक का प्रवाह सुसंगत और प्रभावशाली है।

शक्तियाँ एवं दोष: इसकी शक्ति इसकी व्यापक लचीलापन है। यह डेटा को ARMA या GARCH के बॉक्स में जबरन नहीं ढालता। व्हिटल संभाव्यता और MCMC का उपयोग मानक लेकिन प्रभावी है। दोष, कई बायेसियन गैर-प्राचलिक विधियों की तरह, कम्प्यूटेशनल लागत है। बहुत लंबी श्रृंखलाओं के लिए गाऊसी प्रक्रियाओं और स्प्लाइन्स के लिए MCMC तुच्छ नहीं है। यह शोध पत्र विनिमय दर उदाहरण पर भारी रूप से निर्भर करता है; अधिक विविध अनुप्रयोग (जैसे, समष्टि अर्थशास्त्र, ऊर्जा) सामान्यीकरण के मामले को मजबूत करेंगे। इसके अलावा, हालांकि यह डे एट अल. (2018) का हवाला देता है, इसके नवीन योगदान—समय-परिवर्तनशील अस्थिरता के साथ एकीकरण—का स्पष्ट अंतर और तीक्ष्ण हो सकता है।

कार्रवाई योग्य अंतर्दृष्टियाँ: क्वांट्स और इकोनोमेट्रिशियन्स के लिए: यह उच्च-दांव वाले पूर्वानुमान के लिए एक तैयार रूपरेखा है जहाँ मानक मॉडल विफल हो जाते हैं। GitHub पर कोड होना एक बड़ा प्लस पॉइंट है। तत्काल कार्रवाई इसे स्वामित्व वाले डेटासेट पर परीक्षण करना है जहाँ त्रुटि संरचना संदिग्ध है। शोधकर्ताओं के लिए: यह पद्धति एक टेम्पलेट है। स्पेक्ट्रम पर GP विचार को अन्य अव्यक्त चर मॉडलों में पोर्ट किया जा सकता है। अगला तार्किक कदम उच्च-आयामी सेटिंग्स से निपटना या अन्य गैर-प्राचलिक पूर्व संभाव्यताओं को शामिल करना है, जैसे कि आधुनिक गहन शिक्षा में समय श्रृंखला के लिए देखे गए तंत्रिका नेटवर्क पर आधारित (जैसे, टेम्पोरल फ्यूजन ट्रांसफॉर्मर्स से प्रेरित आर्किटेक्चर)। यह क्षेत्र संकर मॉडलों की ओर बढ़ रहा है जो बायेसियन गैर-प्राचलिकी को गहन शिक्षा के साथ जोड़ते हैं, जैसा कि एलन ट्यूरिंग इंस्टीट्यूट जैसे स्थानों की समीक्षाओं में उल्लेख किया गया है, और यह कार्य एक फलदायी चौराहे पर स्थित है।

5. तकनीकी विवरण

मुख्य गणितीय सूत्रीकरण:

• मॉडल: $y_t = x_t'\beta + \epsilon_t, \quad \epsilon_t = \sigma_{\epsilon, t} e_t$.
• त्रुटि प्रक्रिया: $e_t \sim \text{GP}(0, \gamma)$, जहाँ $\text{Cov}(e_t, e_{t-k}) = \gamma(k)$.
• वर्णक्रमीय घनत्व: $\lambda(\omega) = \frac{1}{2\pi} \sum_{k=-\infty}^{\infty} \gamma(k) e^{-i k \omega}, \quad \omega \in [-\pi, \pi]$.
• स्पेक्ट्रम के लिए पूर्व संभाव्यता: $\log \lambda(\omega) \sim \text{GP}(\mu(\omega), C(\omega, \omega'))$, जहाँ $C$ एक उपयुक्त सहप्रसरण कर्नेल है।
• अस्थिरता मॉडल: $\log(\sigma^2_{\epsilon, t}) = \sum_{j=1}^J \theta_j B_j(t), \quad \theta \sim N(0, \tau^2 I)$.
• संभाव्यता (व्हिटल सन्निकटन): $p(I(\omega_j) | \lambda(\omega_j)) \approx \frac{1}{\lambda(\omega_j)} \exp\left(-\frac{I(\omega_j)}{\lambda(\omega_j)}\right)$, जहाँ $I(\omega_j)$ फूरियर आवृत्ति $\omega_j$ पर पीरियोडोग्राम है।

6. विश्लेषण रूपरेखा उदाहरण

परिदृश्य: अस्थिरता और निर्भरता संरचना का पूर्वानुमान लगाने के लिए एक क्रिप्टोकरेंसी (जैसे, बिटकॉइन) के दैनिक रिटर्न का विश्लेषण करना।

रूपरेखा चरण (संकल्पनात्मक):

1. पूर्व-प्रसंस्करण: लॉग रिटर्न प्राप्त करें। वैकल्पिक रूप से, किसी भी बहुत कम-आवृत्ति वाले रुझान को हटा दें।
2. मॉडल विशिष्टीकरण:
   • माध्य समीकरण: संभवतः एक साधारण स्थिरांक या AR(1) पद: $r_t = \mu + \phi r_{t-1} + \epsilon_t$.
   • त्रुटि अपघटन: $\epsilon_t = \sigma_t e_t$.
   • $\log(\sigma^2_t)$ के लिए B-स्प्लाइन आधार निर्दिष्ट करें (जैसे, नमूना अवधि में 20 गाँठें)।
   • $\log \lambda(\omega)$ के लिए गाऊसी प्रक्रिया पूर्व संभाव्यता निर्दिष्ट करें (जैसे, माटर्न सहप्रसरण कर्नेल के साथ)।
3. पूर्व संभाव्यता निर्धारण: GP सुचारूता, स्प्लाइन गुणांक प्रसरण ($\tau^2$), और प्रतिगमन प्राचलों ($\beta$) के लिए अतिप्राचल निर्धारित करें। दुर्बल सूचनात्मक पूर्व संभाव्यताओं का उपयोग करें।
4. पश्च संभाव्यता गणना: संयुक्त पश्च संभाव्यता $ (\beta, \theta, \lambda(\cdot)) $ से नमूने लेने के लिए एक MCMC सैंपलर (जैसे, स्टैन के भीतर हैमिल्टोनियन मोंटे कार्लो या कस्टम गिब्स सैंपलर) लागू करें।
5. अनुमान एवं पूर्वानुमान:
   • अस्थिरता विकास देखने के लिए $\sigma_t$ के पश्च संभाव्यता माध्य/माध्यिका की जाँच करें।
   • निर्भरता की आवृत्ति संरचना को समझने के लिए $\lambda(\omega)$ के पश्च संभाव्यता माध्य को प्लॉट करें।
   • $\lambda(\omega)$ को समय डोमेन में वापस परिवर्तित करके स्वतःसहसंबंध फलन $\gamma(k)$ का अनुमान प्राप्त करें।
   • पश्च संभाव्यता नमूनों का उपयोग करके भविष्य के रिटर्न के लिए पूर्वानुमानित वितरण उत्पन्न करें।

नोट: GitHub पर लेखकों का कोड रिपॉजिटरी कार्यान्वयन के लिए एक व्यावहारिक प्रारंभिक बिंदु प्रदान करता है।

7. भविष्य के अनुप्रयोग एवं दिशाएँ

• उच्च-आवृत्ति वित्त: माइक्रोस्ट्रक्चर शोर और अति-उच्च-आयामी वर्णक्रमीय अनुमान के साइंट्राडे डेटा को संभालने के लिए मॉडल को अनुकूलित करना।
• बहुचर विस्तार: वेक्टर त्रुटि प्रक्रिया के क्रॉस-वर्णक्रमीय घनत्व मैट्रिक्स के लिए एक बायेसियन गैर-प्राचलिक मॉडल विकसित करना, जो पोर्टफोलियो विश्लेषण और स्पिलओवर अध्ययनों के लिए महत्वपूर्ण है।
• गहन शिक्षा के साथ एकीकरण: अत्यंत जटिल, गैर-स्थिर निर्भरता पैटर्न को पकड़ने के लिए GP पूर्व संभाव्यता को एक गहन जनरेटिव मॉडल (जैसे, वर्णक्रमीय डोमेन पर एक वेरिएशनल ऑटोएनकोडर) से बदलना, "CycleGAN" जैसे शोध पत्रों में नवाचार की भावना का अनुसरण करते हुए लेकिन समय श्रृंखला स्पेक्ट्रा पर लागू किया गया।
• वास्तविक-समय पूर्वानुमान प्रणालियाँ: वास्तविक-समय जोखिम प्रबंधन और एल्गोरिथमिक ट्रेडिंग प्लेटफॉर्मों के लिए स्केलेबल, अनुमानित अनुमान संस्करण (जैसे, स्टोकेस्टिक वेरिएशनल इनफेरेंस का उपयोग करके) बनाना।
• समष्टि-वित्त: इस रूपरेखा को केंद्रीय बैंकों और नीति संस्थानों द्वारा उपयोग किए जाने वाले बड़े बायेसियन VARs में त्रुटि संरचना को मॉडल करने के लिए लागू करना, जहाँ गलत विशिष्ट झटके गतिकी दोषपूर्ण नीति निष्कर्षों की ओर ले जा सकती है।

8. संदर्भ

1. Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987-1007.
2. Kim, K., & Kim, K. (2016). Time-varying volatility and macroeconomic uncertainty. Economics Letters, 149, 24-28.
3. Dey, D., Kim, K., & Roy, A. (2018). Bayesian nonparametric spectral density estimation for irregularly spaced time series. Journal of the American Statistical Association, 113(524), 1551-1564.
4. Kim, K. (2011). Hierarchical Bayesian analysis of structural instability in macroeconomic time series. Studies in Nonlinear Dynamics & Econometrics, 15(4).
5. Whittle, P. (1953). Estimation and information in stationary time series. Arkiv för Matematik, 2(5), 423-434.
6. Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE international conference on computer vision (CycleGAN paper as an example of advanced, flexible generative modeling).
7. Alan Turing Institute. (2023). Research Themes: Data-Centric Engineering and AI for Science. (For context on hybrid AI/statistics methods).