फ्लोटिंग रेजिम के तहत USD/UAH विनिमय दर गतिशीलता का निदान

विषय सूची

1. Introduction & Overview

यह अध्ययन 2014 में अपनाए गए अस्थायी विनिमय दर व्यवस्था के तहत अमेरिकी डॉलर (USD) के मुकाबले यूक्रेनी ह्रीवनिया (UAH) विनिमय दर का एक व्यापक अनुभवजन्य निदान करता है। जनवरी 2014 से मई 2020 की अवधि में यूक्रेन के लिए महत्वपूर्ण आर्थिक और राजनीतिक उथल-पुथल शामिल है, जिसमें मैदान-पश्चात संक्रमण, पूर्व में संघर्ष और मुद्रास्फीति लक्ष्यीकरण में बदलाव शामिल है। मुख्य उद्देश्य USD/UAH दर की गतिशीलता का विश्लेषण करना है ताकि यह निर्धारित किया जा सके कि क्या इसकी गति एक यादृच्छिक चलन का अनुसरण करती है, मौसमी पैटर्न प्रदर्शित करती है, और यह बाहरी स्थूल आर्थिक झटकों पर कैसी प्रतिक्रिया करती है। निष्कर्षों का लक्ष्य यूक्रेन के विदेशी मुद्रा बाजार की दक्षता और स्थिरता का आकलन करना है, जो उसके नए मौद्रिक नीति ढांचे में है।

2. Methodology & Data

अनुसंधान विनिमय दर गतिविधियों की प्रकृति से संबंधित तीन केंद्रीय परिकल्पनाओं का परीक्षण करने के लिए समय श्रृंखला इकोनोमेट्रिक्स के एक मजबूत टूलकिट का उपयोग करता है।

2.1 समय श्रृंखला विश्लेषण ढांचा

एक बहु-विधि दृष्टिकोण का उपयोग किया जाता है:

• इकाई मूल परीक्षण: स्थिरता निर्धारित करने और स्टोकेस्टिक प्रवृत्तियों की पहचान करने के लिए संवर्धित डिकी-फुलर (ADF) और फिलिप्स-पेरॉन परीक्षण।
• स्वतःसहसंबंध विश्लेषण (ACF/PACF): श्रृंखला सहसंबंध का निरीक्षण करने और ARMA मॉडल विनिर्देशन का मार्गदर्शन करने के लिए।
• Granger Causality Tests: विनिमय दर और चयनित व्यापक आर्थिक चरों के बीच अग्र-पश्च संबंधों का पता लगाने के लिए।
• वेक्टर ऑटोरेग्रेशन (VAR) मॉडल: एक बहुकारक मॉडल जो कई समय श्रृंखलाओं के बीच अंतर्निर्भरताओं को समझता है।
• इम्पल्स रिस्पॉन्स फंक्शंस (IRFs): VAR मॉडल से व्युत्पन्न, समय के साथ एक चर के एक-मानक-विचलन आघात का USD/UAH दर पर प्रभाव का पता लगाने के लिए।
• प्रवृत्ति-मौसमी अपघटन: ARMA मॉडल का उपयोग करके समय श्रृंखला को प्रवृत्ति, मौसमी और अनियमित घटकों में अलग करना।

2.2 Data Description & Period

प्राथमिक डेटा जनवरी 2014 से मई 2020 तक दैनिक या मासिक USD/UAH विनिमय दर है। VAR मॉडल में अन्य व्यापक आर्थिक संकेतक शामिल हैं जो दर को प्रभावित करने की संभावना रखते हैं, जैसे (संदर्भ से अनुमान): यूक्रेन के अंतर्राष्ट्रीय भंडार, मुद्रास्फीति अंतर (यूक्रेन बनाम अमेरिका), प्रमुख नीति ब्याज दरें, और संभवतः वस्तुओं की कीमतें (जैसे, स्टील, अनाज) जो यूक्रेन के निर्यात के लिए महत्वपूर्ण हैं। डेटा स्रोतों में आम तौर पर नेशनल बैंक ऑफ यूक्रेन (NBU) और स्टेट स्टैटिस्टिक्स सर्विस ऑफ यूक्रेन शामिल हैं।

3. Empirical Analysis & Results

3.1 Trend Analysis & Random Walk

यूनिट रूट टेस्ट (ADF, Phillips-Perron) स्तरों में USD/UAH श्रृंखला के लिए यूनिट रूट की शून्य परिकल्पना को अस्वीकार करने में विफल रहते हैं, जो गैर-स्थिरता को दर्शाता है। प्रथम-अंतर के बाद, श्रृंखला स्थिर हो जाती है। यह एक यादृच्छिक चलन प्रक्रिया का एक क्लासिक संकेत है, जिसे औपचारिक रूप से इस प्रकार व्यक्त किया गया है: $\Delta e_t = \mu + \epsilon_t$, जहां $e_t$ लॉग विनिमय दर है और $\epsilon_t$ व्हाइट नॉइज़ है। निष्कर्ष यह है कि प्रवृत्ति में एक प्रमुख यादृच्छिक घटक है, जो समय के साथ तीव्र, अप्रत्याशित परिवर्तनों को एक प्रमुख विशेषता बनाता है। यह फ्लोटिंग दरों के लिए कमजोर-रूप कुशल बाजार परिकल्पना (EMH) के अनुरूप है, जहां अतीत की कीमत गतिविधियां भविष्य के परिवर्तनों की भविष्यवाणी नहीं कर सकती हैं।

3.2 Seasonality Detection

यादृच्छिक चलन के बावजूद, विघटन विश्लेषण एक सांख्यिकीय रूप से महत्वपूर्ण मौसमी पैटर्न प्रकट करता है। ह्रिवनिया की प्रवृत्ति अवमूल्यन में होने की है पहली और दूसरी तिमाही (Q1, Q2) वर्ष की और सराहना करना में होने की है तीसरी और चौथी तिमाही (Q3, Q4). यह पैटर्न यूक्रेनी अर्थव्यवस्था में चक्रीय कारकों के कारण है, जैसे कि:

• Q1/Q2 Depreciation: सर्दियों के बाद उच्च ऊर्जा आयात बिल, कृषि पूर्व-मौसम आयात, और संभावित कर-संबंधी मुद्रा मांग।
• Q3/Q4 मूल्यवृद्धि: प्रमुख फसल निर्यात (अनाज, तिलहन) और प्रवासी श्रमिकों के प्रेषण से विदेशी मुद्रा का प्रवाह।

यह निष्कर्ष शुद्ध EMH का खंडन करता है लेकिन बाजार सूक्ष्मसंरचना और आवधिक तरलता प्रवाह के अनुरूप है।

3.3 Sensitivity to External Shocks (VAR & Impulse Response)

VAR मॉडल और आवेग प्रतिक्रिया फलन दर्शाते हैं कि USD/UAH दर विशिष्ट व्यापक आर्थिक संकेतकों से आने वाले झटकों पर प्रतिक्रिया करती है। उदाहरण के लिए:

• एक सकारात्मक झटका वैश्विक जोखिम परिहार (उदाहरण के लिए, VIX सूचकांक में तेज वृद्धि) संभवतः UAH के अवमूल्यन (पूंजी पलायन) का कारण बनती है।
• एक नकारात्मक झटका यूक्रेन के अंतरराष्ट्रीय भंडार मूल्यह्रास की ओर ले जाता है (बाजार विश्वास में कमी)।
• एक सकारात्मक झटका प्रमुख निर्यात वस्तु कीमतें UAH मूल्यवृद्धि की ओर ले जाता है (व्यापार संतुलन में सुधार)।

महत्वपूर्ण रूप से, IRFs दर्शाते हैं कि ये प्रतिक्रियाएं हैं अल्पकालिक, दीर्घकाल में सांख्यिकीय रूप से महत्वहीन, और समय के साथ क्षीण होने की प्रवृत्ति कुछ ही अवधियों के भीतर। यह बाजार दक्षता की एक सीमा को दर्शाता है जहां सूचना शीघ्रता से आत्मसात हो जाती है, लेकिन इससे भी अधिक महत्वपूर्ण यह है कि यह सुझाव देता है कि बाजार स्थिर—झटके स्थायी, अस्थिर करने वाले चक्रों का कारण नहीं बनते हैं।

4. Key Findings & Interpretation

5. Technical Details & Mathematical Framework

मुख्य मॉडल निम्नानुसार निर्दिष्ट किए गए हैं:

1. ट्रेंड-सीज़नल विश्लेषण के लिए ARMA(p,q):
$e_t = c + \phi_1 e_{t-1} + ... + \phi_p e_{t-p} + \epsilon_t + \theta_1 \epsilon_{t-1} + ... + \theta_q \epsilon_{t-q} + S_t$
जहाँ $S_t$ मौसमी डमी या फूरियर पदों के माध्यम से मॉडल किए गए मौसमी घटक का प्रतिनिधित्व करता है।

2. वेक्टर ऑटोरेग्रेशन (VAR) मॉडल:
$\mathbf{Y}_t = \mathbf{c} + \mathbf{\Phi}_1 \mathbf{Y}_{t-1} + ... + \mathbf{\Phi}_k \mathbf{Y}_{t-k} + \mathbf{u}_t$
जहाँ $\mathbf{Y}_t$ लॉग USD/UAH दर और अन्य अंतर्जात चर (जैसे, लॉग रिजर्व, ब्याज दर अंतर) वाला एक वेक्टर है। $\mathbf{u}_t$ व्हाइट नॉइज़ इनोवेशन का एक वेक्टर है।

3. आवेग प्रतिक्रिया फलन:
VAR के चलती औसत निरूपण से व्युत्पन्न: $\mathbf{Y}_t = \mathbf{\mu} + \sum_{i=0}^{\infty} \mathbf{\Psi}_i \mathbf{u}_{t-i}$.
IRF प्रभाव $\frac{\partial Y_{j,t+s}}{\partial u_{i,t}}$ का पता लगाता है, जो मैट्रिक्स $\mathbf{\Psi}_s$ का $(j,i)$ तत्व है।

6. Results, Charts & Discussion

चित्र 1: USD/UAH विनिमय दर (2014-2020). 2014 की शुरुआत में ~8 UAH/USD से 2015 की शुरुआत में 28 के पास शिखर तक नाटकीय मूल्यह्रास दिखाता है, इसके बाद 23-28 की सीमा के भीतर उच्च अस्थिरता रही, जिसमें दिसंबर 2019 में 23.46 का उल्लेखनीय निम्न स्तर देखा गया।

चित्र 2: USD/UAH के प्रथम अंतर (रिटर्न). दृष्टिगत रूप से स्थिरता और अस्थिरता के समूहों की पुष्टि करता है, जो विषमस्केडास्टिसिटी (GARCH मॉडलिंग की संभावना) का संकेत देता है।

Figure 3: रिटर्न्स का ऑटोकॉरिलेशन फंक्शन (ACF)। अधिकांश लैग्स पर कोई महत्वपूर्ण ऑटोकॉरिलेशन नहीं दिखाता है, जो कमजोर रूप के लिए रैंडम वॉक परिकल्पना का समर्थन करता है।

Figure 4: Seasonal Decomposition Plot. यह निकाले गए मौसमी घटक को स्पष्ट रूप से दर्शाता है, जो Q1/Q2 में गिरावट (मूल्यह्रास) और Q3/Q4 में वृद्धि (मूल्यवृद्धि) को उजागर करता है।

Figure 5-7: Impulse Response Functions. प्रत्येक चार्ट VAR प्रणाली में किसी अन्य चर से आए एक-बार के झटके के प्रति USD/UAH दर की प्रतिक्रिया दर्शाता है। एक सामान्य पैटर्न यह है कि शुरुआत में तेज उछाल (सकारात्मक या नकारात्मक) आता है, जो 6-10 महीनों के भीतर शून्य पर आकर स्थिर हो जाता है। यह दृश्य रूप से झटकों के अल्पकालिक प्रभाव की पुष्टि करता है।

तालिकाएँ: 11 तालिकाओं में ADF परीक्षणों (विभिन्न अंतराल और विनिर्देशों के साथ), फिलिप्स-पेरॉन परीक्षणों, ग्रेंजर कारणता परीक्षण सांख्यिकी, VAR अंतराल क्रम चयन मानदंड (संभावना अनुपात, AIC, SC), और ARMA एवं VAR मॉडलों के अनुमानित गुणांकों के विस्तृत परिणाम प्रस्तुत किए गए हैं।

7. Analytical Framework: A Case Example

परिदृश्य: एक यूक्रेनी कृषि निर्यातक अक्टूबर 2024 में अनाज की बिक्री से प्राप्त होने वाले अपने USD राजस्व के लिए मुद्रा जोखिम का बचाव करना चाहता है।

अध्ययन के निष्कर्षों का अनुप्रयोग:

1. मौसमी जाँच: अक्टूबर Q4 में आता है, जो Hryvnia के लिए ऐतिहासिक रूप से एक मजबूत अवधि रही है। अध्ययन के मॉडल के अनुसार, UAH की मजबूती के लिए मौसमी पूंछवायु (टेलविंड) की भविष्यवाणी की जाएगी।
2. प्रवृत्ति अनिश्चितता: यादृच्छिक चलन घटक का अर्थ है कि समग्र प्रवृत्ति अप्रत्याशित है। निर्यातक पूर्वानुमानित दर पर भरोसा नहीं कर सकता।
3. जोखिम मूल्यांकन: VAR ढांचे का उपयोग करते हुए, निर्यातक की जोखिम टीम संभावित झटकों का मॉडल तैयार करेगी: उदाहरण के लिए, वैश्विक गेहूं की कीमतों में गिरावट (UAH के लिए नकारात्मक) बनाम NBU भंडार में वृद्धि (UAH के लिए सकारात्मक)। IRFs बताते हैं कि किसी भी झटके का प्रभाव अस्थायी होगा।
4. Hedging Decision: मौसमी मजबूती लेकिन उच्च समग्र अस्थिरता को देखते हुए, एक सतर्क रणनीति बैंक के साथ फॉरवर्ड कॉन्ट्रैक्ट के माध्यम से अपेक्षित राजस्व का 50-70% हेज करने की हो सकती है, जिससे एक ज्ञात दर सुनिश्चित हो जाए, जबकि संभावित Q4 प्रशंसा से लाभ उठाने के लिए शेष भाग को अनहेज्ड छोड़ दिया जाए।

यह उदाहरण दर्शाता है कि कैसे पेपर के नैदानिक परिणाम बिंदु पूर्वानुमान के बिना भी एक ठोस जोखिम प्रबंधन ढांचे में अनुवादित होते हैं।

8. Future Applications & Research Directions

1. Integration of High-Frequency Data & Market Microstructure: Future research should incorporate order flow data from Ukrainian interbank platforms to distinguish between fundamental and liquidity-driven volatility, following the seminal work of Evans & Lyons (2002) on the microstructure of foreign exchange markets.

2. पूर्वानुमान के लिए मशीन लर्निंग: अस्थिर बाजारों में जटिल गैर-रैखिकताओं को पकड़ने में रैखिक मॉडलों की सीमाओं को देखते हुए, LSTM (लॉन्ग शॉर्ट-टर्म मेमोरी) नेटवर्क या ग्रेडिएंट बूस्टिंग जैसी तकनीकों को लागू किया जा सकता है, जैसा कि हाल के वित्त साहित्य (उदाहरण के लिए, सेज़र एट अल., 2020) में देखा गया है, ताकि यह पता लगाया जा सके कि क्या रैंडम वॉक बेंचमार्क से परे भविष्यवाणी सटीकता में सुधार किया जा सकता है।

3. अस्थिरता क्लस्टरिंग का मॉडलिंग: स्पष्ट अस्थिरता क्लस्टर GARCH-परिवार के मॉडलों (जैसे, EGARCH, GJR-GARCH) की मांग करते हैं ताकि USD/UAH रिटर्न के समय-परिवर्तनशील विचरण का औपचारिक रूप से मॉडलिंग और पूर्वानुमान किया जा सके, जो वित्तीय संस्थानों के लिए वैल्यू-एट-रिस्क (VaR) गणनाओं के लिए महत्वपूर्ण है।

4. कारक सेट का विस्तार: क्षेत्र-विशिष्ट भू-राजनीतिक जोखिम सूचकांकों, क्रिप्टोकरेंसी प्रवाहों (यूक्रेन के लिए प्रासंगिक), और अधिक सूक्ष्म पूंजी प्रवाह डेटा को शामिल करने से बहु-कारक मॉडल की व्याख्यात्मक शक्ति बढ़ सकती है।

5. Policy Simulation: स्थापित VAR मॉडल का उपयोग काल्पनिक NBU नीतियों (जैसे, आरक्षित आवश्यकताओं में परिवर्तन, विदेशी मुद्रा हस्तक्षेप नियम) के कार्यान्वयन से पहले उनके विनिमय दर प्रभाव के अनुकरण के लिए एक प्रयोगशाला के रूप में किया जा सकता है।

9. References

1. Ignatyuk, A., Osetskyi, V., Makarenko, M., & Artemenko, A. (2020). Ukrainian hryvnia under the floating exchange rate regime: diagnostics of the USD/UAH exchange rate dynamics. Banks and Bank Systems, 15(3), 129-146.
2. Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366a), 427-431.
3. Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346.
4. ग्रेंजर, सी. डब्ल्यू. (1969). इकोनोमेट्रिक मॉडल और क्रॉस-स्पेक्ट्रल विधियों द्वारा कारणात्मक संबंधों की जांच. इकोनोमेट्रिका, 37(3), 424-438.
5. सिम्स, सी. ए. (1980). मैक्रोइकॉनॉमिक्स और वास्तविकता. इकोनोमेट्रिका, 48(1), 1-48.
6. Evans, M. D., & Lyons, R. K. (2002). Order flow and exchange rate dynamics. Journal of Political Economy, 110(1), 170-180.
7. Sezer, O. B., Gudelek, M. U., & Ozbayoglu, A. M. (2020). Financial time series forecasting with deep learning: A systematic literature review: 2005–2019. Applied Soft Computing, 90, 106181.
8. National Bank of Ukraine. (Various). Official statistics and reports. Retrieved from bank.gov.ua

10. Expert Analysis & Critical Review