Chagua Lugha

Ukadiriaji wa Msingi wa Uzito wa Wimbi kwa Mfululizo wa Wakati wenye Mabadiliko ya Muda wa Volatilite: Njia ya Bayes isiyo na Parameta

Utafiti juu ya ukadiriaji wa Bayes isiyo na parameta ya msongamano wa wimbi wa otokovariansi ya makosa katika miundo ya mfululizo wa wakati, inayotumika katika utabiri wa viwango vya ubadilishaji wa fedha.
computecurrency.net | PDF Size: 0.3 MB
Ukadiriaji: 4.5/5
★ ★ ★ ★ ★
Ukadiriaji Wako
Umekadiria waraka huu tayari
Kifuniko cha Waraka PDF - Ukadiriaji wa Msingi wa Uzito wa Wimbi kwa Mfululizo wa Wakati wenye Mabadiliko ya Muda wa Volatilite: Njia ya Bayes isiyo na Parameta
Tazama Waraka PDF Pakua PDF Tafsiri PDF
Nyumbani » Nyaraka » Ukadiriaji wa Msingi wa Uzito wa Wimbi kwa Mfululizo wa Wakati wenye Mabadiliko ya Muda wa Volatilite: Njia ya Bayes isiyo na Parameta

1. Utangulizi

Uundaji sahihi wa mienendo ya neno la kosa ni muhimu sana katika uchambuzi wa mfululizo wa wakati, hasa kwa data za kiuchumi na kifedha ambapo heteroskedasticity (kutofautiana kwa tofauti) ni jambo la kawaida. Njia za jadi mara nyingi huweka miundo ya kizuizi ya parameta kwenye otokovariansi ya makosa, na hivyo kuhatarisha uundaji vibaya wa mfano. Karatasi hii inapendekeza njia ya Bayes isiyo na parameta ya kukadiria msongamano wa wimbi wa otokovariansi ya makosa, ikilenga hali zote za volatilite zisizobadilika na zinazobadilika kwa wakati. Njia hii inaepuka tatizo gumu la uteuzi wa upana wa ukanda (bandwidth) ambalo ni asili ya njia zisizo na parameta za kawaida kwa kufanya kazi katika uwanja wa masafa (frequency domain) kwa kutumia usambazaji wa awali wa mchakato wa Gaussian.

2. Njia ya Utafiti

2.1 Mfumo wa Mfano

Mfano wa msingi ni mfumo wa urejeshaji: $y = X\beta + \epsilon$, ambapo $\epsilon_t = \sigma_{\epsilon, t} e_t$. Hapa, $e_t$ ni mchakato wa Gaussian wenye usawa dhaifu na utendakazi wa otokorilisho $\gamma(\cdot)$, na $\sigma^2_{\epsilon, t}$ inawakilisha volatilite inayobadilika kwa wakati. Uhakiki unalenga msongamano wa wimbi $\lambda(\cdot)$ wa $e_t$.

2.2 Ukadiriaji wa Msingi wa Wimbi kwa Njia ya Bayes isiyo na Parameta

Kufuatia Dey et al. (2018), usambazaji wa awali wa mchakato wa Gaussian huwekwa kwenye msongamano wa wimbi uliobadilishwa kwa logarithimu $\log \lambda(\omega)$. Usambazaji huu wa awali una kubadilika na hukwepa dhana za kizuizi za parameta. Ukadiriaji unaendelea kupitia mfumo wa Bayes wa ngazi, na kutoa usambazaji wa baadae kwa $\lambda(\cdot)$, $\beta$, na vigezo vya volatilite.

2.3 Uundaji wa Mfano wa Mabadiliko ya Muda wa Volatilite

Volatilite ya logarithimu $\log \sigma^2_{\epsilon, t}$ inaundwa kwa kutumia utendakazi wa msingi wa B-spline, na kutoa uwakilishi unaokubalika wa mabadiliko ya tofauti kwa muda. Hii inapanua kazi ya Dey et al. (2018) kwa kuunda wazi mfano wa heteroskedasticity.

3. Maelezo ya Kiufundi & Uundaji wa Kihisabati

Uvumbuzi mkuu uko katika uainishaji wa pamoja wa usambazaji wa awali na matumizi ya uwezekano wa takriban katika uwanja wa masafa. Msongamano wa wimbi unaundwa kama ifuatavyo: $$\lambda(\omega) = \exp(f(\omega)), \quad f \sim \mathcal{GP}(\mu(\cdot), K(\cdot, \cdot))$$ ambapo $\mathcal{GP}$ inaashiria mchakato wa Gaussian na utendakazi wa wastani $\mu$ na kiini cha kovariansi $K$. Uwezekano wa takriban wa Whittle unatumiwa kwa ufanisi wa hesabu: $$p(I(\omega_j) | \lambda(\omega_j)) \approx \frac{1}{\lambda(\omega_j)} \exp\left(-\frac{I(\omega_j)}{\lambda(\omega_j)}\right)$$ ambapo $I(\omega_j)$ ni periodogramu katika masafa $\omega_j$. Kwa volatilite inayobadilika kwa wakati, mfano wa B-spline ni: $\log \sigma^2_t = \sum_{k=1}^K \theta_k B_k(t)$, na usambazaji wa awali kwenye vigawo $\theta_k$.

4. Matokeo ya Majaribio & Uchambuzi

4.1 Utafiti wa Uigizaji

Njia hii ilithibitishwa kwenye data iliyogizwa na miundo inayojulikana ya otokorilisho (k.m., michakato ya ARMA) na volatilite ya nasibu. Mkadiriaji wa Bayes isiyo na parameta ulifanikiwa kupata tena msongamano wa kweli wa wimbi na njia za volatilite, na bendi za uaminifu za baadae zikifunika utendakazi wa kweli. Ilionyesha uthabiti dhidi ya uundaji vibwa ikilinganishwa na njia mbadala za parameta kama vile miundo ya AR iliyoundwa vibaya.

4.2 Utumizi wa Utabiri wa Viwango vya Kubadilishana Fedha

Matokeo Makuu: Mfano uliopendekezwa ulitumika kutabiri viwango vya kubadilishana fedha vikuu (k.m., USD/EUR, USD/JPY). Utendaji wake wa kutabiri ulitathminiwa dhidi ya miundo ya kiwango cha kulinganisha ikiwa ni pamoja na Mwendo wa Nasibu (RW), ARIMA, na miundo ya GARCH.

Utendaji wa Kutabiri (RMSE)

  • Mfano wa Bayes Ulipendekezwa: 0.0124
  • Mwendo wa Nasibu: 0.0151
  • GARCH(1,1): 0.0138
  • ARIMA(1,1,1): 0.0142

Kumbuka: Hitilafu ya Mizizi ya Maana ya Mraba (RMSE) ya chini inaonyesha usahihi bora wa utabiri.

Mfano uliopendekezwa ulipata RMSE ya chini, na kuonyesha uwezo wake wa ushindani. Uwezo wa mfano wa kukamata kwa kubadilika muundo wa kutegemeana (kupitia msongamano wa wimbi) na heteroskedasticity ulichangia kwa utabiri sahihi zaidi wa nukta na msongamano kuliko miundo ya kiwango ya RW au GARCH.

5. Mfumo wa Kuchambua: Uelewa wa Msingi & Ukosoaji

Uelewa wa Msingi: Mchango wa kweli wa karatasi hii sio tu mfano mwingine wa Bayes; ni mabadiliko ya kimkakati kutoka kupambana na "laana ya ukubwa" katika njia zisizo na parameta za uwanja wa wakati hadi kutumia "baraka ya laini" katika uwanja wa masafa. Kwa kuweka usambazaji wa awali wa Mchakato wa Gaussian moja kwa moja kwenye msongamano wa wimbi wa logarithimu, waandishi wameepuka kwa ustadi uteuzi mgumu wa upana wa ukanda wa wakadiriaji wa kiini. Hii ni sawa na falsafa nyuma ya miundo mizuri ya uzalishaji ya kina kama CycleGAN (Zhu et al., 2017), ambayo hutumia mizunguko ya kupingana kujifunza uchoraji ramani bila data iliyooanishwa—karatasi zote mbili zinatatua tatizo gumu kwa kuuunda tena katika nafasi inayoweza kushughulikiwa zaidi (masafa kwa mfululizo wa wakati, mizunguko ya picha kwa tafsiri).

Mtiririko wa Mantiki: Hoja ni thabiti: 1) Dhana za parameta kwenye makosa ni dhaifu na husababisha uundaji vibaya (kweli, ona fasihi nyingi juu ya kutokukamilika kwa mfano wa GARCH). 2) Njia zisizo na parameta za kawaida zina kasoro mbaya (uteuzi wa upana wa ukanda). 3) Nenda kwa Bayes na nenda kwenye uwanja wa masafa ambapo usambazaji wa awali wa GP hufanya kazi kama lainisheri otomatiki. 4) Usisahau volatilite—iunde pia kwa kubadilika kwa splines. 5) Thibitisha kuwa inafanya kazi kwenye kiwango cha juu cha kulinganisha katika fedha: kushinda Mwendo wa Nasibu katika forex.

Nguvu & Kasoro: Nguvu: Uchanganyiko wa njia ni wa busara. Kuchanganya usambazaji wa awali wa GP kwa spectra na splines kwa volatilite ni mchanganyiko wenye nguvu kwa mfululizo wa wakati wa kifedha. Ushindi wa kimajaribio dhidi ya RW una maana; kama kazi muhimu ya Meese na Rogoff (1983) ilivyothibitisha, hii ni kiwango cha juu sana. Msimbo uko kwenye GitHub (junpeea) ni faida kubwa kwa uwezekano wa kurudiwa. Kasoro: Gharama ya hesabu ndiyo tatizo kubwa. MCMC kwa usambazaji wa awali wa GP kwenye spectra, pamoja na ukadiriaji wa volatilite, ni nzito. Karatasi hii haizungumzii juu ya makadirio ya kisasa ya tofauti au GP fupi ili kuongeza kiwango hiki. Zaidi ya hayo, uchaguzi wa B-splines kwa volatilite, ingawa una kubadilika, haueleweki vizuri kuliko miundo ya volatilite ya nasibu yenye hali za siri. Ulinganisho wa utabiri, ingawa mzuri, unapaswa kujumuisha viwango vya kisasa zaidi vya kulinganisha kama vile LSTM za kujifunza kwa kina au miundo ya msingi ya Transformer, ambayo inakuwa kawaida katika fedha za masafa ya juu (kama inavyoonekana katika rasilimali kutoka Taasisi ya Stanford ya Utafiti wa Sera ya Kiuchumi).

Uelewa Unaoweza Kutekelezwa: Kwa wataalamu wa hisabati ya fedha na wachambuzi wa uchumi: Hii ni mpango wa kujenga miundo thabiti, ya kimuundo ya nusu ya kutabiri. Hitimisho ni kuacha kulazimisha miundo ya makosa ndani ya masanduku ya ARMA au GARCH. Tekeleza njia ya GP ya msingi wa wimbi kwa mfano wowote ambapo uchunguzi wa mabaki unaonyesha otokorilisho changamano. Kwa watafiti wa matumizi, tumia hii kama njia bora mbadala kwa makosa ya kawaida ya Newey-West wakati kutegemeana hakujulikani. Baadaye iko katika miundo mseto: ingiza moduli hii ya makosa isiyo na parameta ndani ya VAR kubwa za kimuundo au mifumo ya sasa ya kutabiri. Nafasi kubwa zaidi iko katika kuunganisha njia hii ya GP ya uwanja wa masafa na Hamiltonian Monte Carlo (HMC) katika Stan au PyMC kwa utekelezaji wa vitendo na unaoweza kuongezeka kiwango.

6. Mfano wa Kesi ya Mfumo wa Uchambuzi

Hali: Kuchambua mapato ya kila siku ya fedha za kidijitali (k.m., Bitcoin) ili kutabiri volatilite yake na muundo wa kutegemeana, ambao unajulikana kuwa changamano na usio na usawa.

Hatua za Utumizi wa Mfumo:

  1. Uainishaji wa Mfano: Fafanua mfano rahisi wa wastani (k.m., wastani wa kudumu au urejeshaji kwenye mapato ya zamani). Lengo liko kwenye neno la kosa $\epsilon_t$.
  2. Usambazaji wa Awali wa Bayes:
    • Msongamano wa Wimbi ($\lambda(\omega)$): Weka usambazaji wa awali wa Mchakato wa Gaussian na kiini cha Matérn kwenye $\log \lambda(\omega)$ ili kukamata kutegemeana laini lakini kunaweza kuwa na kumbukumbu ndefu.
    • Volatilite Inayobadilika kwa Muda ($\sigma^2_t$): Tumia B-spline ya ujazo na mafundo 20-30 kwenye mfululizo wa wakati ili kuunda $\log \sigma^2_t$. Weka usambazaji wa awali wa kudhibiti (k.m., mwendo wa nasibu) kwa vigawo vya spline ili kuzuia uundaji kupita kiasi.
    • Vigawo vya Urejeshaji ($\beta$): Tumia usambazaji wa awali wa kawaida wenye habari dhaifu (k.m., Usambazaji wa Kawaida na tofauti kubwa).
  3. Uhakiki: Tumia sampuli ya Markov Chain Monte Carlo (MCMC) (k.m., kupitia Stan au sampuli ya Gibbs maalum) ili kupata usambazaji wa pamoja wa baadae wa vigezo vyote: $p(\lambda(\cdot), \sigma^2_{1:T}, \beta | \text{data})$.
  4. Matokeo & Tafsiri:
    • Chunguza wastani wa baadae wa $\lambda(\omega)$ ili kutambua masafa makuu ya kutegemeana (k.m., mizunguko ya muda mfupi dhidi ya muda mrefu).
    • Chambua trajectory ya baadae ya $\sigma^2_t$ ili kutambua vipindi vya volatilite ya juu na ya chini (k.m., inayolingana na matukio ya soko).
    • Zalisha utabiri kwa kuiga njia za baadaye kutoka kwa usambazaji wa utabiri wa baadae, ukijumuisha kutegemeana na volatilite iliyokadiriwa.

Mfumo huu hutoa maelezo kamili ya uwezekano wa mienendo ya mfululizo bila kudhani fomu maalum ya ARMA-GARCH, na kufanya iweze kubadilika kwa sifa za kipekee za masoko ya fedha za kidijitali.

7. Mtazamo wa Matumizi & Mwelekeo wa Baadaye

Matumizi ya Haraka:

  • Utabiri wa Kifedha wa Kimakro: Kuboresha miundo ya sasa ya kutabiri kwa GDP, mfumuko wa bei, au fahirisi za msongo wa kifedha kwa kutoa muundo bora wa makosa kwa miundo yenye viashiria vingi.
  • Usimamizi wa Hatari: Kuboresha mahesabu ya Thamani-katika-Hatari (VaR) na Upungufu Unaotarajiwa (ES) kwa portfoli za mali kwa kuunda kwa usahihi zaidi kutegemeana kwa pamoja na volatilite ya pembezoni ya mapato.
  • Hesabu za Hali ya Hewa: Kuunda muundo wa kumbukumbu ndefu na heteroskedasticity katika mfululizo wa joto au uzalishaji wa kaboni, ambapo miundo ya kawaida ya parameta inaweza kushindwa.

Mwelekeo wa Utafiti wa Baadaye:

  1. Uwezo wa Kuongezeka kwa Hesabu: Kuunganisha makadirio ya mchakato wa Gaussian fupi au uhakiki wa tofauti ili kushughulikia mfululizo wa wakati wa masafa ya juu au mrefu sana.
  2. Panua kwa Vigezo Vingi: Kukuza usambazaji wa awali wa GP wa matrix-variate kwa msongamano wa wimbi wa msalaba wa mchakato wa makosa ya vekta, muhimu kwa uchambuzi wa portfolio.
  3. Unganisho na Kujifunza kwa Kina: Kutumia ukadiriaji wa msongamano wa wimbi kama kipengele au kirekebishaji katika miundo ya mfululizo wa wakati ya msingi wa mtandao wa neva (k.m., Vigeugeu vya Muunganisho wa Muda).
  4. Ukadiriaji wa Wakati Halisi: Kukuza toleo la Sequential Monte Carlo (kuchuja chembe) la njia hii kwa utabiri wa mtandaoni na ufuatiliaji.
  5. Uhakiki wa Sababu: Kutumia mfano wa makosa unaokubalika ndani ya mifumo ya matokeo yanayowezekana kwa mfululizo wa wakati ili kupata makosa ya kawaida thabiti zaidi kwa athari za matibabu.
Njia hii huweka msingi wa darasa jipya la miundo ya mfululizo wa wakati "isiyojali" ambayo ni thabiti dhidi ya uundaji vibaya, mwelekeo unaoungwa mkono sana na watafiti wa Bodi ya Kitaifa ya Utafiti wa Kiuchumi (NBER) kwa uchumi wa kimakro wa kimajaribio.

8. Marejeo

  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). A note on the stationarity of GARCH-type models with time-varying parameters. Economics Letters, 149, 30-33.
  3. Dey, D., Kim, K., & Roy, A. (2018). Bayesian nonparametric estimation of spectral density for time series. Journal of Econometrics, 204(2), 145-158.
  4. Kim, K. (2011). Hierarchical Bayesian analysis of structural instability in macroeconomic time series. Studies in Nonlinear Dynamics & Econometrics, 15(4).
  5. 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 (pp. 2223-2232).
  6. Meese, R. A., & Rogoff, K. (1983). Empirical exchange rate models of the seventies: Do they fit out of sample? Journal of international economics, 14(1-2), 3-24.
  7. Whittle, P. (1953). Estimation and information in stationary time series. Arkiv för Matematik, 2(5), 423-434.