📊 statistics

Consistent Variable Selection for GARCH-X Models

تقترح هذه الورقة وتتحقق من صحة إجراء اختيار متغيرات متسق لنماذج GARCH-X يستخدم إحصاءات من نوع "والد" (Wald-type) والتحكم في معدل الاكتشاف الخاطئ لـ "بنجاميني-يكوتيلي" (Benjamini-Yekutieli) لتحديد المتغيرات الخارجية ذات الصلة التي تؤثر على ديناميكيات التقلب بدقة.

المؤلفون الأصليون: Adriano Zanin Zambom, Beck Saunders

نُشر 2026-04-29

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Adriano Zanin Zambom, Beck Saunders

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بمدى "عصف" أو "اضطراب" سوق الأسهم غداً. في عالم التمويل، يُسمى هذا الاضطراب التقلب (Volatility).

لفترة طويلة، امتلك الاقتصاديون أداة تسمى نموذج GARCH للتنبؤ بهذه العواصف. فكر في هذه الأداة كأنها دوارة رياح لا تنظر إلا إلى الرياح التي شعرت بها للتو. إذا كانت الرياح عاصفة بالأمس، فإن الأداة تخمن أنها ستكون عاصفة اليوم. إنها جيدة في النظر إلى الماضي، لكنها تتجاهل حقيقة أن الطقس قد يتغير بسبب شيء يحدث بعيداً، مثل تغير مفاجئ في التيار النفاث أو ثوران بركاني.

في العالم الحقيقي، غالباً ما يكون تقلب سوق الأسهم مدفوعاً بـ عوامل خارجية (متغيرات خارجية) مثل سعر النفط، أو قيمة الذهب، أو أداء مؤشرات أسهم أخرى. تقدم هذه الورقة البحثية طريقة جديدة لمساعدة الاقتصاديين في معرفة أي من هذه العوامل الخارجية له تأثير فعلي وأيها مجرد ضجيج.

إليك شرح لأفكار الورقة البحثية باستخدام تشبيهات بسيطة:

1. المشكلة: نهج "سكب كل ما في الخزانة"

تخيل أنك طاهٍ يحاول صنع حساء مثالي (نموذج التقلب). لديك خزانة ضخمة تحتوي على 100 نوع مختلف من التوابل (متغيرات خارجية مثل النفط، والذهب، والقمح، والصلب، إلخ).

الطريقة القديمة: معظم الطهاة سيقومون ببساطة بسكب كل شيء في القدر لضمان السلامة، آملين أن تخرج النكهة صحيحة. هذا يسمى "النموذج الكامل"، وهو نموذج فوضوي، يصعب تذوقه، ومعقد للغاية.
التحدي: إذا حاولت اختبار كل التوليفات الممكنة من التوابل لمعرفة أي منها ضروري، فستحتاج إلى إجراء اختبارات أكثر من عدد النجوم في السماء. إنه أمر مستح المستحيل حسابياً.

2. الحل: "المحقق الذكي"

طور المؤلفان، أدريانو زانين زامبوم وبيك سوندرز، طريقة "المحقق الذكي" للعثور على التوابل الأساسية حقاً دون اختبار كل توليفة بمفردها.

تعمل طريقتهم عبر ثلاث خطوات:

الاستجواب (اختبار الفرضيات): يسألون كل نوع من التوابل: "هل تغير نكهة الحساء حقاً، أم أنك مجرد ماء؟". يعطون كل نوع من التوابل درجة (قيمة p-value) بناءً على قوة الأدلة التي يقدمها.
الفلتر (معدل الاكتشاف الخاطئ): هذا هو الجزء الصعب. إذا طرحت 100 سؤال، فقد تحصل على بعض الإجابات بـ "نعم" بمحض الصدفة فقط (إنذارات كاذبة). ولإصلاح ذلك، يستخدمون قاعدة خاصة تسمى إجراء بنجاميني-يكوتيلي (Benjamini–Yekutieli procedure).
- تشبيه: تخيل حارس أمن يفحص 100 شخص بحثاً عن سلاح. إذا كان الحارس صارماً جداً، فقد يوقف أشخاصاً أبرياء. وإذا كان متساهلاً جداً، فقد يسمح للمجرمين بالمرور. هذه القاعدة هي ضبط رياضي "مثالي" (Goldilocks setting) يضمن أن يمسك الحارس بالأشرار (المتغيرات ذات الصلر) مع إبقاء عدد الأشخاص الأبرياء الذين يتم إيقافهم (الإنذارات الكاذبة) منخفضاً جداً.
الحكم: تحتفظ الطريقة فقط بالتوابل التي تجتاز الاختبار وتستبعد الباقي.

3. الوعد: التحسن مع مرور الوقت

تثبت الورقة البحثية رياضياً أن هذا "المحقق الذكي" يصبح أكثر ذكاءً كلما رأى المزيد من البيانات.

التشبيه: تخيل محاولة سماع همس في غرفة صاخبة. إذا كانت الغرفة صغيرة (بيانات قليلة)، فقد تخطئ وتظن أن السعال هو همس. ولكن مع كبر حجم الغرفة واستقرار الضجيج (حجم عينة أكبر)، يصبح المحقق متأكداً بنسبة 100% من هو الشخص الذي يهمس ومن هو الشخص الذي يسعل فقط.
يظهر المؤلفون أنه كلما غذوا النموذج بمزيد ومزيد من البيانات التاريخية، فإنه سيحدد في النهاية المجموعة الدقيقة من العوامل الخارجية التي تقود التقلب، بدقة تقارب الكمال.

4. الإثبات: عمليات المحاكاة والحياة الواقعية

لإثبات نجاح طريقتهم، قاموا بشيئين:

مختبر المحاكاة: أنشأوا بيانات وهمية لسوق الأسهم في جهاز كمبيوتر، وخلطوا فيها بعض المحركات "الحقيقية" وبعض الضجيج "الوهمي". واختبروا طريقتهم على هذه البيانات الوهمية مع أنواع مختلفة من "الطقس" (توزيعات طبيعية وتوزيعات ذات ذيول ثقيلة "عواصف"). وجدت الطريقة باستمرار المحركات الحقيقية وتجاهلت الضجيج، خاصة عندما كانت مجموعة البيانات كبيرة.
اختبار العالم الحقيقي: طبقوا ذلك على S&P 500 (مؤشر سوق الأسهم الأمريكي الكبير). قاموا بتغذية النموذج ببيانات عن مختلف السلع (النفط، الذهب، القمح) ومؤشرات أسهم أخرى (NASDAQ، Dow Jones).
- النتيجة: قرر النموذج أن NASDAQ والنفط الخام هما أهم عاملين خارجيين يؤثران على تقلب S&P 500. كما أشار إلى أن الصلب قد يكون مهماً قليلاً، لكن معظم السلع الأخرى (مثل الذهب أو الأرز) كانت مجرد ضجيج.
- الفائدة: كان النموذج الذي يستخدم هذه العوامل القليلة المختارة أبسط وأكثر كفاءة من النموذج الذي حاول استخدام جميع العوامل، ومع ذلك فقد توقع "عصف" السوق بنفس الكفاءة.

ملخص

تقدم هذه الورقة البحثية طريقة موثوقة ومثبتة رياضياً لتنقية النماذج المالية. فبدلاً من حشو النموذج بكل عامل خارجي ممكن، تعمل هذه الطريقة كفلتر، حيث تسمح فقط بالمتغيرات التي تهم حقاً. وهي تضمن أنه مع جمعنا لمزيد من البيانات، يصبح فهمنا لما يدفع تقلب السوق أكثر حدة، وبساطة، ودقة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "اختيار المتغيرات المتسق لنماذج GARCH-X" من إعداد أدريانو زانين زامبوم وبيك سوندرز.

1. بيان المشكلة

غالبًا ما يعتمد نمذجة التقلبات المالية على نماذج GARCH (النموذج الذاتي الانحدار لتباين الخطأ المشروط غير المتجانس). وبينما تلتقط نماذج GARCH القياسية ديناميكيات التقلب الداخلية (الصدمات الماضية والتقلبات الماضية)، تشير الأدلة التجريبية إلى أن العوامل الخارجية (Exogenous factors) — مثل المؤشرات الاقتصادية الكلية، أو كثافة الأخبار، أو أسعار السلع — تؤثر بشكل كبير على التقلب.

يقوم نموذج GARCH-X بتوسيع الإطار القياسي ليشمل هذه المتغيرات الخارجية. ومع ذلك، يبرز تحدٍ حرج عندما يكون عدد المتغيرات المحتملة كبيرًا:

صعوبة اختيار النموذج: تركز الطرق الحالية بشكل أساسي على اختيار رتبة النموذج (على سبيل المثال، تحديد $p$ و $q$ في GARCH( $p,q$ )) بدلاً من اختيار متغيرات خارجية محددة.
العبء الحسابي: إن الاختبار الشامل لجميع مجموعات المتغيرات الخارجية باستخدام المعايير الجزائية (مثل BIC أو AIC) هو أمر مكلف حسابيًا عندما يكون عدد المتغيرات متوسطًا إلى كبير.
الافتقار إلى الضمانات النظرية: لم يكن هناك إجراء قائم بضمانات نظرية للاتساق مخصص لاختيار المتغيرات الخارجية في نماذج التقلب. الهدف هو تحديد المجموعة "الحقيقية" من المتغيرات الخارجية ذات الصلة التي تقود التقلب مع استبعاد المتغيرات غير ذات الصلة.

2. المنهجية

يقترح المؤلفون إجراءً متسقًا لاختيار المتغيرات يعتمد على إطار اختبار الفرضيات المتعددة المقترن بالتحكم في معدل الاكتشاف الخاطئ (FDR).

أ. إطار النموذج

تستخدم الورقة نموذج GARCH( $p,q$ )-X:
$\epsilon_t = \sigma_t w_t$
$\sigma_t^2(\theta) = \omega + \sum_{i=1}^p \alpha_i \epsilon_{t-i}^2 + \sum_{j=1}^q \beta_j \sigma_{t-j}^2 + \gamma^T X_{t-1}$
حيث $X_{t-1}$ هو متجه من $d$ من المتغيرات الخارجية، و $\gamma = (\gamma_1, \dots, \gamma_d)'$ يمثل المعاملات المراد اختبارها. الهدف هو استعادة مجموعة المؤشر الحقيقية $I_0 = \{k : \gamma_k \neq 0\}$ .

ب. اختبار الفرضيات

لكل متغير خارق، يصيغ المؤلفون اختبار فرضية أحادي الجانب:

$H_0^k: \gamma_k = 0$ (المتغير الخارجي غير ذي صلة)
$H_1^k: \gamma_k > 0$ (المتغير الخارقي ذو صلة)

يستخدم المؤلفون مقدر الاحتمال الأقصى شبه المعتاد (QMLE) $\hat{\theta}_n$ . وبموجب الشروط المنتظمة (التي وضعها فرانسك وثيو، 2019)، فإن المقدر متسق وتوزيعه طبيعي تقاربيًا (مشروع على فضاء المعلمات بسبب قيود عدم السالبية).

إحصائية الاختبار لكل متغير خارق هي إحصائية من نوع والد (Wald-type statistic):
$t_n(k) = \frac{\sqrt{n} e_k^T \hat{\theta}_n}{\sqrt{e_k^T \hat{\Sigma}_n e_k}}$
حيث $\hat{\Sigma}_n$ هو مصفوفة التباين والتباين المشترك التقاربية المقدرة. ونظرًا للقيد الإيجابي على المعلمات، فإن الإحصائية المربعة $t_n^2(k)$ تتبع توزيع "تشي-بار-سكواير" (chi-bar-square distribution) (وهو مزيج من كتلة نقطية عند 0 وتوزيع $\chi^2_1$ ).

ج. اختيار المتغيرات عبر التحكم في FDR

بدلاً من استخدام مستوى معنوية ثابت (والذي يؤدي إلى ارتفاع أخطاء النوع الأول في الاختبارات المتعددة)، يطبق المؤلفون إجراء بنجاميني-يكوتيلي (2001) للتحكم في معدل الاكتشاف الخاطئ (FDR).

حساب القيم الاحتمالية (p-values) $\pi_k$ لجميع المتغيرات $d$ .
ترتيب القيم الاحتمالية: $\pi_{(1)} \leq \dots \leq \pi_{(d)}$ .
تحديد أكبر مؤشر $\ell$ بحيث:
$\pi_{(k)} \leq \frac{k}{d} \frac{\alpha_n}{\sum_{l=1}^d l^{-1}}$
رفض الفرضيات الصفرية لأول $\ell$ من المتغيرات. تتكون المجموعة المختارة $\hat{I}$ من مؤشرات هذه الفرضيات المرفوضة.

د. شروط الاتساق

ثبت أن الطريقة متسقة (أي $P(\hat{I} = I_0) \to 1$ عندما $n \to \infty$ ) بموجب شروط محددة:

الشرط (C1): يجب أن تنخفض التباينات التقاربية للمقدرات بسرعة كافية بالنسبة لحجم العينة ( $\sigma_{kk} < n/\log(n)$ ).
قوة الإشارة: يجب أن يتلاشى مستوى المعنوية $\alpha_n$ إلى 0 بمعدل محدد ( $\alpha_n = o(e^{-cn})$ ) مع زيادة حجم العينة، مما يسمح للطريقة بالتمييز بين الإشارات الحقيقية والضوضاء حتى لو تضاءلت قوة الإشارة.

3. المساهمات الرئيسية

الاتساق النظري: توفر الورقة أول إثبات رسمي بأن قاعدة اختيار المتغيرات القائمة على التحكم في FDR متسقة لنماذج GARCH-X، مما يضمن استعادة المجموعة الحقيقية للمتغيرات الخارجية تقاربيًا.
التعامل مع القيود: تراعي المنهجية صراحةً قيود عدم السالبة لمعلمات GARCH، باستخدام توزيع "تشي-بار-سكواير" الصحيح لحساب القيم الاحتمالية بدلاً من التقريبات الطبيعية القياسية.
الكفاءة الحسابية: من خلال تجنب البحث الشامل عبر جميع المجموعات الفرعية واستخدام إجراء "step-up" لـ FDR، تتوسع الطريقة بكفاءة مع عدد المتغيرات.
المتانة تجاه تلاشي الإشارة: يسمح الإطار النظري بـ "تلاشي قوة الإشارة"، مما يعني أن الطريقة تعمل حتى لو أصبح حجم التأثير للمتغيرات ذات الصلة أصغر مع نمو حجم العينة، بشرين ألا يكون التلاشي سريعًا جدًا.

4. النتائج

أ. محاكاة مونت كارلو

أجرى المؤلفون عمليات محاكاة واسعة النطاق عبر أربعة سيناريوهات:

السيناريوهان 1 و 2: نموذج GARCH(1,1)-X مع متغيرات مستقلة ومتغيرات مرتبطة تتلاشى أسيًا.
السيناريوهان 3 و 4: نموذج GARCH(2,1)-X مع متغيرات مستقلة ومرتبطة.
التوزيعات: تم إنشاء الأخطاء من توزيع طبيعي، وتوزيع $t$ ستودنت (مع درجات حرية 5 و 7) لاختبار المتانة ضد الذيول الثقيلة.
أحجام العينات: $n = 500, 1000, 5000, 10000$ .

النتائج الرئيسية:

الدقة: مع زيادة حجم العينة، حددت الطريقة المتغيرات ذات الصلة باحتمالية تقترب من 1. بالنسبة لـ $n=5000$ و $n=10000$ ، كانت معدلات الاختيار للمتغيرات الحقيقية قريبة من 100%، بينما كانت معدلات الاختزام الخاطئة للمتغيرات غير ذات الصلة ضئيلة (أقل من 5%).
المتانة: أدت الطريقة أداءً جيدًا تحت التوزيعات ذات الذيول الثقيلة (توزيع $t$ ستودنت)، وإن كان التقارب أبطأ قليلاً مقارنة بالحالة الطبيعية.
معايير اختيار النموذج: حققت النماذج التي اختارتها الطريقة المقترحة باستمرار قيم BIC و AIC أقل (أفضل) مقارنة بـ "النموذج الكامل" (جميع المتغيرات) و "النموذج الصفري" (لا متغيرات) عند أحجام العينات الكبيرة، مما يظهر مقايضة مثالية بين البساطة والملائمة.

ب. تطبيق على بيانات حقيقية: تقلب S&P 500

تم تطبيق الطريقة على عوائد S&P 500 اليومية (من يناير 2000 إلى مايو 2025) باستخدام 9 متغيرات خارجية (نازداك، داو جونز، النفط الخام، الغاز الطبيعي، الذهب، البالاديوم، الأرز، الصلب، القمح).

نتائج الاختيار: عند مستوى معنوية معدل قدره 0.05، اختارت الإجراءات النازداك و النفط الخام كالمحركين الوحيدين ذوي الدلالة الإحصائية. وكان الصلب ذا دلالة هامشية.
مقارنة النماذج:
- النموذج المختار (النازداك + النفط الخام) سجل BIC بقيمة 141,721.2 و AIC بقيمة 141,689.4.
- النموذج الكامل (جميع المتغيرات التسعة) سجل BIC أعلى (141,792.3) و AIC أعلى (141,715.9)، مما يشير إلى الإفراط في التخصيص (Overfitting).
- النموذج الصفري (بدون متغيرات) كان أداؤه أسوأ من النموذج المختار من حيث AIC، مما يؤكد أن العوامل الخارجية تضيف قوة تفسيرية.
الاستنتاج: قدم النموذج المختار تفسيرًا أكثر إيجازًا وقابلية للتفسير لتقلبات S&P 500، حيث التقط توجهات السوق (النازداك) وصدمات الطاقة/التضخم (النفط) دون تعقيد غير ضروري.

5. الأهمية

تسد هذه الورقة فجوة حرجة في الاقتصاد القياسي المالي من خلال توفير أداة رصينة، ذات أساس نظري، ومجدية حسابيًا لاختيار المتغيرات في نمذجة التقلب.

الفائدة العملية: تسمح للباحثين والممارسين بتحديد المؤشرات الاقتصادية الكلية أو المالية التي تقود تقلبات السوق فعليًا بشكل موضوعي، وتجنب نهج "رمي كل شيء في النموذج" (Kitchen sink approach) عبر تضمين جميع البيانات المتاحة.
التقدم النظري: توسع تطبيق التحكم في FDR من سياقات الانحدار إلى نماذج السلاسل الزمنية غير الخطية وغير المتجانسة مع قيود معلمات معقدة.
إدارة المخاطر: من خلال تحديد المحركات الحقيقية للتقلب، تحسن الطريقة من دقة أدوات إدارة المخاطر (مثل القيمة المعرضة للخطر - VaR) ونماذج تسعير الأصول، خاصة خلال فترات ضغوط السوق حيث تكون العوامل الخارجية أكثر تأثيرًا.