Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law

فيما يلي ملخص تقني مفصل للورقة البحثية بعنوان "نمذجة عوائد الأسهم وتقلباتها باستخدام قانون غاما-لابلاس العام ثنائي المتغير" من إعداد كوزوبوفي، وسارانتسيف، وسبايكر.

1. بيان المشكلة

تتناول الورقة تحديين رئيسيين في النمذجة المالية والاستدلال الإحصائي:

1. قصور النماذج أحادية المتغير: بينما يُستخدم توزيع "لابلاس العام غير المتماثل" (GAL) -المعروف أيضاً بتوزيع "فاريانس-غاما" (Variance-Gamma)- على نطاق واسع لنمذجة عوائد الأصول لقدرته على التقاط الذيول الثقيلة والالتواء، إلا أنه يُدرس عادةً في سياق أحادي المتغير. وفي هذا السياق، يكون متغير "غاما" المختلط (الذي يمثل التقلب العشوائي أو "زمن الأعمال") غير ملاحظ، مما يجعل تقدير الاحتمال الأقصى (MLE) معقداً ومكثفاً حاسوبياً.
2. التعامل مع التقلب الملاحظ: في العديد من السياقات المالية، تُلاحظ مؤشرات التقلب (مثل VIX) جنباً إلى جنب مع عوائد الأصول. غالباً ما تعامل نماذج التقلب العشوائي القياسية التقلب كمتغير كامن (خفي)، مما يتطلب تقنيات ترشيح معقدة (مثل نماذج ماركوف المخفية). يسعى المؤلفون إلى إطار عمل يتم فيه نمذجة كل من العائد ووكيل التقلب بشكل مشترك كمتغيرات عشوائية ملاحظة.

2. المنهجية: نموذج BGGL

قدم المؤلفون توزيع "غاما-لابلاس العام ثنائي المتغير" (BGGL). وهو امتداد ثنائي المتغير لتوزيع GAL القياسي حيث يكون متغير "غاما" المختلط ملاحظاً.

• التمثيل العشوائي: ليكن $Z \sim N(0,1)$ و $X \sim \text{GAM}(\alpha, \beta)$ متغيرين مستقلين. يتم تعريف المتجه العشوائي $(X, Y)$ كالتالي:
  $$Y = \delta + \mu X + \sigma \sqrt{X} Z$$
  هنا، يمثل $X$ وكيل التقلب الملاحظ (أو زمن الأعمال)، ويمثل $Y$ عائد الأصل.
• الكثافة المشتركة: تم اشتقاق دالة الكثافة الاحتمالية (PDF) المشتركة لـ $(X, Y)$ بشكل صريح. وقد تبين أن التوزيع الشرطي $Y|X$ هو توزيع طبيعي (Gaussian)، بينما توزيع $X$ الهامشي هو توزيع "غاما"، وتوزيع $Y$ الهامشي هو توزيع GAL.
• بنية العائلة الأسية: أظهر المؤلفون أن عائلة BGGL هي عائلة أسية منحنية. وعلى الرغم من امتلاكها 5 معاملات ($\alpha, \beta, \delta, \mu, \sigma$)، إلا أن إحصائياتها الكافية تغطي فضاءً ذو 6 أبعاد. هذه البنية غير القياسية حاسمة لفهم سلوك المقدرات.
• معلومات فيشر: اشتق الورقة "مصفوفة معلومات فيشر" (FIM). والنتيجة الرئيسية هي أنه بالنسبة لمعامل الشكل $\alpha \le 1$، تصبح مصفوفة FIM منفردة (لانهائية) لبعض المعاملات (تحديداً المتعلقة بـ $\delta$)، مما يشير إلى سلوك تقاربي غير قياسي.

3. المساهمات الرئيسية

تقدم الورقة ثلاث مساهمات نظرية ومنهجية رئيسية:

1. تبسيط تقدير الاحتمال الأقصى (MLE):
   على عكس نموذج GAL أحادي المتغير حيث يتطلب MLE تحسيناً عددياً لدالة احتمالية معقدة، يسمح الصياغة ثنائية المتغير بوجود حلول صريحة وذات صيغة مغلقة لمعاملات الموقع ($\delta$)، والالتواء ($\mu$)، والمقياس ($\sigma$).

   • تتوافق مقدرات $\delta$ و $\mu$ لـ MLE تماماً مع مقدرات المربعات الصغرى في نموذج انحدار خطي موزون (تحديداً نموذج انحدار بدون تقاطع حيث يتناسب تباين الخطأ مع $X$).
   • يتم اشتقاق مقدرات $\alpha$ و $\beta$ لـ MLE من التوزيع الهامشي لـ $X$ وهي متاحة بصيغة مغلقة (تتضمن دالة "دي-غاما").

2. نظرية التقارب غير القياسية:
   أثبت المؤلفون أن معدلات تقارب MLE تعتمد بشكل حاسم على معامل الشكل $\alpha$ لتوزيع "غاما" المختلط:

   • الحالة $\alpha > 1$: تكون المقدرات طبيعية تقاربياً مع معدل تقارب $\sqrt{n}$ القياسي.
   • الحالة $\alpha = 1$: يتقارب المقدر $\hat{\delta}$ بمعدل $\sqrt{n \ln n}$، ويظل التوزيع الحدّي طبيعياً ولكن مع بنية تباين مختلفة.
   • الحالة $\alpha < 1$: يتسارع معدل التقارب للمقدر $\hat{\delta}$ إلى $n^{1/(2\alpha)}$ (أسرع من $\sqrt{n}$). والأهم من ذلك، أن التوزيع الحدّي هو توزيع مستقر غير طبيعي (non-Gaussian) يتضمن مُندرج مستقر ($\xi_\alpha$). هذه ظاهرة نادرة حيث يتقارب MLE بشكل أسرع من المعدل القياسي ولكنه يفقد خاصية التوزيع الطبيعي.

3. إطار التطبيق المالي:
   تقترح الورقة طريقة مبتكرة لنمذجة عوائد الأسهم والتقلب بشكل مشترك. بدلاً من معاملة التقلب كحالة كامنة، يقومون بتحويل مؤشر التقلب الملاحظ (VIX) إلى متغير يتبع توزيع "غاما" ونمذجة الزوج $(X, Y)$ مباشرة. وهذا يتجنب الحاجة إلى نماذج ماركوف المخفية.

4. النتائج الرئيسية

• خصائص المقدرات:

  • المقدرات $\hat{\delta}_n$ و $\hat{\mu}_n$ غير متحيزة.
  • بالنسبة لـ $\alpha > 1$، يكون التوزيع المشترك للمقدرات طبيعياً متعدد المتغيرات تقاربياً مع مصفوفة تباين-تباين قطرية كتلية، مما يعني الاستقلال التقاربي بين معاملات "غاما" ومعاملات الانحدار.
  • بالنسبة لـ $\alpha \le 1$، يصبح المقدران $\hat{\delta}_n$ و $\hat{\mu}_n$ مستقلين تقاربياً، وهي خاصية غير موجودة في حالة $\alpha > 1$.

• دراسة المحاكاة:
  تؤكد عمليات المحاكاة بأحجام عينات $n=50$ و $n=500$ النتائج النظرية.

  • بالنسبة لـ $\alpha = 1$ و $\alpha = 0.25$، يكون جذر متوسط مربع الخطأ (RMSE) لـ $\delta$ منخفضاً جداً، وهو ما يتوافق مع معدلات التقارب الأسرع.
  • بالنسبة لـ $\alpha = 2$ و $\alpha = 5$، يزدل RMSE لـ $\delta$، مما يعكس معدل التقارب الأبطأ $\sqrt{n}$ وتأثير الذيول الثقيلة في توزيع الخلط.

• التطبيق التجريبي:
  طُبق النموذج على البيانات الأسبوعية (2019–2024) لثلاثة مؤشرات أمريكية رئيسية: S&P 500، وDJIA، وNASDAQ 100، مقترنة بمؤشرات التقلب الخاصة بها (VIX، VXD، VXN).

  • النتائج: قدم نموذج BGGL ملاءمة مرضية لجميع المؤشرات الثلاثة.
  • التشخيص: أظهرت مخططات الكمي-الكمي (QQ plots) أن البواقي (المستخرجة من الانحدار) كانت تقترب جيداً من التوزيع الطبيعي القياسي، وأن متغير التقلب المحول $X$ ناسب توزيع "غاما" بشكل جيد.
  • التفسير: يفسر المؤلفون المتغير $X$ على أنه التقلب "غير المتوقع" أو "المفاجئ" (الانحراف عن التوقع ذاتي الانحدار)، مما يسمح للنموذج بالتقاط الديناميكيات المشتركة لصدمات العائد والتقلب باستخدام افتراضات (IID) بدلاً من الاعتماديات الزمنية المعقدة.

5. الأهمية

• الكفاءة الحسابية: من خلال ملاحظة متغير الخلط، تحول البحث من مشكلة تحسين غير خطية صعبة إلى مشكلة انحدار خطي بسيطة، مما جعل تقدير المعاملات أكثر سهولة وقابلية للتطبيق.
• الرؤية النظرية: إن اكتشاف معدلات التقارب فائقة السرعة ($n^{1/(2\alpha)}$) المقترنة بحدود غير طبيعية لـ $\alpha < 1$ يضيف حالة جديدة هامة للأدبيات المتعلقة بالسلوك التقاربي غير القياسي لـ MLE.
• النمذجة المالية العملية: يقدم هذا النهج بديلاً موجزاً لنماذج التقلب العشوائي (SV) وGARCH المعقدة. فمن خلال معاملة التقلب كمدخل ملاحظ بدلاً من حالة كامنة، يسهل النموذج التوزيع المشترك للعوائد والتقلب، وهو أمر ضروري لإدارة المخاطر وتسعير المشتقات.

في الختام، نجحت الورقة في جسر الفجوة بين الاحتمالات النظرية (الخلائط ثنائية المتغير، والقوانين المستقرة) والاقتصاد القياسي المالي العملي، من خلال تقديم نموذج قوي وقابل للتحليل رياضياً لعوائد الأصول المدفوعة بالتقلب الملاحظ.