📈 economics

Spot Regressions with Candlesticks

यह शोध पत्र स्पॉट रिग्रेशन के लिए एक नए अनुमान और निष्कर्ष ढांचे को प्रस्तुत करता है जो उच्च-आवृत्ति वाले कैंडलस्टिक डेटा (उच्च और निम्न कीमतों सहित) का लाभ उठाकर पारंपरिक रिटर्न-आधारित विधियों की तुलना में अधिक सटीक स्पॉट बीटा अनुमान और अधिक शक्तिशाली परिकल्पना परीक्षण उत्पन्न करता है, जैसा कि बिटकॉइन की मार्केट न्यूट्रैलिटी पर इसके अनुप्रयोग द्वारा प्रदर्शित किया गया है।

मूल लेखक: Yasin Simsek

प्रकाशित 2026-05-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yasin Simsek

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी तस्वीर: केवल बत्ती (Wick) को नहीं, बल्कि पूरी मोमबत्ती (Candle) को देखें

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि किसी स्टॉक की कीमत पूरे बाज़ार की तुलना में कितनी ऊपर-नीचे हो रही है (इसका "जोखिम" या "risk")। पारंपरिक रूप से, अर्थशास्त्री इसे समय अवधि के शुरुआत (जैसे सुबह 9:30 बजे) और अंत (जैसे शाम 4:00 बजे) की कीमत की जाँच करके देखते हैं। वे इन दो बिंदुओं के बीच एक रेखा खींचते हैं और इसे "रिटर्न" (return) कहते हैं।

इसे केवल मोमबत्ती की बत्ती (शुरुआती और अंतिम बिंदु) को देखने जैसा समझें। आप जानते हैं कि यह कहाँ से शुरू हुआ और कहाँ समाप्त हुआ, लेकिन आपके पास कोई अंदाज़ा नहीं है कि बीच में लौ (कीमत) छत तक गई थी या फर्श तक गिर गई थी।

यासिन सिमक द्वारा लिखा गया यह शोध पत्र, डेटा को देखने का एक नया तरीका पेश करता है। केवल शुरुआत और अंत के बजाय, यह पूरी मोमबत्ती का उपयोग करता है: ओपन (Open), हाई (High), लो (Low), और क्लोज़ (Close)। यह उस विशिष्ट मिनट के दौरान कीमत की यात्रा की बहुत अधिक पूर्ण तस्वीर देता है।

समस्या: "ज़ूम-इन" की दुविधा

लेखक जोखिम को अभी (जिसे "स्पॉट" रिस्क कहा जाता है) मापना चाहता है, न कि केवल पूरे वर्ष के औसत के रूप में। ऐसा करने के लिए, आपको बहुत करीब से ज़ूम करना होगा, यानी समय के बहुत छोटे अंतराल (जैसे 10 मिनट) को देखना होगा।

पुराना तरीका: यदि आप केवल शुरुआत/अंत की कीमतों का उपयोग करके बहुत अधिक ज़ूम करते हैं, तो आपका डेटा "शोर" (noisy) और अविश्वसनीय हो जाता है। यह केवल 10 सेकंड के लिए आसमान को देखकर मौसम का अनुमान लगाने जैसा है; आप अचानक आए तूफान को मिस कर सकते हैं।
समझौता (Trade-off): आमतौर पर, अधिक सटीक उत्तर प्राप्त करने के लिए, आपको लंबी समयावधि देखनी पड़ती है। लेकिन यदि आप बहुत लंबा देखते हैं, तो आप वर्तमान परिवर्तनों को मिस कर देते हैं। लेखक इस समस्या को हल करना चाहता था: हम समय के एक बहुत छोटे अंतराल के लिए सुपर-सटीक उत्तर कैसे प्राप्त कर सकते हैं?

समाधान: "कैंडलस्टिक" सुपर-टूल

लेखक ने एक नया गणितीय उपकरण बनाया है जो उन छोटे अंतरालों के भीतर हाई (High) और लो (Low) कीमतों का उपयोग करता है।

उपमा (Analogy):
कल्पना कीजिए कि आप एक कमरे के आकार को मापने की कोशिश कर रहे हैं।

पुराना तरीका: आप सामने के दरवाजे से पीछे की दीवार तक की दूरी मापते हैं।
नया तरीका: आप सामने-से-पीछे की दूरी, साथ ही बाईं दीवार से दाईं दीवार की दूरी, और छत की ऊँचाई भी मापते हैं।

इन अतिरिक्त मापों (High और Low कीमतों) का उपयोग करके, लेखक का टूल बहुत अधिक सटीकता से जोखिम की गणना कर सकता है, भले ही वह समय के एक बहुत छोटे अंतराल को देख रहा हो।

यह कैसे काम करता है: "वेटेड एवरेज" (Weighted Average)

लेखक ने केवल सभी नंबरों को एक साथ नहीं फेंका। उसने डेटा को मिलाने के लिए एक विशेष रेसिपी (वजन या weights का एक सेट) बनाई।

उसने "ओपन-क्लोज़" कीमत, "हाई-ओपन" कीमत और "लो-ओपन" कीमत को मिलाने के लाखों अलग-अलग तरीकों का परीक्षण किया।
उसे वह सटीक संयोजन मिला जो "त्रुटि" (गलत होने का जोखिम) को कम करता है।
आश्चर्य: यह रेसिपी काफी हद तक "ओपन-क्लोज़" कीमत और "एसिमेट्री" (मोमबत्ती कितनी असंतुलित है) पर निर्भर निकली, लेकिन इसने "रेंज" (High से Low तक की कुल दूरी) का बहुत कम उपयोग किया क्योंकि वह विशिष्ट डेटा इस संदर्भ में गणित के लिए बहुत भ्रमित करने वाला था।

परिणाम: एक तेज़ लेंस

यह शोध पत्र कंप्यूटर सिमुलेशन के माध्यम से दो मुख्य बातें सिद्ध करता है:

अधिक सटीक: नया तरीका पुराने तरीके की तुलना में बहुत कम "झटका देने वाला" (jittery) है। यदि आपके पास केवल कुछ मिनटों का डेटा (एक छोटा नमूना) है, तो नया तरीका वास्तविक जोखिम की बहुत स्पष्ट तस्वीर देता है।
बेहतर पहचान: यह परीक्षण करते समय कि क्या बिटकॉइन वास्तव में "न्यूट्रल" (अर्थात यह स्टॉक मार्केट के साथ नहीं चलता) है, नया तरीका सच्चाई को पकड़ने में बहुत बेहतर है। इसकी संभावना कम है कि यह वास्तविक संबंध को मिस कर दे (एक "फॉल्स नेगेटिव")।

वास्तविक दुनिया का परीक्षण: क्या बिटकॉइन "डिजिटल गोल्ड" है?

इस टूल की प्रभावशीलता को साबित करने के लिए, लेखक ने 2024 के 1-मिनट के डेटा का उपयोग करके बिटकॉइन (विशेष रूप से IBIT ETF) और S&P 500 (SPY) पर इसे लागू किया।

प्रश्न: क्या बिटकॉइन एक सुरक्षित ठिकाना (safe haven) है जो स्टॉक मार्केट गिरने पर शांत रहता है? (यह "डिजिटल गोल्ड" का सिद्धांत है)।
निष्कर्ष: नए टूल ने पाया कि बिटकॉइन हमेशा न्यूट्रल नहीं होता है। वास्तव में, तनाव के समय (जैसे अगस्त और सितंबर 2024) के दौरान, बिटकॉइन अक्सर स्टॉक मार्केट के साथ चलता था, जो एक सकारात्मक जोखिम संबंध (positive risk connection) दिखाता है।
यह क्यों मायने रखता है: पुराने तरीके इन अल्पकालिक कनेक्शनों को मिस कर सकते थे क्योंकि वे बहुत "धुंधले" थे। कैंडलस्टिक पद्धति ने इस संबंध को स्पष्ट रूप से देखा, जिससे पता चलता है कि अस्थिर समय के दौरान बिटकॉइन उतना सुरक्षित हेज (hedge) नहीं हो सकता जितना लोग सोचते हैं।

सारांश

यह शोध पत्र निवेशकों और शोधकर्ताओं को एक बेहतर आवर्धक लेंस (magnifying glass) प्रदान करता है। केवल शुरुआत और अंत के बिंदुओं के बजाय पूरी "कैंडलस्टिक" (Open, High, Low, Close) का उपयोग करके, वे वास्तविक समय में जोखिम को अधिक सटीकता से माप सकते हैं। यह हमें यह समझने में मदद करता है कि बिटकॉइन जैसी संपत्तियां, विशेष रूप से अराजक बाजार के क्षणों के दौरान, पहले की तुलना में अधिक जोखिम भरी और स्टॉक मार्केट से अधिक जुड़ी हुई हो सकती हैं।

यहाँ यासिन सिमसेक के शोध पत्र "Spot Regressions with Candlesticks" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उच्च-आवृत्ति वाले वित्तीय डेटा (high-frequency financial data) में स्पॉट रिग्रेशन पैरामीटर्स (विशेष रूप से स्पॉट बीटा, $\beta_t$ ) के अनुमान की चुनौती को संबोधित करता है।

ट्रेड-ऑफ (The Trade-off): पारंपरिक स्पॉट रिग्रेशन स्थानीय विंडोज़ (local windows) के ओपन-टू-क्लोज (open-to-close) रिटर्न्स पर निर्भर करता है। यहाँ एक मौलिक बायस-वेरिएंस ट्रेड-ऑफ (bias-variance trade-off) है: बहुत छोटी विंडोज़ (छोटा $k$ ) का उपयोग करने से लोकलाइजेशन (localization) तो उच्च मिलता है, लेकिन सीमित डेटा के कारण अनुमानित वेरिएंस (estimation variance) अधिक हो जाता है। बड़ी विंडोज़ का उपयोग करने से वेरिएंस तो कम होता है, लेकिन जोखिम एक्सपोजर (risk exposures) में होने वाले तीव्र परिवर्तनों को पकड़ने की क्षमता खो जाती है।
सूचना की हानि (Information Loss): पारंपरिक एस्टिमेटर्स सैंपलिंग अंतराल के भीतर मौजूद High और Low कीमतों में निहित मूल्यवान जानकारी को त्याग देते हैं, और केवल ओपन और क्लोज कीमतों का उपयोग करते हैं।
अनुमान अंतराल (Inference Gap): कैंडलस्टिक (Open, High, Low, Close) का उपयोग करके स्पॉट वोलैटिलिटी (volatility) अनुमान के लिए साहित्य मौजूद है, लेकिन स्पॉट बीटा के लिए, विशेष रूप से मल्टीवेरिएट सेटिंग्स में जहाँ लिमिटिंग डिस्ट्रीब्यूशन नॉन-पिवोटल (non-pivotal) होते हैं, एक समृद्ध डेटा संरचना का उपयोग करने हेतु व्यवहार्य इन्फरेंस प्रक्रियाओं (hypothesis testing) की कमी है।

2. कार्यप्रणाली (Methodology)

A. सैद्धांतिक ढांचा (Theoretical Framework)

मूल्य प्रक्रिया (Price Process): लेखक परिसंपत्ति मूल्यों (asset prices) को एक बावेरिएट इटो सेमीमार्टिंगेल (bivariate Itô semimartingale) के रूप में मॉडल करते हैं:
$dX_t = b_t dt + \sigma_t dW_t$
जहाँ $X_t$ लॉग-प्राइस है, $b_t$ ड्रिफ्ट (drift) है, $\sigma_t$ स्टोकेस्टिक वोलैटिलिटी मैट्रिक्स है, और $W_t$ ब्राउनियन मोशन है।
रिग्रेशन प्रतिनिधित्व (Regression Representation): दूसरे एसेट को पहले एसेट (मार्केट पोर्टफोलियो) पर रिग्रेशन के रूप में मॉडल किया गया है:
$dX_{2,t} = b_{2,t} + \beta_t dX_{1,t} + \varsigma_t^{1/2} dW_{2,t}$
यहाँ, $\beta_t$ स्पॉट बीटा है, $\nu_t$ मार्केट वेरिएंस है, और $\varsigma_t$ इडियोसिंक्रेटिक (idiosyncratic) वेरिएंस है।
कैंडलस्टिक रिटर्न्स (Candlestick Returns): केवल रिटर्न्स ( $r_i$ $r_{i}$ ) के बजाय, लेखक सामान्यीकृत हाई ( $h_i$ $h_{i}$ ) और लो ( $\ell_i$ $ℓ_{i}$ ) रिटर्न्स का उपयोग करते हैं। इन्हें प्रति अंतराल तीन चरों (variables) में परिवर्तित किया जाता है:
1. रिटर्न: $r_i$ (ओपन-टू-क्लोज)
2. रेंज: $w_i = h_i - \ell_i$
3. एसिमेट्री (Asymmetry): $a_i = h_i + \ell_i - r_i$

B. अनुमान ढांचा (Estimation Framework)

मुख्य योगदान स्पॉट कोवेरिएंस मैट्रिक्स ( $c_t$ ) के लिए एक नया क्लास ऑफ एस्टिमेटर है जो सभी चार कीमतों का लाभ उठाता है।

सामान्य एस्टिमेटर (General Estimator): एस्टिमेटर $k$ आकार की लोकल विंडो में कैंडलस्टिक चरों के क्वाड्रेटिक फॉर्म्स का एक वेटेड सम (weighted sum) है:
$\hat{c}_{n,t}(\lambda) = \frac{1}{k} \sum_{i \in I_{n,t}} z_i \Lambda z_i^\top$
जहाँ $z_i = (r_i, a_i, w_i)^\top$ है और $\Lambda$ वेट्स ( $\lambda$ वेक्टर द्वारा निर्धारित) का एक मैट्रिक्स है।
जोखिम न्यूनीकरण (Risk Minimization): वेट्स $\lambda$ को एक क्वाड्रेटिक रिस्क फंक्शन को मिनिमाइज करने के लिए चुना जाता है, जो सापेक्ष अनुमान त्रुटि (relative estimation error) के अपेक्षित स्क्वेर्ड फ्रोबेनियस नॉर्म (expected squared Frobenius norm) द्वारा परिभाषित है:
$L(\lambda; c_t) = \|\sigma_t^{-1} \hat{c}_{n,t}(\lambda) \sigma_t^{-\top} - I\|^2$
फिक्स्ड- $k$ एसिम्प्टोटिक्स (Fixed- $k$ Asymptotics): पारंपरिक तरीकों के विपरीत जहाँ $k \to \infty$ होता है, यह पेपर एक फिक्स्ड- $k$ फ्रेमवर्क (Bollerslev et al., 2021) अपनाता है। यह स्वीकार करता है कि हाई-फ्रीक्वेंसी इवेंट स्टडीज में, विंडो का आकार अक्सर छोटा और स्थिर होता है।
औसत जोखिम अनुकूलन (Average Risk Optimization):
- मल्टीवेरिएट सेटिंग में, एस्टिमेटर का लिमिटिंग डिस्ट्रीब्यूशन अज्ञात कोरिलेशन पैरामीटर $\rho_t$ पर निर्भर करता है, जिससे रिस्क फंक्शन नॉन-पिवोटल हो जाता है और सीधा मिनिमाइजेशन असंभव हो जाता है।
- इसे हल करने के लिए, लेखक एवरेज रिस्क $\bar{R}(\lambda)$ को मिनिमाइज करते हैं, जो संभावित कोरिलेशन मैट्रिसेस के स्पेस पर एसिम्प्टोटिक रिस्क का इंटीग्रल है।
- इससे अनुकूलित वेट्स $\lambda^*$ के लिए एक क्लोज्ड-फॉर्म सॉल्यूशन प्राप्त होता है जो अज्ञात कोरिलेशन स्ट्रक्चर के प्रति रोबस्ट (robust) है।
- मुख्य निष्कर्ष: अनुकूलित वेट्स रिटर्न ( $r_i$ ) और एसिमेट्री ( $a_i$ ) टर्म्स को महत्वपूर्ण वेट असाइन करते हैं, जबकि रेंज ( $w_i$ ) को लगभग शून्य वेट मिलता है क्योंकि यह कोरिलेशन के संबंध में साइन (sign) की जानकारी खो देता है।

C. इन्फरेंस प्रक्रिया (Inference Procedure)

पेपर $H_0: \beta_t = \beta_0$ के लिए एक हाइपोथीसिस टेस्ट विकसित करता है।

टेस्ट स्टैटिस्टिक (Test Statistic): कैंडलस्टिक-आधारित एस्टिमेट्स का उपयोग करके एक स्टूडेंटाइज्ड स्टैटिस्टिक (studentized statistic) बनाया जाता है।
क्रिटिकल वैल्यूज (Critical Values):
- $H_0: \beta_t = 0$ के लिए, लिमिटिंग डिस्ट्रीब्यूशन पिवोटल (pivotal) है और इसे सीधे सिम्युलेट किया जा सकता है।
- $H_0: \beta_t = \beta_0 \neq 0$ के लिए, डिस्ट्रीब्यूशन नॉन-पिवोटल है। लेखक एक सुप-टी टेस्ट (sup-t test) दृष्टिकोण का उपयोग करते हैं, क्रिटिकल वैल्यूज को सभी संभावित कोरिलेशन वैल्यूज के माध्यम से कंडीशनल डिस्ट्रीब्यूशन के एनवेलप (envelope) के रूप में निर्मित करते हैं। यह यूनिफॉर्म एसिम्प्टोटिक साइज कंट्रोल सुनिश्चित करता है।

3. मुख्य परिणाम (Key Results)

A. सिमुलेशन साक्ष्य (मोंटे कार्लो)

दक्षता (Efficiency): कैंडलस्टिक-आधारित एस्टिमेटर मानक रिटर्न-आधारित एस्टिमेटर की तुलना में काफी बेहतर प्रदर्शन करता है।
- छोटी विंडोज़ ( $k=5$ ) के लिए, कैंडलस्टिक एस्टिमेटर रिटर्न-आधारित एस्टिमेटर की तुलना में एसिम्प्टोटिक रिस्क को लगभग 65% कम कर देता है।
- यह एक इनफीज़िबल (infeasible) "ओरेकल" एस्टिमेटर के लगभग बराबर प्रदर्शन करता है जिसे वास्तविक कोरिलेशन स्ट्रक्चर का पता है (केवल ~8-9% दक्षता हानि)।
पावर (Power): कैंडलस्टिक डेटा का उपयोग करने वाला हाइपोथीसिस टेस्ट काफी उच्च पावर प्रदर्शित करता है।
- $k=10$ और $\alpha=5\%$ पर, फॉल्स नल (false null) के लिए रिजेक्शन रेट रिटर्न-आधारित टेस्ट की तुलना में लगभग 25% अधिक है।
- पावर का लाभ तब सबसे अधिक होता है जब वास्तविक बीटा, नल हाइपोथीसिस से मध्यम रूप से विचलित होता है।

B. एम्पेरिकल एप्लीकेशन: बिटकॉइन मार्केट न्यूट्रैलिटी

डेटा: पूरे 2024 के दौरान iShares Bitcoin Trust (IBIT) और SPDR S&P 500 ETF (SPY) का 1-मिनट कैंडलस्टिक डेटा।
उद्देश्य: "डिजिटल गोल्ड" नैरेटिव का परीक्षण करना (अर्थात, क्या बिटकॉइन मार्केट न्यूट्रल है, $\beta_t = 0$ ?)।
निष्कर्ष:
- मार्केट न्यूट्रैलिटी के नल हाइपोथीसिस को लगभग 35% बार रिजेक्ट किया जाता है।
- अगस्त और सितंबर 2024 के दौरान रिजेक्शन रेट बढ़कर ~60% हो जाता है, जो उच्च बाजार अस्थिरता (जैसे, बैंक ऑफ जापान दर वृद्धि, कमजोर अमेरिकी श्रम डेटा) के साथ मेल खाता है।
- निहितार्थ: बिटकॉइन संकट के दौरान अत्यधिक उतार-चढ़ाव वाले समय में महत्वपूर्ण सकारात्मक मार्केट बीटा प्रदर्शित करता है, जो संकट के समय हेज (hedge) या "डिजिटल गोल्ड" के रूप में इसकी भूमिका को चुनौती देता है।

4. महत्व और योगदान (Significance and Contributions)

मेथोडोलॉजिकल इनोवेशन: रेंज-आधारित वोलैटिलिटी लिटरेचर (Garman-Klass, Parkinson) को मल्टीवेरिएट स्पॉट रिग्रेशन तक विस्तारित करता है। यह हाई/लो कीमतों का उपयोग करके स्पॉट बीटा के अनुमान और परीक्षण के लिए पहला व्यवहार्य ढांचा प्रदान करता है।
व्यावहारिक उपयोगिता: हाई-फ्रीक्वेंसी एस्टीमेशन में बायस-वेरिएंस ट्रेड-ऑफ का समाधान प्रदान करता है। कैंडलस्टिक डेटा का उपयोग करके, शोधकर्ता बड़ी विंडोज़ की सटीकता प्राप्त कर सकते हैं जबकि छोटी विंडोज़ का लोकलाइजेशन बनाए रख सकते हैं।
व्यवहार्य इन्फरेंस (Feasible Inference): एवरेज रिस्क मिनिमाइजेशन और सुप-टी टेस्ट दृष्टिकोण के माध्यम से मल्टीवेरिएट सेटिंग्स में नॉन-पिवोटल डिस्ट्रीब्यूशन की समस्या को हल करता है, जो हाइपोथीसिस टेस्टिंग के लिए एक व्यावहारिक उपकरण प्रदान करता है।
डेटा सुलभता: 1-मिनट या 5-मिनट कैंडलस्टिक डेटा के उपयोग की वकालत करता है, जो व्यापक रूप से उपलब्ध है और अल्ट्रा-हाई-फ्रीक्वेंसी टिक डेटा की तुलना में माइक्रोस्ट्रक्चर नॉइज़ (microstructure noise) के प्रति कम संवेदनशील है, जिससे यह विधि शोधकर्ताओं के एक बड़े वर्ग के लिए सुलभ हो जाती है।
एम्पेरिकल इनसाइट: यह प्रमाण देता है कि बिटकॉइन का रिस्क प्रोफाइल समय के साथ परिवर्तनशील है और तनाव की अवधि के दौरान इक्विटी मार्केट के साथ अत्यधिक सह-संबंधित है, जो पोर्टफोलियो रिस्क मैनेजमेंट के लिए महत्वपूर्ण अंतर्दृष्टि प्रदान करता है।

निष्कर्ष

यासिन सिमसेक का पेपर स्पॉट रिग्रेशन विश्लेषण के लिए एक मजबूत, कुशल और व्यावहारिक ढांचा स्थापित करता है। स्पॉट बीटा अनुमान की सटीकता और सांख्यिकीय परीक्षणों की शक्ति को बढ़ाने के लिए हाई और लो कीमतों को अनुमान प्रक्रिया में एकीकृत करके, यह पेपर सिद्ध करता है कि कैंडलस्टिक डेटा छोटे-सैंपल, हाई-फ्रीक्वेंसी संदर्भों में महत्वपूर्ण सुधार करता है।