📊 statistics

Consistent Variable Selection for GARCH-X Models

यह शोध पत्र एक सुसंगत चर चयन प्रक्रिया (variable selection procedure) का प्रस्ताव और सत्यापन करता है जो GARCH-X मॉडलों के लिए वाल्ड-प्रकार के सांख्यिकी (Wald-type statistics) और बेन्जामिनी-येकुटिएली फॉल्स डिस्कवरी रेट (Benjamini-Yekutieli False Discovery Rate) नियंत्रण का उपयोग करता है ताकि अस्थिरता गतिशीलता (volatility dynamics) को प्रभावित करने वाले प्रासंगिक बाह्य सहचरों (exogenous covariates) की सटीक पहचान की जा सके।

मूल लेखक: Adriano Zanin Zambom, Beck Saunders

प्रकाशित 2026-04-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Adriano Zanin Zambom, Beck Saunders

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

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि कल शेयर बाजार कितना "तूफानी" होगा। वित्त की दुनिया में, इस "तूफानीपन" को अस्थिरता (volatility) कहा जाता है।

लंबे समय तक, अर्थशास्त्रियों के पास इन तूफानों की भविष्यवाणी करने के लिए एक उपकरण था जिसे GARCH मॉडल कहा जाता था। इस उपकरण को एक मौसम बताने वाले यंत्र (weather vane) की तरह समझें जो केवल उसी हवा को देखता है जिसे उसने अभी महसूस किया है। यदि कल हवा तेज थी, तो यह उपकरण अनुमान लगाता है कि आज भी हवा तेज होगी। यह पीछे मुड़कर देखने में अच्छा है, लेकिन यह इस तथ्य को नजरअंदाज कर देता है कि मौसम बदल सकता है क्योंकि कुछ ऐसा हो रहा है जो बहुत दूर से प्रभावित कर रहा है, जैसे कि जेट स्ट्रीम में अचानक बदलाव या ज्वालामुखी का विस्फोट।

वास्तविक दुनिया में, शेयर बाजार की अस्थिरता अक्सर बाहरी कारकों (exogenous variables) जैसे तेल की कीमत, सोने का मूल्य, या अन्य स्टॉक इंडेक्स के प्रदर्शन से संचालित होती है। यह शोध पत्र यह समझने में मदद करने के लिए एक नई विधि पेश करता है कि इनमें से कौन से बाहरी कारक वास्तव में महत्वपूर्ण हैं और कौन से केवल शोर (noise) हैं।

यहाँ शोध पत्र के विचारों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "किचन सिंक" दृष्टिकोण (The "Kitchen Sink" Approach)

कल्पना कीजिए कि आप एक शेफ हैं जो एक बेहतरीन सूप (अस्थिरता मॉडल) बनाने की कोशिश कर रहे हैं। आपके पास एक विशाल भंडार गृह है जिसमें 100 अलग-अलग मसाले (तेल, सोना, गेहूं, स्टील आदि जैसे बाहरी चर) हैं।

पुराना तरीका: अधिकांश शेफ सुरक्षित रहने के लिए सब कुछ बर्तन में डाल देंगे, इस उम्मीद में कि स्वाद सही आएगा। इसे "फुल मॉडल" कहा जाता है। यह अव्यवस्थित है, इसका स्वाद लेना कठिन है, और अक्सर बहुत जटिल होता है।
चुनौती: यदि आप हर संभव मसाले के संयोजन का परीक्षण करने की कोशिश करते हैं कि कौन से आवश्यक हैं, तो आपको आकाश में सितारों की संख्या से अधिक परीक्षण करने पड़ेंगे। यह गणनात्मक रूप से असंभव है।

2. समाधान: "स्मार्ट डिटेक्टिव" (The "Smart Detective")

लेखक, एड्रियानो ज़ानिन ज़ैम्बोम और बेक सॉन्डर्स ने बिना हर संयोजन का परीक्षण किए वास्तव में आवश्यक मसालों को खोजने के लिए एक "स्मार्ट डिटेक्टिव" विधि विकसित की है।

उनकी विधि तीन चरणों में काम करती है:

पूछताछ (परिकल्पना परीक्षण - Hypothesis Testing): वे प्रत्येक मसाले से पूछते हैं, "क्या आप वास्तव में सूप का स्वाद बदलते हैं, या आप केवल पानी हैं?" वे प्रत्येक मसाले को एक स्कोर (p-value) देते हैं कि उसके साक्ष्य कितने मजबूत हैं।
फ़िल्टर (गलत खोज दर - False Discovery Rate): यहाँ पेचीदा हिस्सा है। यदि आप 100 प्रश्न पूछते हैं, तो आपको शुद्ध भाग्य से कुछ "हाँ" उत्तर मिल सकते (गलत अलार्म)। इसे ठीक करने के लिए, वे बेन्जामिनी-येकुटिएली प्रक्रिया (Benjamini–Yekutieli procedure) नामक एक विशेष नियम का उपयोग करते हैं।
- उपमा: कल्पना कीजिए कि एक सुरक्षा गार्ड हथियारों के लिए 100 लोगों की जाँच कर रहा है। यदि गार्ड बहुत सख्त है, तो वह निर्दोष लोगों को भी रोक सकता है। यदि वह बहुत ढीला है, तो वह अपराधियों को जाने दे सकता है। यह नियम एक गणितीय "गोल्डिलॉक्स" सेटिंग है जो यह सुनिश्चित करता है कि गार्ड बुरे लोगों (प्रासंगिक चरों) को पकड़ ले जबकि निर्दोष लोगों को रोकने (गलत अलार्म) की संख्या बहुत कम रहे।
फैसला (The Verdict): यह विधि केवल उन मसालों को रखती है जो परीक्षण पास करते हैं और बाकी को बाहर निकाल देती है।

3. वादा: समय के साथ बेहतर होना

यह शोध पत्र गणितीय रूप से सिद्ध करता है कि यह "स्मार्ट डिटेक्टिव" जितना अधिक डेटा देखता है, उतना ही स्मार्ट होता जाता है।

उपमा: कल्पना कीजिए कि आप शोर भरे कमरे में फुसफुसाहट सुनने की कोशिश कर रहे हैं। यदि कमरा छोटा है (छोटा डेटा), तो आप खांसी को फुसफुसाहट समझ सकते हैं। लेकिन जैसे-जैसे कमरा बड़ा होता है और शोर शांत होता है (बड़ा सैंपल साइज), डिटेक्टिव पूरी तरह आश्वस्त हो जाता है कि कौन फुसफुसा रहा है और कौन केवल खाँस रहा है।
लेखक दिखाते हैं कि जैसे-जैसे वे मॉडल में अधिक और अधिक ऐतिहासिक डेटा डालते हैं, यह अंततः उन सटीक बाहरी कारकों के सेट की पहचान करता है जो अस्थिरता को संचालित करते हैं, लगभग पूर्ण सटीकता के साथ।

4. प्रमाण: सिमुलेशन और वास्तविक जीवन

अपने तरीके को साबित करने के लिए, उन्होंने दो चीजें कीं:

सिमुलेशन लैब: उन्होंने कंप्यूटर में नकली शेयर बाजार डेटा बनाया, जिसमें कुछ "वास्तविक" चालक और कुछ "नकली" शोर मिला दिया। उन्होंने इस नकली डेटा पर विभिन्न प्रकार के "मौसम" (सामान्य वितरण और भारी-पूंछ वाले "तूफान") के साथ अपने तरीके का परीक्षण किया। विधि ने लगातार वास्तविक चालकों को खोजा और शोर को अनदेखा किया, विशेष रूप से जब डेटा सेट बड़ा था।
वास्तविक दुनिया का परीक्षण: उन्होंने इसे S&P 500 (बड़ा अमेरिकी स्टॉक मार्केट इंडेक्स) पर लागू किया। उन्होंने इसमें विभिन्न वस्तुओं (तेल, सोना, गेहूं) और अन्य स्टॉक इंडेक्स (NASDAQ, Dow Jones) का डेटा डाला।
- परिणाम: विधि ने निर्णय लिया कि S&P 500 की अस्थिरता को प्रभावित करने वाले दो सबसे महत्वपूर्ण बाहरी कारक NASDAQ और क्रूड ऑयल (कच्चा तेल) थे। इसने सुझाव दिया कि स्टील थोड़ा महत्वपूर्ण हो सकता है, लेकिन अन्य अधिकांश वस्तुएं (जैसे सोना या चावल) केवल शोर थीं।
- लाभ: केवल इन कुछ चुने हुए कारकों का उपयोग करने वाला मॉडल बहुत सरल और कुशल था, फिर भी इसने बाजार के "तूफानीपन" की भविष्यवाणी उतनी ही अच्छी तरह से की जितनी कि उस मॉडल ने जिसने सभी बाहरी कारकों का उपयोग करने की कोशिश की थी।

सारांश

यह शोध पत्र वित्तीय मॉडलों को साफ करने का एक विश्वसनीय, गणितीय रूप से सिद्ध तरीका प्रदान करता है। मॉडल को हर संभावित बाहरी कारक के साथ भरने के बजाय, यह विधि एक फ़िल्टर की तरह काम करती है, जिससे केवल वे चर गुजर पाते हैं जो वास्तव में मायने रखते हैं। यह सुनिश्चित करता है कि जैसे-जैसे हम अधिक डेटा एकत्र करते हैं, बाजार की अस्थिरता को चलाने वाली हमारी समझ अधिक स्पष्ट, सरल और सटीक होती जाती है।

यहाँ एड्रियानो ज़ानिन ज़ैम्बोम और बेक सैंडर्स के शोध पत्र "Consistent Variable Selection for GARCH-X Models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वित्तीय अस्थिरता (volatility) मॉडलिंग अक्सर GARCH (Generalized Autoregressive Conditional Heteroskedasticity) मॉडलों पर निर्भर करती है। जबकि मानक GARCH मॉडल एंडोजेनस (endogenous) अस्थिरता गतिकी (पिछले झटकों और पिछली अस्थिरता) को कैप्चर करते हैं, अनुभवजन्य साक्ष्य बताते हैं कि बाहरी (exogenous) कारक—जैसे कि मैक्रोइकॉनॉमिक संकेतक, समाचार तीव्रता, या कमोडिटी की कीमतें—अस्थिरता को महत्वपूर्ण रूप से प्रभावित करते हैं।

GARCH-X मॉडल इन एक्सोजेनस कोवेरियेट्स (exogenous covariates) को शामिल करने के लिए मानक ढांचे का विस्तार करता है। हालाँकि, एक महत्वपूर्ण चुनौती तब उत्पन्न होती है जब संभावित कोवेरियेट्स की संख्या बड़ी होती है:

मॉडल चयन की कठिनाई: मौजूदा विधियाँ मुख्य रूप से मॉडल के ऑर्डर (जैसे, GARCH( $p,q$ ) में $p$ और $q$ निर्धारित करना) को चुनने पर ध्यान केंद्रित करती हैं, न कि विशिष्ट एक्सोजेनस चरों को चुनने पर।
गणना संबंधी बोझ (Computational Burden): जब कोवेरियेट्स की संख्या मध्यम से बड़ी होती है, तो दंडित मानदंडों (penalized criteria जैसे BIC या AIC) का उपयोग करके सभी कोवेरियेट्स के संयोजनों का गहन परीक्षण करना गणनात्मक रूप से निषेधात्मक है।
सैद्धांतिक गारंटी का अभाव: अस्थिरता मॉडलों में विशिष्ट एक्सोजेनस कोवेरियेट्स को चुनने के लिए विशेष रूप से 'कंसिस्टेंसी रिजल्ट्स' (consistency results) के साथ कोई स्थापित प्रक्रिया नहीं थी। लक्ष्य उन प्रासंगिक कोवेरियेट्स के "सत्य" उपसमुच्चय (true subset) की पहचान करना है जो अस्थिरता को संचालित करते हैं, जबकि अप्रासंगिक चरों को बाहर रखा जा सके।

2. कार्यप्रणाली (Methodology)

लेखक एक कंसिस्टेंट वेरिएबल सिलेक्शन प्रक्रिया का प्रस्ताव करते हैं जो मल्टीपल हाइपोथीसिस टेस्टिंग फ्रेमवर्क और फॉल्स डिस्कवरी रेट (FDR) नियंत्रण पर आधारित है।

A. मॉडल ढांचा (The Model Framework)

यह शोध पत्र GARCH( $p,q$ )-X मॉडल का उपयोग करता है:
$\epsilon_t = \sigma_t w_t$
$\sigma_t^2(\theta) = \omega + \sum_{i=1}^p \alpha_i \epsilon_{t-i}^2 + \sum_{j=1}^q \beta_j \sigma_{t-j}^2 + \gamma^T X_{t-1}$
जहाँ $X_{t-1}$ , $d$ एक्सोजेनस कोवेरियेट्स का एक वेक्टर है, और $\gamma = (\gamma_1, \dots, \gamma_d)'$ उन गुणांकों (coefficients) को दर्शाता है जिनका परीक्षण किया जाना है। उद्देश्य वास्तविक इंडेक्स सेट $I_0 = \{k : \gamma_k \neq 0\}$ को प्राप्त करना है।

B. परिकल्पना परीक्षण (Hypothesis Testing)

प्रत्येक कोवेरियेट $k$ के लिए, लेखक एक वन-साइडेड हाइपोथीसिस टेस्ट तैयार करते हैं:

$H_0^k: \gamma_k = 0$ (कोवेरियेट अप्रासंगिक है)
$H_1^k: \gamma_k > 0$ (कोवेरियेट प्रासंगिक है)

वे क्वासी-मैक्सिमम लाइक्लीहुड एस्टिमेटर (QMLE) $\hat{\theta}_n$ का उपयोग करते हैं। रेगुलरिटी कंडीशंस (Francq और Thieu, 2019 में स्थापित) के तहत, एस्टिमेटर कंसिस्टेंट और एसिम्प्टोटिकली नॉर्मल (नॉन-नेगेटिविटी बाधाओं के कारण प्रोजेक्ट किया गया) है।

प्रत्येक कोवेरियेट के लिए टेस्ट स्टैटिस्टिक एक वाल्ड-टाइप स्टैटिस्टिक (Wald-type statistic) है:
$t_n(k) = \frac{\sqrt{n} e_k^T \hat{\theta}_n}{\sqrt{e_k^T \hat{\Sigma}_n e_k}}$
पैरामीटर्स पर पॉजिटिविटी कंस्ट्रेंट के कारण, स्क्वेर्ड स्टैटिस्टिक $t_n^2(k)$ एक ची-बार-स्क्वायर वितरण (chi-bar-square distribution) का पालन करता है (जो 0 पर एक पॉइंट मास और $\chi^2_1$ वितरण का मिश्रण है)।

C. FDR नियंत्रण के माध्यम से वेरिएबल सिलेक्शन

एक निश्चित महत्व स्तर (significance level) का उपयोग करने के बजाय (जो मल्टीपल टेस्टिंग में उच्च Type I एरर की ओर ले जाता है), लेखक फॉल्स डिस्कवरी रेट (FDR) को नियंत्रित करने के लिए बेन्जामिनी-येकुटीली (Benjamini–Yekutieli, 2001) प्रक्रिया लागू करते हैं।

सभी $d$ कोवेरियेट्स के लिए p-वैल्यू $\pi_k$ की गणना करें।
p-वैल्यू को क्रमबद्ध करें: $\pi_{(1)} \leq \dots \leq \pi_{(d)}$ ।
सबसे बड़े इंडेक्स $\ell$ को निर्धारित करें कि:
$\pi_{(k)} \leq \frac{k}{d} \frac{\alpha_n}{\sum_{l=1}^d l^{-1}}$
पहले $\ell$ कोवेरियेट्स के लिए नल हाइपोथीसिस को खारिज करें। चयनित सेट $\hat{I}$ उन खारिज किए गए हाइपोथीसिस के इंडेक्स से बना है।

D. कंसिस्टेंसी स्थितियाँ (Consistency Conditions)

इस पद्धति को विशिष्ट स्थितियों के तहत कंसिस्टेंट (अर्थात $n \to \infty$ होने पर $P(\hat{I} = I_0) \to 1$ ) सिद्ध किया गया है:

शर्त (C1): एस्टिमेटर्स के एसिम्प्टोटिक वेरिएंस को सैंपल साइज के सापेक्ष पर्याप्त तेजी से कम होना चाहिए ( $\sigma_{kk} < n/\log(n)$ )।
सिग्नल स्ट्रेंथ (Signal Strength): $\alpha_n$ को सैंपल साइज बढ़ने के साथ 0 की ओर घटना चाहिए ( $\alpha_n = o(e^{-cn})$ ), जिससे यह विधि शोर (noise) से वास्तविक सिग्नल को अलग करने में सक्षम हो सके, भले ही सिग्नल की ताकत कम हो रही हो।

3. प्रमुख योगदान (Key Contributions)

सैद्धांतिक कंसिस्टेंसी (Theoretical Consistency): यह शोध पत्र पहला औपचारिक प्रमाण प्रदान करता है कि FDR नियंत्रण पर आधारित वेरिएबल सिलेक्शन नियम GARCH-X मॉडलों के लिए कंसिस्टेंट है, जो एसिम्प्टोटिक रूप से वास्तविक कोवेरियेट सेट की रिकवरी सुनिश्चित करता है।
बाधाओं का प्रबंधन (Handling Constraints): कार्यप्रणाली GARCH पैरामीटर्स के नॉन-नेगेटिविटी कंस्ट्रेंट्स को स्पष्ट रूप से संभालती है, जिसमें मानक नॉर्मल एप्रोक्सिमेशन के बजाय सही ची-बार-स्क्वायर वितरण का उपयोग किया गया है।
गणना दक्षता (Computational Efficiency): सभी सबसेट्स के गहन खोज (exhaustive search) से बचकर और एक स्टेप-अप FDR प्रक्रिया का उपयोग करके, यह विधि कोवेरियेट्स की संख्या के साथ कुशलतापूर्वक स्केल करती है।
सिग्नल क्षय के प्रति मजबूती (Robustness to Signal Decay): सैद्धांतिक ढांचा "घटती सिग्नल स्ट्रेंथ" की अनुमति देता है, जिसका अर्थ है कि यह विधि तब भी काम करती है जब सैंपल साइज बढ़ने के साथ प्रासंगिक कोवेरियेट्स का प्रभाव आकार छोटा होता जाता है, बशर्ते कि क्षय बहुत तीव्र न हो।

4. परिणाम (Results)

A. मोंटे कार्लो सिमुलेशन (Monte Carlo Simulations)

लेखकों ने चार परिदृश्यों में व्यापक सिमुलेशन आयोजित किए:

परिदृश्य 1 और 2: स्वतंत्र और एक्सपोनेंशियल रूप से घटते सह-संबंधित कोवेरियेट्स के साथ GARCH(1,1)-X।
परिदृश्य 3 और 4: स्वतंत्र और सह-संबंधित कोवेरियेट्स के साथ GARCH(2,1)-X।
डिस्ट्रीब्यूशन: भारी पूंछ (heavy tails) के विरुद्ध मजबूती का परीक्षण करने के लिए एरर्स को नॉर्मल, स्टूडेंट्स $t$ (5 और 7 डिग्री ऑफ फ्रीडम) से जेनरेट किया गया।
सैंपल साइज: $n = 500, 1000, 5000, 10000$ ।

मुख्य निष्कर्ष:

सटीकता (Accuracy): जैसे-जैसे सैंपल साइज बढ़ा, विधि ने प्रायिकता 1 के करीब पहुँचते हुए प्रासंगिक कोवेरियेट्स को सही ढंग से पहचाना। $n=5000$ और $n=10000$ के लिए, वास्तविक कोवेरियेट्स के लिए सिलेक्शन रेट लगभग 100% था, जबकि अप्रासंगिक कोवेरियेट्स के लिए फॉल्स सिलेक्शन रेट नगण्य (< 5%) था।
मजबूती (Robustness): विधि ने हेवी-टेल्ड डिस्ट्रीब्यूशन (स्टूडेंट्स $t$ ) के तहत अच्छा प्रदर्शन किया, हालांकि नॉर्मल केस की तुलना में अभिसरण (convergence) थोड़ा धीमा था।
मॉडल चयन मानदंड: प्रस्तावित विधि द्वारा चुने गए मॉडलों ने बड़े सैंपल साइज में "फुल मॉडल" (सभी कोवेरियेट्स) और "नल मॉडल" (कोई कोवेरियेट नहीं) की तुलना में लगातार कम (बेहतर) BIC और AIC मान प्राप्त किए, जो पार्सिमनी (parsimony) और फिट के बीच एक इष्टतम संतुलन प्रदर्शित करता है।

B. वास्तविक डेटा अनुप्रयोग: S&P 500 वोलैटिलिटी

विधि को दैनिक S&P 500 रिटर्न्स (जनवरी 2000 – मई 2025) पर 9 एक्सोजेनस कोवेरियेट्स (NASDAQ, Dow Jones, Crude Oil, Natural Gas, Gold, Palladium, Rice, Steel, Wheat) के साथ लागू किया गया।

चयन परिणाम: 0.05 एडजस्टेड सिग्निफिकेंस लेवल पर, प्रक्रिया ने केवल NASDAQ और Crude Oil को सांख्यिकीय रूप से महत्वपूर्ण ड्राइवरों के रूप में चुना। Steel मामूली रूप से महत्वपूर्ण था।
मॉडल तुलना:
- चयनित मॉडल (Selected Model): (NASDAQ + Crude Oil) का BIC 141,721.2 और AIC 141,689.4 था।
- फुल मॉडल (Full Model): (सभी 9 कोवेरियेट्स) का BIC (141,792.3) और AIC (141,715.9) अधिक था, जो ओवरफिटिंग का संकेत देता है।
- नल मॉडल (Null Model): (कोई कोवेरियेट नहीं) ने AIC के मामले में चयनित मॉडल की तुलना में खराब प्रदर्शन किया, जो पुष्टि करता है कि बाहरी कारकों से व्याख्यात्मक शक्ति (explanatory power) बढ़ती है।
निष्कर्ष: चयनित मॉडल ने अनावश्यक जटिलता के बिना मार्केट सेंटीमेंट (NASDAQ) और एनर्जी/इन्फ्लेशन शॉक (Oil) को कैप्चर करते हुए, अधिक पार्सिमोनियस और व्याख्या योग्य स्पष्टीकरण प्रदान किया।

5. महत्व (Significance)

यह शोध पत्र अस्थिरता मॉडलिंग में वेरिएबल सिलेक्शन के लिए एक कठोर, सैद्धांतिक रूप से आधारित और गणनात्मक रूप से व्यवहार्य टूल प्रदान करके वित्तीय अर्थशास्त्र (financial econometrics) में एक महत्वपूर्ण अंतर को पाटता है।

व्यावहारिक उपयोगिता: यह शोधकर्ताओं और पेशेवरों को यह वस्तुनिष्ठ रूप से पहचानने की अनुमति देता है कि कौन से मैक्रोइकॉनॉमिक या वित्तीय संकेतक वास्तव में बाजार की अस्थिरता को संचालित करते हैं, जिससे उपलब्ध सभी डेटा को शामिल करने वाले "किचन सिंक" दृष्टिकोण से बचा जा जा सकता है।
सैद्धांतिक प्रगति: यह मल्टीपल टेस्टिंग और जटिल पैरामीटर कंस्ट्रेंट्स वाले नॉन-लीनियर, हेटरोस्केडास्टिक टाइम सीरीज़ मॉडलों में FDR कंट्रोल के अनुप्रयोग को विस्तृत करता है।
जोखिम प्रबंधन: अस्थिरता के वास्तविक ड्राइवरों की पहचान करके, यह विधि रिस्क मैनेजमेंट टूल्स (जैसे Value-at-Risk) और एसेट प्राइसिंग मॉडल्स की सटीकता में सुधार करती है, विशेष रूप से उन अवधियों के दौरान जब एक्सोजेनस कारक सबसे अधिक प्रभावशाली होते हैं।