📊 statistics

Nonparametric Testing and Variable Selection for ARCH-m(X) Model

यह शोध पत्र बाह्य सहचरों (exogenous covariates) और वित्तीय अस्थिरता के बीच गैर-रेखीय संबंधों को पकड़ने के लिए अर्ध-प्राचलीकृत (semiparametric) ARCH-m(X) मॉडल प्रस्तुत करता है, जिसमें एक नवीन गैर-प्राचलीकृत परिकल्पना परीक्षण और एक बेन्जामिनी-येकुटिएली-आधारित चर चयन प्रक्रिया प्रस्तावित की गई है जो कि रूपान्तरित रूप से सुसंगत (asymptotically consistent) और अनुभवजन्य रूप से प्रभावी सिद्ध हुई हैं।

मूल लेखक: Adriano Zanin Zambom, Qing Wang

प्रकाशित 2026-04-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Adriano Zanin Zambom, Qing Wang

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 वित्तीय सड़क कितनी "ऊबड़-खाबड़" (bumpy) होगी। वित्त की दुनिया में, इस ऊबड़-खाबड़ होने को अस्थिरता (volatility) कहा जाता है। दशकों से, अर्थशास्त्री इसे भविष्यवाणी करने के लिए एक मानक उपकरण का उपयोग करते हैं जिसे ARCH मॉडल कहा जाता है। मानक ARCH मॉडल को एक ऐसी कार के रूप में सोचें जो केवल अपने पिछले हिस्से के दर्पण (rearview mirror) को देखती है। यह मानती है कि आज सड़क कितनी ऊबड़-खाबड़ है, यह पूरी तरह से इस बात पर निर्भर करता है कि कल सड़क कितनी ऊबड़-खाबड़ थी।

हालाँकि, इस शोध पत्र के लेखक, एड्रियानो ज़ैम्बोम और किंग वांग का तर्क है कि यह पिछला दर्पण पर्याप्त नहीं है। वे जानते हैं कि बाहरी कारक—जैसे तेल की कीमत, मौसम, या अन्य देशों में क्या हो रहा है—भी सड़क को ऊबड़-खाबड़ बना सकते हैं। वे इस नए मॉडल को ARCH-m(X) कहते हैं।

यहाँ उनके तीन मुख्य योगदानों का सरल विवरण दिया गया है, जिसमें रोजमर्रा के उपमाओं (analogies) का उपयोग किया गया है:

1. "आकार बदलने वाला" मानचित्र (नया मॉडल)

समस्या: बाहरी कारकों (जैसे तेल की कीमतें) को शामिल करने वाले पिछले मॉडल एक कठोर, पहले से खींचे गए मानचित्रों की तरह थे। उन्होंने माना कि किसी बाहरी कारक और अस्थिरता के बीच का संबंध एक सीधी रेखा था। यदि तेल की कीमतें 10% बढ़ती हैं, तो अस्थिरता भी 10% बढ़ जाती है। लेकिन वास्तव में, यह संबंध अक्सर एक घुमावदार, टेढ़ी-मेढ़ी सड़क की तरह होता है। शायद तेल की कीमतों में मामूली वृद्धि कुछ नहीं करती, लेकिन एक बड़ी उछाल अराजकता पैदा कर देती है। पुराने "सीधी रेखा" वाले मानचित्र इन घुमावों को पकड़ने में सक्षम नहीं थे, जिससे गलत भविष्यवाणियां होती थीं।

समाधान: लेखकों ने एक नॉनपैरामीट्रिक फंक्शन (nonparametric function) पेश किया है। कल्पना करें कि एक कठोर रूलर के बजाय, आपके पास प्ले-डोह (playdough) का एक टुकड़ा है। आप इसे किसी भी आकार में ढाल सकते हैं जिसकी आपको आवश्यकता है ताकि यह डेटा के साथ पूरी तरह फिट हो सके। यह मॉडल को बाहरी कारकों (जैसे सोने की कीमतों) और बाजार की अस्थिरता के बीच जटिल, घुमावदार और अजीब संबंधों को बिना किसी सीधी रेखा में बंधे सीखने की अनुमति देता है।

2. "स्पॉटलाइट" परीक्षण (परिकल्पना परीक्षण)

समस्या: अब जब आपके पास एक लचीला प्ले-डोह मानचित्र है जिसमें कई बाहरी कारक (तेल, सोना, गेहूं, स्टील आदि) शामिल हैं, तो आप कैसे जानेंगे कि वास्तव में कौन से कारक मायने रखते हैं? आप उन "शोर" (noise) चरों को ट्रैक करने में समय बर्बाद नहीं करना चाहते जिनका कोई वास्तविक प्रभाव नहीं है।

समाधान: लेखकों ने एक नया सांख्यिकीय परीक्षण बनाया है, जिसे वे "आर्टिफिशियल वन-वे ANOVA" कहते हैं।

उपमा: कल्पना करें कि आप भीड़ में एक विशिष्ट संदिग्ध को खोजने की कोशिश कर रहे हैं। आप एक साथ सभी को नहीं देख सकते। इसके बजाय, आप भीड़ को एक विशिष्ट सुराग (जैसे संदिग्ध की ऊंचाई) के आधार पर छोटे "विंडोज़" (windows) में विभाजित करते हैं।
यह कैसे काम करता है: परीक्षण डेटा को इन विंडोज़ में समूहित करता है और यह जाँचता है कि क्या एक विंडो से दूसरी विंडो में जाने पर सड़क की "ऊबड़-खाबड़ता" महत्वपूर्ण रूप से बदलती है। यदि ऊबड़-खाबड़ता किसी विशिष्ट कारक (जैसे तेल) के साथ लगातार बदलती है, तो परीक्षण उस कारक पर एक स्पॉटलाइट जला देता है, यह कहते हुए, "यह महत्वपूर्ण है!" यदि ऊबड़-खाबड़ता यादृच्छिक (random) रहती है, तो स्पॉटलाइट बंद रहती है।
परिणाम: उन्होंने गणितीय रूप से सिद्ध किया कि यह स्पॉटलाइट विश्वसनीय है और जैसे-जैसे आप अधिक डेटा एकत्र करते हैं, यह एक अनुमानित पैटर्न (एक नॉर्मल डिस्ट्रीब्यूशन) का पालन करती है।

3. "स्मार्ट फिल्टर" (चर चयन)

समस्या: जब आपके पास दर्जनों संभावित सुराग (covariates) होते हैं, तो उन्हें एक-एक करके परखने से "गलत अलार्म" का जोखिम होता है। आप गलती से किसी यादृच्छिक कारक को केवल संयोग से महत्वपूर्ण समझ सकते हैं। यह एक धातु डिटेक्टर के बीप करने जैसा है क्योंकि आप धातु के मलबे के बीच चल रहे हैं और वह एक सोडा कैन को भी पहचान लेता है।

समाधान: लेखकों ने बेन्जामिनी-येकुटिएली सुधार (Benjamini-Yekutieli correction) नामक विधि का उपयोग करके एक चर चयन प्रक्रिया (variable selection procedure) बनाई है।

उपमा: कल्पना करें कि आप कॉफी मशीन में एक फिल्टर हैं। आपके पास कॉफी का एक बर्तन (आपका सारा डेटा) है और आप केवल शुद्ध, मजबूत कॉफी बीन्स (वास्तव में महत्वपूर्ण कारक) रखना चाहते हैं और धूल और कचरे (अप्रासंगिक शोर) को छानना चाहते हैं।
यह कैसे काम करता है: यह फिल्टर पिछले चरण के सभी "स्पॉटलाइट्स" को देखता है। यह एक "फॉल्स डिस्कवरी रेट" (कितने गलत अलार्म हम स्वीकार करने के लिए तैयार हैं) की गणना करता है। फिर यह व्यवस्थित रूप से उन स्पॉटलाइट्स को बंद कर देता है जिनके गलत अलार्म होने की संभावना है और केवल उन्हें रखता है जो सांख्यिकीय रूप से मजबूत हैं।
वादा: लेखों ने सिद्ध किया है कि जैसे-जैसे आपके पास अधिक डेटा आता है, यह फिल्टर पूर्ण हो जाता है। यह अंततः ठीक वही कारकों का समूह पहचान लेगा जो सही हैं और सभी शोर को अनदेखा कर देगा, जिसकी संभावना 100% के करीब पहुँच जाती है।

वास्तविक दुनिया का प्रमाण: S&P 500

अपने तरीके को सिद्ध करने के लिए, लेखकों ने इसे S&P 500 (अमेरिकी शेयर बाजार) पर लागू किया। उन्होंने मॉडल को वैश्विक बाजारों, तेल, सोना, स्टील और फसलों के डेटा से फीड किया।

परिणाम: "स्मार्ट फिल्टर" ने सही ढंग से पहचाना कि एशियाई बाजार, यूरोपीय बाजार, कच्चा तेल, सोना और स्टील अमेरिकी स्टॉक की अस्थिरता के वास्तविक चालक थे।
अंतर्दृष्टि: यह तर्कसंगत था! सोना एक "सुरक्षित आश्रय" (safe haven) है (लोग डर के समय इसे खरीदते हैं), और तेल पूरी अर्थव्यवस्था को प्रभावित करता है। मॉडल ने चावल और गेहूं जैसी चीजों को सफलतापूर्वक अनदेखा कर दिया, जिनका इस विशिष्ट संदर्भ में शेयर बाजार की ऊबड़-खाबड़ता से कोई मजबूत, सीधा संबंध नहीं था।

सारांश

संक्षेप में, यह शोध पत्र अर्थशास्त्रियों को जटिल वित्तीय सड़कों को समझने के लिए एक बेहतर प्ले-डोह मानचित्र, यह खोजने के लिए एक स्पॉटलाइट कि कौन से बाहरी कारक वास्तव में मायने रखते हैं, और यह सुनिश्चित करने के लिए एक स्मार्ट फिल्टर देता है कि वे अप्रासंगिक शोर से विचलित न हों। परिणाम, वित्तीय बाजारों के ऊबड़-खाबड़ होने के कारणों की एक स्पष्ट और अधिक सटीक तस्वीर है।

यहाँ एड्रियानो ज़ैम्बोम और किंग वांग के शोध पत्र "Nonparametric Testing and Variable Selection for ARCH-m(X) Model" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र मौजूदा वित्तीय अस्थिरता मॉडलिंग (financial volatility modeling), विशेष रूप से बाह्य सहचरों (exogenous covariates) के साथ विस्तारित ऑटोरिग्रेसिव कंडीशनल हेटेरोस्केडास्टिसिटी (ARCH) और जनरलाइज्ड ARCH (GARCH) फ्रेमवर्क (ARCH-X/GARCH-X) की दो महत्वपूर्ण सीमाओं को संबोधित करता है:

फंक्शनल फॉर्म मिसस्पेसिफिकेशन (Functional Form Misspecification): पारंपरिक ARCH-X मॉडल बाह्य सहचरों ( $X$ ) और कंडीशनल वेरिएंस ( $\sigma^2_t$ ) के बीच एक पैरामीट्रिक (आमतौर पर रैखिक) संबंध मानते हैं। वित्तीय अस्थिरता अक्सर बाहरी चालकों (जैसे मैक्रोइकोनॉमिक संकेतक, कमोडिटी कीमतें) के प्रति जटिल, गैर-रैखिक प्रतिक्रियाएं प्रदर्शित करती है। एक रैखिक संरचना थोपने से अनुमान (estimation) पक्षपाती हो जाता है और निष्कर्ष (inference) अमान्य हो जाते हैं।
नॉन-पैरामेट्रिक सेटिंग्स में वेरिएबल सिलेक्शन (Variable Selection in Nonparametric Settings): जबकि रैखिक टाइम-सीरीज मॉडल के लिए वेरिएबल सिलेक्शन मौजूद है, लेकिन जब संबंध नॉन-पैरामेट्रिक हो, तो प्रासंगिक बाह्य सहचरों को चुनने के लिए कोई स्थापित प्रक्रिया नहीं है। मौजूदा विधियाँ (जैसे पेनलाइज्ड लाइकलीहुड) उच्च-आयामी (high-dimensional) सहचर उपसमुच्चयों के लिए गणनात्मक रूप से अत्यधिक कठिन हैं या गैर-रैखिक निर्भरताओं को पकड़ने में विफल रहती हैं।

2. कार्यप्रणाली (Methodology)

A. ARCH-m(X) मॉडल

लेखक ARCH-m(X) मॉडल का प्रस्ताव करते हैं, जो एक सेमी-पैरामेट्रिक विस्तार है जहाँ एक बहुभिन्नरूपी बाह्य वेक्टर $X_t \in \mathbb{R}^d$ का कंडीशनल वेरिएंस पर प्रभाव एक अज्ञात नॉन-पैरामेट्रिक फंक्शन $m(\cdot)$ के माध्यम से मॉडल किया जाता है:
$\begin{cases} \epsilon_t = z_t \sigma_t \\ \sigma^2_t = \sum_{j=1}^p \alpha_j \epsilon^2_{t-j} + m(X_{t-1}) \end{cases}$
जहाँ $z_t$ का माध्य 0 और वेरिएंस 1 है। $X$ की बहुभिन्नरूपी प्रकृति को संभालने के लिए फंक्शन $m(\cdot)$ को टेन्सर-प्रोडक्ट बी-स्प्लाइन्स (tensor-product B-splines) (या सिमुलेशन में कर्नेल स्मूथिंग) का उपयोग करके अनुमानित किया जाता है।

B. नॉन-पैरामेट्रिक परिकल्पना परीक्षण (Nonparametric Hypothesis Testing)

एक विशिष्ट सहचर $X_\ell$ की सार्थकता का परीक्षण करने के लिए, लेखक एक नवीन परिकल्पना परीक्षण विकसित करते हैं:

शून्य परिकल्पना ( $H_0$ ): $m(X_t) = m_\ell(X_{t}^{-\ell})$ , जिसका अर्थ है कि $X_\ell$ का वेरिएंस में कोई मार्जिनल योगदान नहीं है।
टेस्ट स्टैटिस्टिक निर्माण:
- यह विधि एक कृत्रिम वन-वे ANOVA डिज़ाइन का उपयोग करती है।
- $H_0$ के तहत मॉडल से प्राप्त अवशेषों (residuals) $\hat{v}_t$ को सहचर मानों $X_{\ell t}$ की निकटता के आधार पर "विंडोज़" में समूहीकृत किया जाता है।
- टेस्ट स्टैटिस्टिक $T_n$ इन समूहीकृत अवशेषों के मीन स्क्वायर ट्रीटमेंट ( $MST_n$ ) और मीन स्क्वायर एरर ( $MSE_n$ ) के बीच का अंतर है।
एसिम्प्टोटिक डिस्ट्रीब्यूशन (Asymptotic Distribution): नियमितता की शर्तों (जिसमें $m(\cdot)$ की स्मूथनेस और $X$ का घनत्व शामिल है) के तहत, लेखक सिद्ध करते हैं कि मानकीकृत टेस्ट स्टैटिस्टिक एक स्टैंडर्ड नॉर्मल डिस्ट्रीब्यूशन की ओर अभिसरित (converge) होता है:
$\left(\frac{n}{k_n}\right)^{1/2} T_n \xrightarrow{d} N(0, 4\tau^2/3)$
जहाँ $k_n$ विंडो का आकार है और $\tau^2$ एरर टर्म का वेरिएंस है।

C. वेरिएबल सिलेक्शन प्रक्रिया (Variable Selection Procedure)

इस परिकल्पना परीक्षण पर आधारित होकर, लेखक एक वेरिएबल सिलेक्शन फ्रेमवर्क प्रस्तावित करते हैं:

P-value की गणना: प्रत्येक सहचर के लिए उनके टेस्ट स्टैटिस्टिक के एसिम्प्टोटिक नॉर्मल डिस्ट्रीब्यूशन के आधार पर p-values की गणना करें।
FDR नियंत्रण: विभिन्न सहचरों के टेस्ट स्टैटिस्टिक्स स्वतंत्र नहीं हो सकते हैं, इसलिए बेन्जामिनी-येकुटीली (Benjamini-Yekutieli - BY) प्रक्रिया को लागू किया जाता है ताकि फॉल्स डिस्कवरी रेट (FDR) को नियंत्रित किया जा सके।
सिलेक्शन नियम: सबसे कम p-value वाले सहचरों के लिए शून्य परिकल्पना को तब तक खारिज करें जब तक कि BY सुधार द्वारा निर्धारित थ्रेशोल्ड न मिल जाए।
कंसिस्टेंसी (Consistency): लेखक सिद्ध करते हैं कि जैसे-जैसे सैंपल साइज $n \to \infty$ होता है, सटीक प्रासंगिक सहचरों के सेट ( $I_0$ ) को चुनने की संभावना 1 के करीब पहुँच जाती है, बशर्ते कि FDR थ्रेशोल्ड $\alpha_n$ एक विशिष्ट दर पर कम होता हो।

3. मुख्य योगदान (Key Contributions)

मॉडल नवाचार (Model Innovation): ARCH-m(X) मॉडल का परिचय, जो रैखिक धारणा को शिथिल करता है, जिससे बाहरी कारक अस्थिरता को कैसे संचालित करते हैं, इसका लचीला, नॉन-पैरामेट्रिक मॉडलिंग संभव होता है।
नवीन टेस्ट स्टैटिस्टिक: एक नॉन-पैरामेट्रिक परिकल्पना परीक्षण का विकास जो कृत्रिम वन-वे ANOVA संरचना का उपयोग करता है। स्टैंडर्ड लाइकलीहुड रेशियो टेस्ट के विपरीत, जो नॉन-पैरामेट्रिक घटकों के लिए कठिन होते हैं, यह परीक्षण वेरिएंस-आधारित सांख्यिकी की एसिम्प्टोटिक नॉर्मलिटी पर निर्भर करता है।
सैद्धांतिक गारंटी (Theoretical Guarantees):
- शून्य और लोकल अल्टरनेटिव्स के तहत टेस्ट स्टैटिस्टिक की एसिम्प्टोटिक नॉर्मलिटी का प्रमाण।
- वेरिएबल सिलेक्शन कंसिस्टेंसी का प्रमाण, जो यह दिखाता है कि विधि संभाव्यता के एक के करीब (तुलना में एक) वास्तविक सक्रिय सेट को रिकवर करती है।
कंप्यूटेशनल व्यवहार्यता (Computational Feasibility): यह प्रदर्शन करना कि उनका तरीका हाई-ऑर्डर B-spline ऑप्टिमाइजेशन से जुड़ी "डायमेंशनलिटी के अभिशाप" (curse of dimensionality) से बचने के लिए कर्नेल स्मूथिंग का उपयोग करके उच्च-आयामी सेटिंग्स (10 सहचरों तक) में भी प्रभावी ढंग से काम करता है।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies)

लेखकों ने अपने मेथड (ARM) की तुलना निम्नलिखित के विरुद्ध व्यापक सिमुलेशन के माध्यम से की:

लीनियर बेंचमार्क: फ्रैंक और थियू (2019) जो रैखिक $m(X)$ मानते हैं।
LASSO: एक लीनियर मॉडल जिसमें L1 पेनल्टी है।

मुख्य निष्कर्ष:

नॉन-लीनियर परिदृश्य: क्वाड्रेटिक, साइनुसोइडल, या इंटरैक्शन प्रभावों (नॉन-एडिटिव) वाले मॉडलों में, प्रस्तावित ARM मेथड प्रतिस्पर्धियों की तुलना में काफी बेहतर रहा। लीनियर बेंचमार्क सक्रिय सहचरों का पता लगाने में विफल रहा (कम पावर), जबकि LASSO ने कई अप्रासंगिक वेरिएबल्स को चुना (उच्च फॉल्स डिस्कवरी)।
लीनियर परिदृश्य: विशुद्ध रूप से लीनियर मामलों (मॉडल 7) में, जैसा कि अपेक्षित था, लीनियर बेंचमार्क सबसे अच्छा प्रदर्शन करता है, हालांकि ARM भी प्रतिस्पर्धी बना रहा।
मजबूती (Robustness): विधि ने Normal, Student-t, और Laplace एरर डिस्ट्रीब्यूशन के तहत सही एम्पिरिकल साइज (Type I error) बनाए रखा।
वेरिएबल सिलेक्शन: जैसे-जैसे सैंपल साइज बढ़ा, ARM ने लगभग पूर्ण (near-perfect) सिलेक्शन हासिल किया और शोर (noise) वाले वेरिएबल्स को बाहर रखा, जबकि LASSO नॉन-लीनियर सेटिंग्स में सिग्नल और शोर के बीच अंतर करने में संघर्ष करता रहा।

एम्पिरिकल एप्लीकेशन (S&P 500)

मॉडल को 11 संभावित सहचरों (ग्लोबल इक्विटी मार्केट्स, कमोडिटीज, करेंसीज़) के साथ S&P 500 लॉग रिटर्न्स पर लागू किया गया।

चुने गए सहचर (Selected Covariates): एशिया मार्केट, क्रूड ऑयल, गोल्ड, स्टील, और यूरोप मार्केट।
व्याख्या: परिणाम आर्थिक अंतर्ज्ञान के अनुरूप हैं:
- ग्लोबल मार्केट्स: एशिया और यूरोप की सार्थकता वैश्विक परस्पर निर्भरता की पुष्टि करती है।
- कमोडिटीज: तेल और सोना मैक्रोइकोनॉमिक अनिश्चितता और रिस्क सेंटीमेंट (सेफ-हेवन स्टेटस) को दर्शाते हैं।
- इंडस्ट्रियल: स्टील वास्तविक-क्षेत्र (real-sector) के फंडामेंटल्स और अस्थिरता के बीच संबंध को दर्शाता है।
बाहर किए गए (Excluded): चीन मार्केट, USD इंडेक्स और अन्य FDR सुधार के बाद महत्वपूर्ण नहीं पाए गए, जो यह सुझाव देते हैं कि अन्य चयनित कारकों के सापेक्ष उनका मार्जिनल योगदान सीमित है।

5. महत्व (Significance)

यह शोध पत्र हाई-डायमेंशनल, नॉन-पैरामेट्रिक वोलैटिलिटी मॉडलिंग के लिए एक कठोर सांख्यिकीय ढांचा प्रदान करता है। इसका महत्व है:

सिद्धांत और व्यवहार को जोड़ना: यह वित्तीय इकोनोमेट्रिक्स में "नॉन-लिनियरिटी बनाम व्याख्यात्मकता" (nonlinearity vs. interpretability) के ट्रेड-ऑफ का समाधान प्रदान करता है।
विश्वसनीय निष्कर्ष: एसिम्प्टोटिक नॉर्मलिटी और कंसिस्टेंसी स्थापित करके, यह शोधकर्ताओं को किसी विशिष्ट फंक्शनल फॉर्म को माने बिना यह निष्कर्ष निकालने की अनुमति देता है कि कौन से बाहरी कारक अस्थिरता को संचालित करते हैं।
व्यावहारिक उपयोगिता: S&P 500 डेटा पर अनुप्रयोग यह दर्शाता है कि नॉन-लीनियर बाहरी ड्राइवरों को अनदेखा करने से 'ओमिटेड वेरिएबल बायस' हो सकता है, जबकि प्रस्तावित विधि सफलतापूर्वक सबसे आर्थिक रूप से प्रासंगिक ड्राइवरों को अलग करती है।

संक्षेप में, ज़ैम्बोम और वांग वित्तीय विश्लेषकों को बाहरी झटकों (external shocks) द्वारा संचालित जटिल अस्थिरता गतिशीलता को मॉडल करने के लिए एक मजबूत टूलकिट प्रदान करते हैं, यह सुनिश्चित करते हुए कि मॉडल में केवल सांख्यिकीय और आर्थिक रूप से महत्वपूर्ण वेरिएबल्स ही शामिल हों।