Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law

यहाँ कोज़ुबोव्स्की, सरान्सेव और स्पाइकर के शोध पत्र "Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वित्तीय मॉडलिंग और सांख्यिकीय अनुमान (statistical inference) की दो प्राथमिक चुनौतियों को संबोधित करता है:

1. एकचर मॉडलों (Univariate Models) की सीमाएँ: जबकि जनरलाइज्ड एसिमेट्रिक लैपलेस (GAL) वितरण (जिसे वेरिएंस-गामा वितरण भी कहा जाता है) भारी पूंछ (heavy tails) और विषमता (skewness) को पकड़ने की अपनी क्षमता के कारण परिसंपत्ति रिटर्न को मॉडल करने के लिए व्यापक रूप से उपयोग किया जाता है, इसे आमतौर पर एकचर सेटिंग में ही अध्ययन किया जाता है। इस सेटिंग में, मिक्सिंग गामा वेरिएबल (जो स्टोकेस्टिक अस्थिरता या 'बिजनेस टाइम' का प्रतिनिधित्व करता है) अवलोकित नहीं होता है, जिससे मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE) जटिल और गणनात्मक रूप से गहन हो जाता है।
2. अवलोकित अस्थिरता (Observed Volatility) को संभालना: कई वित्तीय संदर्भों में, परिसंपत्ति रिटर्न के साथ-साथ अस्थिरता सूचकांक (जैसे VIX) भी देखे जाते हैं। मानक स्टोकेस्टिक वोलैटिलिटी मॉडल अक्सर अस्थिरता को एक गुप्त (latent/hidden) चर के रूप में मानते हैं, जिसके लिए जटिल फ़िल्टरिंग तकनीकों (जैसे हिडन मार्कोव मॉडल) की आवश्यकता होती है। लेखक एक ऐसा ढांचा चाहते हैं जहाँ रिटर्न और अस्थिरता प्रॉक्सी दोनों को संयुक्त रूप से अवलोकन योग्य यादृच्छिक चरों (observable random variables) के रूप में मॉडल किया जा सके।

2. कार्यप्रणाली: BGGL मॉडल (Methodology: The BGGL Model)

लेखक बाइवेरिएट गामा-जनरलाइज्ड लैपलेस (BGGL) वितरण प्रस्तुत करते हैं। यह मानक GAL मॉडल का एक द्विचर (bivariate) विस्तार है जहाँ मिक्सिंग गामा वेरिएबल प्रत्यक्ष रूप से देखा जाता है।

• स्टोकेस्टिक प्रतिनिधित्व (Stochastic Representation): मान लीजिए कि $Z \sim N(0,1)$ और $X \sim \text{GAM}(\alpha, \beta)$ स्वतंत्र हैं। यादृच्छिक वेक्टर $(X, Y)$ को इस प्रकार परिभाषित किया गया है:
  $$Y = \delta + \mu X + \sigma \sqrt{X} Z$$
  यहाँ, $X$ अवलोकित अस्थिरता प्रॉक्सी (या बिजनेस टाइम) का प्रतिनिधित्व करता है, और $Y$ परिसंपत्ति रिटर्न का प्रतिनिधित्व करता है।
• संयुक्त घनत्व (Joint Density): $(X, Y)$ का संयुक्त संभाव्यता घनत्व फलन (PDF) स्पष्ट रूप से प्राप्त किया गया है। यह दिखाया गया है कि $Y|X$ का सशर्त वितरण गाऊसी (Gaussian) है, जबकि $X$ का मार्जिनल वितरण गामा है, और $Y$ का मार्जिनल वितरण GAL है।
• एक्सपोनेंशियल फैमिली संरचना (Exponential Family Structure): लेखक प्रदर्शित करते हैं कि BGGL परिवार एक कर्वेड एक्सपोनेंशियल फैमिली (curved exponential family) है। हालाँकि इसमें 5 पैरामीटर ($\alpha, \beta, \delta, \mu, \sigma$) हैं, लेकिन इसके पर्याप्त सांख्यिकी (sufficient statistics) एक 6-आयामी स्थान को घेरते हैं। यह गैर-मानक संरचना अनुमानकों (estimators) के व्यवहार को समझने के लिए महत्वपूर्ण है।
• फिशर इंफॉर्मेशन (Fisher Information): शोध पत्र फिशर इंफॉर्मेशन मैट्रिक्स (FIM) को व्युत्पन्न करता है। एक मुख्य निष्कर्ष यह है कि आकार पैरामीटर $\alpha \le 1$ के लिए, FIM कुछ विशिष्ट पैरामीटर्स (विशेष रूप से $\delta$ से संबंधित) के लिए विलुप्त (singular/infinite) हो जाता है, जो गैर-मानक स्पर्शोन्मुखी व्यवहार (asymptotic behavior) को दर्शाता है।

3. मुख्य योगदान (Key Contributions)

यह शोध पत्र तीन प्रमुख सैद्धांतिक और पद्धतिगत योगदान देता है:

1. सरलीकृत मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE):
   एकचर GAL मॉडल के विपरीत, जहाँ MLE के लिए एक जटिल लाइकलीहुड फलन के संख्यात्मक अनुकूलन (numerical optimization) की आवश्यकता होती है, द्विचरीय (bivariate) सूत्रीकरण स्थान ($\delta$), विषमता ($\mu$), और स्केल ($\sigma$) मापदंडों के लिए स्पष्ट, बंद-रूप समाधान (closed-form solutions) की अनुमति देता है।

   • $\delta$ और $\mu$ के लिए MLE, एक भारित रैखिक प्रतिगमन मॉडल (विशेष रूप से, एक प्रतिगमन जिसमें इंटरसेप्ट नहीं है और जहाँ त्रुटि प्रसरण $X$ के समानुपाती है) में लघुतम वर्ग अनुमानकों (Least Squares estimators) के बिल्कुल अनुरूप होते हैं।
   • गामा मापदंडों ($\alpha, \beta$) के लिए MLE, $X$ के मार्जिनल वितरण से प्राप्त किए जाते हैं और डिगामा फलन (digamma function) को शामिल करते हुए बंद रूप में उपलब्ध होते हैं।

2. गैर-मानक स्पर्शोन्मुखी सिद्धांत (Non-Standard Asymptotic Theory):
   लेखक स्थापित करते हैं कि MLE के अभिसरण दर (convergence rates) मिक्सिंग गामा वितरण के आकार पैरामीटर $\alpha$ पर महत्वपूर्ण रूप से निर्भर करती है:

   • मामला $\alpha > 1$: अनुमानक मानक $\sqrt{n}$ अभिसरण दर के साथ स्पर्शोन्मुखी रूप से सामान्य (asymptotically normal) होते हैं।
   • मामला $\alpha = 1$: $\hat{\delta}$ का अभिसरण $\sqrt{n \ln n}$ की दर से होता है, और सीमित वितरण (limiting distribution) गाऊसी बना रहता है लेकिन एक अलग प्रसरण संरचना के साथ।
   • मामला $\alpha < 1$: $\hat{\delta}$ के लिए अभिसरण दर $n^{1/(2\alpha)}$ तक त्वरित हो जाती है (जो $\sqrt{n}$ से तेज़ है)। महत्वपूर्ण रूप से, सीमित वितरण गैर-गाऊसी (non-Gaussian) है, जिसमें एक स्टेबल सबडिनाइटर (stable subordinator) ($\xi_\alpha$) शामिल है। यह एक दुर्लभ घटना है जहाँ MLE मानक दर से तेज़ी से अभिसरित होता है लेकिन अपनी सामान्यता (normality) खो देता है।

3. वित्तीय अनुप्रयोग ढांचा (Financial Application Framework):
   शोध पत्र परिसंपत्ति रिटर्न और अस्थिरता को संयुक्त रूप से मॉडल करने का एक नवीन तरीका प्रस्तावित करता है। अस्थिरता को एक गुप्त अवस्था (latent state) के रूप में मानने के बजाय, वे देखे गए अस्थिरता सूचकांक (VIX) को एक गामा-वितरित चर $X$ में परिवर्तित करते हैं और सीधे जोड़ी $(X, Y)$ को मॉडल करते हैं। यह हिडन मार्कोव मॉडल की आवश्यकता को समाप्त करता है।

4. मुख्य परिणाम (Key Results)

• अनुमानक गुण (Estimator Properties):

  • $\hat{\delta}_n$ और $\hat{\mu}_n$ निष्पक्ष (unbiased) हैं।
  • $\alpha > 1$ के लिए, अनुमानकों का संयुक्त वितरण एक ब्लॉक-डायगोनल कोवेरिएंस मैट्रिक्स के साथ स्पर्शोन्मुखी रूप से बहुभिन्नरूपी सामान्य (asymptotically multivariate normal) होता है, जो गामा मापदंडों और प्रतिगमन मापदंडों के बीच स्पर्शोन्मुखी स्वतंत्रता का संकेत देता है।
  • $\alpha \le 1$ के लिए, $\hat{\delta}_n$ और $\hat{\mu}_n$ स्पर्शोन्मुखी रूप से स्वतंत्र हो जाते हैं, जो $\alpha > 1$ के मामले में मौजूद नहीं होने वाला गुण है।

• सिमुलेशन अध्ययन (Simulation Study):
  $n=50$ और $n=500$ के नमूना आकार के साथ सिमुलेशन सैद्धांतिक निष्कर्षों की पुष्टि करते हैं।

  • $\alpha = 1$ और $\alpha = 0.25$ के लिए, $\delta$ के लिए रूट मीन स्क्वेयर्ड एरर (RMSE) बहुत कम है, जो तेज़ अभिसरण दरों के अनुरूप है।
  • $\alpha = 2$ और $\alpha = 5$ के लिए, $\delta$ के लिए RMSE बढ़ता है, जो $\sqrt{n}$ के धीमे अभिसरण दर और मिक्सिंग वितरण की भारी पूंछ (heavy tails) के प्रभाव को दर्शाता है।

• अनुभवजन्य अनुप्रयोग (Empirical Application):
  इस मॉडल को तीन प्रमुख अमेरिकी सूचकांकों (S&P 500, DJIA, और NASDAQ 100) के साप्ताहिक डेटा (2019-2024) पर लागू किया गया, जिन्हें उनके संबंधित अस्थिरता सूचकांकों (VIX, VXD, VXN) के साथ जोड़ा गया।

  • परिणाम: BGGL मॉडल ने तीनों सूचकांकों के लिए संतोषजनक फिट प्रदान किया।
  • निदान (Diagnostics): क्वांटाइल-क्वेंटाइल (QQ) प्लॉट्स ने दिखाया कि अवशेष (residuals - प्रतिगमन से निकाले गए) एक मानक सामान्य वितरण द्वारा अच्छी तरह से अनुमानित थे, और रूपांतरित अस्थिरता चर $X$ ने गामा वितरण के साथ अच्छा सामंजस्य दिखाया।
  • व्याख्या: लेखक चर $X$ की व्याख्या "अनपेक्षित" या "आश्चर्यजनक" अस्थिरता (वर्तमान अस्थिरता का ऑटोरेग्रेसिव अपेक्षा से विचलन) के रूप में करते हैं, जिससे उन्हें जटिल टाइम-सीरीज निर्भरताओं के बजाय IID मान्यताओं का उपयोग करके रिटर्न और अस्थिरता के झटकों (shocks) की संयुक्त गतिशीलता को कैप्चर करने की अनुमति मिलती है।

5. महत्व (Significance)

• गणना दक्षता (Computational Efficiency): मिक्सिंग वेरिएबल को अवलोकित करके, यह शोध पत्र एक कठिन गैर-रेखीय अनुकूलन समस्या को एक सरल रैखिक प्रतिगमन समस्या में बदल देता है, जिससे पैरामीटर अनुमान काफी सुलभ हो जाता है।
• सैद्धांतिक अंतर्दृष्टि (Theoretical Insight): $\alpha < 1$ के लिए सुपर-फास्ट अभिसरण दरों ($n^{1/(2\alpha)}$) के साथ गैर-गाऊसी सीमाओं की खोज, मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE) में गैर-मानक स्पर्शोन्मुखी व्यवहार के साहित्य में एक महत्वपूर्ण नया मामला जोड़ती है।
• व्यावहारिक वित्तीय मॉडलिंग (Practical Financial Modeling): यह दृष्टिकोण जटिल स्टोकेस्टिक वोलैटिलिटी (SV) और GARCH मॉडल के लिए एक संक्षिप्त विकल्प प्रदान करता है। अस्थिरता को एक गुप्त अवस्था के बजाय एक अवलोकित इनपुट के रूप में मानकर, यह रिटर्न और अस्थिरता के संयुक्त वितरण को मॉडल करने को सरल बनाता है, जो जोखिम प्रबंधन और डेरिवेटिव मूल्य निर्धारण के लिए आवश्यक है।

निष्कर्षतः, यह शोध पत्र सफलतापूर्वक सैद्धांतिक संभाव्यता (द्विचरीय मिश्रण, स्थिर नियम) और व्यावहारिक वित्तीय अर्थशास्त्र के बीच के अंतर को पाटता है, जो परिसंपत्ति रिटर्न के लिए एक मजबूत और विश्लेषणात्मक रूप से सुलभ मॉडल प्रदान करता है।