💰 quantitative finance

Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting

यह शोध पत्र एक गणनात्मक रूप से कुशल बेयसियन डायनेमिक मॉडलिंग फ्रेमवर्क प्रस्तुत करता है जो रियलाइज्ड वोलेटिलिटी के लिए एक नवीन डायनेमिक गामा प्रोसेस को पारंपरिक रैखिक मॉडलों के साथ एकीकृत करता है ताकि अस्थिरता उत्तोलन (volatility leverage) और फीडबैक प्रभावों के प्रभावी कैप्चर के माध्यम से वित्तीय संपत्ति मूल्य पूर्वानुमान और जोखिम प्रबंधन में महत्वपूर्ण सुधार किया जा सके।

मूल लेखक: Patrick Woitschig, Mike West

प्रकाशित 2026-05-13

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Patrick Woitschig, Mike West

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 कल के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास जानकारी के दो स्रोत हैं:

दैनिक रिपोर्ट (The Daily Report): एक साधारण नोट जिसमें लिखा है, "कल बारिश हुई थी।" (यह कल की स्टॉक कीमत देखने जैसा है)।
लाइव रडार (The Live Radar): एक हाई-टेक फीड जो दिखा रहा है कि अभी कितनी तेज़ बारिश हो रही है, हवा कितनी तेज़ चल रही है, और हर मिनट नमी का स्तर क्या है। (यह "रियलाइज्ड वोलेटिलिटी" (Realized Volatility) की तरह है, जो उच्च-आवृत्ति वाले इंट्राडे डेटा का उपयोग करके यह मापता है कि स्टॉक की कीमत वास्तव में कितनी ऊपर-नीचे हो रही है)।

लंबे समय तक, वित्तीय पूर्वानुमान लगाने वाले मुख्य रूप से दैनिक रिपोर्ट पर ही निर्भर थे। उन्होंने ऐसे मॉडल बनाए जो कल की कीमत के आधार पर कल की कीमत का अनुमान लगाते थे और बाजार कितना "तूफानी" होगा, इसके बारे में एक अस्पष्ट अनुमान लगाते थे। ये मॉडल ठीक-ठाक थे, लेकिन वे प्रतिक्रिया देने में धीमे थे और वास्तविक समय में होने वाले सूक्ष्म बदलावों को पकड़ने में चूक जाते थे।

इस शोध पत्र का मुख्य विचार (The Big Idea of This Paper)
पैट्रिक वोइत्सिग और माइक वेस्ट एक नया तरीका प्रस्तावित कर रहे हैं जिससे स्टॉक की कीमतों का पूर्वानुमान लगाया जा सके। वे कहते हैं: "हम 'लाइव रडार' को नज़रअंदाज़ क्यों करें?"

उन्होंने एक नया गणितीय उपकरण बनाया है जिसे RV-DLM (रियलाइज्ड वोलेटिलिटी डायनेमिक लीनियर मॉडल) कहा जाता है। इसे एक सुपर-स्मार्ट मौसम पूर्वानुमानकर्ता के रूप में समझें जो केवल कल की बारिश को नहीं देखता; बल्कि यह कल की रिपोर्ट को लाइव रडार फीड के साथ जोड़ता है ताकि अधिक सटीक भविष्यवाणी की जा सके।

यह कैसे काम करता है (उपमा/एनालॉजी)

दो-ट्रैक प्रणाली (The Two-Track System):
कल्पना कीजिए कि एक ट्रेन है जिसमें दो ट्रैक अगल-बगल चल रहे हैं।

ट्रैक A (कीमत): यह ट्रैक स्टॉक की कीमत लेकर चलता है।
ट्रैक B (अस्थिरता/Volatility): यह ट्रैक मार्केट की "हलचल" या "तूफानी स्थिति" को लेकर चलता है, जिसे हाई-फ्रीक्वेंसी रडार द्वारा मापा जाता है।
पुराना तरीका: पुराने मॉडल केवल ट्रैक A को देखते थे और अनुमान लगाते थे कि ट्रैक B क्या कर रहा होगा।
नया तरीका: नया मॉडल दोनों ट्रैकों को एक साथ देखता है। वह जानता है कि यदि रडार (ट्रैक B) में अचानक हलचल बढ़ती है, तो कीमत (ट्रैक A) तुरंत प्रतिक्रिया देगी।

"फीडबैक लूप" (लीवरेज और फीडबैक):
यह शोध पत्र दो विशिष्ट संबंधों को अब स्पष्ट रूप से देख सकता है:

"तत्काल झटका" (Contemporaneous Effect): यदि बाजार अभी बहुत अस्थिर हो जाता है, तो कीमत अक्सर तुरंत गिर जाती है। यह एक अचानक आई हवा के झोंके की तरह है जो तुरंत एक पत्ते को पेड़ से गिरा देता है। नया मॉडल इस पल भर की प्रतिक्रिया को पकड़ लेता है।
"हैंगओवर" (Lagged Effect): यदि कल बाजार अस्थिर था, तो यह आज कीमत की गति को प्रभावित करता है। यह तूफान के अगले दिन महसूस होने वाली सुस्ती की तरह है। मॉडल इसे भी ट्रैक करता है।

"सीक्रेट सॉस": "कंजुगेट मैजिक" (Conjugate Magic)
आमतौर पर, इन दोनों जटिल ट्रैकों को मिलाने के लिए एक सुपरकंप्यूटर की आवश्यकता होती है जो लाखों सिमुलेशन चलाता है (जैसे कि हवा के हर अणु का सिमुलेशन चलाकर मौसम की भविष्यवाणी करना)। यह धीमा है और इसमें त्रुटियों की संभावना अधिक होती है।

लेखकों की सफलता यह है कि उन्होंने एक गणितीय "शॉर्टकट" (जिसे कंजुगेट बेयसियन विश्लेषण कहा जाता है) खोज निकाला है। कल्पना कीजिए कि आपके पास एक जादुई कैलकुलेटर है जो सुपरकंप्यूटर की आवश्यकता के बिना जटिल मौसम समीकरणों को तुरंत हल कर देता है। इसका मतलब है कि उनका मॉडल है:

तेज़: जैसे ही नया डेटा आता है, यह तुरंत अपडेट हो जाता है।
सरल: इसे लगातार मानवीय सुधारों की आवश्यकता नहीं होती।
पारदर्शी: आप देख सकते हैं कि इसने कोई भविष्यवाणी क्यों की।

उन्होंने क्या परीक्षण किया
उन्होंने शेयर बाजार के 9 विभिन्न क्षेत्रों (जैसे टेक्नोलॉजी, एनर्जी और हेल्थकेयर) और समग्र S&P 500 इंडेक्स के डेटा का उपयोग करके इस नए मॉडल का पुराने मानक मॉडलों के मुकाबले परीक्षण किया। उन्होंने 2000 से 2025 तक का डेटा देखा, जिसमें 2008 का वित्तीय संकट और 2020 की महामारी जैसी प्रमुख घटनाएं शामिल थीं।

परिणाम

बेहतर भविष्यवाणियाँ: नए मॉडल ने पुराने मॉडलों की तुलना में अगले दिन की कीमत का अधिक सटीक अनुमान लगाया।
स्पष्ट निश्चितता: इसने केवल कीमत का अनुमान ही नहीं लगाया; इसने यह भी स्पष्ट तस्वीर दी कि वह अपने अनुमान को लेकर कितना आश्वस्त है। वह जानता था कि कब बाजार बहुत जोखिम भरा है और निश्चित होना कठिन है।
"लाइव रडार" की जीत: जिस मॉडल ने उनके वर्तमान इंट्राडे डेटा (लाइव रडार) का उपयोग किया, उसने उस मॉडल से बेहतर प्रदर्शन किया जो केवल कल के डेटा का उपयोग करता था।

यह क्यों महत्वपूर्ण है
लेखक तर्क देते हैं कि यह नया दृष्टिकोण एक "विन-विन" (Win-Win) स्थिति है। यह आपको जटिल, हाई-टेक मॉडलों की सटीकता देता है, लेकिन पुराने, आसान-से-उपयोग वाले मॉडलों की गति और सरलता को भी बनाए रखता है। यह निवेशकों और रिस्क मैनेजरों को "तूफान" को तेजी से देखने और बाजार गिरने से पहले अपने पोर्टफोलियो को समायोजित करने की अनुमति देता है, और वह भी बिना बैकग्राउंड में सुपरकंप्यूटरों की एक टीम चलाए।

संक्षेप में: उन्होंने शेयर की कीमतों का पूर्वानुमान लगाने का एक तेज़, स्मार्ट और अधिक सटीक तरीका बनाया है क्योंकि उन्होंने आखिरकार बाजार की अस्थिरता के "लाइव रडार" को बातचीत में शामिल कर लिया है।

तकनीकी सारांश: वित्तीय परिसंपत्ति मूल्य पूर्वानुमान में रियलाइज्ड वोलेटिलिटी का बेयसियन डायनेमिक मॉडलिंग

समस्या विवरण
वित्तीय पूर्वानुमान के लिए कुशल, अनुक्रमिक विधियों की आवश्यकता होती है जो उच्च-आवृत्ति डेटा को एकीकृत करते हुए अल्पकालिक अस्थिरता (volatility) के उतार-चढ़ाव के अनुकूल हो सकें। पारंपरिक दृष्टिकोणों में एक ट्रेड-ऑफ (समझौता) होता है: क्लासिकल स्टोकेस्टिक वोलेटिलिटी (SV) मॉडल, जो लेटेंट लॉग-वेरिएंस प्रक्रियाओं का उपयोग करते हैं, लचीले तो होते हैं लेकिन गणनात्मक रूप से गहन होते हैं, और अक्सर महत्वपूर्ण ट्यूनिंग के साथ मार्कोव चेन मोंटे कार्लो (MCMC) या पार्टिकल फ़िल्टरिंग की आवश्यकता होती है। इसके विपरीत, रियलाइज्ड वोलेटिलिटी (RV) मॉडल अनुभवजन्य अस्थिरता मापों का सीधे पूर्वानुमान लगाते हैं, लेकिन अक्सर एक संयुक्त मूल्य-अस्थिरता स्टेट-स्पेस के बाहर कार्य करते हैं। हाइब्रिड मॉडल (जैसे, रियलाइज्ड SV, रियलाइज्ड GARCH) इन तत्वों को मिलाते हैं, लेकिन वे आमतौर पर सिमुलेशन-आधारित अनुमान या स्टैटिक लाइकलीहुड ऑप्टिमाइजेशन पर निर्भर करते हैं, जिनमें तीव्र, ऑनलाइन निगरानी और कई परिसंपत्तियों तक स्केलिंग के लिए आवश्यक विश्लेषणात्मक सुगमता (analytic tractability) का अभाव होता है। यह शोध पत्र एक ऐसे विश्लेषणात्मक रूप से सुलभ, गणनात्मक रूप से तेज़ ढांचे की आवश्यकता को संबोधित करता है जो सिमुलेशन-आधारित विधियों के बोझ के बिना अल्पकालिक पूर्वानुमान और जोखिम प्रबंधन में सुधार के लिए परिसंपत्ति मूल्यों और रियलाइज्ड वोलेटिलिटी को संयुक्त रूप से मॉडल करता है।

कार्यप्रणाली (Methodology)
लेखक रियलाइज्ड वोलेटिलिटी डायनेमिक लीनियर मॉडल्स (RV-DLMs) की एक नई श्रेणी पेश करते हैं। यह ढांचा परिसंपत्ति मूल्यों के लिए पारंपरिक बेयसियन डिस्काउंट DLMs को रियलाइज्ड वेरिएंस के लिए एक डायनेमिक गामा प्रोसेस मॉडल को एकीकृत करके विस्तारित करता है।

मॉडल संरचना:
- मूल्य घटक (Price Component): मॉडल लॉग-प्राइस ( $y_t$ ) के लिए मानक SV-DLM संरचना को बनाए रखता है, जिसमें एक लेटेंट स्टेट वेक्टर $\theta_t$ और एक प्रिसिजन पैरामीटर $\phi_t$ (इनवर्स वेरिएंस) का उपयोग किया जाता है। $\phi_t$ का विकास एक डिस्काउंट फैक्टर $\beta$ द्वारा नियंत्रित डिस्काउंट लर्निंग प्रक्रिया का अनुसरण करता है।
- रियलाइज्ड वेरिएंस घटक: एक नया ऑब्जर्वेशन इक्वेशन रियलाइज्ड वेरिएंस प्रॉक्सी ( $z_t$ ) को $z_t = \eta_t / \phi_t$ के रूप में मॉडल करता है, जहाँ $\eta_t$ एक गामा वितरण का पालन करता है। यह रियलाइज्ड मेजर और लेटेंट प्रिसिजन के बीच एक कंडीशनल गामा संबंध स्थापित करता है।
- बाइवेरिएट इंटीग्रेशन: $(y_t, z_t)$ के लिए संयुक्त मॉडल इस प्रकार बनाया गया है कि $z_t$ के लिए मार्जिनल प्रेडिक्टिव डिस्ट्रीब्यूशन एक स्कैल्ड-F (scaled-F) डिस्ट्रीब्यूशन है, और $z_t$ के दिए होने पर $y_t$ का कंडीशनल डिस्ट्रीब्यूशन एक स्टूडेंट-टी (Student-t) डिस्ट्रीब्यूशन है। यह अंतर्निहित DLM की कंजुगेट नॉर्मल-गामा संरचना को सुरक्षित रखता है।
वोलेटिलिटी लीवरेज और फीडबैक (RVL-DLM):
- यह ढांचा प्राइस इक्वेशन में रियलाइज्ड वोलेटिलिटी प्रॉक्सी को प्रेडिक्टर्स के रूप में शामिल करने की अनुमति देता है। विशेष रूप से, रिग्रेशन वेक्टर $F_t$ में समकालीन (contemporaneous) रियलाइज्ड स्टैंडर्ड डेविएशन ( $x_t = \sqrt{z_t}$ ) और लैग्ड वैल्यूज ( $x_{t-1}$ ) शामिल हो सकते हैं।
- यह फॉर्मूलेशन रिड्यूस्ड-फॉर्म लीवरेज और फीडबैक प्रभावों को कैप्चर करता है। समकालीन गुणांक (coefficient) हाई-फ्रीक्वेंसी वोलेटिलिटी और मूल्य परिवर्तनों के बीच तत्काल जुड़ाव को दर्शाता है, जबकि लैग्ड गुणांक अल्प-क्षित (short-horizon) प्रभावों को कैप्चर करता है। मॉडल इन गुणांकों को स्ट्रक्चरल एसिमेट्री टर्म्स थोपने के बजाय डेटा से अनुक्रमिक रूप से सीखता है।
अनुमान और गणना (Inference and Computation):
- यह मॉडल पूर्ण विश्लेषणात्मक सुगमता (full analytic tractability) बनाए रखता है। अनुक्रमिक फ़िल्टरिंग, पूर्वानुमान, मार्जिनल लाइकलीहुड मूल्यांकन और रेट्रोस्पेक्टिव स्मूथिंग क्लोज्ड-फॉर्म अपडेट के माध्यम से की जाती है।
- वन-स्टेप-अहेड पूर्वानुमान को डायरेक्ट कंपोजिशनल सिमुलेशन के माध्यम से प्राप्त किया जाता है: $z_t$ को स्कैल्ड-F प्रेडिक्टिव डिस्ट्रीब्यूशन से खींचना और फिर $y_t$ को कंडीशनल स्टूडेंट-टी डिस्ट्रीब्यूशन से खींचना।
- यह दृष्टिकोण MCMC और पार्टिकल फिल्टर से बचता है, जिससे मानक DLMs की तुलना में नगण्य अतिरिक्त कंप्यूटेशनल लागत आती है।

प्रमुख योगदान

नवीन मॉडल क्लास: RV-DLMs और RVL-DLMs की शुरूआत, जो सफलतापूर्वक मानक बेयसियन SV-DLMs पर रियलाइज्ड वोलेटिलिटी के लिए एक डायनेमिक गामा प्रोसेस को ओवरले करती है।
विश्लेषणात्मक सुगमता: बाइवेरिएट सिस्टम के लिए पूर्ण कंजुगेट बेयसियन विश्लेषण का व्युत्पन्न, जो सिमुलेशन-आधारित अनुमान के बिना स्कैल्ड-F और स्टूडेंट-टी प्रेडिक्टिव डिस्ट्रीब्यूशन प्रदान करता है।
उच्च-आवृत्ति डेटा का एकीकरण: इंट्राडे डेटा (OHML-आधारित रियलाइज्ड वेरिएंस प्रॉक्सी के माध्यम से) को लेटेंट वोलेटिलिटी स्टेट्स की अनुक्रमिक फ़िल्टरिंग में सीधे शामिल करने का एक तंत्र, जो वोलेटिलिटी ट्रैकिंग की सटीकता में सुधार करता है।
रिड्यूस्ड-फॉर्म लीवरेज मॉडलिंग: टाइम-वेरिंग कोएफिशिएंट्स के माध्यम से प्राइस-वोलेटिलिटी डिपेंडेंस (लीवरेज और फीडबैक) को मॉडल करने के लिए एक लचीला दृष्टिकोण, जो डायनेमिकली स्टेट-स्पेस फ्रेमवर्क के भीतर सीखा जाता है।

अनुभवजन्य परिणाम (Empirical Results)
लेखकों ने 9 S&P 500 सेलेक्ट सेक्टर SPDR ETFs और S&P इंडेक्स के लिए दैनिक मूल्य डेटा पर इन मॉडल्स को लागू किया, जो 2000 से 2025 की अवधि को कवर करता है। उन्होंने तीन मॉडलों की तुलना की:

SV-DLM: केवल मूल्य डेटा का उपयोग करने वाला एक पारंपरिक यूनिवैरिएट बेंचमार्क (लैग्ड RV को फिक्स्ड प्रेडिक्टर के रूप में उपयोग करते हुए)।
RV-DLM: एक बाइवेरिएट मॉडल जो लैग्ड रियलाइज्ड वोलेटिलिटी ( $x_{t-1}$ ) को प्रेडिक्टर के रूप में शामिल करता है और डायरेक्ट वोलेटिलिटी लर्निंग के लिए $z_t$ का उपयोग करता है।
RVL-DLL: सबसे सामान्य मॉडल, जिसमें लैग्ड ( $x_{t-1}$ ) और समकालीन ( $x_t$ ) दोनों रियलाइज्ड वोलेटिलिटी प्रेडिक्टर्स शामिल हैं।

पूर्वानुमान प्रदर्शन: संचयी लॉग बेयस फैक्टर्स (cumulative log Bayes factors) ने प्रदर्शित किया कि तीनों मॉडलों में से RV-DLM और RVL-DLM वेरिएंट्स ने पारंपरिक SV-DLM को लगातार पछाड़ दिया। RVL-DLM, जिसमें समकालीन वोलेटिलिटी प्रेडिक्टर शामिल है, ने RV-DLM की तुलना में और अधिक वृद्धिशील लाभ (incremental gains) प्रदान किए।
गुणांक व्यवहार (Coefficient Behavior): RVL-DLM में, समकालीन गुणांक ( $x_t$ ) का पोस्टीरियर मीडियन आम तौर पर नकारात्मक था, जबकि लैग्ड गुणांक ( $x_{t-1}$ ) आम तौर पर सकारात्मक था। यह हाई-फ्रीक्वेंसी साक्ष्य के अनुरूप है जो नेगेटिव कंटेंपोरस रिटर्न-वोलेटिलिटी एसिमेट्री और पॉजिटिव लैग्ड इफेक्ट्स को दर्शाता है।
मजबूती (Robustness): मॉडल्स ने बेहतर प्रेडिक्टिव डेंसिटी शार्पनेस और कम अनिश्चितता दिखाई, विशेष रूप से बाजार के तनाव के समय (जैसे, 2020 महामारी की शुरुआत और 2010 फ्लैश क्रैश), जहाँ रियलाइज्ड वोलेटिलिटी सूचना ने लेटेंट स्टेट को महत्वपूर्ण अपडेट प्रदान किया।

महत्व और दावे
यह शोध पत्र दावा करता है कि RV-DLM ढांचा वित्तीय पूर्वानुमान के लिए एक व्यावहारिक, स्केलेबल समाधान प्रदान करता है जो कंजुगेट डिस्काउंट-लर्निंग फिल्टर्स की व्याख्यात्मकता और गति तथा रियलाइज्ड वोलेटिलिटी मॉडल्स की अनुभवजन्य शार्पनेस के बीच के अंतर को पाटता है।

दक्षता: विधि "कंप्यूटेशनल रूप से सरल" विश्लेषण प्रदान करती है जिसमें "नगण्य अतिरिक्त कंप्यूटेशनल लागत" आती है, जिससे मल्टीवेरिएट पोर्टफोलियो कंस्ट्रक्शन (डिकपल/रिकपल अप्रोच) के लिए उच्च आयामों तक स्केलिंग संभव होती है।
व्यावहारिक प्रासंगिकता: मॉडल्स प्राइस फोरकास्ट पर प्रभाव को मापने के लिए जटिल स्ट्रक्चरल धारणाओं की आवश्यकता के बिना, वोलेटिलिटी लीवरेज और फीडबैक प्रभावों की प्रकृति के बारे में प्रासंगिक अंतर्दृष्टि प्रदान करते हैं।
पूर्वानुमान में सुधार: मुख्य लाभ बड़े पॉइंट फोरकास्ट शिफ्ट के बजाय शार्पर प्रेडिक्टिव डिस्ट्रीब्यूशन और रियलाइजड वोलेटिलिटी जानकारी के अधिक कुशल उपयोग के कारण है।
भविष्य की स्केलेबिलिटी: लेखक नोट करते हैं कि क्लोज्ड-फॉर्म स्ट्रक्चर स्वाभाविक रूप से विशार्ट (Wishart) और मल्टीवेरिएट-F डिस्ट्रीब्यूशन का उपयोग करके मल्टीवेरिएट सेटिंग्स में विस्तारित होता है, जो इन मॉडल्स को व्यापक बेयसियन रिस्क इवैल्यूएशन और ट्रेडिंग सिस्टम के बिल्डिंग ब्लॉक्स के रूप में स्थापित करता है।

अध्ययन निष्कर्ष निकालता है कि समकालीन रियलाइज्ड वोलेटिलिटी को पूरी तरह से कंजुगेट अनुक्रमिक मॉडल में शामिल करना वास्तविक समय की प्रणालियों में अल्पकालिक मूल्य पूर्वानुमान और जोखिम लक्षण वर्णन में सुधार के लिए एक मजबूत रणनीति है।

इसी तरह के और पेपर