Arbitrage-Aware Multi-Step Forecasting of Implied Volatility Surfaces: Modelling Surface Trajectories Using Latent Diffusion
यह शोध पत्र एक आर्बिट्राज-जागरूक (arbitrage-aware) कंडीशनल लेटेंट डिफ्यूजन फ्रेमवर्क प्रस्तावित करता है जो इम्पलाइड वोलेटिलिटी सर्फेस और अंतर्निहित रिटर्न के यथार्थवादी, आर्थिक रूप से स्वीकार्य बहु-चरणीय संभाव्य पूर्वानुमान उत्पन्न करता है, जो पॉइंट फोरकास्टिंग में पर्सिस्टेंस बेंचमार्क से बेहतर प्रदर्शन करते हुए जटिल सतह ज्यामिति और टेम्पोरल डिपेंडेंस को प्रभावी ढंग से मॉडल करता है।
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
वित्तीय बाजार विशाल और जटिल पारिस्थितिकी तंत्र हैं जहाँ किसी संपत्ति की कीमत केवल आधी कहानी होती है; दूसरी आधी कहानी उस कीमत के इर्द-गिर्द मौजूद अनिश्चितता है। जब निवेशक 'ऑप्शंस' खरीदते हैं, जो उन्हें भविष्य में कुछ खरीदने या बेचने का अधिकार देने वाले अनुबंध होते हैं, तो वे अनिवार्य रूप से इस बात की भविष्यवाणी के लिए भुगतान कर रहे होते हैं कि वह कीमत कितनी बदल सकती है। इन भविष्यवाणियों को समझने के लिए, व्यापारी एक "वोलैटिलिटी सरफेस" (volatility surface) देखते हैं। एक तीन-आयामी मानचित्र की कल्पना करें जहाँ प्रत्येक बिंदु यह दर्शाता है कि बाजार एक विशिष्ट मूल्य लक्ष्य और एक विशिष्ट भविष्य की तिथि के लिए कितनी अनिश्चितता की उम्मीद करता है। यह मानचित्र सपाट नहीं है; इसमें पहाड़ और घाटियाँ हैं जो लगातार बदलते रहते हैं, जो बाजार के सामूहिक मिजाज को दर्शाते हैं। यदि इस मानचित्र को गलत तरीके से बनाया जाता है, तो यह भारी वित्तीय नुकसान का कारण बन सकता है या ऐसे जोखिम-मुक्त लाभ की अनुमति दे सकता है जो अस्तित्व में नहीं होने चाहिए, जिसे 'आर्बिट्राज' (arbitrage) कहा जाता है। क्योंकि ये मानचित्र मूल्य निर्धारण और जोखिम प्रबंधन के लिए इतने केंद्रीय हैं, इसलिए यह क्षमता कि ये समय के साथ कैसे बदलेंगे, वित्त के क्षेत्र में एक 'होली ग्रेल' (अत्यधिक महत्वपूर्ण लक्ष्य) है। हालाँकि, इस मानचित्र के भविष्य के आकार की भविष्यवाणी करना अविश्वसनीय रूप से कठिन है क्योंकि इसे सख्त आर्थिक नियमों का पालन करना चाहिए और साथ ही मानव व्यवहार और बाजार की खबरों की अराजक, अप्रत्याशित प्रकृति को भी ध्यान में रखना चाहिए।
सेंट-गैलन विश्वविद्यालय के शोधकर्ताओं ने इन बदलते मानचित्रों का पूर्वानुमान लगाने का एक नया तरीका विकसित किया है, जिसमें इस समस्या को एक साधारण अनुमान के बजाय समय के माध्यम से एक यात्रा के रूप में देखा गया है। एक एकल भविष्य के बिंदु की भविष्यवाणी करने के बजाय, उनका सिस्टम यह उत्पन्न करता है कि स्टॉक मार्केट की हलचल के साथ-साथ, अगले तीस दिनों तक वोलैटिलिटी सरफेस दिन-प्रतिदिन कैसे विकसित होगा—एक पूर्ण तीस-दिवसीय फिल्म की तरह। उन्होंने इसे प्राप्त करने के लिए एक दो-भाग वाला मशीन लर्निंग सिस्टम बनाया। इसका पहला भाग एक 'अनुवादक' (translator) की तरह कार्य करता है, जो जटिल, तीन-आयामी मानचित्र को एक सरल, कम-आयामी कोड में संकुचित करता है जो शोर (noise) के बिना इसके आवश्यक आकार को पकड़ लेता है। यह अनुवादक एक सख्त नियम के साथ प्रशिक्षित है: यह कभी भी ऐसा मानचित्र नहीं बना सकता जो जोखिम-मुक्त लाभ की अनुमति दे। इस आर्थिक नियम को सीधे अनुवादक में शामिल करके, सिस्टम यह सुनिश्चित करता है कि उसके द्वारा बनाया गया प्रत्येक भविष्य का परिदृश्य आर्थिक रूप से वैध हो। दूसरा भाग एक 'जेनेरेटिव इंजन' है जो इस सरल कोड को लेता है और अगले तीस दिनों की हलचल की कल्पना करता है। यह यह समझने के लिए वर्षों के ऐतिहासिक डेटा से सीखता है कि मानचित्र आमतौर पर कैसे बदलता है, यह स्टॉक की कीमतों में गिरावट के प्रति कैसे प्रतिक्रिया करता है, और अनिश्चितता समय के साथ कैसे फैलती है।
इस दृष्टिकोण के परिणाम एक ऐसे सिस्टम को प्रकट करते हैं जो बाजार की लय को पकड़ने में उल्लेखनीय रूप से सक्षम है, हालांकि इसमें एक विशिष्ट कमी भी है। जब शोधकर्ताओं ने अपने मॉडल का परीक्षण S&P 500 इंडेक्स के डेटा पर किया, तो उन्होंने पाया कि उत्पन्न किए गए मानचित्र बहुत वास्तविक दिखते थे। उन्होंने परिचित "स्माइल" (smile) आकार को संरक्षित रखा जो आमतौर पर ऑप्शंस मार्केट में दिखता है, जहाँ चरम मूल्य परिवर्तनों के लिए अनिश्चितता अधिक होती है, और उन्होंने यह भी सही ढंग से पुनरुत्पादित किया कि समय बीतने के साथ अनिश्चितता कैसे बदलती है। मॉडल ने स्टॉक कीमतों और वोलैटिलिटी के बीच गहरे संबंध को भी सफलतापूर्वक पकड़ा: जब स्टॉक गिरते हैं, तो अनिश्चितता आमतौर पर बढ़ती है, और मॉडल ने एक सप्ताह या एक महीने की अवधि में इस नकारात्मक संबंध को सटीक रूप से उत्पन्न करना सीखा। वास्तव में, कुछ दिनों से आगे के पूर्वानुमानों के लिए, मॉडल की भविष्यवाणियां केवल यह मान लेने की तुलना में अधिक सटीक थीं कि बाजार आज की तरह ही रहेगा। यह एक महत्वपूर्ण खोज है क्योंकि वित्तीय बाजार अक्सर इतने कुशल होते हैं कि कल के लिए सबसे अच्छा अनुमान आमतौर पर आज की स्थिति ही होता है।
हालाँकि, यह मॉडल तत्काल भविष्य के लिए कोई 'क्रिस्टल बॉल' (भविदर्शक) नहीं है। अगले एक दिन के लिए, सिस्टम इस सरल धारणा को मात देने में संघर्ष करता कि कुछ भी नहीं बदलेगा, और अक्सर वहां बहुत अधिक हलचल की भविष्यवाणी करता है जहाँ बाजार वास्तव में स्थिर रहा था। इसके अलावा, जबकि मॉडल भविष्य के परिवर्तनों की दिशा और आकार की भविष्यवाणी करने में उत्कृष्ट था, इसने लगातार यह कम करके आंका कि वे परिवर्तन कितने उग्र होंगे। इसके द्वारा उत्पन्न परिणामों की सीमा बहुत संकीली थी; इसने उस पथ को तो पकड़ा जिस पर बाजार चल सकता था, लेकिन वह अराजकता की पूरी तीव्रता को पकड़ने में विफल रहा। यह सुझाव देता है कि मॉडल बाजार की गतिविधियों की संरचना को समझने में तो बेहतर है, लेकिन उनकी अराजकता की वास्तविक तीव्रता को समझने में नहीं। इसके बावजूद, सिस्टम वास्तविक और आर्थिक रूप से सुदृढ़ परिदृश्य उत्पन्न करता है जो निवेशकों को एक एकल, कठोर भविष्यवाणी के बजाय भविष्य की विभिन्न संभावनाओं की कल्पना करने में मदद कर सकते हैं।
शोधकर्ताओं ने यह भी सुनिश्चित किया कि उनके काम की जांच और पुनरावृत्ति अन्य लोगों द्वारा की जा सके, जिसके लिए उन्होंने उपयोग किए गए कोड और डेटा प्रोटोकॉल को जारी किया। यह पारदर्शिता अत्यंत महत्वपूर्ण है क्योंकि वित्त के क्षेत्र में मॉडल अक्सर 'ब्लैक बॉक्स' (रहस्यमयी डिब्बे) होते हैं। अपने विचारों को उसी डेटा के विरुद्ध परखने के लिए दूसरों को एक स्पष्ट मार्ग प्रदान करके, वे इस मानक को बनाने में मदद कर रहे हैं कि इन जटिल समस्याओं को कैसे हल किया जाना चाहिए। अध्ययन निष्कर्ष निकालता है कि हालांकि यह उपकरण अगले दिन की कीमत की भविष्यवाणी करने के लिए पूर्ण नहीं है, लेकिन यह बाजार की अनिश्चितता कैसे विकसित हो सकती है, इसके बारे में यथार्थवादी, बहु-साप्ताहिक कहानियाँ उत्पन्न करने वाला एक शक्तिशाली इंजन है। यह भविष्य को एक एकल रेखा के रूप में नहीं, बल्कि संभावनाओं के एक बादल के रूप में देखने का एक तरीका प्रदान करता है जो अर्थशास्त्र के मौलिक नियमों का सम्मान करता है, जिससे व्यापारियों को आने वाले हफ्तों में उस इलाके को समझने में मदद मिलती है जहाँ उन्हें नेविगेट करना पड़ सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।