📊 statistics

Exact Differentiable Inference for Fractional Stochastic Volatility: ADavies–Harte-Reparameterized Hamiltonian Monte Carlo Posterior of the Hurst Index, with Application to the VN30 Frontier Index

यह शोध पत्र डेविस-हार्ट सर्कुलेंट-एम्बेडिंग एल्गोरिदम को हैमिल्टोनियन मोंटे कार्लो में एकीकृत करके फ्रैक्शनल स्टोकेस्टिक वोलेटिलिटी मॉडल्स में हर्स्ट इंडेक्स के लिए एक सटीक, डिफरेंशिएबल बेयसियन इन्फरेंस विधि प्रस्तुत करता है, जिससे $O(N \log N)$ कम्प्यूटेशनल दक्षता प्राप्त होती है और अनबायस्ड पोस्टीरियर अनुमान प्राप्त होते हैं जो बायस्ड व्हिटल एप्रोक्सिमेशन्स के विपरीत, VN30 इंडेक्स के लिए रफ वोलेटिलिटी परिकल्पना को खारिज करते हुए लॉन्ग-मेमोरी डायनेमिक्स का समर्थन करते हैं।

मूल लेखक: Thanh-Phong Lam, Viet-Tam Tran

प्रकाशित 2026-07-06

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Thanh-Phong Lam, Viet-Tam Tran

मूल पेपर CC BY 4.0 (https://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 की सड़क कितनी "ऊबड़-खाबड़" (bumpy) होगी। वित्त (finance) में, इस ऊबड़-खाबड़ होने को अस्थिरता (volatility) कहा जाता है। लंबे समय से, विशेषज्ञ मानते थे कि ये ऊबड़-खाबड़ रास्ते या तो "खुरदरे" (chaotic और अप्रत्याशित, जैसे एक पथरीला पहाड़ी रास्ता) थे या "चिकने" (predictable, जैसे एक हाईवे)।

यह शोध पत्र उस ऊबड़-खाबड़ होने को मापने के एक नए, अत्यंत सटीक तरीके के बारे में है, विशेष रूप से VN30 के लिए, जो वियतनामी बाजार के शीर्ष 30 शेयरों का समूह है। यहाँ लेखक ने जो किया है, उसकी कहानी सरल शब्दों में दी गई है:

1. समस्या: "भारी काम" वाली गलती

रास्ता कितना ऊबड़-खाबड़ है, इसे मापने के लिए गणितज्ञ एक विशेष संख्या का उपयोग करते हैं जिसे हर्स्ट इंडेक्स (Hurst Index) (आइए इसे H कहें) कहा जाता है।

यदि H का मान 0.5 से कम है, तो रास्ता "खुरदरा" (chaotic) है।
यदि H का मान 0.5 से अधिक है, तो इसमें "लंबी स्मृति" (long memory) है (यह अपने पिछले उतार-चढ़ाव को याद रखता है और उसी दिशा में आगे बढ़ने की प्रवृत्ति रखता है)।

समस्या यह है कि H की सटीक गणना करना एक विशाल जिग्सॉ पहेली (jigsaw puzzle) को हल करने जैसा है जहाँ हर एक टुकड़ा दूसरे टुकड़े से जुड़ा होता है। पुराने तरीके से इसे करना इतना धीमा और भारी है (जैसे नंगे हाथों से ट्रक उठाने की कोशिश करना) कि ज्यादातर लोग एक छोटा रास्ता (shortcut) अपना लेते हैं। वे एक "स्पेक्ट्रल सन्निकटन" (spectral approximation) का उपयोग करते हैं (आइए इसे व्हिटल शॉर्टकट (Whittle shortcut) कहें)।

उपमा: कल्पना कीजिए कि आप एक विशाल हाथी का वजन करने की कोशिश कर रहे हैं। सटीक तरीका एक बहुत बड़े, महंगे तराजू की आवश्यकता करता है जिसे कैलिब्रेट करने में घंटों लगते हैं। शॉर्टकट यह अनुमान लगाना है कि हाथी दूर से कैसा दिखता है। यह तेज़ है, लेकिन अक्सर वजन गलत बताता है। लेखकों ने पाया कि यह शॉर्टकट VN30 बाजार की "चिपचिपाहट" या "स्मृति-युक्त स्वभाव" को लगातार कम करके आंक रहा था।

2. समाधान: गणित के लिए एक "जादुई लिफ्ट"

लेखकों ने बिना किसी भारी मेहनत के सटीक गणना करने के लिए एक नई मशीन बनाई। उन्होंने दो शक्तिशाली उपकरणों को मिलाया:

डेविस-हार्ट एम्बेडिंग (Davies-Harte Embedding): इसे एक विशेष रेसिपी के रूप में सोचें जो डेटा के एक उलझे हुए गुच्छे को "फास्ट फूरियर ट्रांसफॉर्म" (एक गणितीय जादू जो चीजों को तेजी से छाँटता है) का उपयोग करके एक सीधी रेखा में बदल देती है।
हैमिल्टोनियन मोंटे कार्लो (Hamiltonian Monte Carlo - HMC): यह एक स्मार्ट रोबोट की तरह है जो संभावनाओं के परिदृश्य की खोज करता है। अंधेरे में ठोकर खाने के बजाय, यह रोबोट "ग्रेडिएंट्स" (जैसे ढलान को महसूस करना) का उपयोग करता है ताकि सीधे सबसे संभावित उत्तर तक पहुँच सके।

परिणाम: वे सटीक गणना (भारी काम) को उतने ही तेज़ बनाने में सफल रहे जितना कि वह "शॉर्टकट" था। उन्होंने एक कार्य को, जिसे करने में पहले क्यूबिक समय (कल्पना कीजिए कि एक घन/cube बहुत बड़ा हो रहा है) लगता था, लगभग लीनियर (रैखिक) समय में बदल दिया। यह एक धीमी, घुमावदार कच्ची सड़क को एक हाई-स्पीड मैग्लेव ट्रेन में बदलने जैसा है जो अभी भी उसी सटीक गंतव्य तक जाती है।

3. खोज: VN30 "खुरदरा" नहीं है

जब उन्होंने इस नई, सटीक मशीन को VN30 डेटा (2012 से 2026 तक के दैनिक स्टॉक रिटर्न) पर लागू किया, तो उन्हें एक आश्चर्यजनक बात पता चली:

शॉर्टकट का अनुमान: पुराने तरीके ने कहा कि बाजार "खुरदरा" (H < 0.5) था, जिसका अर्थ था कि यह अराजक और विस्मृति वाला था।
सटीक सत्य: उनके नए तरीके ने पाया कि हर्स्ट इंडेक्स 0.58 है।

0.58 का क्या अर्थ है? इसका मतलब है कि VN30 बाजार में लंबी स्मृति (long memory) है। यह कोई अराजक भूस्खलन नहीं है; यह एक नदी की तरह है जो याद रखती है कि वह कहाँ से आई थी। यदि बाजार ऊपर जाता है, तो इसमें कुछ समय के लिए ऊपर ही बने रहने की प्रवृत्ति होती है। जो "खुरदरापन" लोगों को दिखाई दे रहा था, वह वास्तव में एक भ्रम था जो गलत शॉर्टकट के कारण पैदा हुआ था।

4. प्रमाण: एक "टेस्ट टेस्ट"

यह साबित करने के लिए कि उनकी नई मशीन खराब नहीं है, उन्होंने एक सिमुलेशन (एक "टेस्ट टेस्ट") चलाया:

उन्होंने नकली डेटा बनाया जहाँ वे जानते थे कि उत्तर "लंबी स्मृति" (long memory) है।
उन्होंने पुराने शॉर्टकट को चलाया: वह भ्रमित हो गया और इसने उत्तर "खुरदरा" (rough) बताया।
उन्होंने अपने नए सटीक तरीके को चलाया: इसने लगभग हर बार सही उत्तर दिया।

इसने पुष्टि की कि पुराना शॉर्टकट पक्षपाती था और उनका नया तरीका सच बता रहा था।

5. वास्तविक दुनिया का लाभ: बेहतर पूर्वानुमान

अंत में, उन्होंने परीक्षण किया कि क्या इस "लंबी स्मृति" के ज्ञान से भविष्य का पूर्वानुमान लगाने में मदद मिलती है।

उन्होंने एक पूर्वानुमान बनाया जो अतीत को देखता था (लंबी स्मृति के विचार का उपयोग करके)।
उन्होंने इसकी तुलना एक मानक "रैंडम वॉक" (जो मानता है कि बाजार पूरी तरह से रैंडम है) से की।
परिणाम: उनका लंबी-स्मृति आधारित पूर्वानुमान, रैंडम अनुमान की तुलना में 18.7% अधिक सटीक था। यहाँ तक कि एक बहुत लोकप्रिय, मानक मॉडल (GARCH) भी उनसे केवल 2.5% से ही आगे निकल पाया, और वह मानक मॉडल अनिवार्य रूप से "लगभग एकीकृत" (almost integrated) होने का नाटक करके लंबी स्मृति दिखाने की कोशिश कर रहा था।

सारांश

लेखकों ने एक तेज़, सटीक गणितीय उपकरण बनाया जो पुराने शॉर्टकट की गलतियों से बचता है। जब उन्होंने इस उपकरण का उपयोग वियतनामी शेयर बाजार (VN30) पर किया, तो उन्होंने पाया कि बाजार खुरदरा और अराजक नहीं है, बल्कि इसमें एक मजबूत स्मृति (long memory) है। यह खोज केवल एक संख्या नहीं है; इसका अर्थ है कि बाजार के पिछले व्यवहार को समझना वास्तव में उसके भविष्य की भविष्यवाणी करने के लिए बहुत उपयोगी है, और मापने के पुराने तरीके हमें गुमराह कर रहे थे।

तकनीकी सारांश: भिन्नात्मक स्टोकेस्टिक अस्थिरता (Fractional Stochastic Volatility) के लिए सटीक अवकलनीय अनुमान (Exact Differentiable Inference)

समस्या विवरण
यह शोध पत्र भिन्नात्मक स्टोकेस्टिक अस्थिरता मॉडलों में हर्स्ट इंडेक्स ( $H$ ) के आकलन से जुड़ी गणनात्मक और अनुमानात्मक चुनौतियों को संबोधित करता है। इन मॉडलों में, लॉग-अस्थिरता (log-volatility) एक भिन्नात्मक ब्राउनियन मोशन (fBm) द्वारा संचालित होती है, जहाँ $H < 1/2$ 'रफ' (rough) अस्थिरता को दर्शाता है और $H > 1/2$ दीर्घ-स्मृति (long-memory) अस्थिरता को दर्शाता है। हालाँकि पूर्ण-पोस्टीरियर (full-posterior) बेयसियन अनुमान वांछनीय है, लेकिन यह पारंपरिक रूप से fBm की गैर-मार्कोवियन प्रकृति के कारण बाधित होता है, जिसके लिए एक सघन (dense) $N \times N$ कोवेरियेंस मैट्रिक्स को उलटने (inverting) की आवश्यकता होती है। यह ऑपरेशन $O(N^3)$ गणनात्मक लागत उत्पन्न करता है, जो अभ्यासकर्ताओं को पक्षपाती स्पेक्ट्रल सन्निकटन (जैसे कि व्हिटल स्यूडो-लाइक्लिहुड) पर निर्भर रहने के लिए मजबूर करता है। ये सन्निकटन महत्वपूर्ण पूर्वाग्रह (bias) उत्पन्न कर सकते हैं, विशेष रूप से 'रफ' और 'लॉन्ग-मेमोरी' शासन (regimes) के बीच अंतर करने में।

कार्यप्रणाली
लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जो हर्स्ट इंडेक्स के सटीक लाइक्लिहुड को दोनों रूप से अवकलनीय (differentiable) और गणनात्मक रूप से कुशल ( $O(N \log N)$ ) बनाता है। यह कार्यप्रणाली तीन प्राथमिक घटकों से बनी है:

मॉडल विनिर्देश (Model Specification): अध्ययन एक स्टोकेस्टिक वोलैटिलिटी SDE का उपयोग करता है जहाँ लॉग-वोलैटिलिटी एक भिन्नात्मक ऑर्नस्टीन-उहलेन प्रक्रिया (fractional Ornstein-Uhlenbeck process) का अनुसरण करती है जो fBm द्वारा संचालित होती है। फ्रंटियर मार्केट डेटा (विशेष रूप से VN30 इंडेक्स) को संभालने के लिए, ऑब्जर्वेशन मॉडल में एक लिक्विडिटी-निर्भर मिश्रण वितरण (mixture distribution) शामिल किया गया है। यह "स्टेल-प्राइस" (stale-price) आर्टिफैक्ट्स (गैर-ट्रेडिंग के कारण शून्य रिटर्न) को संभालने के लिए उन्हें वास्तविक विसरित गाऊसी रिटर्न (diffusive Gaussian returns) से अलग, शून्य पर एक पॉइंट मास के रूप में मॉडल करता है।
सटीक मार्जिनल पोस्टीरियर (स्केलर $H$ ): स्केलर हर्स्ट इंडेक्स के लिए, लेखक एक जेफ्रीज़ प्रायर (Jeffreys prior) के तहत वोलैटिलिटी-ऑफ-वोलैटिलिटी पैरामीटर ( $\sigma$ ) को विश्लेषणात्मक रूप से एकीकृत करके एक सटीक मार्जिनल लाइक्लिहुड प्राप्त करते हैं। इसके परिणामस्वरूप $H$ के लिए एक सैंपलिंग-मुक्त पोस्टीरियर प्राप्त होता है, जिसकी गणना नियततम क्वाड्रचर (deterministic quadrature) के माध्यम से की जाती है, जिससे मोंटे कार्लो त्रुटि समाप्त हो जाती है।
डिफरेंशिएबल डेविस-हार्ट जेनरेटर (पूर्ण पोस्टीरियर): पैरामीटर वेक्टर $(\mu, \kappa, \sigma, H)$ $(μ, κ, σ, H)$ और लेटेंट पाथ (latent path) पर पूर्ण-पोस्टीरियर अनुमान सक्षम करने के लिए, लेखक डेविस-हार्ट सर्कुलेंट एम्बेडिंग विधि को एक ऑटोमैटिक-डिफरेंशिएशन हैमिल्टोनियन Монटे कार्लो (HMC) सैंपलर (विशेष रूप से No-U-Turn Sampler) के भीतर समाहित करते हैं।
- fBm पाथ को व्हाइटन किए गए कोऑर्डिनेट्स और $H$ के एक नियततम, FFT-डिफरेंशिएबल फंक्शन के रूप में पुन: पैरामीटराइज किया जाता है।
- यह चर (FFT) के माध्यम से लॉग-पोस्टीरियर के ग्रेडिएंट्स को प्रवाहित करने की अनुमति देता है, जिससे सघन कोवेरियेंस मैट्रिक्स बनाए या उलटने के बिना ज्योमेट्री-अवेयर सैंपलिंग संभव होती है।
- प्रति स्टेप गणनात्मक लागत को $O(N^3)$ से घटाकर $O(N \log N)$ कर दिया जाता है।

प्रमुख योगदान

सटीक अवकलनीय अनुमान (Exact Differentiable Inference): यह शोध पत्र पहला ऐसा तंत्र प्रस्तुत करता है जो लगभग रैखिक लागत ( $O(N \log N)$ ) पर पूर्ण-पोस्टीरियर बेयसियन अनुमान प्राप्त करता है, जबकि सटीकता बनाए रखता है और स्पेक्ट्रल सन्निकटन से होने वाले पूर्वाग्रहों से बचता है।
विश्लेषणात्मक मार्जिनलाइजेशन (Analytic Marginalization): यह स्केल पैरामीटर को विश्लेषणात्मक रूप से मार्जिनलाइज करके स्केलर हर्स्ट इंडेक्स के लिए एक सटीक, सैंपलिंग-मुक्त पोस्टीरियर प्रदान करता है, जिससे सटीक और अनुमानित विधियों के बीच इन्फेरेंशियल गैप का सटीक मापन संभव होता है।
दोहरी-सत्यापित कार्यान्वयन (Dual-Verified Implementation): इस कार्यप्रणाली को पायथन में लागू किया गया है और स्वतंत्र रूप से R में सत्यापित किया गया है। दोनों ट्रैक $4.9 \times 10^{-11}$ के भीतर सहमत हैं, जो रिपोर्ट किए गए सभी संख्यात्मक परिणामों की पुनरुत्पादकता (reproducibility) सुनिश्चित करता है।
सैद्धांतिक सत्यापन: शोध पत्र में एक वेल-पोज़्डनेस प्रमेय (well-posedness theorem) शामिल है जो $H$ के विशिष्ट शर्तों के तहत मॉडल के स्ट्रॉन्ग सॉल्यूशंस के अस्तित्व और अद्वितीयता को सिद्ध करता है (जहाँ $H > 1/2$ के लिए यंग सेंस में और $H \in (1/4, 1/2)$ के लिए रफ-पाथ सेंस में इंटीग्रल की व्याख्या की जाती है)।

परिणाम
इस कार्यप्रणाली को 2012 से 2026 तक के $N=3585$ दैनिक रिटर्न के साथ VN30 फ्रंटियर इंडेक्स पर लागू किया गया।

हर्स्ट इंडेक्स अनुमान: सटीक पोस्टीरियर हर्स्ट इंडेक्स को 0.5828 के माध्य और [0.5614, 0.6052] के 95% क्रेडिबल इंटरवल के साथ रखता है। पूरा अंतराल $0.5$ से सख्ती से ऊपर है, जो रफनेस के बजाय लॉन्ग-मेमोरी वोलैटिलिटी का संकेत देता है।
व्हिटल सन्निकटन के साथ तुलना: मानक व्हिटल स्पेक्ट्रल एस्टीमेटर ने $H=0.56$ का MAP अनुमान दिया, जो अनुमान को 'रफ' शासन की ओर स्थानांतरित करता है। सिमुलेशन कैलिब्रेशन ने पुष्टि की कि व्हिटल एस्टीमेटर 'रफनेस' की ओर पक्षपाती है और इसमें गंभीर अंडर-कवरेज (वास्तविक $H=0.70$ पर 12.5% कवरेज) होता है, जबकि सटीक पोस्टीरियर नाममात्र कवरेज के साथ लगभग निष्पक्ष रहता है।
मॉडल तुलना: सटीक पोस्टीरियर ऑड्स लॉन्ग-मेमोरी हाइपोथीसिस ( $H > 1/2$ ) को रफ हाइपोथीसिस ( $H < 1/2$ ) पर $1.5 \times 10^{20}$ के बेयस फैक्टर से अधिक प्राथमिकता देता है, जो प्रभावी रूप से इस डेटासेट के लिए रफ शासन को खारिज करता है।
पूर्वानुमान प्रदर्शन (Forecasting Performance): 252-दिवसीय होल्डआउट पर आउट-ऑफ-सैंपल पूर्वानुमान ने दिखाया कि एक होराइजन-अवेयर फोरकास्टर (Heterogeneous Autoregressive model) ने एक-दिवसीय रैंडम-वॉक एरर को 18.7% कम किया। एक ट्यून किया गया GARCH(1,1) मॉडल 2.5% की अतिरिक्त कमी प्राप्त करता है, जिसमें इसका निकट-इंटीग्रेटेड पर्सिस्टेंस ( $\alpha + \beta = 0.96$ ) लॉन्ग-मेमोरी डायनेमिक्स के शॉर्ट-मेमोरी सन्निकटन के रूप में कार्य करता है।
गणनात्मक दक्षता: टाइमिंग बेंचमार्क ने सैद्धांतिक जटिलता दावों की पुष्टि की। $N=3585$ पर, डेविस-हार्ट FFT जेनरेटर डेंस चोलेस्की फैक्टराइजेशन (Cholesky factorization) की तुलना में लगभग 1,100 गुना तेज़ था, और इसका अनुभवजन्य स्केलिंग एक्सपोनेंट 0.89 (लगभग रैखिक) था, जबकि डेंस विधि के लिए यह 2.64 (लगभग क्यूबिक) था।

महत्व और दावे
शोध पत्र का दावा है कि इक्विटी वोलैटिलिटी में देखी गई "रफनेस" एक अनुमान संबंधी आर्टिफैक्ट या शासन-विशिष्ट विशेषता हो सकती है, क्योंकि VN30 फ्रंटियर इंडेक्स के लिए सटीक अनुमान निर्णायक रूप से लॉन्ग-मेमोरी शासन का समर्थन करता है। इस कार्य का महत्व निम्नलिखित है:

पूर्वाग्रह को हटाना: व्हिटल सन्निकटन का एक पक्षपात-मुक्त विकल्प प्रदान करना, जिसे लेखक प्रदर्शित करते हैं कि यह गुणात्मक रूप से शासन वर्गीकरण (लॉन्ग-मेमोरी से रफ में) को बदल सकता है।
स्केलेबिलिटी: बड़े डेटासेट के लिए गैर-मार्कोवियन वोलैटिलिटी मॉडलों के लिए सटीक बेयियन अनुमान को गणनात्मक रूप से व्यवहार्य बनाना, जो पहले केवल अनुमानित विधियों तक सीमित था।
अनुभवजन्य खंडन (Empirical Refutation): VN30 इंडेक्स के लिए रफ वोलैटिलिटी हाइपोथीसिस का एक कठोर, डेटा-संचालित खंडन प्रदान करना, जो केवल इसे कम पसंद करने के बजाय बेयस फैक्टर द्वारा रफ शासन को प्रभावी ढंग से खारिज करता है।
पुनरुत्पादकता: दोहरी-ट्रैक कार्यान्वयन और सटीक संख्यात्मक सत्यापन के माध्यम से पुनरुत्पादकता का उच्च मानक स्थापित करना।

लेखक निष्कर्ष निकालते हैं कि हालांकि विकसित बाजारों के लिए रफ शासन एक वैध विशेषता है, लेकिन सटीक विभेदक अनुमान योजना (exact differentiable inference scheme) 'रफ' और 'लॉन्ग-मेमोरी' डायनेमिक्स के बीच अंतर करने के लिए आवश्यक है, विशेष रूप से उन फ्रंटियर बाजारों में जहाँ लिक्विडिटी बाधाएं और डेटा की विशेषताएं भिन्न होती हैं।