Volatility Persistence and Model Choice in Cross-Market Volatility Forecasting
यह शोध पत्र यह प्रदर्शित करता है कि जब डेटा में प्रबल निरंतरता (persistence) होती है, तो क्रॉस-मार्केट अस्थिरता के पूर्वानुमान में फर्स्ट-डिफरेंस मॉडल पारंपरिक लेवल-आधारित विनिर्देशों की तुलना में बेहतर प्रदर्शन करते हैं, जो पूर्वानुमान उद्देश्यों के साथ मॉडलिंग रणनीतियों को संरेखित करने की महत्वपूर्ण आवश्यकता पर प्रकाश डालता है।
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 अगले महीने के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास बहुत सारा ऐतिहासिक डेटा है, और आपने देखा है कि तापमान वर्षों से धीरे-धीरे बढ़ रहा है।
यदि आप वर्तमान तापमान स्तरों (एक "लेवल-आधारित" दृष्टिकोण) पर आधारित एक मॉडल बनाते हैं (the "level-based" approach), तो जब आप इसे अतीत के साथ जांचेंगे तो आपका मॉडल अविश्वसनीय रूप से स्मार्ट लगेगा। यह कहेगा, "हाँ, मुझे पता था कि कल तापमान 70°F था और आज 71°F है!" यह इतिहास को पूरी तरह से फिट करता है।
हालाँकि, जब आप उसी मॉडल का उपयोग अगले महीने के मौसम की भविष्यवाणी करने के लिए करने का प्रयास करेंगे, तो यह बुरी तरह विफल हो सकता है। क्यों? क्योंकि यह लंबे समय के धीमे रुझान (persistence) से बहुत अधिक विचलित हो गया और उन दैनिक परिवर्तनों को मिस कर गया जो अल्पकालिक पूर्वानुमान के लिए महत्वपूर्ण हैं।
यह बिल्कुल वही समस्या है जिसकी जांच काई चेंग (Kai Cheng) और उनकी टीम (कोलंबिया, नॉर्थईस्टर्न और स्टैनफोर्ड) ने अपने शोध पत्र, "Volatility Persistence and Model Choice in Cross-Market Volatility Forecasting" में किया है।
यहाँ उनके अध्ययन का सरल शब्दों में विवरण दिया गया है:
मुख्य प्रश्न
वित्तीय बाजार "वोलेटिलिटी" (कीमतों में उतार-चढ़ाव) से भरे होते हैं। यह वोलेटिलिटी "चिपचिपी" (sticky) होती है—यदि यह आज अधिक है, तो इसकी संभावना है कि कल भी अधिक रहेगी। शोधकर्ताओं ने पूछा: जब हम भविष्य के बाजार उतार-चढ़ाव की भविष्यवाणी करने की कोशिश करते हैं, तो क्या हमें उन मॉडलों का उपयोग करना चाहिए जो वोलेटिलिटी के वर्तमान "स्तर" (level) को देखते हैं, या उन मॉडलों का जो वोलेटिलिटी में "परिवर्तन" (change) को देखते हैं?
सेटअप: मॉडलों के बीच एक दौड़
शोधकर्ताओं ने यह देखने के लिए एक दौड़ आयोजित की कि अमेरिकी शेयर बाजार (S&P 500) की वोलेटिलिटी की भविष्यवाणी करने के लिए किस प्रकार का गणितीय मॉडल सबसे अच्छा है। उन्होंने कीमती धातुओं (सोना, चांदी, प्लेटिनम, पैलेडियम) और तेल के डेटा का उपयोग यह देखने के लिए किया कि क्या ये बाजार शेयर बाजार की भविष्यवाणी करने में मदद कर सकते हैं।
उन्होंने चार अलग-अलग "ड्राइवर्स" (मॉडल्स) की तुलना की:
- "लेवल" ड्राइवर (OLS & ADL): ये मॉडल वास्तविक संख्याओं को देखते हैं। "सोना $1,800 पर है, इसलिए स्टॉक X पर होगा।" वे अतीत में जो हुआ उसे समझाने में बेहतरीन हैं।
- "चेंज" ड्राइवर (First-Difference): यह मॉडल वास्तविक कीमत को अनदेखा करता है और केवल मूवमेंट (गति) को देखता है। "सोना $10 बढ़ा, इसलिए स्टॉक Y तक बढ़ सकता है।"
- "ऑटो-पायलट" ड्राइवर (ARIMA): एक मानक टाइम-सीरीज मॉडल जो बाहरी मदद के बिना केवल स्टॉक के अपने पिछले व्यवहार को देखता है।
ट्विस्ट: "इन-सैंपल" का जाल
जब शोधकर्ताओं ने उन मॉडलों का परीक्षण उस डेटा पर किया जिसका उपयोग उन्होंने उन्हें बनाने के लिए किया था (ट्रेनिंग डेटा), तो लेवल ड्राइवर्स विजेता के रूप में उभरे। उनके पास उच्चतम "R-squared" (एक स्कोर जो बताता है कि मॉडल इतिहास में कितनी अच्छी तरह फिट बैठता है) था। वे सब कुछ पूरी तरह से समझाते हुए प्रतीत हुए।
लेकिन यहाँ एक पेंच है: जब शोधकर्ताओं ने इन मॉडलों का परीक्षण नए डेटा पर किया जिसे उन्होंने पहले नहीं देखा था (आउट-ऑफ-सैंपल टेस्ट), तो लेवल ड्राइवर्स विफल हो गए। वे बहुत अधिक आत्मविश्वासी थे। उन्होंने अतीत के धीमे, चिपचिपे रुझानों को याद कर लिया था लेकिन वे भविष्य के परिवर्तनों की भविष्यवाणी करने में असमर्थ थे।
विजेता: "चेंज" ड्राइवर
फर्स्ट-डिफरेंस मॉडल (वह मॉडल जो केवल परिवर्तनों को देखता है) एक आश्चर्यजनक चैंपियन था।
- अतीत में: यह दूसरों की तुलना में "खराब" दिखता था। यह ऐतिहासिक डेटा में उतना सटीक नहीं था।
- भविष्य में: यह वास्तव में अगले महीने क्या होने वाला है, इसकी भविष्यवाणी करने में सबसे सटीक था।
उपमा (Analogy):
लेवल ड्राइवर्स को एक ऐसे छात्र की तरह समझें जिसने पूरी पाठ्यपुस्तक को शब्द-दर-शब्द रट लिया है। अतीत के बारे में एक टेस्ट पर, वे 100% अंक प्राप्त करते हैं। लेकिन यदि आप उनसे एक नया सवाल हल करने के लिए कहें जिसमें परिवर्तन के तर्क (logic) को समझने की आवश्यकता हो, तो वे जम जाते हैं।
फर्स्ट-डिफरेंस मॉडल गति के नियमों को समझने वाले छात्र की तरह है। वे शायद पाठ्यपुस्तक को पूरी तरह से नहीं सुना पाएंगे, लेकिन वे वास्तव में भविष्यवाणी कर सकते हैं कि गेंद आगे कहाँ जाएगी।
उन्होंने क्या पाया?
- पर्सिस्टेंस (Persistence) एक जाल है: क्योंकि बाजार की वोलेटिलिटी "चिपचिपी" होती है (यह लंबे समय तक उच्च या निम्न बनी रहती है), वोलेटिलिटी के "स्तर" पर ध्यान केंद्रित करने वाले मॉडल धोखा खा जाते हैं। वे सोचते हैं कि वे भविष्य की भविष्यवाणी कर रहे हैं, लेकिन वे केवल अतीत को दोहरा रहे होते हैं।
- सरलता की जीत: धीमे चलते रुझानों को हटाकर और केवल परिवर्तनों (differencing) पर ध्यान केंद्रित करके, मॉडल भविष्य बताने में बहुत बेहतर हो गया।
- "फिट" पर भरोसा न करें: सिर्फ इसलिए कि कोई मॉडल ऐतिहासिक डेटा पर एकदम सही दिखता है (उच्च इन-सैंपल फिट), इसका मतलब यह नहीं है कि वह भविष्य की भविष्यवाणी करने के लिए काम करेगा। वास्तव में, अस्थिर बाजारों के लिए, एक "परफेक्ट" ऐतिहासिक फिट ओवरफिटिंग का संकेत है।
निचोड़
यदि आप समझना चाहते हैं कि अतीत में बाजार क्यों हिला, तो स्तरों (levels) को देखें। लेकिन यदि आप भविष्यवाणी करना चाहते हैं कि बाजार आगे कहाँ जा रहा है, तो आपको पूर्ण संख्याओं को अनदेखा करना चाहिए और केवल परिवर्तनों (changes) पर ध्यान केंद्रित करना चाहिए।
लेखक निष्कर्ष निकालते हैं कि जो कोई भी वित्तीय जोखिम का पूर्वानुमान लगाने की कोशिश कर रहा है, उसके लिए "फर्स्ट-डिफरेंस" दृष्टिकोण अपनाना, उन जटिल मॉडलों पर निर्भर रहने की तुलना में अधिक सुरक्षित और विश्वसनीय दांव है जो ऐतिहासिक स्तरों को बहुत अधिक सटीक रूप से फिट करने की कोशिश करते हैं।
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।