A CGMY-Hawkes Clock Model: Esscher Martingale Measures and Model-Preserving Minimal Entropy under Self-Exciting Jump Activity
यह शोध पत्र एक CGMY-हॉक्स क्लॉक मॉडल प्रस्तुत करता है जहाँ जंप गतिविधि CGMY जंप-साइज लॉ को संरक्षित करते हुए स्व-उत्तेजना (self-excitation) के माध्यम से क्लस्टर होती है, यह स्थापित करता है कि दो-पैरामीट्रिक एस्चर ट्रांसफॉर्म (Esscher transform) माप परिवर्तन के तहत इस स्व-उत्तेजना को बनाए रखता है, एक अद्वितीय मॉडल-संरक्षण न्यूनतम एंट्रॉपी मार्टिंगेल माप (minimal entropy martingale measure) व्युत्पन्न करता है, और सटीक यूरोपीय विकल्प मूल्य निर्धारण सूत्र प्रदान करता है जो केवल माध्य तीव्रता के बजाय स्पष्ट रूप से उत्तेजना मापदंडों पर निर्भर करते हैं।
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
वित्त की दुनिया में, परिसंपत्ति की कीमतों के उतार-चढ़ाव का पूर्वानुमान लगाना अनिश्चितता के विरुद्ध एक निरंतर संघर्ष है। पारंपरिक मॉडल अक्सर यह मान लेते हैं कि कीमतों में परिवर्तन सुचारू और स्वतंत्र रूप से होता है, जैसे कि एक स्थिर दर पर गिरने वाली बारिश की बूंदें। हालाँकि, वास्तविक बाजार अलग तरह से व्यवहार करते हैं। वे अचानक, हिंसक गतिविधियों के विस्फोटों के प्रति संवेदनशील होते हैं जहाँ बड़ी मूल्य हलचलें एक-दूसरे के बाद एक, समूहों में आती हैं, न कि अलग-थलग। यह घटना, जिसे 'जंप क्लस्टरिंग' (jump clustering) कहा जाता है, रिटर्न के 'हेवी-टेल्ड डिस्ट्रीब्यूशन' (heavy-tailed distribution) को जन्म देती है, जिसका अर्थ है कि चरम घटनाएँ मानक सिद्धांतों की भविष्यवाणी की तुलना में बहुत अधिक बार होती हैं। इस वास्तविकता को पकड़ने के लिए, शोधकर्ताओं ने लंबे समय से दो अलग-अलग गणितीय उपकरणों पर भरोसा किया है। एक उपकरण, CGMY प्रक्रिया, इन उछालों (jumps) के आकार और आवृत्ति का वर्णन करने में उत्कृष्ट है, जो चरम हलचलों की भारी पूंछ (heavy tails) और उच्च संभावना को ध्यान में रखती है। दूसरा उपकरण, हॉक्स प्रक्रिया (Hawkes process), स्व-उत्तेजना (self-excitation) को मॉडल करने के लिए डिज़ाइन किया गया है, जहाँ एक घटना होने के तुरंत बाद दूसरी घटना होने की संभावना बढ़ जाती है, जिससे गतिविधियों के ऐसे समूह बनते हैं। वर्षों तक, ये दोनों अवधारणाएं अलग-अलग क्षेत्रों में मौजूद थीं, और इन्हें ऑप्शंस जैसी वित्तीय परिसंपत्तियों के मूल्य निर्धारण के लिए एक एकल, कार्यशील मॉडल में संयोजित करना एक महत्वपूर्ण चुनौती बना रहा।
इमेन बेन अब्देलवाहेद का एक नया अध्ययन इस अंतर को पाटते हुए 'CGMY-Hawkes क्लॉक मॉडल' नामक एक एकीकृत ढांचे को पेश करता है। मुख्य विचार यह है कि समय को स्वयं एक चर (variable) के रूप में माना जाए जो बाजार की गतिविधि के आधार पर तेज या धीमा होता है। कल्पना कीजिए कि एक मानक घड़ी समय बीतने को दर्ज करती है; इस मॉडल में, उस घड़ी को एक "स्टोकेस्टिक क्लॉक" (stochastic-stochastic clock) से बदल दिया जाता है जो बाजार के उद्वेलित होने पर तेज चलती है और शांत होने पर धीमी चलती है। यह घड़ी हॉक्स प्रक्रिया द्वारा संचालित होती है, जो बाजार की तीव्रता को निर्धारित करती है। वास्तविक मूल्य हलचलें फिर CGMY प्रक्रिया द्वारा उत्पन्न की जाती हैं, लेकिन उन्हें मानक घड़ी के बजाय, इस परिवर्तनशील, स्व-उत्तेजित घड़ी के सापेक्ष आंका जाता है। परिणाम स्वरूप, इस मॉडल में कीमतों के उछाल स्वाभाविक रूप से समूहों में आते हैं क्योंकि उच्च तीव्रता की अवधि के दौरान घड़ी तेज हो जाती है, जबकि प्रत्येक व्यक्तिगत उछाल के आकार को नियंत्रित करने वाला सांख्यिकीय नियम सुसंगत रहता है। यह दृष्टिकोण मॉडल को वित्तीय बाजारों की अव्यवस्थित, क्लस्टर्ड वास्तविकता को पकड़ने की अनुमति देता है, जबकि यह मूल्य निर्धारण के लिए उपयोगी होने हेतु गणितीय रूप से सुलभ भी बना रहता है।
इसके बाद शोधकर्ताओं ने एक महत्वपूर्ण प्रश्न का समाधान किया: इस जटिल वातावरण में यूरोपीय ऑप्शंस जैसे वित्तीय अनुबंधों को उचित मूल्य कैसे दिया जाए? अपूर्ण बाजारों (incomplete markets) में, जहाँ जोखिमों को पूरी तरह से हेज नहीं किया जा सकता, वहां चयन के लिए कोई एक अद्वितीय तरीका नहीं होता। टीम ने 'एसचर ट्रांसफॉर्म' (Essether transform) नामक एक विशिष्ट विधि पर ध्यान केंद्रित किया, जो विभिन्न परिणामों की संभावनाओं को इस तरह समायोजित करती है कि मॉडल आर्बिट्राज (arbitance) के अवसरों की अनुपस्थिति के साथ सुसंगत रहे। उनके कार्य में एक बड़ी सफलता यह खोज है कि यह समायोजन मॉडल की संरचना को नष्ट किए बिना किया जा सकता है। उन्होंने सिद्ध किया कि उछालों के व्यवहार को नियंत्रित करने वाले कुछ मापदंडों को बदलकर, वे मूल्य निर्धारण माप को बदल सकते हैं, जबकि स्व-उत्तेजित हॉक्स क्लॉक की मूल प्रकृति को पूरी तरह से अप्रभावित छोड़ सकते हैं। इसका अर्थ है कि बाजार का "क्लस्टरिंग" व्यवहार बाजार का एक मौलिक गुण बना रहता है, न कि केवल मूल्य निर्धारण पद्धति का एक परिणाम।
मूल निर्धारण के लिए मॉडल को सक्षम बनाने के लिए, लेखक ने एक जोखिम प्रीमियम पेश किया जो बाजार की वर्तमान तीव्रता के समानुपाती है। इस विशिष्ट विकल्प ने एक आश्चर्यजनक सरलीकरण को जन्म दिया: मॉडल को गणितीय रूप रूप से सुसंगत बनाने के लिए आवश्यक शर्त एक एकल समीकरण में बदल गई जो हॉक्स प्रक्रिया के विशिष्ट मापदंडों पर निर्भर नहीं करती है। दूसरे शब्दों में, परिसंपत्ति का सही मूल्य निर्धारण करने के लिए आवश्यक समायोजन केवल उछालों (jumps) की विशेषताओं द्वारा निर्धारित होता है, न कि इस बात से कि बाजार का उत्साह कैसे उत्पन्न होता है। यह खोज एक विशिष्ट श्रेणी के मापों के भीतर एक अद्वितीय समाधान की अनुमति देती है, जिसे लेखक 'मॉडल-प्रिजर्विंग मिनिमल एंट्रॉपी मार्टिंगेल मेजर' (model-preserving minimal entropy martingale measure) के रूप में पहचानते हैं। यह माप विशेष है क्योंकि यह मूल बाजार मॉडल से कम से कम "आश्चर्य" या विचलन पेश करता है, जबकि आवश्यक मूल्य निर्धारण नियमों का पालन भी करता है। इस माप के घनत्व (density) में एक विशिष्ट स्टोकेस्टिक पद शामिल है जो एकीकृत तीव्रता के उतार-चढ़ाव को ध्यान में रखता है, जो स्वयं घड़ी की यादृच्छिकता (randomness) को पकड़ता है।
अध्ययन ने यह भी पता लगाया कि क्या होता है जब शोधकर्ता अधिक लचीलापन लाने के लिए एक-पैरामीटर समायोजन के बजाय दो-पैरामीटर समायोजन का उपयोग करते हैं। उन्होंने पाया कि इस व्यापक सेटिंग में एंट्रॉपी को न्यूनतम करने का सबसे कुशल तरीका उछाल वितरण के सकारात्मक और नकारात्मक पूंछों (tails) को अलग-अलग समायोजित करना है, न कि उन्हें सममित (symmetrical) रूप से मानना। यह दो-पैरामीटर समाधान एकल-पैरामीटर संस्करण की तुलना में थोड़ा कम एंट्रॉपी प्रदान करता है, जो अधिक सटीक फिट का संकेत देता है, हालांकि यह उस विकर्ण (diagonal) पर स्थित नहीं है जहाँ दोनों पैरामीटर समान होते हैं। जब लेखक ने अपने निष्कर्षों को मानक यूरोपीय कॉल ऑप्शंस के मूल्य की गणना करने के लिए लागू किया, तो उन्होंने अपने सटीक परिणामों की तुलना 'मीन-फील्ड अप्रोच' (mean-field approach) नामक एक सामान्य सन्निकटन (approximation) से की। मीन-फील्ड विधि समस्या को सरल बनाती है क्योंकि यह मान लेती है कि बाजार की तीव्रता इसके औसत मान के बराबर स्थिर है। शोधकर्ताओं ने प्रदर्शित किया कि यह सरलीकरण अपर्याप्त है। उनके सटीक गणनाओं ने दिखाया कि ऑप्शन की कीमतें बाजार के उत्तेजन (excitation) को नियंत्रित करने वाले विशिष्ट मापदंडों पर महत्वपूर्ण रूप से निर्भर करती हैं, जैसे कि एक घटना अगली घटना को कितनी मजबूती से प्रेरित करती है।
बेंचमार्क मापदंडों का उपयोग करते हुए संख्यात्मक परीक्षणों में, सटीक मॉडल और मीन-फील्ड सन्निकटन के बीच का अंतर मापने योग्य और सार्थक था। एक वर्ष की परिपक्वता (maturity) वाले एक मानक ऑप्शन के लिए, 'ब्रांचिंग रेशियो' (branching ratio)—जो यह मापता है कि एक घटना अगली घटना को कितना उत्तेजित करती है—के बढ़ने के साथ सटीक कीमत घटती गई। उदाहरण के लिए, मापदंडों के एक विशिष्ट सेट के साथ, उत्तेजना स्तर को शून्य से बहुत उच्च स्तर तक बढ़ाने से मीन-फील्ड भविष्यवाणी की तुलना में ऑप्शन की कीमत में लगभग 2.6 प्रतिशत की गिरावट आई। ऐसा इसलिए होता है क्योंकि उच्च उत्तेजना (excitation) टाइम क्लॉक के वितरण को उसके औसत के चारों ओर अधिक व्यापक रूप से फैला देती है, और मूल्य निर्धारण सूत्र इस फैलाव के प्रति गैर-रैखिक (non-linear) प्रतिक्रिया देता है। मीन-फील्ड सन्निकटन, इन उतार-चढ़ावों को अनदेखा करके, इस प्रभाव को पकड़ने में विफल रहता है। लेखक निष्कर्ष निकालते हैं कि जबकि उनका मॉडल बाजार की आवश्यक संरचना को सुरक्षित रखता है और एक अद्वितीय, कुशल मूल्य निर्धारण माप प्रदान करता है, बाजार के उत्साह के विकास का विवरण मूल्यांकन के लिए अत्यंत महत्वपूर्ण है। वे सुझाव देते हैं कि भविष्य के कार्य इस ढांचे को अधिक जटिल परिदृश्यों तक विस्तारित कर सकते हैं, जैसे कि ऐसे मॉडल जहाँ मूल्य उछाल स्वयं आगे की तीव्रता को प्रेरित करते हैं, या वास्तविक दुनिया के बाजार डेटा के विरुद्ध इन मॉडलों के अंशांकन (calibration) को देखना कि वे व्यवहार में कैसा प्रदर्शन 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।