Parameter Estimation for the Vasicek Process with Microstructure Noise

तकनीकी सारांश: माइक्रोस्ट्रक्चर नॉइज़ के साथ वासिकेक प्रक्रिया (Vasicek Process) के लिए पैरामीटर अनुमान

समस्या विवरण
उच्च-आवृत्ति वाला वित्तीय डेटा (high-frequency financial data), हालांकि ब्याज दरों और अस्थिरता जैसे चरों के माध्य-पुनरावृत्ति (mean-reverting) व्यवहारों को मॉडल करने के लिए मूल्यवान है, स्वाभाविक रूप से मार्केट माइक्रोस्ट्रक्चर नॉइज़ (microstructure noise) से दूषित होता है। यह शोर देखे गए प्रक्रिया ($Y_t$) को अंतर्निहित वास्तविक वासिकेक डिफ्यूजन प्रक्रिया ($X_t$) से विचलित करता है। वासिकेक प्रक्रिया के पैरामीटर अनुमान पर मौजूदा साहित्य अक्सर कड़े अनुमानों पर निर्भर करता है, जैसे कि शोर का स्वतंत्र और समान रूप से वितरित (i.i.d.) होना या सख्त व्हाइट नॉइज़ होना। यह शोध पत्र एक अधिक यथार्थवादी $\alpha$-मिक्सिंग ( $\alpha$-mixing) निर्भरता संरचना के तहत पैरामीटर अनुमानकों की 'स्ट्रॉन्ग कंसिस्टेंसी' (strong consistency) स्थापित करने के संबंध में मौजूद सैद्धांतिक अंतराल को संबोधित करता है, जो पिछले कार्यों में सामान्य सरल स्वतंत्रता धारणाओं के बजाय अधिक सटीक है।

कार्यप्रणाली (Methodology)
लेखक कर्नेल स्मूथिंग (kernel smoothing) और मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE) को संयोजित करने वाला एक दो-चरणीय अनुमान ढांचा प्रस्तावित करते हैं:

1. कर्नेल स्मूथिंग (डिनोइजिंग): माइक्रोस्ट्रक्चर नॉइज़ ($\epsilon_t$) के प्रभाव को कम करने के लिए, देखे गए डेटा $Y_{i\Delta_n}$ को पहले एक कर्नेल स्मूदर द्वारा संसाधित किया जाता है। लेटेंट प्रोसेस (latent process) $X_{i\Delta_n}$ को पड़ोसी अवलोकनों के भारित औसत (weighted average) के रूप में अनुमानित किया जाता है:
   $$\hat{X}_{i\Delta_n} = \frac{\sum K(\frac{i\Delta_n - j\Delta_n}{h_n}) Y_{j\Delta_n}}{\sum K(\frac{i\Delta_n - k\Delta_n}{h_n})}$$
   जहाँ $K$ एक कर्नेल फंक्शन है और $h_n$ एक बैंडविड्थ है। इस चरण का उद्देश्य पैरामीटर अनुमान से पहले एक स्वच्छ सिग्नल प्राप्त करना है।

2. मैक्सिमम लाइकलीहुड एस्टीमेशन: स्मूथ किए गए अनुमानों $\hat{X}_{i\Delta_n}$ का उपयोग करते हुए, लेखक वासिकेक मापदंडों (parameters) के लिए अनुमानक (estimators) का निर्माण करते हैं: माध्य पुनरावृत्ति गति ($\kappa$), दीर्घकालिक माध्य ($\alpha$), और अस्थिरता ($\sigma$)। ये अनुमानक वासिकेक प्रक्रिया के लॉग-लाइक्लीहुड फंक्शन से प्राप्त किए गए हैं, जिसे स्मूथ किए गए डेटा बिंदुओं का उपयोग करने के लिए अनुकूलित किया गया है।

3. सैद्धांतिक प्रमाण (Theoretical Proofs): शोध पत्र इन अनुमानकों की स्ट्रॉन्ग कंसिस्टेंसी ($\hat{\kappa} \to \kappa$, $\hat{\alpha} \to \alpha$, $\hat{\sigma}^2 \to \sigma^2$ लगभग निश्चित रूप से/almost surely) को स्थापित करता है। प्रमाण तकनीकें निम्नलिखित पर आधारित हैं:

   • ट्रंकेशन (Truncation): वासिकेक प्रक्रिया की अनबाउंडेड प्रकृति को संभालने के लिए त्रुटि पदों (error terms) को बाउंडेड और अनबाउंडेड घटकों में विभाजित करना।
   • मिक्सिंग अनुक्रमों के लिए मोमेंट इनइक्वालिटीज (Moment Inequalities for Mixing Sequences): i.i.d. अनुक्रमों के लिए इनइक्वालिटीज के बजाय टेल प्रोबेबिलिटी (tail probabilities) को सीमित करने के लिए $\alpha$-मिक्सिंग अनुक्रमों के लिए विशेष रूप से तैयार किए गए एक्सपोनेंशियल इनइक्वालिटीज का उपयोग करना (विशेष रूप से यांग एट अल., 2023, 2024 के परिणामों का संदर्भ देते हुए)।
   • एसिम्प्टोटिक स्थितियां (Asymptotic Conditions): विश्लेषण एक लॉन्ग-स्पैन हाई-फ्रीक्वेंसी सेटिंग की धारणा लेता है जहाँ सैंपलिंग अंतराल $\Delta_n \to 0$ और कुल समय क्षितिज $n\Delta_n \to \infty$ है, जिसमें $\Delta_n$ के सापेक्ष बैंडविड्थ $h_n$ पर विशिष्ट प्रतिबंध हैं।

मुख्य परिणाम

• सैद्धांतिक निरंतरता (Theoretical Consistency): यह शोध पत्र सिद्ध करता है कि शोर की $\alpha$-मिक्सिंग स्थितियों और बैंडविड्थ एवं सैंपलिंग अंतराल के उचित चयन के तहत, प्रस्तावित अनुमानक स्ट्रॉन्गली कंसिस्टेंट हैं। यह पिछले परिणामों का विस्तार करता है जो स्वतंत्र शोर सेटिंग्स तक सीमित थे।
• संख्यात्मक सिमुलेशन (Numerical Simulations): $n=100$ से $n=5000$ तक के सैंपल साइज और बदलते शोर वेरिएंस ($\sigma_\epsilon = 0.005, 0.01, 0.02$) के साथ सिमुलेशन दर्शाते हैं कि:
  • जैसे-जैसे सैंपल साइज बढ़ता है, पैरामीटर अनुमान वास्तविक मानों की ओर अभिसरित (converge) होते हैं, और मानक विचलन (standard deviations) कम होता जाता है।
  • जैसे-जैसे शोर का वेरिएंस कम होता है, अनुमान की सटीकता में सुधार होता है।
  • माध्य-पुनरावृत्ति गति पैरामीटर ($\kappa$) शोर वेरिएंस के प्रति सबसे संवेदनशील है, जिसे बायस (bias) को कम करने के लिए बड़े सैंपल साइज की आवश्यकता होती है, जबकि दीर्घकालिक माध्य ($\alpha$) सबसे कम प्रभावित होता है।
• अनुभवजन्य विश्लेषण (Empirical Analysis): शंघाई स्टॉक एक्सचेंज कंपोजिट इंडेक्स (SSECI) के 5-मिनट के प्राइस डेटा का उपयोग करके, मॉडल को वास्तविक दुनिया के डेटा पर लागू किया गया।
  • कर्नेल स्मूथिंग ने लॉग-रिटर्न सीरीज़ में अस्थिरता (volatility) को प्रभावी ढंग से कम किया।
  • अनुमानित मापदंडों ने एक प्रेडिक्शन मॉडल के निर्माण की अनुमति दी।
  • मॉडल ने 92.32% का कॉन्फिडेंस इंटरवल कवरेज रेट प्राप्त किया, जिसे लेखक नोट करते हैं कि यह "सैद्धांतिक संभाव्यता स्तर के लगभग सुसंगत है," जो यह दर्शाता है कि प्रस्तावित प्रेडिक्शन मॉडल डेटा फीचर्स को अच्छी तरह से फिट करता है और माइक्रोस्ट्रक्चर नॉइज़ के बावजूद विश्वसनीय प्रदर्शन करता है।

महत्व और दावे
यह शोध पत्र जटिल शोर वातावरण के तहत वासिकेक प्रक्रिया के लिए पैरामीटर अनुमान की मजबूती (robustness) के संबंध में एक विशिष्ट सैद्धांतिक अंतराल को भरने का दावा करता है। इसका प्राथमिक योगदान माइक्रोस्ट्रक्चर नॉइज़ पर स्वतंत्रता की धारणा को हटाना है, जिसे $\alpha$-मिक्सिंग फ्रेमवर्क से बदला गया है जो वास्तविक वित्तीय बाजारों में पाई जाने वाली सीरियल डिपेंडेंस को बेहतर ढंग से दर्शाता है।

ट्रंकेशन तकनीकों और मिक्सिंग अनुक्रमों के लिए मोमेंट इनइक्वालिटीज का उपयोग करके, लेखक एक कठोर प्रमाण प्रदान करते हैं जहाँ शास्त्रीय i.i.d.-आधारित विधियाँ विफल हो जाती हैं। यह कार्य प्रदर्शित करता है कि यदि सैंपलिंग फ्रीक्वेंसी और बैंडविड्थ को ठीक से कैलिब्रेट किया जाए, तो कमजोर निर्भरता (weak dependence) होने पर भी विश्वसनीय पैरामीटर अनुमान प्राप्त किया जा सकता है। SSECI डेटा पर अनुभवजन्य अनुप्रयोग इस पद्धति की व्यावहारिक उपयोगिता को प्रमाणित करता है, जो दिखाता है कि प्रस्तावित मॉडल माइक्रोस्ट्रक्चर नॉइज़ की उपस्थिति के बावजूद डेटा फीचर्स को अच्छी तरह से फिट करता है और स्थिर भविष्यवाणी क्षमता प्रदान करता है।