A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares

Dit artikel introduceert het B-DARMA-DARCH-model, een Bayesiaanse Dirichlet-tijdreeksbenadering die geklusterde volatiliteit in composities zoals Airbnb-fee-aandelen effectief modelleert en zo nauwkeurigere voorspellingen oplevert dan bestaande methoden.

De kern

Stel je voor dat je de kas van een enorm groot hotelbedrijf runt, zoals Airbnb. Elke dag komen er miljoenen boekingen binnen, maar niet iedereen betaalt in euro's of dollars. De een betaalt in Britse ponden, de ander in Braziliaanse reals, weer een ander in Japanse yen.

Voor het bedrijf is het cruciaal om te weten: hoeveel geld komt er precies in welke valuta binnen? Dit noemen we een "composiet": een puzzelstukje dat altijd samen 100% moet zijn. Als je denkt dat 40% in dollars komt, moet de rest van de andere munten precies 60% zijn.

Het probleem is dat dit percentage elke dag schommelt. Soms is het rustig, soms is het een chaos. En als je de verkeerde voorspelling doet, kan dat miljoenen kosten door wisselkoersverschillen.

Hier komt dit wetenschappelijke artikel om de hoek kijken. Het introduceert een slimme nieuwe manier om deze chaos te voorspellen. Laten we het uitleggen alsof we het over een weerbericht voor geld hebben.

1. Het oude probleem: De statische weerman

Vroeger gebruikten economen modellen die dachten: "Het weer is vandaag een beetje wisselvallig, morgen misschien ook wel, maar over het algemeen blijft het hetzelfde."

• Het probleem: Als er een plotselinge storm opkomt (bijvoorbeeld de start van de pandemie), schieten de wisselkoersen en de voorkeuren van reizigers uit elkaar. Een statisch model denkt dan nog steeds: "Het is een beetje wisselvallig," terwijl het eigenlijk een orkaan is. Het model kan de plotselinge schokken niet zien aankomen.

2. De nieuwe oplossing: B-DARCH (De "Slimme Weerman")

De auteurs (Harrison Katz en Robert Weiss) hebben een nieuw model bedacht, genaamd B-DARCH. Je kunt dit zien als een weerman die niet alleen kijkt of het regent, maar ook hoe hard de wind waait en hoe snel die wind verandert.

Ze gebruiken drie slimme trucs:

• De "Muziekband" (De Simpel):
  De munten zijn als een muziekband. Als de ene speler (bijv. de Dollar) harder speelt, moeten de anderen (Euro, Yen) zachter spelen om samen 100% te blijven. Het nieuwe model respecteert deze regel strikt. Het zorgt ervoor dat de voorspelling altijd een geldig percentage blijft, nooit iets dat onmogelijk is (zoals 110% of min 5%).

• De "Dynamische Windstoot" (De Heteroskedasticiteit):
  Dit is het belangrijkste stukje. In de oude modellen was de "onzekerheid" (de wind) constant. In dit nieuwe model kan de onzekerheid expanderen.

  • Stel je voor: Normaal gesproken waait het een briesje. Maar als er een crisis komt, wordt het een orkaan. Het B-DARCH-model ziet dit aan komen. Het denkt: "Hé, de wind wordt steeds wilder, ik moet mijn voorspelling aanpassen en mijn waarschuwingen (de marge van fouten) groter maken."
  • Zodra de storm voorbij is, kalmeert het model weer. Het past zich dus aan de "stemming" van de markt aan.

• De "Spiegel" (De Bayesiaanse methode):
  Het model is niet alleen slim, het is ook voorzichtig. Het leert van het verleden. Als het model een fout maakt, zegt het: "Oeps, ik heb de wind onderschat, volgende keer houd ik rekening met een sterkere storm." Het past zijn eigen vertrouwen continu aan.

3. Wat hebben ze getest?

De auteurs hebben dit model getest in twee situaties:

1. In een computersimulatie: Ze maakten nep-data met plotselinge fouten en schokken. Het nieuwe model (B-DARCH) was de beste voorspeller. Het maakte minder fouten en gaf betere waarschuwingen dan de oude methoden.
2. In de echte wereld (Airbnb): Ze keken naar de echte boekingen van Airbnb tussen 2017 en 2020. Dit was een periode met veel onrust (o.a. door COVID-19).
   • Resultaat: Het nieuwe model voorspelde de verdeling van de valuta veel nauwkeuriger dan de oude methoden. Vooral in regio's waar de markt erg onrustig was, scoorde het model fantastisch. Het kon de "stormen" in de valuta-verdeling veel beter opvangen.

Waarom is dit belangrijk voor jou?

Zelfs als je geen econoom bent, raakt dit je portemonnee.

• Voor bedrijven betekent dit dat ze beter kunnen plannen hoeveel geld ze nodig hebben en hoe ze zich kunnen beschermen tegen wisselkoersschokken.
• Voor investeerders betekent het dat ze beter begrijpen hoe onzekerheid in de markt werkt.
• Het leert ons dat onzekerheid niet statisch is. Soms is het rustig, soms is het een chaos. De beste modellen zijn niet degenen die alles vast willen leggen, maar degenen die kunnen meedrijven met de golven.

Kort samengevat:
De auteurs hebben een slimme, aanpasbare "weerbericht-generator" voor geld gemaakt. In plaats van te zeggen "morgen is het 50% kans op regen", zegt dit model: "Morgen is het 50% kans, maar als de wind uit het westen komt, wordt het een orkaan, en dan moet je je paraplu veel groter houden." Het is een krachtig hulpmiddel om de onvoorspelbare wereld van geld te doorgronden.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares" van Harrison Katz en Robert E. Weiss, in het Nederlands.

1. Probleemstelling

Het artikel adresseert een specifiek probleem binnen de marktfinanciering van Airbnb: het voorspellen van de dagelijkse verdeling van factureringsvaluta's (compositional data).

• Context: Airbnb opereert in meer dan 100 valuta's. Hoewel hosts hun prijzen lokaal vaststellen, moet het platform de totale dagelijkse omzet in USD voorspellen voor financiële rapportage en treasury-risicobeheer.
• Uitdaging: De verdeling van boekingen over valuta's (bijv. USD, EUR, CAD) vormt een samenstellende tijdsreeks (compositional time series) die altijd positief is en op 1 moet sommeren (ligt op het simplex).
• Complexiteit: Deze verdeling is dynamisch en onderhevig aan schokken (bijv. door de COVID-19-pandemie of wisselkoersschommelingen). Traditionele tijdreeksmodellen falen vaak omdat ze:
  1. De simplex-beperkingen negeren.
  2. Aannemen dat de volatiliteit (variatie) constant is, terwijl deze in werkelijkheid "clustert" (perioden van hoge onzekerheid gevolgd door rust).
  3. Geen rekening houden met heteroskedasticiteit (variërende variantie) in de data.

2. Methodologie: Het B-DARCH-model

De auteurs stellen een nieuw model voor: B-DARCH (Bayesian Dirichlet Auto-Regressive Moving Average met Dirichlet Auto-Regressive Conditional Heteroskedasticity).

• Kernidee: Het model behoudt de Dirichlet-likelihood direct op het simplex (in plaats van transformaties die de simplex kunnen verlaten) en introduceert een tijdvariërende precisieparameter ($\phi_t$) die dynamisch reageert op recente schokken.
• Deelcomponenten:
  1. Gemiddelde Dynamiek (Mean): Het model gebruikt een Additive Log-Ratio (ALR) transformatie om de gemiddelde verdeling ($\mu_t$) te modelleren via een VARMA-achtige structuur (Vector Auto-Regressive Moving Average). Dit zorgt voor een lineaire predictor op de ALR-schaal.
  2. Precisie/Dynamische Volatiliteit (DARCH): In tegenstelling tot eerdere modellen die een vaste of deterministische precisie aannamen, introduceert B-DARCH een recursie voor de log-precisie ($\log(\phi_t)$). Deze volgt een GARCH-achtig patroon:
     • Het hangt af van de historische precisie (autoregressief).
     • Het hangt af van de grootte van recente innovaties (fouten) in de ALR-ruimte.
     • Dit stelt het model in staat om volatiliteitsclustering te modelleren: als er grote schokken optreden, neemt de onzekerheid (variatie) toe en blijft deze een tijdje verhoogd.
• Bayesiaanse Raamwerk: Het model wordt geschat met een volledig Bayesiaans raamwerk (geïmplementeerd in Stan), wat volledige predictieve distributies en geloofwaardige intervallen oplevert die automatisch aanpassen aan de veranderende volatiliteit.

3. Belangrijkste Bijdragen

1. Nieuwe Modellering van Volatiliteit op het Simplex: Het is het eerste Bayesiaanse compositional time-series model dat een GARCH-achtige recursie toepast op de precisieparameter van een Dirichlet-verdeling. Dit lost het probleem op van het modelleren van heteroskedasticiteit terwijl de voorspellingen strikt binnen de simplex blijven.
2. Robuustheid tegen Regimewisselingen: Het model is specifiek ontworpen om om te gaan met plotselinge regime-shiften (zoals tijdens de pandemie) waarbij de variantie van de data structureel verandert.
3. Uitgebreide Vergelijking: De auteurs vergelijken B-DARCH niet alleen met standaard Dirichlet-modellen, maar ook met:
   • B-DARMA: Zelfde mean-dynamiek, maar met vaste/deterministische precisie.
   • B-tVARMA: Een getransformeerde Gaussische VARMA (ALR-transformatie + normale verdeling), een veelgebruikte benchmark.
   • B-TVP-tVARMA: Een model met tijdvariërende parameters in de mean-dynamiek, maar met constante variantie.

4. Resultaten

De prestaties werden getest via simulatiestudies en een toepassing op Airbnb-data (2017-2020) over vier regio's.

• Simulatiestudies:
  • B-DARCH presteerde consistent beter dan de concurrenten in termen van voorspellingsnauwkeurigheid (FRMSE en FMAE), zowel bij data met misrapportages als bij tijdelijke regimewisselingen.
  • Het model vertoonde de zwakste residual-persistentie (autocorrelatie in de kwadratische gestandaardiseerde residuen), wat aangeeft dat het de volatiliteitsdynamiek effectiever "opvangt" dan modellen met vaste variantie.
• Airbnb Data Analyse:
  • Voorspellingsnauwkeurigheid: B-DARCH behaalde de laagste totale fouten (FMAE en FRSS) in alle vier de regio's. In Regio 1 was de verbetering ten opzichte van het standaard B-DARMA-model zelfs drastisch (>60% reductie in FMAE).
  • Onzekerheidskalibratie: De 95% geloofwaardige intervallen van B-DARCH hadden een dekking die dichter bij de nominale waarde lag dan die van de andere modellen, vooral in regio's met sterke volatiliteitsschommelingen.
  • Residuanalyse: Andere modellen lieten significante autocorrelatie zien in de kwadratische residuen op lagere lags, wat duidt op onverklaarde volatiliteit. B-DARCH elimineerde dit grotendeels.
  • Rekenkosten: Hoewel B-DARCH rekenkundig zwaarder is dan B-tVARMA, was het aanzienlijk sneller dan het B-TVP-tVARMA-model (dat tijdvariërende parameters in de mean gebruikt).

5. Betekenis en Conclusie

Het artikel biedt een praktische oplossing voor het voorspellen van samenstellende data in een onrustige economische omgeving.

• Praktische Richtlijn: De auteurs concluderen dat wanneer volatiliteit stabiel is, getransformeerde Gaussische modellen (B-tVARMA) voldoende zijn. Echter, wanneer volatiliteit clusteren vertoont (zoals bij financiële crises of pandemieën), is het modelleren van de precisie als een dynamisch proces (B-DARCH) essentieel.
• Impact: Voor bedrijven zoals Airbnb betekent dit nauwkeurigere omzetvoorspellingen in USD en een beter inzicht in valutarisico's, wat leidt tot efficiëntere hedging-strategieën en treasury-beheer.
• Innovatie: Het model vult de bestaande toolkit aan door een brug te slaan tussen compositional data-analyse en heteroskedasticiteit-modellering, zonder de wiskundige complexiteit van volledig stochastische state-space modellen voor de mean te vereisen.

Kortom, B-DARCH is een krachtig, interpreteerbaar instrument voor het voorspellen van verhoudingen waarbij de "ruis" zelf dynamisch verandert.