📊 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

Dit artikel presenteert een exacte, differentieerbare Bayesiaanse inferentiemethode voor de Hurst-index in fractionele stochastische volatiliteitsmodellen door het Davies–Harte circulant-embedding algoritme te integreren in Hamiltonian Monte Carlo, waardoor een computationele efficiëntie van $O(N \log N)$ wordt bereikt en onbevooroordeelde posterieure schattingen worden verkregen die de hypothese van ruwe volatiliteit weerleggen ten gunste van long-memory dynamiek voor de VN30-index, in tegenstelling tot bevooroordeelde Whittle-benaderingen.

Oorspronkelijke auteurs: Thanh-Phong Lam, Viet-Tam Tran

Gepubliceerd 2026-07-06

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Thanh-Phong Lam, Viet-Tam Tran

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te voorspellen hoe "hobbelig" de weg van de aandelenmarkt morgen zal zijn. In de financiële wereld wordt deze hobbeligheid volatiliteit genoemd. Lange tijd geloofden experts dat deze hobbels ofwel "ruw" waren (chaotisch en onvoorspelbaar, zoals een rotsachtig bergpad) of "glad" (voorspelbaar, zoals een snelweg).

Dit artikel gaat over een nieuwe, uiterst nauwkeurige manier om die hobbeligheid te meten, specifiek voor de VN30, de top 30 aandelen van de Vietnamese markt. Hier is het verhaal van wat de auteurs hebben gedaan, eenvoudig uitgelegd:

1. Het Probleen: De fout van het "zware tillen"

Om te meten hoe hobbelig de weg is, gebruiken wiskundigen een speciale getal genaamd de Hurst-index (laten we dit H noemen).

Als H kleiner is dan 0,5, is de weg "ruw" (chaotisch).
Als H groter is dan 0,5, heeft de weg een "lang geheugen" (het onthoudt zijn eerdere hobbels en heeft de neiging om in dezelfde richting door te gaan).

Het probleem is dat het exact berekenen van H lijkt op het proberen op te lossen van een gigantische legpuzzel waarbij elk afzonderlijk stukje met elk ander stukje verbonden is. Het op de ouderwetse manier doen is zo traag en zwaar (alsof je een vrachtwagen probeert te tillen met je blote handen) dat de meeste mensen een kortere route nemen. Ze gebruiken een "spectrale benadering" (laten we dit de Whittle-kortste route noemen).

De Analogie: Stel je voor dat je een gigantische olifant probeert te wegen. De exacte methode vereist een enorme, dure weegschaal die uren nodig heeft om te kalibreren. De korte route is om het gewicht te schatten op basis van hoe de olifant er van een afstandje uitziet. Het is snel, maar het geeft het gewicht vaak fout. De auteurs ontdekten dat deze korte route consequent onderschatte hoe "plakkerig" of "geheugenvullend" de VN30-markt eigenlijk is.

2. De Oplossing: Een "Magische Lift" voor Wiskunde

De auteurs hebben een nieuwe machine gebouwd om de exacte berekening te doen zonder het zware tillen. Ze combineerden twee krachtige instrumenten:

Davies-Harte Embedding: Denk aan dit als een speciaal recept dat een rommelige, verstrengelde knoop van gegevens verandert in een nette, rechte lijn met behulp van een "Fast Fourier Transform" (een wiskundische truc die dingen snel sorteert).
Hamiltonian Monte Carlo (HMC): Dit is als een slimme robot die het landschap van mogelijkheden verkent. In plaats van doelloos rond te struikelen, gebruikt de robot "gradiënten" (zoals het voelen van de helling van een heuvel) om direct naar het meest waarschijnlijke antwoord te glijden.

Het Resultaat: Ze slaagden erin om het "zware tillen" (de exacte berekening) net zo snel te laten draaien als de "korte route". Ze veranderden een taak die vroeger kubische tijd in beslag nam (stel je een kubus voor die enorm groot wordt) in een taak die bijna lineaire tijd kost (die in een rechte lijn groeit). Het is alsof je een trage, kronkelende onverharde weg vervangt door een hogesnelheidstrein die nog steeds precies naar dezelfde bestemming gaat.

3. De Ontdekking: De VN30 is niet "Ruw"

Toen ze deze nieuwe, nauwkeurige machine toepasten op de VN30-data (dagelijkse aandelenrendementen van 2012 tot 2026), ontdekten ze iets verrassends:

De gok van de korte route: De oude methode zei dat de markt "ruw" was (H < 0,5), wat betekende dat het chaotisch en vergeetachtig was.
De exacte waarheid: Hun nieuwe methode vond dat de Hurst-index 0,58 is.

Wat betekent 0,58? Dit betekent dat de VN30-markt een lang geheugen heeft. Het is geen chaotische rotsverschuiving; het is meer als een rivier die onthoudt waar hij vandaan kwam. Als de markt omhoog gaat, heeft hij de neiging om een tijdje door te blijven stijgen. De "ruwheid" die mensen dachten te zien, was eigenlijk een illusie veroorzaakt door de onnauwkeurige korte route.

4. Het Bewijs: Een "Proefsmaak"

Om te bewijzen dat hun nieuwe machine niet kapot was, voerden ze een simulatie uit (een "proefsmaak"):

Ze creëerden nepgegevens waarvan ze wisten dat het antwoord "lang geheugen" was.
Ze draaiden de oude korte route: Deze raakte in de war en zei dat het antwoord "ruw" was.
Ze draaiden hun nieuwe exacte methode: Deze kreeg bijna elke keer het juiste antwoord.

Dit bevestigde dat de oude korte route bevooroordeeld was en dat hun nieuwe methode de waarheid sprak.

5. De Praktijk: Betere Voorspellingen

Ten slotte testten ze of deze kennis over "lang geheugen" hielp bij het voorspellen van de toekomst.

Ze bouwden een voorspelling die naar het verleden keek (met behulp van het idee van lang geheugen).
Ze vergeleken dit met een standaard "Random Walk"-gok (die ervan uitgaat dat de markt volkomen willekeurig is).
Het Resultaat: Hun voorspelling met lang geheugen was 18,7% nauwkeuriger dan de willekeurige gok. Zelfs een zeer populaire, standaardmodel (GARCH) versloeg hen slechts met een kleine marge van 2,5%, en dat standaardmodel probeerde in feeste het "lang geheugen" te simuleren door te doen alsof het "bijna geïntegreerd" was.

Samenvatting

De auteurs hebben een snel, exact wiskundig hulpmiddel gebouwd dat de fouten van oudere shortcuts vermijdt. Wanneer ze dit toepasten op de Vietnamese aandelenmarkt (VN30), ontdekten ze dat de markt niet chaotisch en ruw is, maar eerder een sterk geheugen heeft. Deze bevinding is niet alleen een getal; het betekent dat het begrijpen van het gedrag van de markt in het verleden daadwerkelijk nuttig is voor het voorspellen van de toekomst, en dat de oude manieren om het te meten ons misleidden.

Technische Samenvatting: Exacte Differentiabele Inferentie voor Fractionele Stochastische Volatiliteit

Probleemstelling
Het artikel behandelt de computationele en inferentiële uitdagingen bij het schatten van de Hurst-index ( $H$ ) in fractionele stochastische volatiliteitsmodellen. In deze modellen wordt de log-volatiliteit gedreven door een fractionele Brownse beweging (fBm), waarbij $H < 1/2$ staat voor "ruwe" (rough) volatiliteit en $H > 1/2$ voor langetermijngeheugen (long-memory) volatiliteit. Hoewel volledige posterieure Bayesiaanse inferentie wenselijk is, wordt dit traditioneel beperkt door het niet-Markoviaanse karakter van fBm, wat een inversie van een dichte $N \times N$ covariantie-matrix vereist. Deze operatie brengt een computationele kostenpost van $O(N^3)$ met zich mee, waardoor beoefenaars gedwongen zijn te vertrouieren op vertekende spectrale benaderingen (zoals de Whittle pseudo-likelihood) of frequentistische punt-schatters. Deze benaderingen kunnen aanzienlijke bias introduceren, met name bij het onderscheiden tussen ruwe en long-memory regimes.

Methodologie
De auteurs stellen een raamwerk voor dat de exacte likelihood van de Hurst-index zowel differentiabel als computationeel efficiënt ( $O(N \log N)$ ) maakt. De methodologie bestaat uit drie primaire componenten:

Modelspecificatie: De studie maakt gebruik van een stochastisch volatiliteits-SDE waarbij de log-volatiliteit een fractioneel Ornstein-Uhlen-proces volgt, gedreven door fBm. Om om te gaan met data van frontier-markten (specifiek de VN30-index), incorporeert het observatiemodel een liquiditeitsafhankelijke mengverdeling. Dit houdt rekening met "stale-price" artefacten (nul-rendementen door niet-handelen) door deze te modelleren als een puntmassa bij nul, afzonderlijk van genuïne Gaussische diffusieve rendementen.
Exacte Marginale Posterior (Scalaire $H$ ): Voor de scalaire Hurst-index leiden de auteurs een exacte marginale likelihood af door de volatiliteit-van-volatiliteit parameter ( $\sigma$ ) analytisch te integreren onder een Jeffreys prior. Dit resulteert in een sampling-vrije posterior voor $H$ die via deterministische kwadratuur wordt berekend, waardoor Monte Carlo-fouten worden geëlimineerd.
Differentiabele Davies–Harte Generator (Volledige Posterior): Om volledige posterieure inferentie mogelijk te maken over de parametervector $(\mu, \kappa, \sigma, H)$ $(μ, κ, σ, H)$ en het latente pad, integreren de auteurs de Davies–Harte circulant embedding methode binnen een automatic-differentiation Hamiltonian Monte Carlo (HMC) sampler (specifiek de No-U-Turn Sampler).
- Het fBm-pad wordt herparameteriseerd als een deterministische, FFT-differentiabele functie van gewitte coördinaten en $H$ .
- Dit maakt gradiënten van de log-posterior mogelijk die door de Fast Fourier Transform (FFT) stromen, wat geometrie-bewuste sampling mogelijk maakt zonder ooit de dichte covariantie-matrix te vormen of te inverteren.
- De computationele kosten per stap worden verminderd van $O(N^3)$ naar $O(N \log N)$ .

Belangrijkste Bijdragen

Exacte Differentiabele Inferentie: Het artikel introduceert het eerste schema dat volledige posterieure Bayesiaanse inferentie voor fractionele stochastische volatiliteit bereikt tegen bijna-lineaire kosten ( $O(N \log N)$ ) terwijl de exactheid behouden blijft, waarbij de biases inherent aan spectrale benaderingen worden vermeden.
Analytische Marginalisering: Het biedt een exacte, sampling-vrije posterior voor de scalaire Hurst-index door de schaalparameter analytisch te marginaliseren, wat een nauwkeurige meting van de inferentiële kloof tussen exacte en benaderde methoden mogelijk maakt.
Dual-Verified Implementatie: De methodologie is geïmplementeerd in Python en onafhankelijk geverifieerd in R. De twee trajecten komen overeen tot $4,9 \times 10^{-11}$ , wat de reproduceerbaarheid van alle gerapporteerde numerieke resultaten waarborgt.
Theoretische Validatie: Het artikel bevat een wel-posedheidstheorema dat het bestaan en de uniciteit van sterke oplossingen bewijst voor het model onder specifieke condities voor $H$ (waarbij het integraal wordt geïnterpreteerd in de Young-zin voor $H > 1/2$ en de rough-path zin voor $H \in (1/4, 1/2)$ ).

Resultaten
De methodologie werd toegepast op de VN30 frontier-index met gebruik van $N=3585$ dagelijkse rendementen van 2012 tot 2026.

Hurst-index Schatting: De exacte posterior plaatst de Hurst-index op een gemiddelde van 0,5828 met een 95% geloofwaardigheidsinterval van [0,5614, 0,6052]. Het gehele interval ligt strikt boven $0,5$, wat duidt op long-memory volatiliteit in plaats van ruwheid.
Vergelijking met Whittle-benadering: De standaard Whittle spectrale schatter leverde een MAP-schatting op van $H=0,56$ , wat de inferentie richting het ruwe regime verschuift. Simulatie-kalibraties bevestigden dat de Whittle-schatter bevooroordeeld is richting ruwheid en lijdt onder ernstige onderdekking (12,5% dekking bij een ware $H=0,70$ ), terwijl de exacte posterior nabij ongebiased blijft met nominale dekking.
Modelvergelijking: De exacte posteriore odds bevoordelen de long-memory hypothese ( $H > 1/2$ ) boven de ruwe hypothese ( $H < 1/2$ ) met een Bayes-factor van $1,5 \times 10^{20}$ , wat het ruwe regime voor deze dataset effectief weerlegt.
Voorspellingsprestaties: Out-of-sample voorspelling op een 252-daagse holdout toonde aan dat een horizon-bewuste voorspeller (Heterogene Autoregressieve model) de één-daagse random-walk fout met 18,7% verminderde. Een getunede GARCH(1,1) model bereikte een verdere reductie van 2,5%, waarbij de bijna-geïntegreerde persistentie ( $\alpha + \beta = 0,96$ ) dient als een short-memory benadering van de long-memory dynamiek die door de Hurst-posterior is geïdentificeerd.
Computationele Efficiëntie: Timing-benchmarks bevestigden de theoretische complexiteitsclaims. Bij $N=3585$ was de Davies–Harte FFT-generator ongeveer 1.100 keer sneller dan de dichte Cholesky-factorisatie, met een empirische schalingsexponent van 0,89 (bijna-lineair) versus 2,64 (bijna-kubisch) voor de dichte methode.

Betekenis en Claims
Het artikel beweert dat de waargenomen "ruwheid" in aandelenvolatiliteit een schattingsartefact of een regime-specifiek kenmerk kan zijn, aangezien de exacte inferentie voor de VN30 frontier-index resoluut het long-memory regime ondersteunt. De betekenis van het werk ligt in:

Verwijderen van Bias: Het bieden van een bias-vrij alternatief voor de veelgebruikte Whittle-benadering, die de auteurs aantonen de regime-classificatie kwalitatief kan veranderen (van long-memory naar ruw).
Schaalbaarheid: Het computationeel haalbaar maken van exacte Bayesiaanse inferentie voor niet-Markoviaanse volatiliteitsmodellen voor grote datasets, een taak die voorheen beperkt was tot benaderde methoden.
Empirische Weerlegging: Het bieden van een rigoureuze, op data gebaseerde weerlegging van de ruwe volatiliteitshypothese voor de VN30-index, ondersteund door een Bayes-factor die het ruwe regime effectief uitsluit in plaats van het slechts minder gunstig te maken.
Reproduceerbaarheid: Het vaststellen van een hoge standaard van reproduceerbaarheid door dual-track implementatie en precieze numerieke verificatie.

De auteurs concluderen dat hoewel het ruwe regime een geldig kenmerk is voor sommige ontwikkelde markten, de exacte differentiabele inferentie-methode noodzakelijk is om genuïne long-memory dynamiek te onderscheiden van schattingsartefacten, met name in frontier-markten waar liquiditeitsbeperkingen en datakenmerken verschillen.