مالی مارکیٹس کے درمیان خطی اور غیر خطی سببی تعلق کی پیمائش

خلاصہ

یہ مقالہ روایتی باہمی تعلق سے آگے بڑھ کر مالی آلات کے باہمی انحصار کا مطالعہ کرنے کا فریم ورک پیش کرتا ہے۔ یہ سببی تعلقات شناخت کرنے کے لیے ٹرانسفر اینٹروپی اور کنورجینٹ کراس میپنگ استعمال کرتا ہے، پھر خطی اور غیر خطی حصوں میں فرق کرنے کے لیے فوریئر ٹرانسفارم کے متبادل ڈیٹا استعمال کرتا ہے۔ اس کی وجہ یہ ہے کہ باہمی تعلق خطی سببی تعلق کو اچھی طرح ظاہر کر سکتا ہے مگر غیر خطی انحصار کو نظرانداز کر سکتا ہے، جس سے مارکیٹس کے ایک دوسرے پر اثر کی شدت کم دکھائی دے سکتی ہے۔

مصنفین جرمنی اور امریکہ کے اسٹاک انڈیکسز کے درمیان نمایاں غیر خطی سببی تعلق رپورٹ کرتے ہیں۔ وہ بیان کرتے ہیں کہ دونوں قسم کے سببی تعلق کی پیمائش مارکیٹ سگنل کی تحقیق، پیئر ٹریڈنگ اور پورٹ فولیو رسک مینجمنٹ میں مدد دے سکتی ہے، جس میں غیر معمولی رویے کے ابتدائی انتباہی سگنلز کا امکان بھی شامل ہے۔ یہ نتائج مزید اطلاقات کی ترغیب دیتے ہیں، مگر یہ ثابت نہیں کرتے کہ ایسے سگنلز ٹریڈنگ نتائج کو قابلِ اعتماد طور پر بہتر کرتے ہیں۔ بیان کردہ ثبوت زیرِ جائزہ انڈیکسز تک محدود ہے، اور اقتباس نمونے، مضبوطی کی جانچوں یا ان پیمانوں سے بنائی گئی اسٹریٹیجیز کی عملی کارکردگی کی تفصیل نہیں دیتا۔

اہم خیالات

• پیئرسن باہمی تعلق خطی انحصار کو ظاہر کرتا ہے مگر غیر خطی تعلقات نظر انداز کر سکتا ہے۔
• یہ فریم ورک ٹرانسفر اینٹروپی اور کنورجینٹ کراس میپنگ کو متبادل تجزیے کے ساتھ ملاتا ہے۔
• مطالعہ جرمن اور امریکی اسٹاک انڈیکسز کے درمیان غیر خطی سببی تعلق رپورٹ کرتا ہے۔
• سببی پیمانے پیئر ٹریڈنگ، سگنل تحقیق اور پورٹ فولیو رسک مینجمنٹ میں رہنمائی دے سکتے ہیں۔
• اقتباس ان پیمانوں پر مبنی اسٹریٹیجیز کی ٹریڈنگ کارکردگی قائم نہیں کرتا۔

ٹیگز

# Linear and nonlinear causality in financial markets


# Linear and nonlinear causality in financial markets









Identifying and quantifying co-dependence between financial instruments is a key challenge for researchers and practitioners in the financial industry. Linear measures such as the Pearson correlation are still widely used today, although their limited explanatory power is well known. In this paper we present a much more general framework for assessing co-dependencies by identifying and interpreting linear and nonlinear causalities in the complex system of financial markets. To do so, we use two different causal inference methods, transfer entropy and convergent cross-mapping, and employ Fourier transform surrogates to separate their linear and nonlinear contributions. We find that stock indices in Germany and the U.S. exhibit a significant degree of nonlinear causality and that correlation, while a very good proxy for linear causality, disregards nonlinear effects and hence underestimates causality itself. The presented framework enables the measurement of nonlinear causality, the correlation-causality fallacy, and motivates how causality can be used for inferring market signals, pair trading, and risk management of portfolios. Our results suggest that linear and nonlinear causality can be used as early warning indicators of abnormal market behavior, allowing for better trading strategies and risk management.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔