V-Transforms اور Copulas سے غیر مستحکم منافع کی ماڈلنگ
خلاصہ
یہ مقالہ غیر مستحکم ٹائم سیریز کی ماڈلنگ کا ایک طریقہ پیش کرتا ہے، جس میں وی ٹرانسفارمز مستحکم ٹائم سیریز کی حاشیائی تقسیم کے کوانٹائلز کو قابلِ پیش گوئی اتار چڑھاؤ کے متبادل پیمانے کے کوانٹائلز سے جوڑتے ہیں۔ ان ٹرانسفارمز کو کوپولا کی صورت دینے سے ماڈل لچک دار حاشیائی تقسیموں کو اتار چڑھاؤ کی حرکیات پر حکمرانی کرنے والے الگ کوپولا عمل کے ساتھ ملا سکتا ہے۔ مصنفین Gaussian ARMA کوپولا عمل سے فریم ورک کی مثال دیتے ہیں اور ARMA ماڈلز کے عین زیادہ سے زیادہ امکان کے طریقے میں ترمیم کرکے اس کا تخمینہ لگاتے ہیں۔
ان کے مطابق نتیجہ خیز ماڈل مالی منافع کی کئی وضعی خصوصیات دوبارہ پیدا کرتا ہے اور حاشیائی و مشروط مقداروں، بشمول کوانٹائل پر مبنی خطرے کے پیمانوں، کے حساب کی سہولت دیتا ہے۔ Bitcoin کے منافع پر تجرباتی اطلاق میں ماڈل کو معیاری GARCH کے مقابلے کا بتایا گیا ہے۔ فراہم کردہ تفصیل میں نمونے کا ڈیزائن، موازنے کے پیمانے یا دوبارہ پیدا کی گئی خصوصیات کی صراحت نہیں، اس لیے اس موازنے کی قوت اور دائرے کا یہاں جائزہ نہیں لیا جا سکتا۔ نتائج اس طریقے کی ترغیب دیتے ہیں، مگر یہ ثابت نہیں کرتے کہ دوسرے بازاروں یا ادوار میں یہ GARCH سے بہتر رہے گا۔
اہم خیالات
- وی ٹرانسفارمز منافع کے کوانٹائلز کو قابلِ پیش گوئی اتار چڑھاؤ کے متبادل پیمانے کے کوانٹائلز سے جوڑتے ہیں۔
- کوپولا کی تشکیل حاشیائی تقسیموں کو اتار چڑھاؤ کی حرکیات کے عمل کے ساتھ ملانے دیتی ہے۔
- مثالی ماڈل Gaussian ARMA کوپولا عمل اور ترمیم شدہ عین زیادہ سے زیادہ امکان تخمینہ کار استعمال کرتا ہے۔
- فریم ورک مشروط اور حاشیائی خصوصیات اخذ کرنے کے لیے استعمال ہوتا ہے، جن میں کوانٹائل خطرے کے پیمانے شامل ہیں۔
- Bitcoin کے اطلاق میں معیاری GARCH سے مقابلے کی اطلاع ہے، مگر فراہم کردہ تفصیل میں موازنے کی معلومات نہیں۔
ٹیگز
مکمل متن
# Modelling volatile time series with v-transforms and copulas # Modelling volatile time series with v-transforms and copulas An approach to the modelling of volatile time series using a class of uniformity-preserving transforms for uniform random variables is proposed. V-transforms describe the relationship between quantiles of the stationary distribution of the time series and quantiles of the distribution of a predictable volatility proxy variable. They can be represented as copulas and permit the formulation and estimation of models that combine arbitrary marginal distributions with copula processes for the dynamics of the volatility proxy. The idea is illustrated using a Gaussian ARMA copula process and the resulting model is shown to replicate many of the stylized facts of financial return series and to facilitate the calculation of marginal and conditional characteristics of the model including quantile measures of risk. Estimation is carried out by adapting the exact maximum likelihood approach to the estimation of ARMA processes and the model is shown to be competitive with standard GARCH in an empirical application to Bitcoin return data.
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۔