پیش گوئی اور پیئرز ٹریڈنگ کے لیے وقت کے ساتھ بدلتے اتار چڑھاؤ کے عوامل

مضمون arXiv papers · مصنف: Duo Zhang et al.

خلاصہ

یہ دستاویز حاصل شدہ اتار چڑھاؤ سے وقت کے ساتھ بدلنے والے عوامل کا ایک مختصر مجموعہ اخذ کر کے اثاثوں کے اتار چڑھاؤ کی پیش گوئی کا ماڈل سے آزاد فریم ورک بیان کرتی ہے۔ ان عوامل کا مقصد حساب کو قابلِ انتظام رکھتے ہوئے اثاثوں کے درمیان بدلتی باہمی حرکت کو سمیٹنا ہے، اور یوں جامد عاملانہ وزنوں اور مکمل کثیر متغیری ماڈلز کے زیادہ خرچ کی حد سے نمٹنا ہے۔ انہیں شماریاتی یا AI پر مبنی پیش گوئی کے طریقوں میں شامل کیا جا سکتا ہے تاکہ مارکیٹ کی عمومی اور اثاثہ مخصوص حرکیات دونوں کی نمائندگی ہو۔

اس فریم ورک کا جائزہ امریکی ٹیکنالوجی کے بڑی مارکیٹ ویلیو والے اسٹاکس اور بڑی کرپٹو کرنسیوں پر ایک اور سات روزہ افق کے لیے لیا گیا ہے۔ مقالہ خطی اور غیر خطی ماڈلز میں پیش گوئی کی بہتر درستگی اور معاشی قدر رپورٹ کرتا ہے، اور پیش گوئیوں پر مبنی پیئرز ٹریڈنگ اسٹریٹیجی کو منافع بخش اور بہتر خطرہ ایڈجسٹ منافع والی قرار دیتا ہے، خصوصاً ناموافق حالات میں۔ خلاصہ نمونے کے ادوار، بینچ مارکس، اخراجات یا توثیق کے طریقے نہیں بتاتا، اس لیے رپورٹ کردہ بہتریوں کا اس وضاحت سے آزادانہ جائزہ ممکن نہیں۔

اہم خیالات

حاصل شدہ اتار چڑھاؤ سے اخذ کردہ وقت کے ساتھ بدلنے والے عوامل اثاثوں کے درمیان بدلتی باہمی حرکت کی نمائندگی کر سکتے ہیں۔
مختصر فیکٹر سیٹ کا مقصد مکمل کثیر متغیری اتار چڑھاؤ ماڈلز کا حسابی بوجھ گھٹانا ہے۔
یہ عوامل شماریاتی اور AI پر مبنی پیش گوئی کے طریقوں دونوں کو بہتر بنا سکتے ہیں۔
فریم ورک کا جائزہ امریکی ٹیکنالوجی ایکویٹیز اور بڑی کرپٹو کرنسیوں پر مختصر اور درمیانی افق کے لیے لیا گیا ہے۔
دستاویز اتار چڑھاؤ کی پیش گوئی اور پیش گوئی پر مبنی پیئرز ٹریڈنگ اسٹریٹیجی کے فوائد بتاتی ہے، مگر توثیق کی چند تفصیلات دیتی ہے۔

ٹیگز

اتار چڑھاؤ شماریات جوڑیوں کی ٹریڈنگ مشین لرننگ کرپٹو حصص

مکمل متن

# Time-Varying Factor-Augmented Models for Volatility Forecasting

Accurate volatility forecasts are vital in modern finance for risk management, portfolio allocation, and strategic decision-making. However, existing methods face key limitations. Fully multivariate models, while comprehensive, are computationally infeasible for realistic portfolios. Factor models, though efficient, primarily use static factor loadings, failing to capture evolving volatility co-movements when they are most critical. To address these limitations, we propose a novel, model-agnostic Factor-Augmented Volatility Forecast framework. Our approach employs a time-varying factor model to extract a compact set of dynamic, cross-sectional factors from realized volatilities with minimal computational cost. These factors are then integrated into both statistical and AI-based forecasting models, enabling a unified system that jointly models asset-specific dynamics and evolving market-wide co-movements. Our framework demonstrates strong performance across two prominent asset classes-large-cap U.S. technology equities and major cryptocurrencies-over both short-term (1-day) and medium-term (7-day) horizons. Using a suite of linear and non-linear AI-driven models, we consistently observe substantial improvements in predictive accuracy and economic value. Notably, a practical pairs-trading strategy built on our forecasts delivers superior risk-adjusted returns and profitability, particularly under adverse market conditions.

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۔