اختبار Giacomini–White: دقة التنبؤ المشروطة

لنفترض أن متوسط خسارة التنبؤ A أقل من B في عينة اختبار. قد يخفي هذا المتوسط نمطاً مفيداً: ربما يتفوق A في الأسواق الهادئة بينما يتفوق B عندما ترتفع التقلبات. إذا كان السؤال هو أي التنبؤين كان أفضل في المتوسط، فالمقارنة غير المشروطة مناسبة. أما إذا كان السؤال هل تساعد المعلومات المعروفة وقت التنبؤ على معرفة أيهما سيؤدي أفضل، فالمطلوب هو القدرة التنبؤية المشروطة.

صاغ Giacomini وWhite المسألة على أنها مقارنة لطرائق التنبؤ تحت دالة خسارة ومجموعة معلومات محددتين. ويمكن تطبيق الإطار على تنبؤات نقطية أو فترية أو احتمالية أو كثافية متى عُرّفت الخسارة المناسبة. ويشمل موضوع المقارنة إجراء التقدير المستخدم لإنتاج كل تنبؤ؛ لذلك فإن النافذة المتحركة أو عينة التدريب الثابتة أو قاعدة الترجيح جزء من طريقة التنبؤ، وليست تفصيلاً يمكن تغييره بعد رؤية النتائج (Giacomini and White, 2006).

يرتبط الاختبار المشروط باختبار التغير الهيكلي لكنه ليس الاختبار نفسه. يسأل الأول هل ترتبط الخسارة النسبية منهجياً بمعلومات مختارة؛ أما اختبار التغير الهيكلي فيسأل هل تغيرت المعلمات أو العلاقة عند وقت معلوم أو مجهول. يتناول دليل Diebold–Mariano مقارنة متوسط الخسارة غير المشروطة؛ ويتطلب السؤال المشروط تحديد المعلومات التي سيُجرى الشرط عليها.

لتكن \(Y_{t+1}\) هي النتيجة التي تُرصد بعد منشأ التنبؤ \(t\). يجب أن يستهدف التنبؤان \(\hat y_{A,t+1}\) و\(\hat y_{B,t+1}\) الهدف والأفق والوحدات وموعد قطع المعلومات نفسها. ولخسارة \(L\) تكون الأقل أفضل، عرّف فرق الخسارة كما يلي:

dₜ₊₁ = L(Yₜ₊₁, ŷA,ₜ₊₁) − L(Yₜ₊₁, ŷB,ₜ₊₁)

وفق هذا الاصطلاح، تعني القيمة الموجبة أن A تكبد خسارة أكبر وأن B كان أفضل في ذلك المنشأ؛ أما السالبة فتعني أفضلية A. احتفظ بصف واحد لكل منشأ وقَيّم التنبؤين مقابل النتيجة نفسها. واحفظ التنبؤات كما كانت متاحة وقت إصدارها، مع نسخة البيانات وإصدار النموذج. لا تعِد إنشاء التنبؤات التاريخية بمدخلات منقحة أو معلومات وصلت لاحقاً.

يجب أن تكون متغيرات الشرط معروفة عند منشأ التنبؤ أيضاً. تشمل الأمثلة تقدير تقلب متأخر، ومؤشر حدث أُعلن مسبقاً، وفرق خسارة متأخر، أو متغير حالة سوق محسوب من بيانات سابقة فقط. لا يمكن لمتغير قيس بعد \(t\) أن يفسر أي التنبؤين كان أفضل عند \(t+1\) دون تسرب للمعلومات المستقبلية.

طابق المقياس مع الهدف. الخطأ التربيعي خيار لتنبؤ المتوسط الشرطي، لكنه لا يناسب تلقائياً تنبؤ التقلب أو الكميات أو الكثافة. وإذا تنبأ نموذج بالتباين وآخر بالانحراف المعياري، فحوّلهما أولاً إلى تنبؤين للكمية نفسها. لا يستطيع الاختبار إصلاح عدم تطابق السؤال الذي يجري تقييمه.

في مقارنة تنبؤات التقلب، قيّم الاثنين مقابل التعريف نفسه للتباين المحقق والفترة الزمنية نفسها. إذا استخدم أحدهما أسعار أوقات التداول فقط واستهدف الآخر عائداً يشمل الليل، فقد ينشأ الفرق من تعريف الهدف لا من أداء النموذج وحده. حدد إدراج الحركات خارج ساعات السوق، وتواتر الأسعار المأخوذة، والتعامل مع القيم المفقودة، ومقدر النتيجة المحققة، ثم طبّق الخيارات نفسها على الاثنين. وإذا كان في الهدف المحقق خطأ قياس، فاذكر أن الخطأ يؤثر في درجتي الخسارة.

لتكن \(\mathcal{G}_t\) مجموعة المعلومات المستخدمة في الشرط. الفرضية الصفرية المثالية هي

H₀: E[dₜ₊₁ | 𝒢ₜ] = 0

أي إن فرق الخسارة المتوقع يساوي صفراً عند معرفة المعلومات المحددة. يحول اختبار GW لفترة واحدة هذه العبارة إلى مجموعة من العزوم باستخدام متجه دوال اختبار \(h_t\) محدد مسبقاً، ويمكن حساب كل عنصر فيه من المعلومات المتاحة عند الزمن \(t\):

H₀,ₕ: E[hₜ dₜ₊₁] = 0

يمكن أن يتضمن \(h_t\) ثابتاً يلتقط متوسط فرق الخسارة. وقد تمثل العناصر الأخرى حالة سوق أو خسارة نسبية متأخرة أو تحويلاً لاخطياً اختير قبل الاطلاع على النتائج. مثلاً إذا كان \(S_t\) مؤشراً ثنائياً للتقلب المرتفع ومعلوماً عند \(t\)، فإن \(h_t=(1,S_t)'\) يختبر عزم الثابت وما إذا كان فرق الخسارة يرتبط بتلك الحالة.

لا تختبر مجموعة محدودة من دوال الاختبار إلا العزوم التي تحددها. يعني الرفض أن واحداً على الأقل من العزوم المختارة لا يتوافق مع الصفر وفق افتراضات الاختبار؛ ولا يحدد أفضل نموذج في كل حالة ممكنة ولا يثبت أهمية كل متغير حالة. وعدم الرفض لا يثبت تساوي الأداء المشروط. وإذا تضمنت الدوال ثابتاً فقط، فالاختبار مقارنة عزم غير مشروط وليس بحثاً واسعاً عن جميع الشروط الممكنة.

حدّد الخسارة والأدوات والتحويلات والعينة والأفق قبل معرفة النموذج الفائز. إضافة مؤشرات حالات وعتبات وإبطاءات كثيرة بعد رؤية النتائج تنشئ مشكلة بحث إضافية. ولا يصحح الاختبار المشروط هذا الانتقاء من تلقاء نفسه.

ثبّت أيضاً توقيت حساب متغير الحالة. فإذا استُخدمت أعلى 20% من التقلبات في كامل العينة لتعريف الحالات المرتفعة، دخلت بيانات المستقبل في تحديد العتبة التاريخية. قدّر العتبة من البيانات المتاحة حتى كل منشأ تنبؤ، أو استخدم معياراً نُشر مسبقاً. وبالنسبة إلى حالة مستمرة، راعِ الوحدات وطبّق التمركز أو التوحيد القياسي باتساق. وقد تجعل المؤشرات المتشابهة جداً مصفوفة العزوم شبه مكررة وصعبة العكس؛ لذا اختر مسبقاً مجموعة صغيرة قابلة للتفسير.

إذا كان عدد دوال الاختبار \(q\)، فكوّن متجه العزوم \(g_{t+1}=h_t d_{t+1}\). متوسطه في العينة هو

ḡ = (1/n) Σₜ gₜ₊₁

ويأخذ إحصاء GW لفترة واحدة صيغة Wald:

GW = n ḡ′ Ω̂⁻¹ ḡ

حيث تقدّر \(\hat\Omega\) مصفوفة تباين متجه العزوم. تحت الفرضية الصفرية وشروط الانتظام في الورقة، يتبع الإحصاء توزيع كاي تربيع تقاربياً بدرجات حرية \(q\). لذلك يؤثر عدد دوال الاختبار على التوزيع المرجعي وقد يؤثر على القوة. وقد تجعل الأدوات الضعيفة أو المكررة تقدير التباين غير مستقر دون إضافة معلومات مفيدة.

في إعداد الفترة الواحدة، تفرض الفرضية الصفرية بنية فرق مارتينغالي على متجه العزوم، ما يسمح للاختبار الأصلي باستخدام تقدير العزم الثاني للعينة. أما الآفاق الأخرى أو النتائج المتداخلة فتتطلب مقدر تباين متوافقاً مع افتراضات ذلك التطبيق واعتماده الزمني. اتبع صيغة التطبيق المختار ولا تنقل تلقائياً عرض نطاق HAC من اختبار آخر. إن مقدرات التغاير HAC، ومنها مقدر Newey وWest (1987)، أدوات للإعدادات التي تحتاجها وليست وصفة موحدة لعرض النطاق في GW. لا تكون النتيجة جديرة بالثقة إلا بقدر ملاءمة مقدر التغاير وتصميم التنبؤ.

افحص أيضاً ما إذا كانت \(\hat\Omega\) مستقرة عددياً. يمكن لدوال اختبار متشابهة أو مؤشرات حالة قليلة الرصد أو تفاعلات كثيرة أن تجعلها شبه منفردة؛ وعندها قد يغير تعديل صغير في البيانات معكوسها كثيراً. اشرح ما يمثله كل عنصر في المجموعة، وسجّل عدد الدوال وتباين العزوم. حذف عناصر بعد رؤية النتائج ثم إعادة الاختبار على العينة نفسها يظل جزءاً من عملية الانتقاء.

القيمة الاحتمالية دليل ضد قيود العزوم المحددة وفق التوزيع المرجعي والافتراضات، وليست احتمال أن يكون A أو B هو النموذج الصحيح ولا احتمال ربح قاعدة تداول. أبلغ عن الإحصاء ودرجات الحرية والقيمة الاحتمالية والعزوم التي اختُبرت.

<!-- learn:illustration -->

لنفترض وجود ثمانية مناشئ تنبؤ افتراضية لفترة واحدة. تشير \(S_t=0\) إلى حالة هادئة و\(S_t=1\) إلى تقلب مرتفع. ولنفترض أن فروق الخسارة \(d_{t+1}=L_A-L_B\) هي −2، −2، −2، −2 في المناشئ الهادئة الأربعة و+2، +2، +2، +2 في مناشئ التقلب المرتفع الأربعة. القيم السالبة تفضل A والموجبة تفضل B.

متوسط القيم الثماني يساوي صفراً، فلا يظهر فرق خسارة غير مشروط في هذا المثال الصغير. لكن متوسط الحالة الهادئة −2 ومتوسط حالة التقلب المرتفع +2؛ أي إن الترتيب النسبي ينعكس بتغير الحالة. ويختبر \(h_t=(1,S_t)'\) عزم الثابت وعزم التقلب المرتفع الذي قد يلتقط هذا النمط.

هذه القيم الثماني للتوضيح وليست عينة كافية لاستدلال موثوق. في البيانات الحقيقية، يجب مراعاة طريقة تقدير التنبؤات، وما إذا كان متغير الحالة قد ثُبت مسبقاً، وعدد المناشئ، وكيف تتغير عزوم فروق الخسارة مع الزمن. ولا يثبت الرسم بحسب الحالة وحده استمرار النمط.

تحافظ نظرية GW التقاربية الأصلية على عدم يقين تقدير التنبؤ بجعل أكبر نافذة تقدير محدودة بينما يزداد عدد تنبؤات العينة الخارجية. وتنسجم النوافذ المتحركة وعينة التدريب الثابتة مع هذا الإعداد الأساسي. لذا فإن حجم النافذة وأي قاعدة لاختيارها من البيانات جزء من طريقة التنبؤ وينبغي تحديدهما والإبلاغ عنهما.

يهم ذلك عند إعادة تقدير النماذج. فالمقارنة التي تتجاهل تقدير المعلمات قد تفوّت عدم اليقين الناتج عن كيفية تعلم كل طريقة من البيانات السابقة. ويمكن للإطار مقارنة تنبؤات نماذج متداخلة أو غير متداخلة ضمن شروطه، لكنه لا يضمن النتيجة لكل تطبيق لنافذة متسعة أو لكل مقدر. وفي صيغة الفترة الواحدة الأصلية، تقع النافذة المتسعة التقليدية خارج افتراض النافذة المحدودة؛ استخدم نتيجة تناسب طريقة إنشاء التنبؤ الفعلية إذا اختلف الإعداد.

ولا يختار الاختبار نافذة مناسبة نيابة عنك. قد تتكيف النافذة القصيرة مع الظروف الحديثة لكنها تستخدم مشاهدات أقل؛ وقد تثبت النافذة الطويلة أو المتسعة التقديرات مع الاحتفاظ بعلاقات قديمة. قارن الخيارات بتقييم مخطط مسبقاً وسجّل عملية اختيار النافذة. يطوّر Giacomini وRossi (2010) اختبارات مختلفة لمسار الأداء النسبي في البيئات غير المستقرة؛ هذا سؤال مرتبط لكنه ليس إحصاء GW الشرطي الأساسي.

يسأل اختبار Diebold–Mariano هل يتساوى متوسط خسارة تنبؤين في عينة التقييم. أما GW فيسأل هل ترتبط معلومات مختارة بالخسارة النسبية، مع إمكان تضمين المقارنة غير المشروطة بوصفها قيد عزم خاصاً. وقد يتساوى المتوسط بينما يختلف الترتيب بحسب الحالة، كما في المثال السابق.

إذا كانت النماذج متداخلة وكان السؤال تحديداً عن تساوي متوسط مربع الخطأ، فإن طريقة مثل تعديل Clark–West تعالج فرضية ومشكلة ضوضاء تقدير مختلفتين. وإذا جرى البحث في قواعد تداول أو تنبؤ كثيرة والسؤال هل يوجد مرشح متفوق، فقد يلزم إجراء على مستوى العائلة مثل White Reality Check أو Hansen SPA. الاختبار المشروط لزوج اختير مسبقاً لا يمحو بحثاً أوسع.

الدليل على تغير الدقة النسبية بمرور الزمن لا يحدد تاريخ انقطاع بعينه. وقد يكون اختبار عدم الاستقرار المحلي أو الانعكاسات أنسب إذا كان السؤال عن مسار الأداء لا علاقته بأدوات مختارة. يدرس Giacomini وRossi (2010) هذه المقارنات. طابق الطريقة مع السؤال ولا تفسر كل رفض على أنه دليل على استراتيجية تداول تنتقل بين الأنظمة.

وعند مقارنة نماذج عديدة، يجيب دليل مجموعة الثقة للنماذج عن سؤال مختلف: كيف نحتفظ بمجموعة نماذج لا يمكن تمييزها عند مستوى محدد. لكنه لا يغني عن تحديد شروط GW مسبقاً.

قد تحتاج الاختبارات المشروطة إلى بيانات كثيرة. فقسمة العينة إلى حالات هادئة وعالية التقلب تقلل عدد المشاهدات الداعمة لكل مقارنة، كما أن زيادة دوال الاختبار ترفع عدد العزوم ودرجات الحرية. وقد تكون القوة منخفضة حتى مع وجود فروق مشروطة إذا ارتبطت الشروط المختارة بالخسارة النسبية ارتباطاً ضعيفاً.

تبحث ورقة عمل McCracken الصادرة عن بنك الاحتياطي الفيدرالي في سانت لويس وجود اختبار GW وحجمه وقوته ضمن مثال بسيط بخسارة تربيعية. وجدت المحاكاة أن الاختبار قد يحافظ على الحجم بدقة، لكن قوته كانت منخفضة عموماً في الإعدادات المدروسة (McCracken, 2020). هذا تحذير مرتبط بتلك الإعدادات وليس تقديراً رقمياً عاماً لكل تطبيق. قد يعكس عدم الرفض نقص المعلومات أو القوة؛ فلا تصفه بأنه إثبات لقابلية التنبؤين للتبادل.

إن تجربة تعريفات حالات وعتبات وآفاق ودوال خسارة وتواريخ تقييم بديلة باستمرار ثم اختيار نتيجة دالة تزيد احتمال الاكتشاف العشوائي. سجّل كل الاختبارات وافصل التحليل الاستكشافي عن عينة تأكيد محددة مسبقاً. وإذا كان الادعاء أن واحدة من عائلة استراتيجيات تتنبأ، فاستخدم تصحيحاً مناسباً لتعدد الاختبارات أو التنقيب في البيانات على العائلة كاملة. زيادة الأدوات الشرطية لا تقوي الدليل تلقائياً.

وعندما تبقى نماذج متعددة قيد المقارنة، قد تجيب طريقة على مستوى العائلة عن سؤال مختلف. يشرح دليل مجموعة الثقة للنماذج الاحتفاظ بمجموعة من النماذج غير المتميزة عند مستوى محدد، لكنه لا يستبدل تحديد الشروط مسبقاً في تحليل GW.

سمِّ طريقتي التنبؤ وبيّن كيف قُدرت كل منهما، وهل النموذجان متداخلان، وما الهدف والأفق وتواريخ التقييم. اذكر دالة الخسارة واصطلاح إشارة \(d_{t+1}\) بدقة. واشرح كل عنصر في \(h_t\)، وكيفية بنائه ووقت رصده وما إذا اختير قبل رؤية النتائج.

أبلغ عن جدول مناشئ التنبؤ، وقاعدة نافذة التقدير، ونسخة البيانات، وقاعدة العينة المشتركة، وعدد المناشئ خارج العينة، وعدد دوال الاختبار، ومقدر التغاير، والتوزيع المرجعي، والإحصاء ودرجات الحرية والقيمة الاحتمالية. اذكر تداخل الآفاق وطريقة معالجة الاعتماد. واعرض متوسط الخسائر وملخصات فروقها، لا نتيجة الاختبار وحدها.

أدرج الأدوات والعتبات والنوافذ والخسائر وأزواج التنبؤ الأخرى التي جُرّبت. وإذا استُخدمت المشاهدات نفسها لاختيار النموذج أو متغيرات الشرط ثم لاختبارها، فصرّح بذلك. قد تكون النتيجة مفيدة دون أن تكون تأكيدية؛ فالشفافية تتيح للقارئ تقدير نطاقها وتصميم تحقق منفصل.