इंट्राडे अस्थिरता की समयानुसार मौसमी प्रवृत्ति: पैटर्न और सीमाएँ

इंट्राडे अस्थिरता की मौसमी प्रवृत्ति से आशय ट्रेडिंग सत्र के अलग-अलग समय पर रिटर्न के पैमाने में व्यवस्थित अंतर से है। एक्सचेंज खुलने के आसपास 30 मिनट के रिटर्न का ऐतिहासिक वितरण, दोपहर के समय समान अवधि वाले रिटर्न से अलग हो सकता है। इसका संबंध रिटर्न के आकार और फैलाव से है, न कि किसी खास समय पर कीमत बढ़ने या घटने की अधिक संभावना से

शोध में इक्विटी और विदेशी-मुद्रा आँकड़ों में इंट्राडे अस्थिरता के दोहराए जाने वाले पैटर्न दर्ज किए गए हैं। Andersen और Bollerslev दिखाते हैं कि यह आवर्तिता उच्च-आवृत्ति रिटर्न के गतिशील गुणों को प्रभावित करती है: इसे मॉडल करने से समय-आधारित पैटर्न को अधिक टिकाऊ अस्थिरता-गतिशीलता से अलग करने में मदद मिलती है (199700004-2))। यह परिणाम समायोजन पर विचार करने का आधार देता है, लेकिन हर परिसंपत्ति, बाज़ार या अवधि के लिए एक ही स्थिर वक्र सिद्ध नहीं करता

मौसमी कारक को तुलना के आधार के रूप में देखना बेहतर है। इससे बताया जा सकता है कि किसी समय का रिटर्न उस समय के सामान्य पैमाने की तुलना में कितना असामान्य है, या अस्थिरता मॉडल को नियमित सत्र-पैटर्न को टिकाऊ क्लस्टरिंग समझने से रोका जा सकता है। Realized volatility मार्गदर्शिका बताती है कि इंट्राडे रिटर्न के वर्गों को जोड़कर सत्र-स्तरीय माप कैसे बनाया जा सकता है; यह लेख उनके समय-आधारित प्रोफ़ाइल पर केंद्रित है

कई इक्विटी नमूनों में नियमित सत्र के खुलने और बंद होने के पास औसत अस्थिरता, सत्र के मध्य से अधिक होती है। इससे बना वक्र U जैसा दिख सकता है। ओपनिंग नीलामी, रात भर की जानकारी, बाज़ार सहभागियों का आना, दिन के अंत में पोर्टफोलियो समायोजन और क्लोज़िंग प्रक्रियाएँ अस्थिरता बदलाव के साथ समय में मेल खा सकती हैं, लेकिन केवल आँकड़ों में दिखा पैटर्न यह नहीं बताता कि कारण कौन-सा था

बाज़ार और सत्र की परिभाषा के अनुसार आकार बदल सकता है। विदेशी मुद्रा वैश्विक समय क्षेत्रों में कारोबार करती है, इसलिए उसका एक केंद्रीय उद्घाटन समय नहीं होता। कोई फ्यूचर अनुबंध लगभग चौबीसों घंटे चल सकता है, फिर भी उसमें निपटान अवधि, रखरखाव विराम या क्षेत्रीय घंटों में तरलता का जमाव हो सकता है। 24 घंटे चलने वाले क्रिप्टो बाज़ार का एक तय खुलना या बंद होना नहीं है, जब तक विश्लेषक संदर्भ सत्र तय न करे। उपयुक्त समय-घड़ी साधन, बाज़ार और नमूना-निर्धारण के तरीके पर निर्भर करती है

Ederington और Lee ने पाया कि निर्धारित व्यापक आर्थिक घोषणाओं और अस्थिरता की अन्य जानकारी को ध्यान में रखने पर उनके विदेशी-मुद्रा नमूने में परिचित U-आकार गायब हो जाता है (2001)। यह उनके नमूने का विशिष्ट परिणाम है, सभी विदेशी-मुद्रा बाज़ारों में आवर्तिता न होने का प्रमाण नहीं। यह दिखाता है कि वर्णनात्मक औसत वक्र को अपरिवर्तनीय नियम नहीं मानना चाहिए

मान लें कि r₍d,j₎ सत्र d के इंट्राडे अंतराल j का रिटर्न है। एक उपयोगी वैचारिक विभाजन है

r₍d,j₎ = sⱼ ε₍d,j₎ Var(r₍d,j₎ | अंतराल से पहले उपलब्ध जानकारी) = sⱼ² h₍d,j₎

यहाँ sⱼ समय के अनुसार धनात्मक पैमाना-कारक है, जबकि h₍d,j₎ ऐसी अस्थिरता दर्शाता है जो जानकारी और बाज़ार स्थितियों के साथ बदलती है। sⱼ किसी चुने हुए नमूने और कैलेंडर का सांख्यिकीय वर्णन है, यह ज़रूरी नहीं कि घड़ी का कारणात्मक प्रभाव हो। यह विभाजन मॉडल बनाने में सहायता करता है, यह दावा नहीं कि हर परिसंपत्ति का कोई ज्ञात नियत समय-सारणी है

sⱼ को नज़रअंदाज़ करने पर कुछ समय पर बार-बार आने वाले उच्च-विचरण अंतराल, वर्गित रिटर्न को टिकाऊ दिखा सकते हैं। तब GARCH मॉडल नियमित इंट्राडे बदलाव और वास्तविक अस्थिरता-क्लस्टरिंग दोनों को अपने गतिशील पैरामीटर में समेट सकता है। GARCH मार्गदर्शिका बाद वाली प्रक्रिया समझाती है। मौसमी समायोजन दोनों को अलग करने में मदद कर सकता है, लेकिन अवशेष, पैरामीटर स्थिरता या वैकल्पिक विनिर्देशों की जाँच का विकल्प नहीं है

पैमाना-कारक और विचरण-कारक को एक न समझें। यदि किसी अंतराल के रिटर्न का standard deviation दूसरे अंतराल से दोगुना है, तो समान इकाइयों में उसका variance चार गुना होता है। इसलिए अनुमान में स्पष्ट करें कि कारक standard deviation, variance या absolute return के पैमाने पर है, और अवलोकनों को सामान्य करते समय वही परिभाषा रखें

मान लें कि मूल्यांकन महीने से पहले समाप्त हुई प्रशिक्षण अवधि के आँकड़ों में खुलने के पास सामान्य 30-मिनट रिटर्न पैमाना 0.40% और दोपहर में 0.20% है। ये केवल गणना दिखाने के काल्पनिक आँकड़े हैं, किसी नामित परिसंपत्ति या मौजूदा सत्र के अनुमान नहीं। खुलने और दोपहर के standard deviation का अनुपात 2 है और संबंधित variance का अनुपात 4 है

अब खुलने के समय 0.40% रिटर्न की तुलना दोपहर के 0.20% रिटर्न से करें। हर absolute return को अपने ऐतिहासिक पैमाने से भाग देने पर 0.40% / 0.40% = 1 और 0.20% / 0.20% = 1 मिलता है। दोनों अपनी-अपनी समय-आधारित इकाई के बराबर चलते हैं। कच्चे बदलाव अलग हैं, पर इस उदाहरण में मानकीकृत परिमाण समान हैं

यह गणना नहीं बताती कि कोई चाल सांख्यिकीय रूप से दुर्लभ है, उलटने वाली है या लाभ के लिए ट्रेड की जा सकती है। मानकीकृत मूल्य को वितरण मॉडल, अनुमान-अनिश्चितता, घटना-संदर्भ और मापन गुणवत्ता के साथ समझना चाहिए। पैमाने का अनुपात अपने-आप में संभावना, पूर्वानुमान या दिशा-संकेत नहीं है

पहले साधन, बाज़ार, सत्र, बार की अवधि, कीमत के स्रोत और रिटर्न की परिभाषा तय करें। ऐतिहासिक सत्रों में सत्र के सापेक्ष समान अंतरालों को मिलाएँ। एक्सचेंज के स्थानीय समय में 9:30–10:00 का बार, daylight saving बदलने के बाद किसी मनमाने UTC बार से चुपचाप न मिलाएँ। नीलामी, रात के अंतराल, छुट्टियों, जल्दी बंद होने, अनुपस्थित कोट और असामान्य कारोबार वाले दिनों के लिए पहले से नियम तय करें

हर अंतराल का सामान्य पैमाना पूर्वानुमान या मूल्यांकन तिथि से पहले के आँकड़ों से निकालें। हर समय-बिन के रिटर्न का robust scale, जैसे absolute return का median या सीमित चरम मानों वाला root-mean-square, एक व्यावहारिक शुरुआती तरीका है। बहुत अस्थिर दिन pooled औसत पर हावी हो सकते हैं; इसलिए पहले हर सत्र को उसके दैनिक कुल पैमाने से सामान्य कर सकते हैं, फिर सत्र के भीतर प्रोफ़ाइल निकालें, पड़ोसी बिनों को smooth करें और अंत में कारकों को चुने हुए संदर्भ स्तर पर सामान्य करें। विधि और normalization rule दर्ज करें

ऐतिहासिक backtest में हर पूर्वानुमान-समय पर उपलब्ध प्रशिक्षण अवधि से ही कारक स्थिर करें। यदि वास्तविक उपयोग में rolling या expanding window के अनुसार दोबारा अनुमान होगा, तो वही नियम अपनाएँ। पूरे dataset से एक बार प्रोफ़ाइल निकालकर उसे पुराने दिनों पर लागू करने से भविष्य के सत्रों की जानकारी लीक होती है और standardized return वास्तविक समय की तुलना में अधिक स्थिर दिख सकते हैं

मौसमी प्रोफ़ाइल को घटना-प्रबंधन और उसी दिन की किसी अस्थिरता-माप से अलग रखें। यदि मॉडल वर्तमान सत्र में पहले देखी गई अस्थिरता का उपयोग कर सकता है, तो उसे पूर्वानुमान समय तक उपलब्ध बारों से ही निकालें। लिखें कि प्रोफ़ाइल weekday, contract month, venue या regime के अनुसार अलग है या नहीं; अधिक विभाजन bias घटा सकते हैं लेकिन हर बिन में बहुत कम अवलोकन छोड़ सकते हैं

हर अंतराल-अनुमान के पीछे अवलोकनों और सत्रों की संख्या दर्ज करें। छुट्टियाँ, अनुपस्थित रिकॉर्ड या किसी समय पर कम कारोबार कारक को बाज़ार बदलाव के बजाय डेटा कवरेज दर्शाने पर मजबूर कर सकते हैं। सत्र को बहुत छोटे बिनों में बाँटने से अनुमान अस्थिर हो सकते हैं; इसलिए नतीजों की तुलना से पहले बार-अवधि और प्रशिक्षण लंबाई तय करें। पड़ोसी बिनों को smooth करने से शोर घट सकता है, लेकिन खुलने या बंद होने के शिखर भी मिट सकते हैं; raw और smoothed प्रोफ़ाइल की तुलना करें और नियम दर्ज करें

यदि ऐतिहासिक मूल्यांकन के दौरान प्रोफ़ाइल फिर से अनुमानित होती है, तो हर पूर्वानुमान समय पर उपलब्ध संस्करण सहेजें। प्रशिक्षण cutoff, हर बिन के अवलोकन, transformations और कारक लागू होने की तारीखें रखें। सर्वश्रेष्ठ परिणाम देखने के बाद प्रोफ़ाइल चुनकर पुराने दिनों में लागू करना, चयन प्रक्रिया में ही भविष्य की जानकारी डालता है

<!-- learn:illustration -->

आर्थिक घोषणाएँ अक्सर तय समय पर जारी होती हैं। इसलिए घोषणा के बाद अस्थिरता में बार-बार आने वाला उछाल सामान्य समय-आधारित मौसमी प्रभाव जैसा लग सकता है, जबकि उसका तत्काल कारण निर्धारित समाचार है। Ederington और Lee ने हाल की अस्थिरता, निर्धारित घोषणाओं और आवर्तिता का साथ में अध्ययन किया; उनके ब्याज-दर और FX नमूनों में बहुत अधिक अस्थिरता की अवधि के लिए घोषणाएँ विशेष रूप से महत्त्वपूर्ण थीं, और सूचना-समूहों को शामिल करने पर अनुमानित persistence बदल गई (2001)

यदि शोध-प्रश्न सामान्य समय-पैटर्न पर है, तो घोषणा-अंतराल अलग रखें, पहले से तय event indicators जोड़ें, या शामिल और हटाए दोनों परिणाम दिखाएँ। सही विकल्प इस बात पर निर्भर है कि लक्ष्य पूर्वानुमान में ज्ञात घोषणाएँ शामिल हैं या नहीं। सभी event bars हटाने से ऐसी रणनीति का जोखिम कम आँका जा सकता है जो वास्तव में उन घोषणाओं के दौरान पोज़िशन रखेगी

ऐतिहासिक पूर्वानुमान तिथि पर अनुपलब्ध जानकारी से बाद में event calendar बनाकर उपयोग न करें। जहाँ आवश्यक हो, प्रकाशन समय और संशोधन सुरक्षित रखें, डेटा संभव करे तो निर्धारित और अनिर्धारित समाचार अलग करें, और बताएँ कि समायोजन किन बाज़ारों व घोषणाओं को शामिल करता है। समय-आधारित कारक अकेले किसी अप्रत्याशित खबर या उसके प्रभाव को नहीं समझा सकता

समय-अंतरालों के लिए घड़ी की स्थिर परिभाषा चाहिए। नियमित सत्र वाले एक्सचेंज में स्थानीय समय से खुलने, दोपहर और बंद होने के बिंदु तय करना स्वाभाविक है। यदि रिकॉर्ड UTC में हैं, तो हर तारीख के ऐतिहासिक timezone rules के अनुसार बदलें। UTC का स्थिर offset daylight-saving rules बदलने पर स्थानीय opening bar को एक घंटे खिसका सकता है और झूठे मौसमी अंतर बना सकता है

एक्सचेंज कैलेंडर में छुट्टियाँ, छोटे सत्र, नीलामी, halt और अनुबंध-विशिष्ट विराम शामिल होते हैं। जल्दी बंद होने वाले दिन का आखिरी बार सामान्य close बार की उसी सत्र-स्थिति में नहीं आता। तय करें कि ऐसे अवलोकन प्रोफ़ाइल में कैसे आएँगे, या अलग-अलग सत्र प्रकारों के लिए अलग प्रोफ़ाइल निकालें। फ्यूचर में चुना गया सत्र-टेम्पलेट और contract roll का तरीका दर्ज करें; क्रिप्टो में दिन की सीमा और reference timezone स्पष्ट करें

कारक को तुलनीय अवलोकनों का वर्णन करना चाहिए। नियमित सत्र के equity bar की तुलना रात के futures bar से सिर्फ इसलिए न करें कि दोनों का UTC hour समान है। Timestamp, bar construction और price source एक जैसे रखें, और stale quote, asynchronous trade या अलग auction rules जाँचें। समय का संरेखण model specification का हिस्सा है, सजावटी data processing नहीं

स्थिर मौसमी कारक मानता है कि समय के अनुसार सापेक्ष अस्थिरता-पैटर्न स्थिर है। यह धारणा विफल हो सकती है। Andersen, Thyrsgaard और Todorov ने समय के साथ बदलती periodicity की जाँच की और S&P 500 index returns में प्रमाण पाया कि पैटर्न वर्तमान अस्थिरता स्तर के अनुसार कुछ हद तक बदलता है। उच्च-अस्थिरता की अवधि में, कम-अस्थिरता की अवधि की तुलना में, close से पहले का समय दैनिक integrated volatility का बड़ा हिस्सा होता है (2019)

इसका मतलब नहीं कि हर बाज़ार में उथल-पुथल बढ़ने पर close हमेशा अधिक अस्थिर हो जाता है। प्रमाण उस अध्ययन के डेटा, विधि और नमूने पर निर्भर है। इसका मतलब यह है कि लंबी अवधि की औसत प्रोफ़ाइल महत्त्वपूर्ण बदलावों को समतल कर सकती है। उप-अवधियों और volatility regimes के बीच अनुमान तुलना करें, कारकों की स्थिरता जाँचें और एक curve को स्थायी बताने के बजाय अनिश्चितता दिखाएँ

Rolling estimate बदलाव के साथ ढल सकता है, लेकिन अधिक noisy हो सकता है और कुछ ही घटनाओं का पीछा कर सकता है। Regime-specific प्रोफ़ाइल के लिए हर regime में पर्याप्त पुराने अवलोकन और ऐसा वर्गीकरण नियम चाहिए जो भविष्य का डेटा न उपयोग करे। शर्तें पूरी न हों तो explicit event controls के साथ सरल स्थिर factor समझने में आसान हो सकता है। अलग-अलग horizons और samples पर distribution की तुलना volatility cone मार्गदर्शिका में है; वह अलग तुलना है

समय के अनुसार standardization सत्र-अंतरालों में अस्थिरता की तुलना अधिक उचित कर सकता है, residual pattern पहचानने में मदद कर सकता है और ऐसे forecast model का समर्थन कर सकता है जिसे अधिक तुलनीय innovations चाहिए। यह भी दिखा सकता है कि खुलने के पास दिखने वाली बड़ी चाल उस अंतराल के ऐतिहासिक पैमाने के अनुसार सामान्य है। इससे यह पता नहीं चलता कि अगला रिटर्न सकारात्मक होगा या नकारात्मक

Normalization यह भी साबित नहीं करता कि कोई रणनीति लाभ दे सकती है। पूरी तरह परिभाषित signal और execution rule बनाएँ, फिर spread, fees, slippage, market impact, latency और capacity सहित out-of-sample परीक्षण करें। ऐतिहासिक time-of-day profile जोखिम या execution conditions का मॉडल बनाने में मदद कर सकती है, लेकिन स्वयं entry rule या market inefficiency का प्रमाण नहीं है। variance और volatility मार्गदर्शिका समझाती है कि squared units और standard-deviation units अलग क्यों रखने चाहिए

पुनरुत्पादित की जा सकने वाली रिपोर्ट में instrument और venue, timezone, session calendar, sampling interval, data source, estimator, training window, घोषणाओं व असामान्य सत्रों का उपचार, normalization rule, stability checks और forecast-origin cutoff लिखें। प्रोफ़ाइल की uncertainty दिखाएँ और ऐसे डेटा पर परिणाम दें जिसका उपयोग अनुमान में नहीं हुआ। इससे adjustment का audit हो सकता है और वर्णनात्मक पैटर्न निराधार trading claim नहीं बनता