Makala haya yametayarishwa kutokana na utafiti wa akili bandia unaolenga kutabiri kwa usahihi zaidi hatari za migogoro na zile za hali ya juu katika mfululizo wa muda wa kifedha. Utafiti uliochunguzwa una kichwa Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas na uliwasilishwa kama karatasi ya semina ya ICLR katika uwanja wa akili bandia ya kifedha.

Kuna tatizo muhimu katika msingi wa utafiti huu: Hatari ya kifedha haiwezi kupimwa tu kwa kutabiri ubadilikaji wa rasilimali moja. Hasa wakati wa migogoro, rasilimali zinaweza kuporomoka pamoja, mahusiano (korelasheni) yanaweza kuongezeka, na hatari zinazoonekana kuwa tofauti katika nyakati za kawaida zinaweza kulipuka kwa wakati mmoja. Kwa hivyo, mfumo lazima uweze kunasa mgawanyo wa rasilimali binafsi pamoja na muundo wa utegemezi kati ya rasilimali hizo.

Waandishi wanapendekeza mbinu ya hatua mbili inayoitwa Diffusion-Copula kwa madhumuni haya. Katika hatua ya kwanza, mgawanyo wa faida ya kila rasilimali unaundwa tofauti. Katika hatua ya pili, muundo wa utegemezi kati ya rasilimali hizi unajifunzwa kupitia mfano wa copula unaotegemea diffusion. Kwa njia hii, mfumo unajaribu kuwakilisha vyema mgawanyo wa mapato ya kripto yenye mkia mzito (heavy-tailed) pamoja na maporomoko ya wakati mmoja yanayoonekana wakati wa migogoro.

Maudhui haya sio ushauri wa uwekezaji. Utafiti huu unawasilisha mbinu ya kitaaluma ya utabiri wa uwezekano na uundaji wa hatari katika masoko ya kripto. Matokeo haya yana thamani katika muktadha wa hatari za kwingineko (portfolio), upimaji wa msongo (stress testing), na matukio ya maporomoko ya kimfumo, lakini hayapaswi kufasiriwa kama ushauri wa moja kwa moja wa kununua au kuuza.

Utafiti mpya wa kitaaluma unapendekeza mfumo wa akili bandia wa hatua mbili uitwao Diffusion-Copula ili kutabiri vyema zaidi maporomoko ya wakati mmoja katika masoko ya kripto. Kwanza, mfumo hujifunza mgawanyo wa faida yenye mkia mzito (heavy-tailed) wa kila rasilimali ya kripto kivyake, kisha unaunganisha muundo wa utegemezi kati ya rasilimali hizi na copula inayotegemea diffusion. Kulingana na matokeo, wakati mifumo ya zamani ya diffusion inachukulia maporomoko fulani ya kimfumo kama matukio yasiyowezekana kabisa ya "Black Swan" (Bata Maji Mweusi) kwa upande wa takwimu, mfumo unaopendekezwa unaweza kuainisha migogoro ya namna hii ya wakati mmoja kama "maporomoko yanayotarajiwa" yenye mshangao mdogo zaidi.

1. Kichwa

Katika masoko ya kifedha, makadirio ya hatari mara nyingi hulenga ubadilikaji wa rasilimali mojamoja. Kwa mfano, inajaribiwa kutabiri jinsi Bitcoin, Ethereum, au Solana zitakavyobadilika katika siku zijazo. Lakini katika migogoro ya kweli, tatizo si tu kuanguka kwa rasilimali moja. Rasilimali nyingi zinaweza kuporomoka vikali kwa wakati mmoja.

Hali hii iko wazi hasa katika masoko ya kripto. Ingawa rasilimali za kripto zinaweza kuonekana kuwa na hadithi tofauti katika nyakati za kawaida, wakati wa hofu zinaweza kwenda upande mmoja na kwa wakati mmoja. Yaani, mahusiano (korelasheni) huongezeka wakati wa mgogoro, athari ya mseto (diversification) kwenye kwingineko inazidi kudhoofika, na hatari ya kimfumo hukua.

Swali la msingi la utafiti ni hili: Je, mfumo wa akili bandia unaweza kutabiri sio tu mienendo ya wastani ya soko, lakini pia maporomoko ya wakati mmoja yaliyokithiri kwa njia ya uhalisia?

Hatua ambayo waandishi wanakosoa ni kwamba baadhi ya mifumo ya kisasa ya mfululizo wa muda (time series) inayotegemea diffusion ina ubaguzi wa kikawaida ("normality bias"). Mifumo hii inaweza kujifunza hali za wastani vizuri; lakini inaweza kuwakilisha kwa udhaifu matukio ya hali ya juu, mikia mizito, na utegemezi kati ya rasilimali wakati wa mgogoro. Hatimaye, maporomoko ya wakati mmoja ambayo yanaweza kuonekana tena na tena katika soko la kweli, yanaweza kuonekana na mfumo kama matukio ya kushangaza sana na yanayokaribia kuwa yasiyowezekana kabisa.

2. Muhtasari mfupi

Utafiti huu unatazama upya wazo la asili la copula na mbinu za kisasa za akili bandia zalishi (generative AI). Mbinu ya copula inagawa mgawanyo wenye viambatisho vingi (multivariate) katika sehemu mbili: mgawanyo wa kila rasilimali na muundo wa utegemezi kati ya rasilimali hizi.

Tofauti hii ni muhimu. Kwa sababu mgawanyo wa rasilimali moja moja unaweza kuwa na mkia mzito (heavy-tailed). Hiyo inamaanisha mienendo mikubwa ya bei inaweza kuonekana mara nyingi zaidi kuliko mgawanyo wa kawaida. Wakati huo huo, muundo wa mahusiano kati ya rasilimali pia unaweza kubadilika wakati wa migogoro. Kujaribu kujifunza vipengele hivi viwili na mfumo mmoja wa mwisho-hadi-mwisho (end-to-end) kunaweza kuvuruga usawazishaji wa rasilimali binafsi katika baadhi ya matukio.

Muundo unaopendekezwa wa Diffusion-Copula una hatua mbili:

Hatua ya kwanza: Mgawanyo wa pembeni wa faida ya kila rasilimali ya kripto unaundwa kwa kutumia Mtandao wa Msongamano wa Mchanganyiko (Mixture Density Network). Mfumo huu unajaribu kunasa mikia mizito na aina mbalimbali za mgawanyo kwa kutumia vipengele vya Kawaida (Normal), Laplace, na Student-t.

Hatua ya pili: Migawanyo hii ya pembeni (marginal) inabadilishwa kuwa kipimo cha copula na muundo wa utegemezi kati ya rasilimali unajifunzwa kupitia Copula ya Uainishaji wa Diffusion (Classification-Diffusion Copula). Kwa njia hii, mfumo unajaribu kuunda vizuri zaidi tabia ya kusonga pamoja wakati wa migogoro huku ukidumisha mgawanyo wa rasilimali moja moja.

Wazo kuu la mbinu hii ni: Kwanza, jifunze wasifu wa hatari wa kila rasilimali kwa usahihi, halafu uunde kando namna rasilimali hizi zinavyoporomoka pamoja.

3. Maelezo ya kina

Fomula zilizo katika utafiti huu zinaonyesha jinsi utabiri wa kifedha wa anuwai (multivariate) unavyowekwa kwa kuzingatia uwezekano, jinsi migawanyo ya pembeni (marginal) inavyotenganishwa, jinsi muundo wa copula unavyotumika, na jinsi vipimo vya hatari vya hali ya juu vinavyotathminiwa.

1. Vekta ya mapato ya anuwai (Multivariate)

Katika utafiti huu, mapato ya idadi ya \(d\) ya rasilimali kwa wakati mmoja yanawakilishwa na vekta ifuatayo:

Hapa \(y_t^i\) ni faida ya rasilimali namba \(i\) kwa wakati \(t\). Lengo la mfumo huu ni kutabiri kwa msingi wa uwezekano (probabilistic) jinsi rasilimali hizi zinavyoweza kusonga pamoja katika kipindi kijacho.

2. Dirisha la uchunguzi wa zamani

Mfumo unatumia dirisha la uchunguzi lililopita kama sharti:

Hapa, \(k\) ni idadi ya hatua za wakati zilizoangaliwa hapo awali. Dhana ya Markov ya \(k=14\) inatumika kwa matumizi ya vitendo katika utafiti huu. Yaani, mfumo unalenga uchunguzi wa 14 uliopita wakati unakadiria mapato ya sasa.

3. Lengo la utabiri wa uwezekano

Mfumo hautoi makadirio ya nukta moja tu. Badala yake, unajaribu kujifunza msongamano wa uwezekano wa masharti (conditional probability density):

Kielelezo hiki kinaonyesha uwezekano gani ambao rasilimali zinaweza kuchukua thamani fulani ya faida kwa pamoja, ikiwa uchunguzi uliopita \(X_t\) unajulikana. Kwa mtazamo wa usimamizi wa hatari, mbinu hii ina thamani zaidi kuliko makadirio moja ya "mapato yanayotarajiwa".

4. Utenganishaji wa Copula

Utenganishaji wa kimsingi unaotegemea nadharia (theorem) ya Sklar hutolewa kama ifuatavyo:

Fomula hii ndio kitovu cha utafiti huu. Bidhaa ya kwanza inawakilisha mgawanyo wa pembeni (marginal) wa kila rasilimali. Na \(c(\cdot)\) ni msongamano wa copula unaonasa jinsi rasilimali hizi zinavyosonga pamoja.

Kwa maneno mengine, mfumo unashughulikia maswali haya katika tabaka tofauti: "Bitcoin itatendaje peke yake?", "Ethereum itatendaje peke yake?" na "Zinatendaje pamoja wakati wa mgogoro?".

5. Kubadilisha kwenye kipimo cha copula

Thamani ya kila rasilimali inahamishiwa kwenye kipimo cha copula na kazi yake ya mgawanyo limbikizi wa pembeni (marginal cumulative distribution function):

Hapa \(u_t^i\) ni thamani katika anuwai ya \([0,1]\). Mabadiliko haya yanahamisha rasilimali zenye migawanyo tofauti hadi kwenye kipimo cha kawaida na kufanya iwe rahisi kuunda muundo wa utegemezi.

6. Kuhesabu mapato

Mapato kutoka kwa mfululizo wa bei ghafi huhesabiwa kama ifuatavyo:

Waandishi wanafanya kazi na mapato badala ya viwango vya bei. Kwa sababu bei za kripto zinaweza kukua na kushuka haraka sana katika muda mrefu, hivyo viwango ghafi vya bei vinaweza kufanya iwe vigumu kwa mfumo kujifunza. Matumizi ya mapato (faida) huruhusu mfululizo wa muda (time series) kushughulikiwa kwa muundo unaofanana (homogenous) zaidi.

7. Mgawanyo wa pembeni kwa Mtandao wa Msongamano wa Mchanganyiko

Mgawanyo wa pembeni wa faida wa kila rasilimali unaundwa kama msongamano wa mchanganyiko (mixture density):

Hapa \(\pi_k(X_t)\) inawakilisha uzito wa mchanganyiko; \(f_k\) inaonyesha misongamano ya vijenzi (components) kama vile Kawaida (Normal), Laplace, au Student-t; na \(\theta_k(X_t)\) inawakilisha vigezo vya vijenzi. Muundo huu unajaribu kuunda mikia mizito (heavy tails) na tabia mbalimbali za mapato bila kuzifinya kwenye mgawanyo mmoja sahili.

8. Dhana ya Markov ya hatua 14

Tukio la muda mfupi lililopita limefafanuliwa hivi katika utafiti huu:

Dhana hii inasema kwamba mfumo utatabiri mgawanyo wa faida ya sasa kwa kuangalia tu uchunguzi 14 uliopita. Mijumuiko ya mabadiliko ya muda mfupi na mageuzi ya mwelekeo katika masoko ya kripto yananasiwa ndani ya dirisha hili.

9. Kazi ya upotezaji ya mfumo wa pembeni (Marginal Loss Function)

Mtandao wa Msongamano wa Mchanganyiko (Mixture Density Network) unafunzwa kwa lengo hasi la uwezekano wa rekodi (negative log-likelihood):

Fomula hii inahitaji mfumo kufafanua faida iliyochunguzwa yenye uwezekano mkubwa. Kijenzi cha \(H(\pi)\) ni neno la utaratibu wa entropy (entropy regularization) linalohamasisha matumizi sawia zaidi ya vipengele vya mchanganyiko.

10. Mabadiliko ya data ya Copula

Baada ya migawanyo ya pembeni (marginal) kujifunzwa, mabadiliko ya CDF yanatumika kwa kila rasilimali:

Kama matokeo ya mabadiliko haya, kila upeo unahamishwa kwenda kwenye anuwai ya \([0,1]\). Hivyo mfumo hautegemei tena kiwango cha rasilimali moja moja, bali inahusika na muundo wa utegemezi kati ya rasilimali.

11. Kubadilisha kwenye kipimo cha Gaussian

Classification-Diffusion Copula inahamisha data ya copula kwenye kipimo cha Gaussian:

Hapa \(\Phi^{-1}\) ni shughuli ya kinyume ya mgawanyo limbikizi wa kawaida (inverse cumulative distribution function). Hatua hii inatumika kujifunza muundo wa utegemezi kupitia mchakato wa diffusion.

12. Msongamano wa Copula ya Uainishaji wa Diffusion

Moja ya fomula muhimu zaidi za copula katika utafiti huu ni ifuatayo:

Fomula hii inafafanua msongamano wa copula kama uwiano wa uainishaji. \(t=0\) inawakilisha hali ya data halisi tegemezi; \(t=T_K\) inawakilisha hali ya kelele ya kujitegemea ambapo utegemezi unaharibiwa. Mfumo hutabiri msongamano wa utegemezi kwa kujifunza kutofautisha kati ya hali hizi mbili.

13. Hasara ya mafunzo chotara (hybrid) ya CDC

Ufunzaji wa mfumo wa copula unafanywa na lengo chotara (hybrid) linalochanganya vipengele vya uainishaji na kulinganisha alama (score matching):

Kipengele cha kwanza kinahakikisha mfumo unatofautisha kwa usahihi hatua za wakati wa diffusion. Kijenzi cha pili kinasaidia ufunzaji thabiti zaidi wa gradieni (gradients) za msongamano zinazohitajika wakati wa upimaji.

14. Mbinu ya alama kwa ajili ya upimaji wa Copula (Copula Sampling)

Mfumo unapotengeneza sampuli tegemezi za siku zijazo, hutumia kitendakazi (function) takriban cha alama kinachotolewa kutoka kwa viweka alama vya kiainishaji (classifier gradients):

Maelezo haya huamua ni mwelekeo upi wa kusonga wakati wa mchakato wa uchukuaji sampuli za diffusion. Lengo ni kutoa sampuli zenye muundo halisi wa utegemezi unaoonekana wakati wa migogoro kuanzia kelele za kujitegemea.

15. Kurudi kwenye kipimo cha copula kutoka Gaussian

Wakati mchakato wa kupunguza kelele (denoising) unapokamilika, viambatisho vya Gaussian vinarudishwa kwenye kipimo cha copula cha \([0,1]\):

Kama matokeo ya hatua hii, mfumo unakuwa umetoa sampuli za kawaida zenye muundo wa utegemezi kati ya rasilimali.

16. Mabadiliko ya pembeni kinyume (Inverse Marginal Transformation)

Katika hatua ya mwisho, sampuli za copula hubadilishwa tena kuwa maadili ya faida (mapato):

Fomula hii inarudisha sampuli za copula ambazo miundo yao ya utegemezi imejifunzwa, kwenye mgawanyo wa pembeni wa kila rasilimali kivyake. Hivyo, mapato yanayotolewa yanaendana na mgawanyo wa rasilimali mojamoja pamoja na utegemezi wa mgogoro kati ya rasilimali.

17. RMSE

RMSE pia inatumika katika utafiti huu kupima usahihi wa utabiri wa uhakika (point forecasting accuracy):

RMSE huadhibu vikali makosa makubwa ya utabiri.

18. MAE

Kosa la wastani kamili (Mean Absolute Error) linahesabiwa kama ifuatavyo:

MAE inaonyesha kwa usahihi zaidi jinsi makadirio yanavyokuwa mbali na maadili yaliyochunguzwa kwa wastani.

19. CRPS

Alama Inayoendelea ya Uwezekano Uliowekwa Daraja (Continuous Ranked Probability Score) hutumika kupima ubora wa utabiri wa uwezekano:

CRPS inapima jinsi mgawanyo mzima unaotabiriwa unavyolingana na thamani halisi. Kwa hivyo, katika utabiri wa uwezekano hutoa tathmini ya kina zaidi kuliko makosa ya uhakika tu.

20. Usahihi wa Tukio la Mkia (Tail Event Accuracy)

Ufanisi wa mfumo wa kunasa matukio ya hali ya juu unapimwa na kipimo cha Tail:

Kipimo hiki kinaonyesha ni mienendo mingapi iliyokithiri ambayo pia imetabiriwa na mfumo kama mienendo mikali. Katika masoko yenye mabadiliko makubwa kama vile kripto, kipimo hiki ni muhimu kwa utawala wa hatari.

21. Thamani ya PIT

Mabadiliko ya Kikamilishi cha Uwezekano (Probability Integral Transformation) yanatumika kupima urekebishaji wa mgawanyo wa utabiri:

Ikiwa mfumo ulikalibrishwa vizuri, thamani za \(u_t\) zinapaswa kusambazwa kwa usawa (uniform) katika masafa ya \([0,1]\). Hii inaonyesha kwamba makadirio ya ukosefu wa uhakika ya mfumo yanaendana na data halisi.

4. Mbinu na matokeo ya utafiti

Kielelezo cha 1 kwenye PDF kinaonyesha matokeo ya kalibrisho ya pembeni (marginal calibration). Mstari mweusi uliokatika-katika unawakilisha kalibrisho kamili. Mfumo unaopendekezwa wa CDC unakwenda karibu zaidi na mstari huu. Hii inaonyesha kwamba mfumo unapima vyema zaidi migawanyo ya faida ya rasilimali za kripto mojamoja.

Kielelezo cha 2 kinachunguza tabia ya mkia na grafu ya QQ (QQ plot). Mkengeuko wa umbo la S unaoonekana kwenye mifumo ya CSDI na TMDM unapendekeza kuwa mifumo hii haitoshi kunasa mikia mizito. Na CDC, kwa kubaki karibu zaidi na mstari katika kwantili (quantiles) za hali ya juu, inazalisha mgawanyo unaofaa zaidi kwa mienendo iliyokithiri.

Jedwali 1 linalinganisha vipimo vya RMSE, MAE, CRPS, na Usahihi wa Tukio la Mkia (Tail Event Accuracy). Mfumo wa CDC unatoa matokeo bora zaidi kwenye upande wa RMSE na Usahihi wa Tukio la Mkia. Hasa ukweli kwamba thamani ya Usahihi wa Tukio la Mkia ni 0.025172 kwa CDC, 0.015926 kwa CSDI, na 0.004483 kwa TMDM, inaonyesha kwamba CDC ina nguvu zaidi katika kunasa mienendo mikali.

Kielelezo cha 3 kinaonyesha ni kwa usahihi gani muundo wa uhusiano (korelasheni) unakamatwa kwenye kwantili (quantiles) zenye hali ya juu. Katika matukio ya migogoro, ubaguzi wa uhusiano wa CDC unakaribia zaidi na sifuri. Hii inapendekeza kwamba mfumo unanasa mienendo ya wakati mmoja kati ya rasilimali kwa uimara zaidi.

Kielelezo cha 5 kinaonyesha ni kiasi gani mifumo inatoa uwezekano kwa tukio hili wakati rasilimali nyingi zinakabiliwa na ongezeko kubwa au kuporomoka kwa wakati mmoja. Kwenye mifumo msingi (baseline), uwezekano hushuka kwa haraka tukio linapokua. Hata hivyo, CDC inaacha kizuizi cha juu zaidi cha uwezekano kwa ajili ya maporomoko ya wakati mmoja.

Kielelezo cha 6 kinaonyesha utofauti kati ya "Black Swan" na "Expected Crashes" (Maporomoko Yanayotarajiwa). Huku mifumo ya msingi ikiainisha maporomoko makubwa kama matukio yenye mshangao mkubwa, CDC inayaweka matukio haya kama migogoro yenye mshangao mdogo, inayotarajiwa zaidi ndani ya mgawanyo wa utabiri. Huu ni ugunduzi wa kushangaza zaidi wa utafiti huu katika mtazamo wa usimamizi wa hatari.

5. Maelezo ya chanzo na mbinu

Sarafu tisa za kripto zinazoongoza zimetumika katika utafiti huu: BTC, ETH, LTC, XRP, BNB, ADA, SOL, DOGE, na LINK. Data ghafi ina ukusanyaji wa data wa dakika moja wa OHLCV kwa mwaka mzima wa 2022. Baadaye, data hizi zilipunguzwa kwenye kiwango cha dakika 10.

Uchambuzi unaangazia zaidi robo tatu za kwanza za mwaka 2022. Kipindi hiki kina utajiri wa mifano ya mabadiliko makubwa (volatility), marekebisho makali, na msongo wa kimfumo (systemic stress) katika masoko ya kripto.

Mtandao wa Msongamano wa Mchanganyiko (Mixture Density Network) ulitumika kwa ajili ya migawanyo ya pembeni (marginal). Mtandao huu unazalisha muundo mchanganyiko wa vijenzi tisa unaojumuisha mgawanyo wa Normal tatu, Laplace tatu, na Student-t tatu. Mfululizo uliopita wa faida ulichakatwa na LSTM, na sifa za kusaidia kama vile tete (volatility) na jiometria ya njia zilichakatwa na MLP sambamba.

Copula ya Uainishaji wa Diffusion (Classification-Diffusion Copula) imetumika kwa muundo wa utegemezi. Mifumo ya kisasa ya mfululizo wa muda (time series) yenye anuwai (multivariate) na inayotegemea diffusion kama CSDI na TMDM, zimetumika kwa kulinganisha.

Ufanisi wa mfumo haukupimwa tu kwa vipimo vya makosa ya wastani, bali pia na urekebishaji wa pembeni (marginal calibration), grafu ya QQ, usahihi wa matukio ya mkia (tail event accuracy), uwezekano mkubwa wa pamoja, CRPS, na uchambuzi wa mshangao wa Black Swan. Hii inaonyesha kwamba utafiti haulengi tu swali la "je makadirio ya wastani ni mazuri?", bali pia kwa swali la "je inanasa kwa usahihi nyakati za mgogoro?".

6. Lebo za meta

Matokeo ya kwanza ya utafiti ni kwamba mifumo tofauti ya pembeni inaweza kutoa faida kwa kalibrisho ya hatari za kifedha. Kujifunza kivyake mgawanyo wenye mkia mzito (heavy-tailed) wa kila rasilimali kunapunguza hatari ya kwamba mfumo mmoja wa pamoja utapunguza nguvu ya matukio yaliyokithiri.

Matokeo ya pili ni kwamba mfumo wa CDC unatoa kalibrisho bora zaidi katika matukio yaliyokithiri. Kwenye grafu za PIT na QQ, CDC inabaki karibu zaidi na mstari kamili wa kalibrisho. Hii inaonyesha kuwa mfumo haukadirii tu ukosefu wa uhakika katika eneo la wastani, bali pia kwenye mikia kwa uhalisia zaidi.

Matokeo ya tatu yanajitokeza kwenye uundaji wa migogoro ya wakati mmoja. Rasilimali nyingi kuporomoka kwa wakati mmoja ni hatari adimu lakini nyeti sana katika masoko ya kripto. Wakati mifumo ya msingi inaona matukio ya namna hii kuwa karibu yasiyowezekana kwa kuyapa uwezekano mdogo sana, CDC inatoa uwezekano wa maana zaidi kwenye matukio haya.

Matokeo ya nne yanahusiana na ufafanuzi wa Black Swan. Kulingana na utafiti, mfumo wa CDC unaainisha baadhi ya maporomoko makubwa ya kimfumo kama "maporomoko yanayotarajiwa" ambayo yanaweza kuwa ndani ya mgawanyo wa utabiri, badala ya "matukio ya kushangaza ambayo mfumo haukuyatarajia kabisa". Hili ni muhimu kwa wasimamizi wa hatari. Kwa sababu iwapo mfumo hautatarajia migogoro kabisa, hii inaweza kutoa matokeo yanayopotosha kwa mtazamo wa zana za kuhami mtaji na majaribio ya msongo (stress testing).

Matokeo ya tano ni kwamba ijapokuwa mifumo ya diffusion ya mwisho-hadi-mwisho (end-to-end) inaonekana vizuri katika nyakati za kawaida, inaweza kubeba upendeleo hatari katika hatari ya juu. Waandishi wanaita hii kama "normality bias" (ubaguzi wa kikawaida). Kujifunza vizuri kuhusu hali za wastani haimaanishi kujifunza vizuri nyakati za mgogoro.

Kwa Nini Hii Ni Muhimu?

Kwenye akili bandia ya kifedha, mifumo mara nyingi hupimwa na ufanisi wake wa makadirio ya wastani. Hata hivyo, katika mtazamo wa usimamizi wa hatari, swali muhimu zaidi wakati mwingine ni: Je, mfumo unaweza kuona siku mbaya zaidi?

Swali hili ni nyeti zaidi katika masoko ya kripto. Kwa sababu rasilimali zinaweza kutenda kwa namna tofauti katika nyakati za kawaida, lakini zinaweza kuanguka zote kwa wakati mmoja kwenye mgogoro. Iwapo mfumo unachukulia maporomoko haya ya wakati mmoja kama yasiyowezekana, hatari ya kwingineko (portfolio) itakadiriwa kwa kiasi cha chini zaidi kuliko ilivyo kweli.

Mbinu ya Diffusion-Copula inapendekeza muundo imara zaidi kwa tatizo hili. Kwanza, mfumo unajaribu kupima kwa usahihi mgawanyo wa kila rasilimali. Halafu unajifunza utegemezi wa juu kati ya rasilimali na muundo tofauti wa diffusion-copula. Hivyo, matukio ya msongo wa kimfumo yanaweza kutolewa kwa njia ya uhalisia zaidi.

Mbinu hii inaweza kuwa muhimu katika maeneo kama vile kupima msongo wa kwingineko, hesabu ya Upungufu Unaotarajiwa (Expected Shortfall), makadirio ya bei ya bidhaa mbalimbali, na utengenezaji wa matukio ya migogoro. Hasa kwa wasimamizi wa hatari, inathaminiwa zaidi kwa mfumo kuweza kusema "hili ni tukio lenye uwezekano mdogo lakini linawezekana" badala ya kusema "sikutegemea maporomoko haya kabisa".

Mambo ya Kuzingatia

Utafiti huu sio ushauri wa uwekezaji. Mfumo unawasilisha mbinu ya kitaaluma ya utabiri wa hatari na kuzalisha matukio ya uwezekano katika masoko ya kripto.

Utafiti unazingatia rasilimali tisa za kripto na kipindi maalum cha mwaka wa 2022. Matokeo yanaweza kutofautiana katika vipindi tofauti, makundi tofauti ya rasilimali, au tawala tofauti za soko.

Mfumo una hatua mbili. Kwanza, migawanyo ya pembeni hujifunzwa, kisha muundo wa utegemezi unatengenezwa. Kwa hivyo, makosa katika hatua ya kwanza yanaweza kubebwa kwenye mfumo wa copula katika hatua ya pili.

Ingawa mfumo wa CDC unatoa matokeo yenye nguvu, gharama za hesabu kwenye kwingineko (portfolio) kubwa zaidi, uchaguzi wa mfumo, na udhabiti wa kuchukua sampuli, lazima zipimwe tofauti.

Utafiti una madai ya kuweza "kutarajia vyema" maporomoko ya kifedha; lakini hii haimaanishi kwamba unaweza kutabiri kwa uhakika bei ya rasilimali fulani ya kripto. Lengo hapa ni kutabiri hatari ya kimigawanyo na matukio ya kimfumo yaliyokithiri.

Mambo mengi ya nje kama vile ukwasi katika masoko ya kripto, usumbufu kwenye masoko ya hisa, habari za udhibiti, mishtuko kwenye mnyororo, migogoro ya stablecoin, na ushawishi mkuu wa soko, yanaweza kuathiri ufanisi wa mfumo.

Hitimisho

Utafiti huu wa kitaaluma unaonyesha kwa nguvu kwamba ni haitoshi kutazama tu ufanisi wa wastani katika utabiri wa mfululizo wa muda wa kifedha. Sehemu hatari zaidi ya hatari (risk), hasa katika masoko ya kripto, ni matukio ya kimfumo ambapo rasilimali nyingi zinasonga kupita kiasi kwa wakati mmoja.

Mfumo wa Diffusion-Copula unapendekeza suluhisho la hatua mbili kwa tatizo hili: Kwanza, migawanyo ya faida yenye mkia mzito wa kila rasilimali hupimwa vizuri; halafu utegemezi wa mgogoro kati ya rasilimali hizo huundwa kwa kutumia copula inayotegemea diffusion.

Matokeo yanaonyesha kuwa mfumo wa CDC unaweza kuwakilisha kwa uhalisia zaidi matukio makali na maporomoko ya wakati mmoja. Huku mifumo ya msingi inachukulia baadhi ya migogoro kama matukio ya "Black Swan" (Bata Maji Mweusi) yasiyowezekana kabisa, CDC inaweza kuyaainisha matukio haya kama "Maporomoko Yanayotarajiwa" zaidi ndani ya mgawanyo wa utabiri.

Kutoka kwenye mtazamo wa Verianla, ujumbe mkuu wa utafiti huu ni huu: Mifumo ya akili bandia ya kifedha inathaminiwa kwa kiwango ambacho inaweza kuunda si tu siku nzuri, bali pia siku mbaya. Hatari halisi katika masoko ya kripto haifichwi sana katika ubadilikaji wa rasilimali moja tu, bali zaidi katika uwezekano wa rasilimali nyingi kuporomoka kwa wakati mmoja.

Dokezo la Chanzo na Mbinu

Maudhui haya yametayarishwa kwa kuchunguza PDF ya kitaaluma iliyopewa jina la Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas. Matini haya sio tafsiri ya neno kwa neno. Lengo, mbinu, fomula za kimsingi, muundo wa majaribio, jumbe za grafu na jedwali, matokeo, na mapungufu ya utafiti vimerahisishwa, kuelezwa upya na kuboreshwa kihariri kwa wasomaji wa Verianla.

Fomula zimetolewa katika umbizo la LaTeX linaloendana na MathJax, zikibaki kuwa waaminifu kwa muundo wa msingi wa hesabu katika utafiti. Makala haya si ushauri wa uwekezaji, pendekezo la kwingineko (portfolio), au utabiri wa soko unaoendelea.