روایتی تکنیکی تجزیہ پیچیدہ مارکیٹوں میں کیوں ناکام ہو جاتا ہے؟

کوانٹیٹیٹو ٹریڈنگ کے شعبے میں، ہم اکثر اس الجھن کا سامنا کرتے ہیں: سادہ موونگ ایوریج یا RSI پر مبنی حکمت عملی بعض مارکیٹ ماحول میں بہترین کارکردگی کیوں دکھاتی ہے، جبکہ دوسرے ادوار میں بار بار ناکام ہو جاتی ہے؟ اس کا جواب مالیاتی ٹائم سیریز کی پیچیدگی میں ہے — ان میں نہ صرف خودکار تعلق (autocorrelation) ہوتا ہے، بلکہ وقت کے ساتھ بدلنے والی وولٹیلیٹی خصوصیات بھی ہوتی ہیں۔

آج جس حکمت عملی کا تجزیہ کیا جائے گا، وہ AR(2) آٹو ریگریسیو ماڈل اور GARCH(1,1) مشروط واریانس (conditional heteroscedasticity) ماڈل کو ملا کر شماریاتی طور پر اس مسئلے کو حل کرنے کی کوشش کرتی ہے۔ یہ محض تکنیکی اشاروں کا مجموعہ نہیں، بلکہ مالیاتی ٹائم سیریز کی بنیادی خصوصیات کی گہرائی سے تحقیق ہے۔

AR(2) ماڈل قیمت کی یادداشت (memory effect) کو کیسے پکڑتا ہے؟

حکمت عملی کا مرکز AR(2) آٹو ریگریسیو ماڈل کا استعمال ہے۔ آٹو ریگریشن کیا ہے؟ سیدھے الفاظ میں، ماضی کے خود کو استعمال کرتے ہوئے مستقبل کی پیش گوئی کرنا۔ AR(2) ماڈل یہ فرض کرتا ہے کہ موجودہ شرح منافع (return) کو پچھلی دو مدت کی شرحوں سے لکیری طور پر ظاہر کیا جا سکتا ہے:

            
            
            
r_t = φ₁ × r_{t-1} + φ₂ × r_{t-2} + ε_t

کوڈ میں Yule-Walker مساوات کے ذریعے φ₁ اور φ₂ کے گتانک (coefficients) حل کیے جاتے ہیں:

            pinescript
            
            
c0 = calcAutoCovariance(returns, 0, lengthReg) // 0 لیگ آٹوکوویرینس
c1 = calcAutoCovariance(returns, 1, lengthReg) // 1 لیگ آٹوکوویرینس
c2 = calcAutoCovariance(returns, 2, lengthReg) // 2 لیگ آٹوکوویرینس
phi1 = (c1 * c0 - c2 * c1) / denominator // پہلا آٹو ریگریسیو گتانک
phi2 = (c2 * c0 - c1 * c1) / denominator // دوسرا آٹو ریگریسیو گتانک

اس طریقے کا فائدہ یہ ہے: یہ ذاتی فیصلے پر انحصار نہیں کرتا، بلکہ اعداد و شمار کو خود "بولنے" دیتا ہے اور قیمت کی سیریز میں چھپے ہوئے نمونوں کو دریافت کرتا ہے۔

GARCH ماڈل مارکیٹ کے خطرے کو بہتر طور پر کیسے بیان کرتا ہے؟

صرف AR ماڈل کافی نہیں، کیونکہ مالیاتی منڈیوں میں وولٹیلیٹی مستقل نہیں ہوتی۔ ہم سب "وولٹیلیٹی کلسٹرنگ" کے رجحان کو جانتے ہیں — بڑے اتار چڑھاؤ کے ساتھ بڑے اتار چڑھاؤ آتے ہیں، اور پرسکون دور طویل عرصے تک رہتے ہیں۔

GARCH(1,1) ماڈل اسی خصوصیت کو بیان کرنے کے لیے بنایا گیا ہے:

            
            
            
σ²_t = ω + α × ε²_{t-1} + β × σ²_{t-1}

کوڈ میں اس کا نفاذ واضح طور پر دیکھا جا سکتا ہے:

            pinescript
            
            
omega = (1 - adjustedAlpha - adjustedBeta) * longTermVar
garchVariance := omega + adjustedAlpha * math.pow(arResidual[1], 2) + adjustedBeta * garchVariance[1]

یہاں کلیدی بصیرت یہ ہے: موجودہ مشروط واریانس نہ صرف پچھلے دور کی بقایا مربع (مختصر مدتی جھٹکا) پر منحصر ہے، بلکہ پچھلے دور کی مشروط واریانس (طویل مدتی استمرار) پر بھی منحصر ہے۔ پیرامیٹر α مختصر مدتی جھٹکے کے اثر کو کنٹرول کرتا ہے، جبکہ β وولٹیلیٹی کے استمرار کو کنٹرول کرتا ہے۔

حکمت عملی کی ٹریڈنگ منطق خطرے اور منافع میں توازن کیسے پیدا کرتی ہے؟

AR پیش گوئی اور GARCH وولٹیلیٹی تخمینہ کے ساتھ، حکمت عملی متحرک اعتماد کے وقفے (confidence intervals) تشکیل دیتی ہے:

            pinescript
            
            
upperReturnBand = arReturnPredict + stdevFactor * garchStd
lowerReturnBand = arReturnPredict - stdevFactor * garchStd

ٹریڈنگ سگنلز کی تخلیق میں اوسط کی طرف لوٹنے (mean reversion) کا تصور جھلکتا ہے:

• جب قیمت نچلی پٹی سے نیچے آجائے تو لمبی پوزیشن (longSignal = rawPrice < lowerPriceBand)
• جب قیمت اوپری پٹی سے اوپر جائے تو چھوٹی پوزیشن (shortSignal = rawPrice > upperPriceBand)

اس ڈیزائن کی خوبی یہ ہے: اعتماد کے وقفے کی چوڑائی مارکیٹ کی وولٹیلیٹی کے مطابق متحرک طور پر ایڈجسٹ ہوتی ہے۔ زیادہ وولٹیلیٹی کے دور میں وقفہ چوڑا ہو جاتا ہے، جس سے ٹریڈنگ کی تعدد کم ہو جاتی ہے؛ کم وولٹیلیٹی میں وقفہ تنگ ہو جاتا ہے، جس سے ٹریڈنگ کے مواقع بڑھ جاتے ہیں۔

عملی اطلاق میں کن اہم مسائل پر توجہ دینی چاہیے؟

1. ماڈل استحکام کی جانچ
کوڈ میں اہم استحکام کی جانچ شامل ہے:

            pinescript
            
            
if stabilityCheck >= 0.99 or math.abs(phi2) >= 0.99
    scaleFactor = 0.95 / math.max(stabilityCheck, math.abs(phi2) + 0.01)

یہ AR ماڈل کی استحکام کو یقینی بناتا ہے اور منتشر پیش گوئیوں سے بچاتا ہے۔

2. پیرامیٹر کنورجنس کی پابندی
GARCH ماڈل میں طویل مدتی واریانس کے وجود کے لیے α + β < 1 ضروری ہے:

            pinescript
            
            
if sumParam >= 0.999
    scale = 0.99 / sumParam

3. فلٹریشن میکانزم کی ضرورت
حکمت عملی RSI فلٹر کا اختیار فراہم کرتی ہے، جو عملی اطلاق میں اہم ہے۔ خالص شماریاتی ماڈل مارکیٹ کے رجحانی (trending) پہلوؤں کو نظر انداز کر سکتے ہیں، اور تکنیکی اشارے اضافی تصدیقی سگنل فراہم کرتے ہیں۔

حکمت عملی کی حدود اور بہتری کی سمت

اگرچہ یہ حکمت عملی نظریاتی طور پر خوبصورت ہے، عملی اطلاق میں درج ذیل نکات پر غور کرنا ضروری ہے:

ڈیٹا کی فریکوئنسی کا انتخاب: AR-GARCH ماڈل مختلف ٹائم فریموں پر بہت مختلف کارکردگی دکھاتے ہیں۔ زیادہ فریکوئنسی ڈیٹا زیادہ معلومات فراہم کرتا ہے، لیکن زیادہ شور بھی متعارف کراتا ہے۔

پیرامیٹرز کی وقتی تغیر: موجودہ نفاذ یہ فرض کرتا ہے کہ AR اور GARCH پیرامیٹرز تخمینہ ونڈو میں مستقل ہیں، جبکہ اصل مارکیٹ کا ڈھانچہ بدل سکتا ہے۔

ٹریڈنگ لاگت کا اثر: شماریاتی آربیٹریج (statistical arbitrage) حکمت عملیوں میں عام طور پر ٹریڈنگ کی تعدد زیادہ ہوتی ہے، اور کمیشن اور سلپیج کے اخراجات قابلِ نظر انداز نہیں۔

اختتام: کوانٹیٹیٹو ٹریڈنگ میں شماریاتی ماڈلنگ کی قدر

یہ AR-GARCH حکمت عملی جدید شماریات کی مالیاتی ماڈلنگ میں زبردست طاقت کو ظاہر کرتی ہے۔ یہ تکنیکی اشاروں کا سادہ مجموعہ نہیں، بلکہ مالیاتی ٹائم سیریز کی شماریاتی خصوصیات کی گہرائی سے تحقیق ہے۔

کوانٹیٹیٹو ٹریڈرز کے لیے، اس طرح کی حکمت عملیوں کو سمجھنے کی قدر صرف براہ راست اطلاق تک محدود نہیں، بلکہ مارکیٹ کا تجزیہ کرنے کے لیے شماریاتی سوچ پیدا کرنے میں بھی ہے۔ آج کے دور میں جہاں AI اور مشین لرننگ کا رواج ہے، یہ کلاسیکی شماریاتی ماڈل اب بھی مارکیٹ کو سمجھنے اور حکمت عملی بنانے کے اہم ستون ہیں۔