منصوبے کے بارے میں

# مارکیٹ ڈیٹا + خبروں سے اتار چڑھاؤ کی فوری پیش گوئی یہ پروجیکٹ مارکیٹ فیچرز (ریٹرنز، ریئلائزڈ وولز، قیمت کی رینجز) کو روزانہ پول شدہ نیوز سگنلز (FinBERT سنٹیمنٹ + ایمبیڈنگز) کے ساتھ ملا کر S&P 500 کے قلیل مدتی ریئلائزڈ اتار چڑھاؤ (H=5 ٹریڈنگ دن) کی پیش گوئی کرتا ہے۔ ## مسئلے کا بیان قریب المدتی اتار چڑھاؤ کی پیش گوئی رسک مینجمنٹ (VaR، کیپیٹل بفرز)، ٹریڈنگ حکمت عملیوں (وولیٹیلیٹی آربیٹریج، ہیجنگ)، اور ڈیریویٹوز پرائسنگ (آپشنز، اسٹرکچرڈ پراڈکٹس) کے لیے مرکزی حیثیت رکھتی ہے۔ کام یہ ہے کہ مارکیٹ ڈیٹا اور متنی نیوز سنٹیمنٹ دونوں کا استعمال کرتے ہوئے اگلے H ٹریڈنگ دنوں میں ریئلائزڈ ویریئنس (RV) کا تخمینہ لگایا جائے۔ ماڈل استحکام کے لیے log(1 + RV) کو ہدف بناتا ہے اور تشریح کے لیے واپس اتار چڑھاؤ میں تبدیل کرتا ہے۔ ## ڈیٹا سائنس اپروچ - **ڈیٹا**: S&P 500 روزانہ ریٹرنز، ریئلائزڈ وولیٹیلیٹی، ہائی-لو رینجز، نیز FinBERT سے روزانہ پول شدہ نیوز سنٹیمنٹ اور ایمبیڈنگز - **ہدف**: H=5 ٹریڈنگ دنوں میں ریئلائزڈ ویریئنس، جسے log(1+RV_H) کے طور پر ماڈل کیا جاتا ہے - **توثیق**: اوورلیپنگ ہورائزنز سے لُک-اہیڈ لیکیج سے بچنے کے لیے ایمبارگو کے ساتھ توسیعی-وقت کراس-ویلیڈیشن - **میٹرکس**: R² (میگنیٹیوڈ سے مطابقت)، IC (Spearman رینک کوریلیشن، ترتیب کی مہارت)، QLIKE (مضبوط وولیٹیلیٹی لاس) - **تشریح**: واپس روزانہ اور سالانہ اتار چڑھاؤ میں تبدیل (σ_daily = √(RV_H / H)، σ_annual ≈ σ_daily × √252) ## اہم خصوصیات - مارکیٹ ڈیٹا اور نیوز سنٹیمنٹ کو ملا کر ہائبرڈ فیچر سیٹ - مضبوط ایمبارگوڈ توسیعی-وقت کراس-ویلیڈیشن - انٹرایکٹو Streamlit ڈیش بورڈ جو آؤٹ-آف-فولڈ حقیقت بمقابلہ پیش گوئی، ماخوذ روزانہ/سالانہ اتار چڑھاؤ، اور رولنگ 63 دن کی IC اور R² دکھاتا ہے - ڈیٹا پروسیسنگ سے ماڈل ٹریننگ اور ایویلیوایشن تک مکمل پائپ لائن - کنٹینرائزڈ رنز کے لیے ہلکا پھلکا Dockerfile - CI چیکس اور خودکار ٹیسٹس ## لائیو ڈیمو - **Streamlit ایپ**: ریپوزٹری میں لائیو لنک پر دستیاب - **Colab نوٹ بک**: مکمل پائپ لائن کی کھوج کے لیے چلانے کے قابل نوٹ بک ## نتائج کا پیش نظارہ تازہ ترین پیش گوئی کی مثال: سالانہ σ (H=5) 17.9%، RV_H ≈ 0.000637، σ_daily ≈ 1.13%۔ ## مقامی طور پر کیسے چلائیں ریپو کلون کریں، ڈیپنڈنسیز انسٹال کریں، اور ایپ چلائیں: ```bash git clone https://github.com/ingo-stallknecht/volatility-nowcasting.git cd volatility-nowcasting pip install -r requirements.txt streamlit run app.py ```