💰 quantitative finance

Overparametrized models with posterior drift

यह शोध पत्र प्रदर्शित करता है कि पोस्टीरियर ड्रिफ्ट (posterior drift) ओवरपैरामीटराइज्ड मशीन लर्निंग मॉडल्स की आउट-ऑफ-सैंपल पूर्वानुमान सटीकता को महत्वपूर्ण रूप से कम कर देता है, विशेष रूप से वित्तीय बाजारों में जहाँ शासन परिवर्तन (regime changes) होते हैं, और अंततः स्टॉक मार्केट भविष्यवाणियों के लिए बड़े लीनियर मॉडल्स का उपयोग करते समय सावधानी बरतने की सलाह देता है क्योंकि वे पैरामीटर चयन और उप-अवधियों के प्रति संवेदनशील होते हैं।

मूल लेखक: Guillaume Coqueret, Martial Laguerre

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Guillaume Coqueret, Martial Laguerre

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Overparametrized models with posterior drift" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी तस्वीर: वह "सुपर-स्टूडेंट" जो नए शिक्षक से भ्रमित हो जाता है

कल्पना कीजिए कि आप एक प्रतिभाशाली छात्र (एक मशीन लर्निंग मॉडल) को शेयर बाजार की भविष्यवाणी करने के लिए प्रशिक्षित कर रहे हैं। आप इस छात्र को डेटा के हज़ारों पन्नों वाली एक विशाल पाठ्यपुस्तक (वास्तविक उदाहरणों से कहीं अधिक वेरिएबल्स) देते हैं। इसे ही पेपर में ओवरपैरामीटराइज्ड मॉडल (overparametrized model) कहा गया है।

मशीन लर्निंग की दुनिया में, "डबल डिसेंट" (double descent) नामक एक हालिया विचार है। यह सुझाव देता है कि यदि आप छात्र को बहुत अधिक जानकारी (बहुत अधिक पैरामीटर्स) देते हैं, तो वे भविष्य का अनुमान लगाने में और भी बेहतर हो सकते हैं, न कि बदतर। यह एक जादू जैसा लगता है: अधिक जटिलता का अर्थ है बेहतर परिणाम।

हालाँकि, यह पेपर तर्क देता है कि जब खेल के नियम बदल जाते हैं, तो इस जादू के पीछे एक घातक दोष होता है। लेखक इस दोष को पोस्टीरियर ड्रिफ्ट (posterior drift) कहते हैं।

मुख्य समस्या: "नया शिक्षक" आ गया है

पोस्टीरियर ड्रिफ्ट को समझने के लिए, इस परिदृश्य की कल्पना करें:

प्रशिक्षण चरण (Training Phase): आप एक विशिष्ट शिक्षक ("प्रशिक्षण डेटा") का उपयोग करके अपने छात्र को पढ़ाते हैं। यह शिक्षक समझाता है कि "जब बारिश होती है, तो शेयर बाजार ऊपर जाता है।" छात्र इस नियम को पूरी तरह से याद कर लेता है, भले ही यह थोड़ा अजीब क्यों न लगे।
परीक्षण चरण (Testing Phase): आप छात्र को वास्तविक दुनिया में भविष्यवाणी करने के लिए बाहर ले जाते हैं। लेकिन, दुनिया बदल गई है। अब एक नया शिक्षक ("परीक्षण डेटा") प्रभारी है। यह नया शिक्षक कहता है, "दरअसल, जब बारिश होती है, तो शेयर बाजार नीचे जाता है।"

पोस्टीरियर ड्रिफ्ट वह अंतर है जो छात्र द्वारा पुराने शिक्षक से सीखी गई बातों और नए शिक्षक द्वारा वास्तव में कही जा रही बातों के बीच होता है।

पेपर में पाया गया है कि जब ऐसा होता है, तो "सुपर-स्टूडेंट" (जटिल मॉडल) केवल छोटी सी गलती नहीं करता। क्योंकि छात्र पुराने शिक्षक की हर छोटी बारीकी को याद करने पर इतना केंद्रित था, इसलिए जब नया शिक्षक आता है, तो वह पूरी तरह से भ्रमित हो जाता है। छात्र जितना अधिक जटिल होगा, नियमों के बदलने पर उसे उतना ही अधिक कष्ट होगा।

वित्तीय प्रयोग: बाजार पर दांव लगाना

लेखकों ने इसका परीक्षण मार्केट टाइमिंग (market timing) नामक रणनीति का उपयोग करके किया।

लक्ष्य: यह भविष्यवाणी करना कि अगले महीने शेयर बाजार ऊपर जाएगा या नीचे।
विधि: उन्होंने सैकड़ों प्रेडिक्टर्स (जैसे एक विशाल पाठ्यपुस्तक वाला छात्र) के साथ एक जटिल मॉडल का उपयोग किया ताकि "इक्विटी प्रीमियम" (वह अतिरिक्त रिटर्न जो आपको जोखिम लेने के लिए मिलता है) का अनुमान लगाया जा सके।
ट्विस्ट: उन्होंने यह जांचा कि क्या उनके प्रेडिक्टर्स और बाजार के बीच का संबंध समय के साथ स्थिर रहता है।

उन्होंने क्या पाया:

"डबल डिसेंट" का भ्रम: कुछ विशिष्ट समय अवधियों (जैसे 2005-2019) में, जटिल मॉडल अद्भुत लग रहा था, जिससे भारी रिटर्न मिल रहा था। ऐसा लग रहा था कि "जितने अधिक पैरामीटर्स, उतना बेहतर" वाला सिद्धांत सच है।
रियलिटी चेक: जब उन्होंने अलग-अलग समय अवधियों (जैसे 1975-1989) को देखा, तो वही जटिल मॉडल बहुत खराब प्रदर्शन करता है। वास्तव में, इसने कभी-कभी पैसा भी गंवाया।
निष्कर्ष: मॉडल की सफलता इसलिए नहीं थी क्योंकि वह बुद्धिमान था; बल्कि इसलिए थी क्योंकि वह भाग्यशाली था कि उस विशिष्ट 15-वर्षीय विंडो के दौरान "शिक्षक" (बाजार के नियम) में बहुत अधिक बदलाव नहीं हुआ।

"बैंडविड्थ" का नॉब: हमें कितनी डिटेल की आवश्यकता है?

पेपर एक अवधारणा पेश करता है जिसे बैंडविड्थ (bandwidth) कहा जाता है, जिसे आप कैमरे के "डिटेल नॉब" के रूप में सोच सकते हैं।

कम बैंडविड्थ (उच्च विवरण/High Detail): कैमरा एक सुपर-शार्प फोटो लेता है। यह पेड़ के हर छोटे पत्ते को कैप्चर करता है। यदि हवा चलती है और पत्ते हिल जाते हैं (रेजीम चेंज), तो फोटो वास्तविक दृश्य से बिल्कुल अलग दिखता है। पेपर ने पाया कि कम बैंडविड्थ के साथ, मॉडल का प्रदर्शन एक रोलरकोस्टर की तरह है। एक 15-वर्षीय अवधि 7% मासिक रिटर्न दे सकती है, जबकि अगली अवधि लगभग कुछ भी नहीं देती।
उच्च बैंडविड्थ (धुंधली फोटो/High Bandwidth): कैमरा छवि को थोड़ा धुंधला कर देता है। यह छोटे पत्तों को मिस कर देता है लेकिन पेड़ के सामान्य आकार को देख लेता है। पेपर ने पाया कि बैंडविड्थ बढ़ाने से (मॉडल को सरल बनाकर/छोटी बारीकियों के प्रति कम संवेदनशील बनाकर) परिणाम बहुत अधिक सुसंगत हो गए। हालाँकि, औसत रिटर्न काफी कम हो गया, जो अक्सर शून्य के करीब होता है।

ट्रेड-ऑफ (समझौता): या तो आपके पास एक ऐसा मॉडल हो सकता है जो एक युग में बेहद सफल हो लेकिन अगले में विफल हो जाए, या आपके पास एक उबाऊ, सुसंगत मॉडल हो सकता है जो बाजार को मुश्किल से पछाड़ पाता है। यहाँ कोई "मुफ्त लंच" (free lunch) नहीं है।

"सिग्नल-टू-नॉइज़" (Signal-to-Noise) सादृश्य

कल्प आते हैं कि आप एक भीड़ भरे, शोर वाले कमरे में अपने दोस्त की आवाज़ (सिग्नल) सुनने की कोशिश कर रहे हैं (शोर/नॉइज़)।

वित्तीय बाजार बहुत शांत होते हैं। बाजार की भविष्यवाणी करने वाला "सिग्नल" बहुत कमजोर होता है।
जटिल मॉडल "सुपर-हियरिंग" वाले लोगों की तरह हैं। वे सब कुछ सुनने की कोशिश करते हैं।
समस्या: जब कमरा शोर से भर जाता है या आपका दोस्त अपनी आवाज़ बदल देता है (पोस्टीरियर ड्रिफ्ट), तो सुपर-हियरिंग वाला व्यक्ति शोर से घबरा जाता है और उन पैटर्न्स की कल्पना करने लगता है जो वहां हैं ही नहीं।
पेपर की चेतावनी: चूंकि वित्त में सिग्नल बहुत कमजोर है, इसलिए अधिक जटिलता (अधिक पैरामीटर्स) जोड़ने से केवल शोर और बदलते बाजार के नियमों से होने वाला भ्रम बढ़ जाता है।

अंतिम निर्णय

पेपर निवेशकों और विश्लेषकों के लिए एक कड़ी चेतावनी के साथ समाप्त होता है:

"जटिलता ही गुण है" (Complexity is Virtuous) वाली चर्चा पर भरोसा न करें। सिर्फ इसलिए कि एक मॉडल में हजारों पैरामीटर्स हैं, इसका मतलब यह नहीं है कि वह भविष्य में काम करेगा।
"रेजीम चेंज" (Regime Changes) से सावधान रहें। वित्तीय बाजार अपना व्यवहार बदलते हैं (जैसे किसी शिक्षक का मन बदलना)। जटिल मॉडल इन बदलावों के समय बहुत नाजुक होते हैं।
बैकटेस्टिंग (Backtesting) भ्रामक है। यदि आप एक जटिल मॉडल का 15-वर्षीय अवधि पर परीक्षण करते हैं, तो आपको शानदार परिणाम मिल सकते हैं। लेकिन यदि आप किसी अन्य 15-वर्षीय अवधि पर परीक्षण करते हैं, तो परिणाम बहुत खराब हो सकते हैं। प्रदर्शन इस बात पर अत्यधिक निर्भर करता है कि आपने कब परीक्षण किया।

संक्षेप में: हालांकि परिष्कृत मॉडल उपयोगी हो सकते हैं, लेकिन शेयर बाजार की भविष्यवाणी के लिए विशाल, अत्यधिक जटिल मॉडलों पर निर्भर रहना जोखिम भरा है। यदि बाजार के "नियम" थोड़े भी बदलते हैं, तो ये मॉडल टूटने लगते हैं, जिससे निवेशकों को अस्थिर और अप्रत्याशित रिटर्न मिलता है। लेखक सावधानी बरतने की सलाह देते हैं और सुझाव देते हैं कि औसत निवेशक के लिए सरल, अधिक मजबूत दृष्टिकोण अधिक सुरक्षित हो सकता है।

तकनीकी सारांश: पोस्टीरियर ड्रिफ्ट के साथ ओवरपैरामिट्राइज्ड मॉडल

समस्या विवरण

यह शोध पत्र इक्विटी प्रीमियम भविष्यवाणी के संदर्भ में, विशेष रूप से ओवरपैरामिट्राइज्ड लीनियर मॉडल्स (overparametrized linear models) की आउट-ऑफ-सैंपल पूर्वानुमान सटीकता पर पोस्टीरियर ड्रिफ्ट (जिसे कॉन्सेप्ट ड्रिफ्ट भी कहा जाता है) के प्रभाव की जांच करता है। जबकि हालिया साहित्य (जैसे, केली एट अल., 2024) यह सुझाव देता है कि मॉडल की जटिलता बढ़ाने (पैरामीटर्स और अवलोकनों का अनुपात) से "बेनाइन ओवरफिटिंग" (benign overfitting) या "डबल डिसेंट" (double descent) के माध्यम से मार्केट टाइमिंग प्रदर्शन में सुधार हो सकता है, यह शोध पत्र तर्क देता है कि ऐसे लाभ प्रशिक्षण (training) और परीक्षण (testing) के बीच डेटा जनरेटिंग प्रोसेस (DGP) की अपरिवर्तनीयता (invariance) पर निर्भर हैं।

वित्तीय बाजारों में, DGP शायद ही कभी स्थिर होता है। लेखक दो प्रकार के वितरण संबंधी बदलावों (distributional shifts) के बीच अंतर करते हैं:

कोवेरिएट शिफ्ट (Covariate Shift): प्रेडिक्टर्स के मार्जिनल डिस्ट्रीब्यूशन ( $P_X$ ) में परिवर्तन।
पोस्टीरियर ड्रिफ्ट (Posterior Drift): प्रेडिक्टर्स के दिए जाने पर लक्ष्य के कंडीशनल डिस्ट्रीब्यूशन ( $P_{y|X}$ ) में परिवर्तन, जिसका अर्थ है कि प्रेडिक्टर्स और रिटर्न्स के बीच का संबंध (लोडिंग्स/बीटा) समय के साथ विकसित होता है।

मुख्य समस्या यह है कि ओवरपैरामिट्राइज्ड मॉडल्स के लिए मानक सैद्धांतिक परिणाम अक्सर यह मान लेते हैं कि $P_{y|X}$ स्थिर रहता है। लेखक यह प्रतिपादित करते हैं कि जब पोस्टीरियर ड्रिफ्ट होता है—विशेष रूप से जब इन-सैंपल द्वारा अनुमानित रिग्रेशन कोएफिशिएंट्स ( $\beta_{is}$ ) आउट-ऑफ-सैंपल अवधि के कोएफिशिएंट्स ( $\beta_{oos}$ ) से विचलित होते हैं—तो जटिल लीनियर मॉडल्स का प्रदर्शन काफी खराब हो जाता है।

कार्यप्रणाली (Methodology)

सैद्धांतिक ढांचा (Theoretical Framework)

लेखक मिसस्पेसिफिकेशन (misspecification) और पोस्टीरियर ड्रिफ्ट के परिवेश में हैस्टी एट अल. (2022) के एसिम्प्टोटिक विश्लेषण का विस्तार करते हैं।

डेटा जनरेटिंग प्रोसेस (DGP): मॉडल एक लीनियर रिलेशनशिप $y_i = x_i'\beta + w_i'\theta + e_i$ मानता है, जहाँ $x_i$ प्रेक्षित प्रेडिक्टर्स हैं और $w_i$ अनऑब्जर्व्ड लेटेंट फीचर्स हैं। मॉडल मिसस्पेसिफाइड है क्योंकि एजेंट केवल $x_i$ को देखता है।
ड्रिफ्ट मैकेनिज्म: लेखक प्रशिक्षण चरण ( $\beta_{is}, \theta_{is}$ ) और परीक्षण चरण ( $\beta_{oos}, \theta_{oos}$ ) के बीच वास्तविक पैरामीटर्स में परिवर्तन को स्पष्ट रूप से मॉडल करते हैं।
रेजीम (Regime): विश्लेषण प्रोपोरशनल रेजीम में संचालित होता है जहाँ अवलोकनों की संख्या $n$ , प्रेक्षित फीचर्स $p$ , और अनऑब्जर्व्ड फीचर्स $q$ सभी अनंत की ओर बढ़ते हैं ताकि $p/n \to c\phi$ और $(p+q)/n \to c$ हो।
एस्टिमेटर्स (Estimators): अध्ययन रिज एस्टिमेटर्स (रिगुलराइजेशन पैरामीटर $z$ के साथ) और रिजलेस लिमिट ( $z \to 0$ ) पर केंद्रित है।

एम्पिरिकल प्रोटोकॉल (Empirical Protocol)

एम्पिरिकल खंड गोयल एट अल. (2024) के डेटा और CRSP वैल्यू-वेटेड रिटर्न्स का उपयोग करके केली एट अल. (2024) के अध्ययन को दोहराता है और विस्तारित करता है:

डेटा: गोयाल एट अल. (2024) के 14 मैक्रोइकोनॉमिक इंडिकेटर्स और CRSP वैल्यू-वेटेड रिटर्न्स।
फीचर एक्सपेंशन: प्रेडिक्टर स्पेस की डाइमेंशनलिटी को कृत्रिम रूप से बढ़ाने के लिए रैंडम फूरियर फीचर्स (RFFs) का उपयोग करना, जिससे एक ओवरपैरामिट्राइज्ड सेटिंग ( $p=600, n=12$ , कॉम्प्लेक्सिटी $c=50$ ) निर्मित होती है।
वैलिडेशन: अध्ययन कई 15-वर्षीय उप-अवधियों और RFF कर्नेल के विभिन्न बैंडविड्थ पैरामीटर्स ( $\gamma$ ) के माध्यम से प्रदर्शन का परीक्षण करता है।
चेंज पॉइंट डिटेक्शन: लेखक अनुमानित बीटा की टाइम-सीरीज में स्ट्रक्चरल ब्रेक्स की पुष्टि करने के लिए changeforest एल्गोरिदम (लोंडशिएन एट अल., 2023) का उपयोग करते हैं।

मुख्य योगदान (Key Contributions)

पोस्टीरियर ड्रिफ्ट के लिए सैद्धांतिक विस्तार: लेखक पोस्टीरियर ड्रिफ्ट के तहत अपेक्षित रिटर्न और वेरिएंस का व्युत्पन्न निकालते हैं। यह पोस्टीरियर ड्रिफ्ट को शामिल करके हैस्टी एट अल. (2022) और केली एट अल. (2024) के परिणामों का सामान्यीकरण करता है।
- प्रपोजिशन 4: यह दर्शाता है कि अपेक्षित रिटर्न स्केलर प्रोडक्ट $\langle \beta_{is}, \beta_{oos} \rangle$ के समानुपाती है। यदि इन-सैंपल और आउट-ऑफ-सैंपल लोडिंग्स ऑर्थोगोनल हैं, तो अपेक्षित रिटर्न शून्य हो जाता है।
- प्रपोजिशन 8: यह स्थापित करता है कि प्रदर्शन तब खराब होता है जब लोडिंग्स में परिवर्तन ( $\beta_{oos} - \beta_{is}$ ), इन-सैंपल लोडिंग्स ( $\beta_{is}$ ) के साथ नेगेटिवली कोरिलेटेड होता है।
जोखिम-समायोजित रिटर्न का परिमाणीकरण: लेखक शार्प रेशियो (इक्वेशन 12) के लिए एक विश्लेषणात्मक सूत्र निकालते हैं। वे प्रदर्शित करते हैं कि जबकि जटिलता स्थिर वातावरण में कच्चे रिटर्न (raw returns) को बढ़ा सकती है, पोस्टीरियर ड्रिफ्ट की उपस्थिति अस्थिरता को बढ़ाती है और शार्प रेशियो को कम करती है, विशेष रूप से तब जब सिग्नल-टू-नॉइज़ रेशियो कमजोर हो (जो वित्तीय डेटा की एक सामान्य विशेषता है)।
अस्थिरता का एम्पिरिकल साक्ष्य: पेपर यह प्रमाण देता है कि जटिलता का "गुण" विशिष्ट समय अवधि और बैंडविड्थ पैरामीटर्स के चुनाव के प्रति अत्यधिक संवेदनशील है।
- उप-अवधि संवेदनशीलता: प्रदर्शन 15-वर्षीय विंडोज के बीच नाटकीय रूप से भिन्न होता है। उदाहरण के लिए, 2005-2019 में +7.24% मासिक रिटर्न देने वाली रणनीति, समान बैंडविड्थ के तहत 1975-1989 में घटकर +0.52% रह गई।
- बैंडविड्थ संवेदनशीलता: इष्टतम बैंडविड्थ समय-परिवर्तनीय है। जबकि अक्सर $\gamma \approx 2$ के बैंडविड्थ को इष्टतम माना जाता है, लेखक दिखाते हैं कि यह चुनाव विभिन्न आर्थिक व्यवस्थाओं में असंगत परिणाम देता है।

मुख्य परिणाम (Key Results)

प्रदर्शन में गिरावट: सैद्धांतिक और सिमुलेशन परिणाम पुष्टि करते हैं कि जैसे-जैसे $\beta_{is}$ और $\beta_{oos}$ के बीच मिसअलाइनमेंट बढ़ता है, आउट-ऑफ-सैंपल अपेक्षित रिटर्न घटता है। मजबूत पोस्टीरियर ड्रिफ्ट की उपस्थिति में, ओवरपैरामिट्राइज्ड मॉडल्स का प्रदर्शन सरल मॉडल्स या यहाँ तक कि शून्य से भी बदतर हो सकता है।
अस्थिरता और लीवरेज: रणनीति की अस्थिरता मॉडल द्वारा प्रेरित लीवरेज के रैखिक रूप से बढ़ती है। ड्रिफ्ट की उपस्थिति में, कमजोर संकेतों को पकड़ने के लिए आवश्यक लीवरेज अत्यधिक अस्थिरता की ओर ले जाता है, जिसके परिणामस्वरूप खराब जोखिम-समायोजित रिटर्न प्राप्त होते हैं (शार्प रेशियो अक्सर 0.3 से नीचे होता है, जबकि मार्केट इंडेक्स के लिए ~0.44 है)।
काउंटरफैक्चुअल विश्लेषण: काउंटरफैक्चुअल रिटर्न्स उत्पन्न करके, जहाँ DGP अपरिवर्तित रहता है (कोई पोस्टीरियर ड्रिफ्ट नहीं), लेखक दिखाते हैं कि मॉडल का संभावित मूल्य पर्याप्त है। हालांकि, वास्तविक प्राप्त रिटर्न गंभीर रूप से सीमित हैं, जो पुष्टि करता है कि प्रदर्शन में कमी सीधे तौर पर पोस्टीरियर ड्रिफ्ट के कारण है।
रेगुलराइजेशन ट्रेड-ऑफ: रेगुलराइजेशन पैरामीटर (बैंडविड्थ) बढ़ाने से अनिश्चितता और वेरिएंस कम होता है, लेकिन साथ ही यह औसत रिटर्न को शून्य की ओर ले जाता है, जिससे रणनीति रिटर्न के दृष्टिकोण से कम आकर्षक हो जाती है।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि यह वित्तीय अनुप्रयोगों में बड़े, ओवरपैरामिट्राइज्ड लीनियर मॉडल्स के उपयोग पर एक आवश्यक चेतावनीपूर्ण दृष्टिकोण प्रदान करता है। हालांकि लेखक स्वीकार करते हैं कि परिष्कार (sophistication) मूल्य ला सकता है, वे तर्क देते हैं कि हालिया साहित्य (जैसे, केली एट अल., 2024) में रिपोर्ट किए गए लाभ अतिरंजित हो सकते हैं क्योंकि वे वितरण संबंधी अपरिवर्तनीयता (distributional invariance) के अनुमानों पर निर्भर करते हैं जो व्यवहार में लागू नहीं होते हैं।

लेखक निष्कर्ष निकालते हैं कि:

स्थिरता सर्वोपरि है: ओवरपैरामिट्राइज्ड मॉडल्स पर भरोसा करने वाले विश्लेषकों को बैकटेस्ट में प्रदर्शन की स्थिरता और संवेदनशीलता पर विशेष ध्यान देना चाहिए, क्योंकि परिणाम चुनी गई विशिष्ट उप-अवधियों पर अत्यधिक निर्भर हैं।
ड्रिफ्ट एक महत्वपूर्ण कारक है: मैक्रोइकोनॉमिक प्रेडिक्टर्स और इक्विटी प्रीमियम के बीच बदलता संबंध (पोस्टीरियर ड्रिफ्ट) इक्विटी प्रीमियम भविष्यवाणी में जटिल मॉडल्स की प्रभावकारिता को मौलिक रूप से कमजोर करता है।
विवेकपूर्ण अनुप्रयोग: ये निष्कर्ष स्टॉक मार्केट की भविष्यवाणी के लिए बड़े लीनियर मॉडल्स का उपयोग करने में सावधानी बरतने की सिफारिश करते हैं, यह सुझाव देते हुए कि "डबल डिसेंट" घटना वित्तीय रिटर्न में तब तक अनुवादित नहीं हो सकती जब शासन परिवर्तन (regime changes) बार-बार और अप्रत्याशित होते हैं।

यह पेपर इस समस्या को हल करने के लिए कोई नया मॉडल प्रस्तावित नहीं करता है, बल्कि गैर-स्थिर वित्तीय वातावरण में वर्तमान उच्च-जटिलता दृष्टिकोणों की सीमाओं को समझने के लिए एक सैद्धांतिक और एम्पिरिकल ढांचा प्रदान करता है।