💰 quantitative finance

On a multivariate extension for Copula-based Conditional Value at Risk

यह शोध पत्र एक लगभग बंद-रूप अभिव्यक्ति (almost closed-form expression) व्युत्पन्न करके, आर्किमेडियन कोपुलों (Archimedean copulas) के तहत बहुभिन्नीय आयामों ( $d \ge 2$ ) में कोपूला-आधारित कंडीशनल वैल्यू एट रिस्क (CCVaR) का सामान्यीकरण करता है, इसकी सुसंगतता स्थितियों (coherence conditions) का परीक्षण करता है, और वास्तविक डेटा के साथ संख्यात्मक प्रयोगों के माध्यम से दृष्टिकोण को मान्य करता है।

मूल लेखक: Andres Mauricio Molina Barreto

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Andres Mauricio Molina Barreto

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

मुख्य चित्र: "सबसे खराब स्थिति" वाले तूफान को मापना

कल्पना कीजिए कि आप जहाजों के एक बेड़े (एक वित्तीय पोर्टफोलियो) के कप्तान हैं। आप जानना चाहते हैं कि तूफान कितना भयानक हो सकता है।

VaR (वैल्यू एट रिस्क): यह पूछने जैसा है, "95% समय में सबसे ऊंची लहर कितनी हो सकती है?" यह आपको वह सीमा बताता है जहाँ से चीजें खतरनाक होने लगती हैं, लेकिन यह नहीं बताता कि उस सीमा को पार करने के बाद तूफान वास्तव में कितना बुरा होगा।
CVaR (कंडीशनल वैल्यू एट रिस्क): यह एक बेहतर सवाल है: "यदि लहर उस सीमा से बड़ी हो जाती है, तो औसतन गहराई कितनी होगी?" यह आपदा क्षेत्र की औसत गहराई को मापता है।

यह शोध पत्र एक नया, और भी सख्त संस्करण पेश करता है जिसे CCVaR (कोपुला-आधारित कंडीशनल वैल्यू एट रिस्क) कहा जाता है। इसे ऐसे समझें: "यदि मेरे बेड़े का हर एक जहाज ठीक एक ही समय में एक विशाल लहर से टकरा रहा है, तो औसत नुकसान क्या होगा?"

समस्या: जहाज एक साथ कैसे चलते हैं

वास्तविक दुनिया में, जहाज केवल बेतरतीब ढंग से नहीं चलते; वे अक्सर एक साथ चलते हैं। यदि एक जहाज पर तूफान आता है, तो आमतौर पर दूसरों पर भी आता है। वित्त (फाइनेंस) में, इसे डिपेंडेंस (निर्भरता) कहा जाता है।

पुराना तरीका: पारंपरिक तरीके अक्सर यह मान लेते हैं कि जहाज स्वतंत्र रूप से चलते हैं या वे सरल गणित का उपयोग करते हैं जो तब टूट जाता है जब आपके पास कई जहाज (डायमेंशन) जटिल तरीकों से एक साथ चलते हैं।
नया टूल (कोपुला): लेखक एक गणितीय उपकरण का उपयोग करते हैं जिसे कोपुला (Copula) कहा जाता है। एक कोपुला को एक "गोंद" या "डांस फ्लोर" के रूप में कल्पना करें जो यह बताता है कि प्रत्येक व्यक्तिगत जहाज के आकार की परवाह किए बिना, जहाज एक-दूसरे के सापेक्ष कैसे चलते हैं।
विशिष्ट गोंद (आर्किमेडियन): यह शोध पत्र एक विशेष, बहुत लोकप्रिय प्रकार के गोंद पर ध्यान केंद्रित करता है जिसे आर्किमेडियन कोपुला (Archimedean Copulas) कहा जाता है। ये विशेष हैं क्योंकि ये सभी जहाजों के साथ इस तरह व्यवहार करते हैं जैसे वे एक-दूसरे से समान रूप से जुड़े हुए हैं (सिमेट्रिक), जिससे बड़े बेड़ों के लिए गणित को हल करना बहुत आसान हो जाता है।

मुख्य खोज: एक नया फॉर्मूला

लेखकों ने एक ऐसे फॉर्मूले को लिया जो केवल दो जहाजों (बाइवेरिएट) के लिए काम करता था और उसे सफलतापूर्वक एक पूरे बेड़े (मल्टीवैरिएट, $d \ge 2$ ) के लिए काम करने योग्य बनाया।

उन्होंने एक "लगभग क्लोज्ड-फॉर्म एक्सप्रेशन" विकसित किया।

उपमा: कल्पना कीजिए कि आप रेत के ढेर के हर एक कण को तौलकर उसका कुल वजन निकालने की कोशिश कर रहे हैं। यह असंभव है। लेकिन यदि आपके पास एक विशेष फॉर्मूला है जो आपको ढेर के आकार और कुछ प्रमुख मापों के आधार पर वजन की गणना करने की अनुमति देता है, तो वह एक "क्लोज्ड-फॉर्म" समाधान है।
शोध पत्र एक विशिष्ट रेसिपी (एक "जेनरेटर फंक्शन" और उसके डेरिवेटिव्स का उपयोग करके) प्रदान करता है ताकि हर बार लाखों धीमी कंप्यूटर सिमुलेशन चलाने के बजाय इस जोखिम की गणना की जा सके।

प्रयोगों से मुख्य निष्कर्ष

लेखकों ने अपने नए फॉर्मूले का परीक्षण जापानी शेयर बाजार (निक्केई 225) में सूचीबद्ध 7 मशीनरी कंपनियों के वास्तविक डेटा का उपयोग करके किया। यहाँ उनके निष्कर्ष दिए गए हैं:

CCVaR "सुरक्षा प्रथम" वाला पैमाना है:
जब उन्होंने मानक CVaR और VaR की तुलना CCVaR से की, तो CCVaR ने हमेशा उच्चतम (सबसे रूढ़िवादी) जोखिम संख्या दी।

उपमा: यदि VaR कहता है "तूफान 10 फीट ऊंचा हो सकता है," और CVaR कहता है "यदि यह 10 फीट से ऊपर है, तो औसत 12 फीट है," तो CCvaR कहता है, "यदि हर जहाज एक ही समय में तूफान की चपेट में आता है, तो औसत नुकसान वास्तव में 15 फीट है।" यह दुर्भाग्य के सबसे खराब संभव समन्वय को मानता है।

"स्वतंत्रता" का आश्चर्य:
आमतौर पर, जोखिम प्रबंधन में, यदि चीजें स्वतंत्र (जहाज बेतरतीब ढंग से चलते हैं) हैं, तो जोखिम कम होता है। हालांकि, इस विशिष्ट CCVaR पैमाने के साथ, स्वतंत्र जहाजों के लिए गणना किया गया जोखिम अक्सर उन जहाजों की तुलना में अधिक था जो थोड़े जुड़े हुए थे।

क्यों? क्योंकि CCVaR उस परिदृश्य को देखता है जहाँ सभी संपत्तियां एक साथ विफल हो जाती हैं। भले ही वे स्वतंत्र हों, इस विशिष्ट पैमाने का गणित इस "सभी के विफल होने" वाले परिदृश्य को एक बहुत भारी दंड (penalty) के रूप में मानता है।

हेवी टेल्स (Heavy Tails) का महत्व:
डेटा ने दिखाया कि स्टॉक रिटर्न में "हेवी टेल्स" होते हैं (इसका मतलब है कि सामान्य बेल कर्व की तुलना में अत्यधिक गिरावट अधिक बार होती है)। लेखकों ने पाया कि "स्टूडेंट-टी" (Student-t) वितरण का उपयोग करने से (जो इन हेवी टेल्स को ध्यान में रखता है) मानक "नॉर्मल" वितरण की तुलना में बहुत अधिक जोखिम अनुमान प्राप्त हुए।
स्थिरता (Stability):
अन्य मापों के विपरीत जो इस बात पर बहुत अधिक बदलते हैं कि आपने किस "गोंद" (कोपुला प्रकार) को चुना है, CCVaR के परिणाम आश्चर्यजनक रूप से स्थिर थे। चाहे उन्होंने क्लेटन (Clayton), गुमेल (Gumbel), या फ्रैंक (Frank) कोपुला का उपयोग किया हो, अंतिम जोखिम संख्या पारंपरिक CVaR की तरह बहुत ज्यादा नहीं बदली।

निष्कर्ष

शोध पत्र निष्कर्ष निकालता है कि यह नया CCVaR एक सुसंगत जोखिम पैमाना (coherent risk measure) है (यह जोखिम प्रबंधन के तार्किक नियमों का पालन करता है, जैसे कि "विविधीकरण से जोखिम कम होना चाहिए" कुछ शर्तों के तहत)।

यह विशेष रूप से उपयोगी है क्योंकि:

यह एक साथ कई संपत्तियों को संभालता है।
यह एक सामान्य प्रकार के गणितीय "गोंद" (आर्किमेडियन कोपुला) के लिए एक विशिष्ट, तेज़ फॉर्मूला प्रदान करता है।
यह जोखिम का सबसे रूढ़िवादी (सुरक्षित) अनुमान है, यह सुनिश्चित करता है कि यदि आप CCVaR स्तर के लिए तैयारी करते हैं, तो आप लगभग किसी भी आपदा परिदृश्य के लिए तैयार हैं जहाँ आपकी सभी संपत्तियां एक साथ संकट झेलती हैं।

संक्षेप में, यह शोध पत्र जोखिम प्रबंधकों को उनके पोर्टफोलियो के लिए "सबसे खराब स्थिति के औसत" की गणना करने के लिए एक नया, अधिक सटीक टूल देता है, जिससे यह सुनिश्चित होता है कि जब पूरा बेड़ा एक साथ तूफान की चपेट में आए, तो वे अचानक संकट में न फंसें।

तकनीकी सारांश: कोपूला-आधारित कंडीशनल वैल्यू एट रिस्क (CVaR) का बहुचर विस्तार

समस्या विवरण
यह शोध पत्र शास्त्रीय जोखिम मापों, विशेष रूप से वैल्यू एट रिस्क (VaR) और कंडीशनल वैल्यू एट रिस्क (CVaR) की बहुचर (multivariate) परिवेशों में सीमाओं को संबोधित करता है। जबकि VaR व्यापक रूप से उपयोग किया जाता है, इसमें उप-योगात्मकता (sub-additivity) का अभाव है और यह टेल रिस्क (tail risk) को पर्याप्त रूप से पकड़ने में विफल रहता है। CVaR (या एक्सपेक्टेड शॉर्टफॉल) VaR थ्रेशोल्ड के परे अपेक्षित हानि को मापकर इसमें सुधार करता है, लेकिन पारंपरिक रूप से यह एकवचनीय (univariate) पोर्टफोलियो के लिए परिभाषित है। मौजूदा बहुचर विस्तार, जैसे कि मल्टीवेरिएट CVaR (MCVaR), अक्सर वेक्टर-मूल्य वाले मापों में परिणत होते हैं या जटिल स्तर सेट (level sets) पर निर्भर करते हैं जिन्हें एकत्रित करना कठिन होता है। इसके अतिरिक्त, जबकि कोपूला-आधारित CVaR (CCVaR) निर्भरता को मॉडल करने का एक लचीला तरीका प्रदान करता है, पिछले शोध (जैसे, क्रज़ेमिनोव्स्की और सिम्ज़िक, 2016; मोलिना बारेटो और इशिमुरा, 2023) मुख्य रूप से द्विचर (bivariate) मामलों तक सीमित रहे हैं या उच्च आयामों के लिए क्लोज्ड-फॉर्म एक्सप्रेशन (closed-form expressions) की कमी रखते हैं। पहचाना गया विशिष्ट अंतराल $d \ge 2$ आयामों में आर्किमेडियन कोपुलों के तहत CCvaR के लिए एक सामान्यीकृत, लगभग क्लोज्ड-फॉर्म एक्सप्रेशन का अभाव है, जो अपनी सुगमता के कारण वित्त में सामान्यतः उपयोग किए जाते हैं।

कार्यप्रणाली
लेखक CCVaR का एक बहुचर विस्तार प्रस्तावित करते हैं जिसे कोपूला द्वारा परिभाषित "प्रतिकूल सेट" (unfavorable set) में गिरने वाली पोर्टफोलियो की अपेक्षित भारित हानि के रूप में परिभाषित किया गया है।

सैद्धांतिक ढांचा:
- अध्ययन निर्भरता संरचना (कोपुला) को मार्जिनल वितरणों से अलग करने के लिए स्लर के प्रमेय (Skellar's Theorem) का उपयोग करता है।
- यह आर्किमेडियन कोपुलों पर ध्यान केंद्रित करता है, जो एक एकल जनरेटर फंक्शन $\varphi$ द्वारा उत्पन्न होते हैं। ये कोपुल सममित (symmetric/exchangeable) हैं, जो एक सरलीकृत धारणा है जिसे समान उद्योगों के भीतर संपत्तियों के पोर्टफोलियो के लिए स्वीकार्य माना गया है।
- CCVaR को पोर्टफोलियो हानि $\lambda^T X$ के कंडीशनल एक्सपेक्टेशन के रूप में परिभाषित किया गया है, जहाँ कोपूला मान $C(U_1, \dots, U_d) \ge \beta$ है, और $\beta$ विश्वास स्तर (confidence level) है।
व्युत्पत्ति (Derivation):
- मुख्य पद्धतिगत योगदान आर्किमेडियन कोपुलों के तहत CCVaR के लिए एक लगभग क्लोज्ड-फॉर्म एक्सप्रेशन का व्युत्पन्न है।
- यह व्युत्पत्ति केंडल वितरण फलन (Kendall distribution function) और उसके घनत्व (density) पर निर्भर करती है, जो जनरेटर फंक्शन $\varphi$ और उसके व्युत्क्रम $\varphi^{-1}$ के गुणों का उपयोग करती है।
- लेखक CCVaR को एक इंटीग्रल के रूप में व्यक्त करते हैं जिसमें व्युत्क्रम जनरेटर के डेरिवेटिव (क्रम $d-1$ तक) और सहायक फलन $f_i(t)$ शामिल हैं, जिन्हें जनरेटर के आधार पर पुनरावर्ती (recursively) रूप से परिभाषित किया गया है।
- यह सूत्र बिना पूरी तरह से सिमुलेशन-आधारित विधियों का सहारा लिए CCVaR की गणना करने की अनुमति देता है, बशर्ते कि व्युत्क्रम जनरेटर के डेरिवेटिव ज्ञात हों (जो क्लेटन, गुमेल, फ्रैंक, जो, और अली-मिखाइल-हाक जैसे सामान्य परिवारों के लिए उपलब्ध हैं)।

प्रमुख योगदान

बहुचर आयामों में सामान्यीकरण: यह शोध पत्र CCVaR की परिभाषा को आर्किमेडियन कोपुलों के तहत произвоल (arbitrary) आयाम $d \ge 2$ तक विस्तारित करता है।
लगभग क्लोज्ड-फॉर्म एक्सप्रेशन: लेखक एक विशिष्ट इंटीग्रल फॉर्मूला (थ्योरम 3) व्युत्पन्न करते हैं जो CCVaR को जनरेटर फंक्शन, उसके डेरिवेटिव और केंडल वितरण के संदर्भ में व्यक्त करता है। यह सैद्धांतिक विश्लेषण और संख्यात्मक कार्यान्वयन की सुविधा प्रदान करता है।
सुसंगतता और गुण (Coherence and Properties): शोध पत्र प्रस्तावित माप के सुसंगतता गुणों की जांच करता है। यह स्थापित करता है कि CCVaR पॉजिटिव होमोजेनिटी, ट्रांसलेशन इनवेरिएंस और मोनोटोनिसिटी को संतुष्ट करता है। यह दिखाया गया है कि उप-योगात्मकता विशिष्ट स्थितियों (जैसे, स्वतंत्रता) के तहत बनी रहती है, हालांकि शोध पत्र नोट करता है कि सभी सामान्य बहुचर मामलों में उप-योग्यता गारंटीकृत नहीं है, जो MCVaR पर मौजूदा साहित्य के अनुरूप है।
व्यवहार संबंधी विश्लेषण: अध्ययन विश्लेषण करता है कि CCvaR विश्वास स्तर $\beta$ और निर्भरता पैरामीटर $\theta$ के संबंध में कैसे व्यवहार करता है। यह सिद्ध करता है कि CCVaR $\beta$ के प्रति गैर-घटता (non-decreasing) है और विशिष्ट कोपिला परिवारों (जैसे, कुछ स्थितियों के तहत क्लेटन और फ्रैंक के लिए घटता हुआ) के लिए $\theta$ के संबंध में इसकी एकदिशता (monotonicity) की जांच करता है।

परिणाम
शोध पत्र निकी 225 इंडेक्स में सूचीबद्ध सात मशीनरी शेयरों के वास्तविक डेटा का उपयोग करके संख्यात्मक प्रयोग प्रस्तुत करता है।

डेटा और मॉडलिंग: दैनिक नकारात्मक लॉग-रिटर्न्स को स्टैंडर्ड नॉर्मल, स्टूडेंट-टी, और स्क्यूड-टी वितरणों के साथ AR(1)-GARCH(1,1) प्रक्रियाओं का उपयोग करके मॉडल किया गया। आर्किमेडियन कोपुलों (क्लेटन, फ्रैंक, गुमेल, जो, AMH) को इन्फरेंस फंक्शन्स फॉर मार्जिन्स (IFM) विधि का उपयोग करके फिट किया गया।
तुलनात्मक प्रदर्शन:
- रूढ़िवादिता (Conservatism): संख्यात्मक परिणाम लगातार यह दिखाते हैं कि CCVaR, सभी परीक्षण किए गए कोपुलों और विश्वास स्तरों ( $\beta = 0.95, 0.99$ ) में VaR और CVaR दोनों की तुलना में उच्च मान प्रदान करता है। लेखक व्याख्या करते हैं कि CCVaR एक अधिक रूढ़िवादी जोखिम माप है क्योंकि यह केवल भारित योग के थ्रेशोल्ड से अधिक होने के बजाय, सभी प्रतिकूल संयुक्त घटनाओं (संपूर्ण सेट $\mathcal{U}_\beta$ ) पर आधारित है।
- कोपुला चयन के प्रति संवेदनशीलता: VaR और CVaR के विपरीत, जो चुने गए कोपिला परिवार (जैसे, गुमेल और जो उच्च मान देते हैं) के आधार पर महत्वपूर्ण भिन्नता दिखाते हैं, CCVaR के मान विभिन्न कोपिला विनिर्देशों में बहुत कम परिवर्तनशीलता प्रदर्शित करते हैं।
- टेल संवेदनशीलता: अध्ययन पुष्टि करता है कि भारी-पूंछ वाले मार्जिनल वितरण (स्टूडेंट-टी, स्क्यूड-टी) नॉर्मल वितरण की तुलना में उच्च जोखिम अनुमानों की ओर ले जाते हैं।
- समय विकास: रोलिंग विंडो विश्लेषण दर्शाता है कि CCVaR उच्च अस्थिरता के दौर में प्रतिक्रिया करता है और समय के साथ VaR और CVR के सापेक्ष अपनी सबसे रूढ़िवादी स्थिति बनाए रखता है।

महत्व और दावे
शोध पत्र का दावा है कि प्रस्तावित बहुचर CCVaR पोर्टफोलियो जोखिम प्रबंधन के लिए एक मजबूत विकल्प प्रदान करता है, विशेष रूप से उन संपत्तियों के लिए जो समान निर्भरता संरचनाओं (एक्सचेंजेबिलिटी) को साझा करती हैं।

सैद्धांतिक मूल्य: क्लोज्ड-फॉर्म एक्सप्रेशन का व्युत्पन्न केवल कंप्यूटेशनल रूप से गहन मोंटे कार्लो सिमुलेशन पर निर्भर हुए बिना उच्च आयामों में जोखिम मापों के विश्लेषणात्मक अध्ययन की कमी को पूरा करता है।
व्यावहारिक निहितार्थ: परिणाम बताते हैं कि प्रतिकूल घटनाओं के संयुक्त रूप से होने पर आधारित होना (जैसा कि CCVaR करता है) पोर्टफोलियो के कुल नुकसान के थ्रेशोल्ड से अधिक होने पर आधारित होने की तुलना में अधिक रूढ़िवादी और संभावित रूप से सुरक्षित बफर प्रदान करता है।
सीमाएं और भविष्य का कार्य: लेखक विनम्रतापूर्वक स्वीकार करते हैं कि आर्किमेडियन कोपुलों की एक्सचेंजबिलिटी धारणा अत्यधिक विविध पोर्टफोलियो के लिए मॉडल की प्रयोज्यता को सीमित करती है जिनमें विषम निर्भरताएं होती हैं। वे नोट करते हैं कि दो से अधिक आयामों में निर्भरता पैरामीटर $\theta$ के संबंध में CCVR का व्यवहार आगे के औपचारिक लक्षण वर्णन की आवश्यकता रखता है, क्योंकि संख्यात्मक साक्ष्य एकदिशता का सुझाव देते हैं लेकिन एक कठोर प्रमाण कठिन है। भविष्य के शोध में अधिक जटिल निर्भरता संरचनाओं को कैप्चर करने के लिए पदानुक्रमित (hierarchical) आर्किमेडियन और वाइन (vine) कोपुलों का पता लगाने का प्रस्ताव है।

मुख्य चित्र: "सबसे खराब स्थिति" वाले तूफान को मापना

समस्या: जहाज एक साथ कैसे चलते हैं

मुख्य खोज: एक नया फॉर्मूला

प्रयोगों से मुख्य निष्कर्ष

निष्कर्ष

इसी तरह के और पेपर