💰 quantitative finance

A Prior-Predictive Monte Carlo Framework for Pricing Complex Data Products in Data-Poor Markets

यह शोध पत्र एक प्रायोर-प्रेडिक्टिव मोंटे कार्लो ढांचे को प्रस्तुत करता है जो संभावित सौदा संरचनाओं का अनुकरण करके और विशेषज्ञ अंतर्ज्ञान को भविष्य के बेयसियन अपडेटिंग के साथ जोड़कर, डेटा-दुर्लभ बाजारों में जटिल डेटा उत्पादों के लिए ऑडिट करने योग्य, संभाव्य मूल्य सीमाएं उत्पन्न करता है।

मूल लेखक: Adam L. Siemiatkowski, Victor Zhirnov, Kashyap Yellai, Gabriella Bein, Terresa Zimmerman

प्रकाशित 2026-02-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Adam L. Siemiatkowski, Victor Zhirnov, Kashyap Yellai, Gabriella Bein, Terresa Zimmerman

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

कल्पना कीजिए कि आप एक बहुत ही दुर्लभ, जटिल रेसिपी (नुस्खा) बेचने की कोशिश कर रहे हैं। लेकिन यहाँ एक पेच है: आज तक किसी ने इस सटीक रेसिपी को बेचा नहीं है, बाजार में कोई मूल्य टैग (price tag) मौजूद नहीं है, और इस रेसिपी का मूल्य इस बात पर बहुत अधिक निर्भर करता है कि इसे कौन खरीद रहा है और वे इसका क्या करने वाले हैं।

यह समस्या उस शोध पत्र (paper) द्वारा हल की गई है जिसे आप पढ़ रहे हैं: आप जटिल डेटा (जैसे सेमीकंडक्टर मैन्युफैक्चरिंग लॉग्स) पर उचित कीमत कैसे तय करें जब बिक्री का कोई पिछला इतिहास उपलब्ध न हो?

पारंपरिक तरीके यहाँ विफल हो जाते हैं। आप केवल पिछले सेल्स के स्प्रेडशीट का उपयोग नहीं कर सकते क्योंकि वे मौजूद ही नहीं हैं। आप जटिल AI का उपयोग भी नहीं कर सकते क्योंकि AI को सीखने के लिए डेटा के पहाड़ों की आवश्यकता होती है, और इस "डेटा-गरी" (data-poor) दुनिया में, डेटा गायब है।

यहाँ लेखकों के समाधान का सरल अवधारणाओं में विवरण दिया गया है:

1. "क्या होगा अगर" का खेल (मोंटे कार्लो फ्रेमवर्क)

एक एकल संख्या (जैसे "$500") का अनुमान लगाने के बजाय, लेखक एक विशाल "क्या होगा अगर?" (What If?) का खेल खेलने का सुझाव देते हैं, जिसे हजारों बार चलाया जाता है।

इसे मौसम के पूर्वानुमान की तरह समझें। एक मौसम विज्ञानी यह नहीं कहता कि "दोपहर 2:03 बजे बारिश होगी।" इसके बजाय, वे वायुमंडल के हजारों कंप्यूटर सिमुलेशन चलाते हैं। कुछ सिमुलेशन हल्की बूंदाबांदी दिखाते हैं, कुछ तूफान दिखाते हैं, और कुछ धूप। फिर वे आपको बताते हैं: "दोपहर 1 बजे से 4 बजे के बीच बारिश होने की 95% संभावना है।"

यह पेपर मूल्य निर्धारण के लिए भी यही करता है। यह हजारों अलग-अलग "मूल्य निर्धारण दुनियाओं" (pricing worlds) का सिमुलेशन करता है। कुछ दुनियाओं में, तकनीक बहुत मूल्यवान है; अन्य में, खरीदार कम रुचि रखता है। इन सिमुलेशन को चलाकर, मॉडल आपको केवल एक कीमत नहीं देता; यह आपको संभावित कीमतों की एक सीमा (एक "प्राइस बैंड") देता है।

P5: वह कीमत यदि चीजें बहुत खराब होती हैं (न्यूनतम स्तर/floor)।
P50: सबसे संभावित कीमत (मध्यम स्तर)।
P95: वह कीमत यदि चीजें बहुत शानदार होती हैं (अधिकतम स्तर/ceiling)।

2. रेसिपी की सामग्री (मल्टीप्लायर्स/गुणांक)

इन सिमुलेशन को चलाने के लिए, मॉडल को यह जानने की आवश्यकता है कि क्या चीज़ डेटा को मूल्यवान बनाती है। लेखक मूल्य को पांच "सामग्रियों" या मल्टीप्लायर्स में विभाजित करते हैं:

टेक्नोलॉजी नोड (Technology Node): चिप कितनी उन्नत है? (जैसे, 10nm की तुलना में 3nm अधिक मूल्यवान है)।
कवरेज (Coverage): डेटा कितनी विभिन्न प्रक्रियाओं को कवर करता है?
गुणवत्ता और ताज़गी (Quality & Freshness): क्या डेटा साफ और हालिया है, या पुराना और अव्यवस्थित?
उपयोगिता (Utility): खरीदार इस डेटा का उपयोग करके कितना पैसा बचा सकता है या कमा सकता है?
अधिकार (Rights): क्या खरीदार इसे पुन: बेच सकता है? क्या वे इसका उपयोग अपना खुद का AI प्रशिक्षित करने के लिए कर सकते हैं?

उपमा (Analogy): कल्पना कीजिए कि आप एक पिज्जा की कीमत तय कर रहे हैं।

आधार मूल्य (Base Price) आटे और सॉस की लागत है (किसी भी डेटा का न्यूनतम मूल्य)।
मल्टीप्लायर्स टॉपिंग्स हैं। यदि आप इसमें "3nm टेक्नोलॉजी" जोड़ते हैं, तो यह "ट्रफल ऑयल" जोड़ने जैसा है (उच्च मल्टीप्लायर)। यदि आप "पुराना डेटा" जोड़ते हैं, तो यह "बासी ब्रेड" जोड़ने जैसा है (कम मल्टीप्लायर)।
मॉडल अंतिम लागत प्राप्त करने के लिए आधार मूल्य को इन सभी कारकों से गुणा करता है।

3. "विशेषज्ञ राय" का सुरक्षा जाल (प्रतिबंध/Constraints)

चूंकि वास्तविक बिक्री का डेटा नहीं है, इसलिए मॉडल विशेषज्ञ निर्णय पर निर्भर करता है। विशेषज्ञ कहते हैं, "हमें लगता है कि 3nm डेटा आधार मूल्य का लगभग 1.65 गुना मूल्यवान है।"

लेकिन विशेषज्ञ गलत या बहुत आशावादी भी हो सकते हैं। मॉडल को असंभव कीमतें (जैसे एक सिंगल फाइल के लिए $1 बिलियन) बनाने से रोकने के लिए, लेखक इसमें नियम (constraints) जोड़ते हैं।

नियम: "चाहे जो भी हो, उन्नत तकनीक के लिए कीमत नकारात्मक नहीं हो सकती, और न ही यह आधार मूल्य का 100 गुना हो सकती है।"
परिणाम: कंप्यूटर हजारों सिमुलेशन चलाता है, लेकिन यदि कोई सिमुलेशन नियमों को तोड़ता है, तो उसे बाहर निकाल दिया जाता है और दोबारा किया जाता है। यह सुनिश्चित करता है कि अंतिम मूल्य सीमा "व्यावसायिक रूप से यथार्थवादी" हो।

4. केस स्टडी: सेमीकंडक्टर डेटासेट की प्राइसिंग

यह पेपर एक काल्पनिक सौदे पर इसका परीक्षण करता है: एक कंपनी 3nm चिप्स बनाने के बारे में 5 पेटाबाइट (Petabytes) डेटा खरीदना चाहती है।

वे "सामग्री" (ingredients) डालते हैं (3nm तकनीक, उच्च उपयोगिता, विशिष्ट अधिकार)।
वे कंप्यूटर को 5,000 सिमुलेशन चलाने देते हैं।
आउटपुट: मॉडल यह कहने के बजाय कि "कीमत $1.8 मिलियन है," यह कहता है:
- निचला स्तर: $0.9 मिलियन (यदि खरीदार सतर्क है)।
- सबसे संभावित: $1.8 मिलियन।
- उच्च स्तर: $3.7 मिलियन (यदि डेटा एक खजाना है)।

5. हम सिर्फ AI का उपयोग क्यों नहीं कर सकते?

लेखक तर्क देते हैं कि अभी फैंसी मशीन लर्निंग (AI) का उपयोग करना एक बुरा विचार है।

उपमा: कल्पना कीजिए कि आप एक कुत्ते को शेयर बाजार की भविष्यवाणी करना सिखाने की कोशिश कर रहे हैं, लेकिन आप उसे केवल तीन उदाहरण दिखाते हैं। कुत्ता भ्रमित हो जाएगा और अजीबोगरीब अनुमान लगाएगा।
वास्तविकता: AI को "डेटा-समृद्ध" (data-rich) वातावरण की आवश्यकता होती है। "डेटा-गरी" (data-poor) बाजारों में (जैसे नए तकनीकी क्षेत्र), AI बहुत जटिल और अविश्वसनीय होता है। लेखकों की विधि सरल, तेज़ और पारदर्शी है। यह बताता है कि कीमत क्यों है (मल्टीप्लायर्स के कारण), जबकि AI अक्सर एक "ब्लैक बॉक्स" होता है जो बिना कारण बताए केवल एक नंबर दे देता है।

6. भविष्य: चलते-चलते सीखना

इस प्रणाली की सबसे अच्छी बात यह है कि यह एक "जीवित" मॉडल है।

शुरुआत: आप विशेषज्ञ अनुमानों ("प्रायर" - Prior) के साथ शुरू करते हैं।
विकास: जैसे-जैसे कंपनी वास्तव में बिक्री करती है और वास्तविक लेनदेन डेटा एकत्र करती है, वे उस डेटा को मॉडल में वापस फीड कर सकते हैं।
अपडेट: मॉडल अपने "अनुमानों" को वास्तविकता के अनुरूप अपडेट करता है, जिससे यह बिना दोबारा बनाए और भी सटीक होता जाता है।

सारांश

यह पेपर एक पारदर्शी, नियम-आधारित सिमुलेशन सिस्टम का प्रस्ताव करता है ताकि जटिल डेटा की कीमत तब तय की जा सके जब कोई ऐतिहासिक कीमतें मौजूद न हों। यह एक एकल, मनमाने अनुमान के बजाय, विशेषज्ञ की राय, व्यावसायिक नियमों और हजारों "क्या होगा अगर" परिदृश्यों से प्राप्त संभावित सीमा (एक सुरक्षित ज़ोन) से बदल देता है। यह स्वीकार करता है कि नियम सेट करने के लिए मानवीय निर्णय की अभी भी आवश्यकता है, लेकिन यह गणित का उपयोग यह सुनिश्चित करने के लिए करता है कि वे निर्णय सुसंगत, निष्पक्ष और ऑडिट योग्य हों।

तकनीकी सारांश: डेटा-दुर्बल बाजारों में जटिल डेटा उत्पादों की कीमत निर्धारण के लिए एक प्रायर-प्रेडिक्टिव मोंटे कार्लो फ्रेमवर्क

समस्या विवरण
उन्नत डेटा उत्पादों, विशेष रूप से सेमीकंडक्टर विनिर्माण जैसे जटिल क्षेत्रों में, मूल्य निर्धारण (प्राइसिंग) करना एक मौलिक चुनौती पेश करता है क्योंकि सार्वजनिक रूप से उपलब्ध लेनदेन डेटा की भारी कमी है। मौजूदा डेटासेट अक्सर गोपनीय, अत्यधिक अनुकूलित और विषम होते हैं। पारंपरिक मूल्य निर्धारण विधियाँ अनौपचारिक 'मल्टीप्लायर टेबल्स' या मनमाने अनुमानों पर निर्भर करती हैं, जो अनिश्चितता को मापने में विफल रहती हैं, समान लेनदेन के बीच असंगत परिणाम देती हैं, और मूल्य के प्रेरकों (ड्राइवर्स) को स्पष्ट नहीं कर पाती हैं। इसके अलावा, मानक रिग्रेशन या मशीन लर्निंग दृष्टिकोण इन "डेटा-दुर्बल" वातावरणों के लिए उपयुक्त नहीं हैं क्योंकि उन्हें पहचानने योग्य होने के लिए विशाल ऐतिहासिक अवलोकन सेटों की आवश्यकता होती है, जो उभरते हुए उन्नत प्रौद्योगिकी बाजारों में शायद ही कभी पूरा होता है।

कार्यप्रणाली
लेखक एक प्रायर-पविडिक्टिव, कंस्ट्रेंट-गवर्नड मोंटे कार्लो प्राइसिंग फ्रेमवर्क का प्रस्ताव करते हैं, जिसे ऐतिहासिक लेनदेन डेटा पर निर्भर रहने के बजाय निष्पक्ष, सुसंगत और न्यायसंगत मूल्य सीमाएं उत्पन्न करने के लिए डिज़ाइन किया गया है। यह कार्यप्रणाली विशेषज्ञ निर्णय को निम्नलिखित घटकों के माध्यम से एक ऑडिट करने योग्य गणितीय मॉडल में औपचारिक रूप देती है:

आर्थिक संरचना: मॉडल मूल्य ( $p$ ) को एक बेसलाइन एंकर ( $b_0$ ) और सकारात्मक मल्टीप्लायर्स ( $x$ ) के एक वेक्टर के मल्टीप्लिकेटिव फंक्शन के रूप में परिभाषित करता है, जो प्रमुख मूल्य चालक (value drivers) हैं: टेक्नोलॉजी नोड (TN), प्रोसेस कवरेज (COV), क्वालिटी और फ्रेशनेस (QF), यूटिलिटी (UTIL), और लाइसेंसिंग राइट्स (RIGHTS)।
- संरचनात्मक समीकरण है: $p_i = b_0 \prod_{j \in \mathbb{J}} x_{i,j}^{\beta_j} \varepsilon_i$ ।
- लॉग-स्पेस में, यह एक लीनियर मॉडल बन जाता है: $\ln(p_i) = \alpha + \sum \beta_j \ln(x_{i,j}) + \eta_i$ , जहाँ $\eta_i$ रेसिडुअल नॉइज़ (अवशिष्ट शोर) का प्रतिनिधित्व करता है।
संभाव्यता सूत्रीकरण (Probabilistic Formulation):
- प्रायर्स (Priors): डेटा से पैरामीटर्स का अनुमान लगाने के बजाय, मॉडल पैरामीटर्स को प्रायर डिस्ट्रीब्यूशन असाइन करता है: $\alpha$ (लॉग-बेसलाइन), $\beta$ (इलास्टिसिटी), और $\sigma$ (नॉइज़)। ये प्रायर्स मूल्य चालकों के बारे में विशेषज्ञ विश्वासों को समाहित करते हैं।
- प्रतिबंध (Constraints): व्यावसायिक यथार्थवाद (जैसे, मोनोटोनिसिटी, पॉजिटिव इलास्टिसिटी, प्रीमियम कैप) को लागू करने के लिए, पैरामीटर स्पेस को एक उपसमुच्चय $\Theta_C$ तक सीमित किया जाता है। मॉडल रिजेक्शन सैंपलिंग का उपयोग करके एक कंडीशनल प्रायर $\pi_C(\cdot) = \pi(\cdot \mid \theta \in \Theta_C)$ से नमूने लेता है।
- डील मिक्स: फ्रेमवर्क लेनदेन के गुणों ( $A$ ) पर एक संभाव्यता वितरण को शामिल करता है ताकि "डील्स के मिश्रण" या सेल्स पाइपलाइन का अनुकरण किया जा सके।
सिमुलेशन इंजन:
- फ्रेमवर्क एक "ट्राइएंगुलर एरे" उत्पन्न करता है जो कंस्ट्रेंड प्रायर से पैरामीटर्स ( $\theta$ ) और डील मिक्स डिस्ट्रीब्यूशन से एट्रिब्यूट्स ( $A$ ) लेकर बनाया जाता है।
- यह मल्टीप्लायर्स ( $x = g(A)$ ) की गणना करता है और हजारों "प्राइसिंग वर्ल्ड्स" (पैरामीटर ड्रॉ) और नॉइज़ रियलाइजेशन के माध्यम से कीमतें ( $P$ ) सिम्युलेट करता है।
- आउटपुट एक एकल पॉइंट एस्टीमेट नहीं है, बल्कि कीमतों का एक प्रायर-प्रेडिक्टिव डिस्ट्रीब्यूशन है, जिसे संभाव्य बैंड्स (P5, P50, P95) द्वारा संक्षिप्त किया गया है।

प्रमुख योगदान

डेटा-दुर्बल अनुप्रयोग क्षमता: यह फ्रेमवर्क पेशेवर अनुभव और डेटा-संचालित मूल्य निर्धारण के बीच के अंतर को पाटता है, क्योंकि यह ऐतिहासिक लेनदेन डेटा की अनुपस्थिति में भी प्रभावी ढंग से कार्य करता है—एक ऐसी स्थिति जहाँ मशीन लर्निंग मॉडल आमतौर पर विफल हो जाते हैं।
संभाव्य आउटपुट: यह मूल्य निर्धारण को मनमाने पॉइंट एस्टीमेट से हटाकर ऑडिट करने योग्य और दोहराने योग्य संभाव्यता वितरणों (प्राइस बैंड्स) में बदल देता है, जो अनिश्चितता और जोखिम को स्पष्ट रूप से मापता है।
प्रतिबंध प्रवर्तन: कंस्ट्रेंट-ट्रंकेटेड प्रायर्स का उपयोग करके, मॉडल यह सुनिश्चित करता है कि सभी उत्पन्न कीमतें व्यावसायिक नियमों (जैसे, यह सुनिश्चित करना कि कीमतें अत्यधिक न बढ़ें या नकारात्मक न हों) का पालन करें, जबकि गणितीय कठोरता बनाए रखें।
स्केलेबिलिटी और दक्षता: लॉग-लीनियर आर्किटेक्चर $O(TN|\mathbb{J}|)$ कम्प्यूटेशनल कॉम्प्लेक्सिटी की अनुमति देता है, जिससे यह सिमुलेशन के लिए पुनरावृत्त (iterative) मशीन लर्निंग मॉडल की तुलना में काफी अधिक कुशल हो जाता है।
बायेसियन विकास: मॉडल को एक 'पोस्टीरियर-प्रेडिक्टिव' फ्रेमवर्क में निर्बाध रूप से संक्रमण करने के लिए डिज़ाइन किया गया है। जैसे-जैसे उद्यम वास्तविक लेनदेन डेटा एकत्र करता है, प्रायर्स को बायेसियन विधियों के माध्यम से अपडेट किया जा सकता है ताकि वे अनुभवजन्य रूप से निर्धारित मूल्यों के इर्द-गिर्द केंद्रित हो सकें।

केस स्टडी परिणाम
लेखकों ने इस फ्रेमवर्क को एक काल्पनिक सेमीकंडक्टर लेनदेन पर लागू किया जिसमें 3 nm चिप फैब्रिकेशन डेटा (5 PB इमेजरी/लॉग्स) शामिल था।

इनपुट: विशेषज्ञों ने टेक्नोलॉजी नोड (1.65), कवरेज (1.29), क्वालिटी/फ्रेशनेस (1.21), यूटिलिटी (1.57), और राइट्स (1.64) के लिए मल्टीप्लायर्स को परिभाषित किया।
सिमुलेशन: 5,000 पैरामीटर ड्रॉ और 10 नॉइज़ ड्रॉ प्रति वर्ल्ड का उपयोग करते हुए, मॉडल ने एक प्राइस डिस्ट्रीब्यूशन तैयार किया।
आउटपुट:
- प्रति MB मूल्य: P5 ( $1.69 \times 10^{-4}$ ), P50 ( $3.46 \times 10^{-4}$ ), P95 ( $7.06 \times 10^{-4}$ )।
- प्रति GB मूल्य: $0.173 (P5),$ 0.355 (P50), $0.723 (P95)।
- कुल अनुबंध मूल्य (5,368,709,120 MB): $0.909M (P5)** से **$ 3.789M (P95) के बीच, जिसका मध्य मान (median) $1.859M है।

महत्व और सीमाएं
पेपर का दावा है कि यह डेटा-दुर्बल बाजारों में "ब्लैक बॉक्स" प्राइसिंग के लिए एक संरचित, पारदर्शी विकल्प प्रदान करके महत्वपूर्ण है। यह तर्क देता है कि जबकि मशीन लर्निंग मॉडल को डेटा-समृद्ध वातावरण की आवश्यकता होती है और उनमें व्याख्यात्मकता की कमी होती है, यह फ्रेमवर्क विशेषज्ञ निर्णय का लाभ उठाकर एक निष्पक्ष मूल्य निर्धारण प्रणाली बनाता है जो गणितीय रूप से कठोर और अनुकूलनीय है।

हालाँकि, लेखक विनम्रतापूर्वक अंतर्निहित सीमाओं को स्वीकार करते हैं:

विशेषज्ञ निर्णय पर निर्भरता: मॉडल स्वतंत्र रूप से "वास्तविक" बाजार मूल्य की खोज नहीं कर सकता; यह पूरी तरह से प्रारंभिक विशेषज्ञ इनपुट (प्रायर्स) की गुणवत्ता पर निर्भर है। खराब तरीके से निर्मित प्रायर्स खराब परिणाम देंगे।
विषयपरकता (Subjectivity): मानवीय तत्व को समाप्त नहीं किया गया है, बल्कि गणितीय रूप से औपचारिक बनाया गया है। मॉडल इनपुट के आधार पर एक "उचित बिक्री मूल्य" की खोज करता है न कि एक वस्तुनिष्ठ बाजार मूल्य की।
भविष्य की अनुकूलन क्षमता: फ्रेमवर्क को विकसित होने के लिए डिज़ाइन किया गया है। जैसे-जैसे डेटा संचित होता है, यह दुर्लभ डील कॉन्फ़िगरेशन के लिए अनुमानों को परिष्कृत करने के लिए आंशिक पूलिंग (partial pooling) और पदानुक्रमित बायेसियन अपडेट (hierarchical Bayesian updates) को शामिल कर सकता है, जिससे लेनदेन के इतिहास के बढ़ने के साथ अधिक सूक्ष्म शोर कारकों (जैसे, तात्कालिकता, अनुबंध आकार) को एकीकृत किया जा सकता है।