💻 computer science

Efficient Counterfactual Estimation of Conditional Greeks via Malliavin-based Weak Derivatives

यह शोध पत्र डिफ्यूजन प्रक्रियाओं के लिए कंडीशनल ग्रीक्स (conditional Greeks) का अनुमान लगाने के लिए मैलियाविन कैलकुलस (Malliavin calculus) पर आधारित एक कुशल, कर्नेल-मुक्त द्वि-चरणीय पद्धति प्रस्तावित करता है, जो नैव मोंटे कार्लो (naive Monte Carlo) और कर्नेल स्मूथिंग की अक्षमताओं को दूर करते हुए सटीक स्कोरोहोड इंटीग्रल (Skorohod integral) निरूपण और स्थिर विचरण (constant variance) के साथ कमजोर अवकलज अनुमान प्रदान करता है, यहाँ तक कि दुर्लभ-घटना (rare-event) शासन में भी।

मूल लेखक: Vikram Krishnamurthy, Luke Snow

प्रकाशित 2026-02-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vikram Krishnamurthy, Luke Snow

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

एक बड़ी तस्वीर: शेयर बाजार के "क्या होगा अगर" की भविष्यवाणी करना

कल्पना कीजिए कि आप एक वित्तीय विश्लेषक हैं जो यह अनुमान लगाने की कोशिश कर रहे हैं कि एक स्टॉक पोर्टफोलियो कैसा व्यवहार करेगा। आमतौर पर, आप कई संभावित भविष्य के औसत परिणाम को देखते हैं। लेकिन कभी-कभी, आपको एक बहुत ही विशिष्ट, कठिन प्रश्न का उत्तर देने की आवश्यकता होती है: "पोर्टफोलियो कैसा होगा यदि कल दोपहर स्टॉक की कीमत ठीक $100 हो जाए?"

वास्तविक दुनिया में, किसी विशेष सेकंड पर स्टॉक का ठीक $100.000000 होना लगभग असंभव है। यह एक अदृश्य लक्ष्य पर आंखों पर पट्टी बांधकर निशाना लगाने जैसा है।

यह शोध पत्र इन "क्या होगा अगर" परिदृश्यों (जिसे वित्त में कंडीशनल ग्रीक्स (conditional Greeks) कहा जाता है) की गणना करने की समस्या को हल करता है, जब वह घटना जिसे आप खोज रहे हैं इतनी दुर्लभ हो कि मानक कंप्यूटर सिमुलेशन विफल हो जाते हैं।

समस्या: "भूसे के ढेर में सुई" वाली स्थिति

लेखक बताते हैं कि यदि आप इसे मानक तरीकों (जिन्हें मोंटे कार्लो सिमुलेशन (Monte Carlo simulations) कहा जाता है) का उपयोग करके हल करने का प्रयास करते हैं, तो आप वास्तव में एक बोर्ड पर डार्ट फेंक रहे हैं और उम्मीद कर रहे हैं कि कोई एक उस अदृश्य $100 के निशान पर जाकर गिरे।

नाइव अप्रोच (Naive Approach): आप लाखों स्टॉक पथों का सिमुलेशन करते हैं। उनमें से लगभग कोई भी ठीक $100 पर नहीं पहुंचता। आपको अपने विशिष्ट प्रश्न के लिए शून्य डेटा प्राप्त होता है।
पुराना समाधान (Kernel Smoothing): इसे ठीक करने के लिए, लोग पहले कहते थे, "ठीक है, आइए किसी भी पथ को गिनें जो $99.90 और$ 100.10 के बीच पहुंचता है।" यह आपके लक्ष्य को चौड़ा करने जैसा है। लेकिन लेखक कहते हैं कि यह धीमा और गलत है। यह एक धुंधले थर्मामीटर को देखकर सटीक तापमान बताने की कोशिश करने जैसा है; आप रीडिंग प्राप्त करने के लिए इसे जितना अधिक धुंधला करेंगे, आपका उत्तर उतना ही कम सटीक होता जाएगा।

समाधान: एक दो-चरणीय जादू का खेल

लेखक एक नया, "कर्नेल-मुक्त" (kernel-free) तरीका प्रस्तावित करते हैं जिसे लक्ष्य को चौड़ा करने की आवश्यकता नहीं है। इसके बजाय, यह समस्या को आसानी से हल करने के लिए दो गणितीय उपकरणों का उपयोग करता है।

चरण 1: "घोस्ट पाथ" (मैलिएविन कैलकुलस - Malliavin Calculus)

सोचिए कि स्टॉक की कीमत एक बहती हुई नदी है जो यादृच्छिक रूप से बह रही है। लेखक मैलिएविन कैलकुलस (Malliavin Calculus) (विशेष रूप से स्कोरोहोड इंटीग्रल (Skorohod integral)) नामक गणित की एक शाखा का उपयोग करके एक जादू करते हैं।

उन दुर्लभ पथों को खोजने के बजाय जो $100 के निशान पर पहुँचते हैं, वे प्रश्न को गणितीय रूप से फिर से लिखते हैं। वे दिखाते हैं कि आप उत्तर की गणना सभी पथों (सामान्य और दुर्लभ दोनों) को देखकर और उन पर एक विशेष "वेट" (weight) या "फिल्टर" लागू करके कर सकते हैं।

उपमा: कल्पना कीजिए कि आप जानना चाहते हैं कि एक स्टेडियम में एक विशिष्ट, अदृश्य रेखा पर खड़े लोगों की औसत ऊंचाई क्या है। उन लोगों को खोजने के बजाय जो बिल्हीं उस रेखा पर खड़े हैं, आप स्टेडियम में मौजूद सभी लोगों से खड़े होने और एक साइन बोर्ड पकड़ने के लिए कहते हैं। जो लोग रेखा के करीब हैं वे एक बड़ा साइन बोर्ड पकड़ते हैं, और जो दूर हैं वे एक छोटा साइन बोर्ड पकड़ते हैं। उन सभी साइन बोर्डों का औसत निकालकर, आप उस अदृश्य रेखा के लिए उत्तर को गणितीय रूप से पुनर्गठित कर सकते हैं, बिना कभी किसी ऐसे व्यक्ति को खोजे जो ठीक उसी रेखा पर खड़ा हो।
परिणाम: यह उन्हें मानक, तेज़ कंप्यूटर सिमुलेशन का उपयोग करने की अनुमति देता है, भले ही वे उन घटनाओं के लिए हों जिनकी संभावना शून्य है।

चरण 2: "स्प्लिट-पाथ" (वीक डेरिवेटिव्स - Weak Derivatives)

एक बार जब उनके पास "क्या होगा अगर" परिदृश्य का सूत्र होता है, तो उन्हें यह जानने की आवश्यकता होती है कि मॉडल में बदलाव के प्रति उत्तर कितना संवेदनशील है (उदाहरण के लिए, यदि अस्थिरता बदलती है, तो क्या कीमत बदलती है?)। यह ग्रेडिएंट (gradient) या ग्रीक (Greek) है।

इसके लिए मानक तरीके हर सेकंड एक फोटो लेने और धुंधली छवियों की तुलना करने के माध्यम से कार की गति मापने जैसे हैं। जैसे-जैसे यात्रा लंबी होती जाती है (अधिक टाइम स्टेप्स), माप में त्रुटि बहुत बड़ी हो जाती है।

लेखकों का समाधान: वे वीक डेरिवेटिव्स (Weak Derivatives) का उपयोग करते हैं।
उपमा: कल्पना कीजिए कि आप एक दौड़ में भाग ले रहे हैं। अपनी धुंधली स्थिति वाली तस्वीरों को देखने के बजाय, आप कल्पना करते हैं कि आपका एक "फैंटम ट्विन" (परछाई जैसा जुड़वा) आपके साथ दौड़ रहा है। एक विशिष्ट क्षण पर, आप और आपका जुड़वा एक छोटा, अलग कदम उठाते हैं। फिर आप अपने फिनिशिंग समय की तुलना करते हैं। क्योंकि आपने केवल एक कदम बदला और बाकी सब कुछ समान रखा (उसी "नॉइज़" या यादृच्छिक कारकों का उपयोग करके), अंतर बहुत स्पष्ट और सटीक होता है, चाहे दौड़ कितनी भी लंबी क्यों न हो।
परिणाम: उनका तरीका त्रुटि (वेरिएंस) को कम और स्थिर रखता है, जबकि पुराने तरीके लंबे समय के दौरान बदतर होते जाते हैं।

यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

लेखकों ने एक मानक वित्तीय मॉडल (ब्लैक-स्कोल्स) पर एक "तनावपूर्ण" स्थिति (स्टॉक को आधे रास्ते में एक विशिष्ट कीमत पर मजबूर करना) के साथ इसका परीक्षण किया।

गति: उनका तरीका मानक सिमुलेशन की तरह ही तेजी से अभिसरण (converge) करता है (सही उत्तर तक पहुँचता है), भले ही वे "असंभव" घटनाओं के साथ काम कर रहे हों।
स्थिरता: संवेदनशीलता (ग्रीक) की गणना करने का उनका तरीका लंबे समय तक सटीक रहता है, जबकि पुराने तरीके शोर (noisy) से भरे और बेकार हो जाते हैं।

सारांश

यह शोध पत्र वित्त में "क्या होगा अगर?" प्रश्नों का उत्तर देने का एक नया तरीका प्रस्तुत करता है, जब "यदि" ऐसी घटना हो जो इतनी दुर्लभ है कि सांख्यिकीय रूप से असंभव है।

पुराना तरीका: बुल्सआई (केंद्र) पर निशाना लगाने के लिए डार्ट फेंकना (जो असंभव है) या लक्ष्य को चौड़ा करना (जो धीमा और धुंधला है)।
नया तरीका: फेंके गए सभी डार्ट्स को मापने के लिए एक गणितीय "फिल्टर" (मैलिएविन) का उपयोग करना, और परिवर्तनों को सटीक रूप से मापने के लिए एक "फैंटम ट्विन" तकनीक (वीक डेरिवेटिव्स) का उपयोग करना।

यह वित्तीय इंजीनियरों को दुर्लभ, चरम बाजार की घटनाओं के लिए जोखिम और संवेदनशीलता की कुशलतापूर्वक और सटीक रूप से गणना करने की अनुमति देता है, बिना अरबों बेकार पथों का सिमुलेशन किए।

तकनीकी सारांश: मॉलियाविन-आधारित दुर्बल डेरिवेटिव्स के माध्यम से सशर्त ग्रीक्स का कुशल प्रतितथ्यात्मक अनुमान (Efficient Counterfactual Estimation of Conditional Greeks via Malliavin-based Weak Derivatives)

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र डिफ्यूजन प्रक्रियाओं (diffusion processes) के लिए एक सशर्त लॉस फंक्शनल (conditional loss functional) के ग्रेडिएंट का अनुमान लगाने की चुनौती को संबोधित करता है, जो क्वांटिटेटिव फाइनेंस में "सशर्त ग्रीक्स" (conditional Greeks) की गणना करने के रूप में जानी जाने वाली एक समस्या है। विशेष रूप से, लेखक निम्नलिखित का अनुमान लगाने का लक्ष्य रखते हैं:
$\nabla_\theta L(\theta) = \nabla_\theta \mathbb{E}[\ell(X^\theta) \mid g(X^\theta) = 0]$
जहाँ $X^\theta$ एक डिफ्यूजन प्रक्रिया है जो $\theta$ द्वारा पैरामीटराइज्ड स्टोकेस्टिक डिफरेंशियल इक्वेशन (SDE) द्वारा नियंत्रित होती है, $\ell$ एक लॉस फंक्शनल है, और $g(X^\theta)=0$ एक कंडीशनिंग इवेंट (conditioning event) है।

मुख्य कठिनाइयाँ:

शून्य-प्रायिकता कंडीशनिंग (Zero-Probability Conditioning): कई वित्तीय अनुप्रयोगों में (जैसे, बैरियर ऑप्शंस, या स्ट्रेस टेस्टिंग जहाँ समय $T/2$ पर एक एसेट एक विशिष्ट स्तर $s$ तक पहुँचता है), कंडीशनिंग इवेंट $\{g(X^\theta) = 0\}$ में शून्य प्रायिकता (measure-zero) होती है।
नाइव विधियों की अक्षमता (Inefficiency of Naive Methods): मानक मोंटे कार्लो अनुमानक (Monte Carlo estimators) विफल हो जाते हैं क्योंकि यह इवेंट शायद ही कभी या कभी नहीं देखा जाता।
कर्नेल स्मूथिंग की सीमाएँ (Limitations of Kernel Smoothing): जबकि कर्नेल स्मूथिंग (डिराक डेल्टा को बैंडविड्थ $\Delta$ के साथ अनुमानित करना) एक सामान्य समाधान है, यह धीमी अभिसरण दर (convergence rates) से ग्रस्त है, विशेष रूप से उच्च आयामों या दुर्लभ घटनाओं (rare events) के लिए, और यह बैंडविड्थ पर निर्भर बायस (bias) उत्पन्न करता है।
ग्रेडिएंट अनुमान में विचरण (Variance in Gradient Estimation): मौजूदा ग्रेडिएंट अनुमान विधियाँ, जैसे कि स्कोर फंक्शन विधि (score function method), में विचरण (variance) समय क्षितिज $T$ के साथ रैखिक रूप से बढ़ता है ( $O(T)$ ), जो इसे लंबे क्षितिज के लिए कम्प्यूटेशनल रूप से निषेधात्मक बनाता है।

2. कार्यप्रणाली (Methodology)

लेखक एक दो-चरणीय, कर्नेल-मुक्त कार्यप्रणाली प्रस्तावित करते हैं जो लॉस इवैल्यूएशन के लिए मॉलियाविन कैलकुलस (Malliavin calculus) और ग्रेडिएंट अनुमान के लिए दुर्बल डेरिवेटिव्स (weak derivatives) को जोड़ती है।

चरण 1: मॉलियाविन कैलकुलस के माध्यम से लॉस इवैल्यूएशन

शून्य-प्रायिकता कंडीशनिंग इवेंट को संभालने के लिए, लेखक सशर्त प्रत्याशा (conditional expectation) को पुनर्गठित करने के लिए मॉलियाविन कैलकुलस का उपयोग करते हैं।

स्कोरोड इंटीग्रल प्रतिनिधित्व (Skorohod Integral Representation): वे दिखाते हैं कि सशर्त लॉस $L(\theta)$ को दो अनकंडीशनल प्रत्याशाओं के अनुपात के रूप में सटीक रूप से व्यक्त किया जा सकता है:
$L(\theta) = \frac{\mathbb{E}[\mathbb{1}_{\{g(X^\theta)>0\}} (\ell(X^\theta)S(u) - \int_0^T (D_t\ell(X^\theta))u_t dt)]}{\mathbb{E}[\mathbb{1}_{\{g(X^\theta)>0\}} S(u)]}$
यहाँ, $S(u)$ एक स्कोरोड इंटीग्रल है, $D_t$ मॉलियाविन डेरिवेटिव है, और $u$ एक ऐसी प्रक्रिया है जो $D_t g(X^\theta)$ से जुड़ी एक विशिष्ट नॉर्मलाइजेशन स्थिति को संतुष्ट करती है।
लाभ: यह प्रतिनिधित्व अनकन्स्ट्रेंड पाथ्स (unconstrained paths) पर शास्त्रीय मोंटे कार्लो सिमुलेशन के उपयोग की अनुमति देता है। यह अनुमानक $N$ नमूनों (samples) के लिए मानक $O(1/\sqrt{N})$ अभिसरण दर प्राप्त करता है, भले ही इवेंट 'मेजर-जीरो' हो, जिससे कर्नेल बैंडविड्थ या प्रत्यक्ष कंडीशनिंग की आवश्यकता समाप्त हो जाती है।

चरण 2: दुर्बल डेरिवेटिव्स के माध्यम से ग्रेडिएंट अनुमान

एक बार जब लॉस को अनकंडीशनल प्रत्याशाओं के अनुपात के रूप में प्रस्तुत कर दिया जाता है, तो लेखक $\nabla_\theta L(\theta)$ के ग्रेडिएंट के अनुमान पर काम करते हैं।

हाहन-जोर्डन अपघटन (Hahn-Jordan Decomposition): स्कोर फंक्शन विधि (जो लाइक्लीहुड को डिफरेंशिएट करती है और $O(T)$ विचरण उत्पन्न करती है) के बजाय, लेखक ट्रांजिशन कर्नेल के मेजर-वैल्यूड डेरिवेटिव के हाहन-जोर्डन अपघटन पर आधारित एक दुर्बल डेरिवेटिव दृष्टिकोण का उपयोग करते हैं।
सिंगल-रन अनुमानक (Single-Run Estimator): वे एक "सिंगल-रन" एल्गोरिदम (एल्गोरिदम 1) विकसित करते हैं जहाँ, एक सिम्युलेटेड पाथ के लिए, एक रैंडम टाइम स्टेप $K$ चुना जाता है। इस चरण पर, पाथ हाहन-जोर्डन अपघटन के सकारात्मक और नकारात्मक घटकों द्वारा संचालित दो "फैंटम चेन्स" (phantom chains) में विभाजित हो जाता है। ये चेन्स समान भविष्य के नॉइज़ (Common Random Numbers) साझा करती हैं ताकि विचरण कम किया जा सके।
विचरण स्केलिंग (Variance Scaling): यह दृष्टिकोण एक ऐसा ग्रेडिएंट अनुमानक प्रदान करता है जिसका विचरण समय क्षितिज $T$ के संबंध में स्थिर (constant variance) रहता है ( $O(1)$ ), जो स्कोर फंक्शन विधियों के $O(T)$ स्केलिंग की तुलना में एक महत्वपूर्ण सुधार है।

3. मुख्य योगदान (Key Contributions)

दुर्लभ घटनाओं के लिए सटीक प्रतिनिधित्व: यह शोध पत्र डिफ्यूजन के लिए कंडिशनल लॉस फंक्शनल्स के लिए एक सटीक स्कोरोड इंटीग्रल प्रतिनिधित्व स्थापित करता है, जो कर्नेल स्मूथिंग के बिना कुशल मोंटे कार्लो अनुमान को सक्षम बनाता है।
विचरण-स्थिर ग्रेडिएंट अनुमान: लेखक एक दुर्बल डेरिवेटिव अनुमानक पेश करते हैं जो ग्रेडिएंट के लिए $O(1)$ विचरण स्केलिंग बनाए रखता है, जो पारंपरिक स्कोर फंक्शन अनुमानकों के $O(T)$ विचरण के विपरीत है।
एकीकृत ढांचा (Integrated Framework): मॉलियाविन-आधारित लॉस इवैल्यूएशन और दुर्बल-डेरिवेटिव ग्रेडिएंट अनुमान का संयोजन सशर्त काउंटरफैक्चुअल स्टोकेस्टिक ऑप्टिमाइजेशन और सशर्त ग्रीक्स गणना के लिए एक पूर्ण, कुशल पाइपलाइन प्रदान करता है।
संख्यात्मक सत्यापन (Numerical Validation): पद्धति को एक कंडिशनल ब्लैक-स्कोल्स मॉडल (एक स्ट्रेस्ड इंटरमीडिएट प्राइस के तहत कंडिशनल वेगा का अनुमान लगाना) पर प्रदर्शित किया गया है। संख्यात्मक परिणाम पुष्टि करते हैं:
- मेजर-जीरो कंडीशनिंग के बावजूद लॉस अनुमानक के लिए $O(N^{-1/2})$ अभिसरण दर की प्राप्ति।
- स्कोर फंक्शन विधि के $O(T)$ विचरण की तुलना में ग्रेडिएंट अनुमानक के लिए स्थिर $O(1)$ विचरण।

4. महत्व और अनुप्रयोग (Significance and Applications)

यह शोध पत्र दावा करता है कि यह ढांचा क्वांटिटेटिव फाइनेंस के लिए विशेष रूप से महत्वपूर्ण है, विशेष रूप से उन परिदृश्यों में जहाँ दुर्लभ घटनाएँ शामिल हैं या स्ट्रेस टेस्टिंग होती है जहाँ मानक सिमुलेशन विफल हो जाता है। लेखक तीन प्राथमिक अनुप्रयोग क्षेत्रों की पहचान करते हैं:

बैरियर/डिजिटल एक्सोटिक्स (Barrier/Digital Exotics): किसी बैरियर के पास पहुँचने या उसे हिट करने की स्थिति में मूल्य निर्धारण और ग्रीक्स की गणना करना।
xVA एक्सपोजर और स्ट्रेस टेस्टिंग: स्ट्रेस्ड मार्केट परिदृश्यों के अधीन अपेक्षित एक्सपोजर (जैसे, CVA) का अनुमान लगाना।
स्ट्रेस के तहत टेल रिस्क (Tail Risk under Stress): ड्रॉडाउन या हाई-वोलेटिलिटी रिजीम के अधीन टेल-रिस्क मेट्रिक्स (जैसे, एक्सपेक्टेड शॉर्टफॉल) का मूल्यांकन करना।

इसके अलावा, यह ढांचा काउंटरफैक्चुअल स्टोकेस्टिक ऑप्टिमाइजेशन का समर्थन करता है, जिससे कंडिशनल लॉस फंक्शन (जैसे, मॉडल फिटिंग या कंट्रोल) का न्यूनीकरण संभव होता है, भले ही कंडीशनिंग इवेंट प्रशिक्षण डेटा में देखा न गया हो। लेखक नोट करते हैं कि हालांकि इस विधि को पैसिव स्टोकेस्टिक ऑप्टिमाइजेशन के लेंस से देखा जा सकता है, उनका दृष्टिकोण कर्नेल-आधारित पैसिव लर्निंग एल्गोरिदम की अक्षमताओं से बचने के लिए विशिष्ट SDE संरचना का लाभ उठाता है।

संक्षेप में, यह कार्य दुर्लभ-घटना वाले शासन (regimes) में संवेदनशीलता (sensitivities) के मूल्यांकन के लिए कर्नेल स्मूथिंग और प्रत्यक्ष कंडिशनल सिमुलेशन के एक सिद्धांतवादी, गणितीय रूप से कठोर और कम्प्यूटेशनल रूप से कुशल विकल्प के रूप में कार्य करता है।