📊 statistics

CoVaR under Asymptotic Independence

यह शोध पत्र द्विचर चरम मान सिद्धांत (bivariate extreme value theory) पर आधारित एक अर्ध-पैरामीट्रिक पद्धति प्रस्तावित करता है ताकि एसिम्प्टोटिक रूप से स्वतंत्र युग्मों के लिए कंडीशनल वैल्यू-एट-रिस्क (CoVaR) का सुसंगत और कुशल अनुमान लगाया जा सके, और सिमुलेशन एवं अमेरिकी स्टॉक रिटर्न डेटा के माध्यम से इसकी प्रभावशीलता को प्रदर्शित किया जा सके।

मूल लेखक: Zhaowen Wang, Yutao Liu, Deyuan Li

प्रकाशित 2026-02-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhaowen Wang, Yutao Liu, Deyuan Li

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 अस्पताल में एक मरीज की निगरानी कर रहे हैं। आप केवल मरीज के अपने स्वास्थ्य को लेकर चिंतित नहीं हैं; आप इस बात को लेकर भी चिंतित हैं कि अस्पताल के पावर ग्रिड या ऑक्सीजन आपूर्ति में अचानक आया संकट उस विशिष्ट मरीज को कैसे प्रभावित कर सकता है।

यह शोध पत्र एक गणितीय तरीके के बारे में है जिससे उस "रिपल इफेक्ट" (लहर जैसा प्रभाव) को मापा जा सकता है—कैसे एक प्रणाली (जैसे कि एक प्रमुख बैंक) में आई आपदा दूसरी प्रणाली (जैसे कि पूरा शेयर बाजार) के लिए आपदा का कारण बनती है।

यहाँ रोजमर्रा की अवधारणाओं का उपयोग करके शोध पत्र का विवरण दिया गया है।

1. अवधारणा: "डोमिनो इफेक्ट" (CoVaR)

वित्त (finance) में, एक माप है जिसे CoVaR कहा जाता है।

VaR (Value at Risk) ऐसा पूछने जैसा है: "केवल इस एक व्यक्ति के लिए सबसे खराब स्थिति क्या हो सकती है?"
CoVaR (Conditional Value at Risk) ऐसा पूछने जैसा है: "यदि पूरे पड़ोस की बिजली कट जाए, तो इस विशिष्ट व्यक्ति के लिए स्थिति कितनी खराब हो जाएगी?"

यह "कंडीशनल" (सशर्त) जोखिम को मापता है। यह केवल एक बैंक को अलग से नहीं देखता; यह उस बैंक को देखता है बशर्ते कि पूरा वित्तीय तंत्र वर्तमान में पतन की स्थिति में हो।

2. समस्या: "द टेल में घोस्ट" (Asymptotic Independence)

अधिकांश पुराने गणितीय मॉडल यह मान लेते हैं कि जब कोई बड़ी आपदा आती है, तो सब कुछ एक साथ टूट जाता है—जैसे कि एक घाट पर एक विशाल लहर टकराती है जहाँ लकड़ी का हर एक तख्ता एक साथ टूट जाता है। इसे "Asymptotic Dependence" कहा जाता है।

हालाँकि, लेखक बताते हैं कि वास्तविक दुनिया में (विशेष रूप से शेयर बाजार में), चीजें अक्सर अधिक सूक्ष्म होती हैं। कभी-कभी, अत्यधिक संकट के समय भी, दो विशिष्ट चीजों के बीच का संबंध वास्तव में कमजोर या "पतला" हो सकता है। इसे Asymptotic Independence कहा जाता है।

उपमा: एक भारी बारिश के तूफान की कल्पना करें।

Dependence (निर्भरता) बाढ़ की तरह है: यदि नदी का जलस्तर बढ़ता है, तो बेसमेंट निश्चित रूप से जलमग्न हो जाएगा।
Asymptotic Independence एक स्थानीय गरज के साथ तूफान की तरह है: भले ही शहर में एक बहुत बड़ा तूफान आया हो, आपका विशिष्ट पिछवाड़ा (backyard) अपेक्षाकृत सूखा रह सकता है क्योंकि "शहर-व्यापी तूफान" और "आपके पिछवाड़े" के बीच का संबंध चरम स्तरों पर 1-से-1 गारंटी नहीं है।

यदि आप "बाढ़" वाले गणित का उपयोग "गरज के साथ तूफान" की भविष्यवाणी करने के लिए करते हैं, तो आपका गणित गलत होगा। यह या तो बहुत अधिक आशावादी होगा या पूरी तरह से गलत होगा।

3. समाधान: "स्मार्ट टेलीस्कोप" (नया एस्टीमेटर)

शोधकर्ताओं ने इसे ठीक करने के लिए एक नया गणितीय उपकरण (एक "सेमी-पैरामीट्रिक कार्यप्रणाली") विकसित किया है।

चूंकि चरम आपदाएं (डेटा के "टेल्स") बहुत कम होती हैं, इसलिए देखने के लिए डेटा बहुत कम होता है। यह एक दुर्लभ ग्रहण का अध्ययन करने जैसा है जहाँ आप केवल कुछ धुंधली तस्वीरों को देख रहे हैं। यदि आप केवल उन कुछ तस्वीरों के आधार पर ग्रहण के आकार का अनुमान लगाने की कोशिश करते हैं, तो आप विफल होने की संभावना रखते हैं।

लेखकों की विधि एक स्मार्ट टेलीस्कोप की तरह काम करती है। केवल कुछ धुंधली तस्वीरों (विरल डेटा) को देखने के बजाय, वे एक "पैरामीट्रिक मॉडल" का उपयोग करते हैं—जो कि आकृतियाँ आमतौर पर कैसी व्यवहार करती हैं, इसका एक गणितीय ब्लूप्रिंट है—ताकि खाली जगहों को भरा जा सके। यह उन्हें बहुत अधिक सटीकता और विश्वास के साथ उन दुर्लभ, चरम क्षणों पर "ज़ूम इन" करने की अनुमति देता है।

4. प्रमाण: "क्या यह वास्तव में काम करता है?"

यह सुनिश्चित करने के लिए कि उनका "टेलीस्कोप" उन्हें केवल वही नहीं दिखा रहा था जो वे देखना चाहते थे, उन्होंने दो चीजें कीं:

सिमुलेशन (एक फ्लाइट सिम्युलेटर): उन्होंने "नकली" वित्तीय दुनिया बनाई जहाँ वे ठीक से जानते थे कि सच्चाई क्या है। उन्होंने इन नकली दुनियाओं के विरुद्ध अपने गणित का परीक्षण किया और पाया कि उनका उपकरण पुराने तरीकों की तुलना में बहुत अधिक सटीक और कम "बायस्ड" (पक्षपाती) था।
वास्तविक दुनिया (एक टेस्ट ड्राइव): उन्होंने अपने गणित को वास्तविक अमेरिकी शेयर बाजार डेटा (S&P 500 और 15 प्रमुख बैंकों) पर लागू किया। उन्होंने पाया कि उनकी विधि सफलतापूर्वक भविष्यवाणी कर सकती है कि बाजार के क्रैश होने पर एक बैंक का जोखिम कितना बढ़ जाएगा।

गैर-विशेषज्ञों के लिए सारांश

समस्या: पुराना गणित यह मानता है कि जब अर्थव्यवस्था गिरती है, तो सब कुछ एक अनुमानित, भारी तरीके से एक साथ गिरता है। लेकिन कभी-कभी, संबंध अधिक जटिल और "पतले" होते हैं।

नवाचार: लेखकों ने एक नया गणितीय सूत्र बनाया है जो विशेष रूप से इन "पतले" संबंधों के लिए डिज़ाइन किया गया है। यह एक चतुर तरीके का उपयोग करता है जिससे बड़े क्रैश के बारे में डेटा की कमी होने पर "खाली स्थानों को भरा" जा सके।

परिणाम: नियामकों (regulators) के लिए एक अधिक विश्वसनीय "अर्ली वार्निंग सिस्टम" (पूर्व चेतावनी प्रणाली), ताकि वे देख सकें कि एक अकेले बैंक की विफलता कैसे पूरी वैश्विक अर्थव्यवस्था में लहर की तरह फैल सकती है।

यह शोध पत्र, जिसका शीर्षक "CoVaR under Asymptotic Independence" है, वांग, लियू और ली द्वारा लिखा गया है, जो मल्टीवेरिएट एक्सट्रीम वैल्यू थ्योरी (EVT) के ढांचे के भीतर प्रणालीगत जोखिम (systemic risk) माप में एक महत्वपूर्ण अंतराल को संबोधित करता है।

1. समस्या: वर्तमान CoVaR मॉडलों की सीमाएं

कंडीशनल वैल्यू-एट-रिस्क (CoVaR), एक विशिष्ट संस्थान के संकट में होने की स्थिति में एक प्रणाली (या उसके प्रॉक्सी) के जोखिम को मापता है। CoVaR के अनुमान के लिए मौजूदा पद्धतियां (जैसे कि नोल्डे एट अल., 2022) मुख्य रूप से एसिम्प्टोटिक डिपेंडेंस (asymptotic dependence) की धारणा पर निर्भर करती हैं। एसिम्प्टोटिक डिपेंडेंस के तहत टेल डिपेंडेंस गुणांक $\eta = 1$ होता है, जिसका अर्थ है कि एक चर में चरम घटनाएं (extreme events) दूसरे चर में चरम घटनाओं के साथ होने की अत्यधिक संभावना होती है।

हालांकि, वित्त में अनुभवजन्य साक्ष्य (जैसे दैनिक स्टॉक कीमतें) बताते हैं कि कई चरों के जोड़े एसिम्प्टोटिक इंडिपेंडेंस ( $0 < \eta < 1$ ) प्रदर्शित करते हैं। इन मामलों में, जैसे-जैसे हम पूंछ (tails) में गहराई तक जाते हैं, एक साथ चरम घटनाओं की संभावना शून्य की ओर घटती जाती है। मानक CoVaR एस्टिमेटर इस स्थिति में विफल हो जाते हैं क्योंकि वे "लुप्त होती" (vanishing) संयुक्त टेल प्रोबेबिलिटी को ठीक से ध्यान में नहीं रख पाते हैं, जिससे पक्षपाती या असंगत जोखिम मूल्यांकन होता है।

2. कार्यप्रणाली: एक सेमी-पैरामेट्रिक EVT दृष्टिकोण

लेखक एक विशेष रूप से $1/2 < \eta < 1$ (एसिम्प्टोटिक रूप से स्वतंत्र लेकिन धनात्मक रूप से संबद्ध) के मामले के लिए डिज़ाइन किए गए सेमी-पैरामेट्रिक एस्टिमेटर का विकास करते हैं। उनका दृष्टिकोण निम्नलिखित तकनीकी चरणों का पालन करता है:

प्रोबेबिलिस्टिक फ्रेमवर्क: वे सिस्टम प्रॉक्सी $Y$ के अनकंडीशनल वैल्यू-एट-रिस्क (VaR) को एक एडजस्टमेंट फैक्टर $\eta_p$ का उपयोग करके CoVaR से जोड़ते हैं। वे टेल डिपेंडेंस फंक्शन $c(x, y)$ के माध्यम से एक एसिम्प्टोटिक एप्रोक्सिमेशन $\eta^*_p$ को परिभाषित करते हैं, ताकि:
$c(1, \eta^*_p) = p^{2-1/\eta}$
एस्टिमेटर: $\text{Co-VaR}_{Y|X(p)}$ $Co-VaR_{Y ∣ X (p)}$ के लिए प्रस्तावित एस्टिमेटर को तीन घटकों को जोड़कर बनाया गया है:
1. टेल इंडेक्स ( $\hat{\gamma}$ ): सिस्टम प्रॉक्सी की भारी-पूंछ (heavy-tailedness) को कैप्चर करने के लिए हिल एस्टिमेटर (Hill estimator) के माध्यम से अनुमानित किया जाता है।
2. अनकंडीशनल VaR ( $\text{VaR}_Y(p)$ ): रेगुलरली वेरिंग टेल्स के लिए एक्सट्रपलेशन विधि का उपयोग करके अनुमानित किया जाता है।
3. एडजस्टमेंट फैक्टर ( $\hat{\eta}^*_p$ ): चूंकि टेल डिपेंडेंस फंक्शन $c(x, y)$ अज्ञात है और पूंछ (tails) में डेटा विरल (sparse) है, इसलिए वे एक पैरामेट्रिक एम-एस्टिमेटर (method-of-moments) का उपयोग करते हैं। वे यह मानते हैं कि $c(x, y)$ एक पैरामेट्रिक परिवार से संबंधित है और वे उन मापदंडों $\theta$ के लिए समाधान निकालते हैं जो अनुभवजन्य संयुक्त अति-संभावनाओं (joint exceedance probabilities) को सर्वोत्तम रूप से फिट करते हैं।
डायनेमिक सेटिंग: डेटा को टाइम-सीरीज डेटा पर लागू करने के लिए, वे डेटा को फ़िल्टर करने हेतु बाइवेरिएट DCC-GARCH मॉडल का उपयोग करते हैं, जिससे प्राप्त मानकीकृत अवशेषों (standardized residuals) का उपयोग डायनेमिक CoVaR पूर्वानुमान उत्पन्न करने के लिए स्टैटिक EVT एस्टिमेटर में किया जाता है।

3. प्रमुख योगदान

नया सैद्धांतिक ढांचा: वे CoVaR अनुमान को एसिम्प्टोटिक रूप से स्वतंत्र शासन (regime) तक विस्तारित करते हैं, जो पहले प्रणालीगत जोखिम साहित्य में उपेक्षित था।
सेमी-पैरामेट्रिक मजबूती: संयुक्त पूंछ (joint tails) में पैरामेट्रिक धारणा का उपयोग करते हुए और मार्जिनल डिस्ट्रीब्यूशन के लिए सेमी-पैरामेट्रिक रहते हुए, वे संयुक्त पूंछ में "डेटा की कमी" (data sparsity) की समस्या को दूर करते हैं।
गणितीय कठोरता: पेपर नौ तकनीकी धारणाओं के सेट के तहत प्रस्तावित एस्टिमेटर की कंसिस्टेंसी (Theorem 1) और एसिम्प्टोटिक नॉर्मलिटी (Theorem 2) के लिए औपचारिक प्रमाण प्रदान करता है।
सामान्यीकरण: वे संस्थान ( $p$ ) और प्रणाली ( $q$ ) के क्वांटाइल स्तरों के अलग-अलग होने के मामलों के लिए और एड्रियन और ब्रुनेर्मियर (2011) की मूल CoVaR परिभाषा के लिए पद्धति को विस्तारित करते हैं।

4. परिणाम और महत्व

सिमुलेशन परिणाम: लेखक प्रदर्शित करते हैं कि उनका एस्टिमेटर "नाइव" ऑर्डर-स्टैटिस्टिक एस्टिमेटरों की तुलना में अधिक सटीक (कम बायस और कम वेरिएंस) है। विशेष रूप से, जब मॉडल धारणाओं का थोड़ा उल्लंघन होता है, तब भी एस्टिमेटर मजबूत बना रहता है।
अनुभवजन्य अनुप्रयोग: S&P 500 डेटा और 15 प्रमुख वित्तीय संस्थानों पर मॉडल लागू करते हुए, उन्होंने पाया कि अधिकांश संस्थान (जैसे AIG, JPM, WFC) वास्तव में मार्केट प्रॉक्सी से एसिम्प्टोटिक इंडिपेंडेंस प्रदर्शित करते हैं। उनका मॉडल आउट-ऑफ-सैंपल पूर्वानुमान सटीकता (क्वांटाइल स्कोर द्वारा मापा गया) में मौजूदा मॉडलों से बेहतर प्रदर्शन करता है।
महत्व: यह कार्य वित्तीय नियामकों और जोखिम प्रबंधकों के लिए अत्यंत महत्वपूर्ण है। यह प्रणालीगत जोखिम की निगरानी के लिए एक अधिक गणितीय रूप से सुदृढ़ और अनुभवजन्य रूप से आधारित उपकरण प्रदान करता है, यह सुनिश्चित करता है कि बाजार की कुछ स्थितियों में टेल डिपेंडेंस का "कमजोर होना" संभावित संक्रामक प्रभाव (contagion) के कम आकलन का कारण न बने।