🔢 mathematics

Conditional Expectation expression in mean-field SDEs and its applications

यह शोध पत्र मॉलियाविन कैलकुलस (Malliavin calculus) और दिशात्मक अवकलजों (directional derivatives) का उपयोग करके जंप-डिफ्यूजन मीन-फील्ड स्टोकेस्टिक डिफरेंशियल इक्वेशंस के लिए सशर्त प्रत्याशनों (conditional expectations) का एक नवीन सूत्रीकरण प्रस्तुत करता है, जो पारंपरिक विधियों की तुलना में अमेरिकन पुट ऑप्शंस की संख्यात्मक मूल्य निर्धारण सटीकता में महत्वपूर्ण सुधार करता है।

मूल लेखक: Samaneh Sojudi, Mahdieh Tahmasebi

प्रकाशित 2026-02-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Samaneh Sojudi, Mahdieh Tahmasebi

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 किसी स्टॉक की भविष्य की कीमत बताने की कोशिश कर रहे हैं, लेकिन यह कोई साधारण स्टॉक नहीं है। यह एक विशाल, परस्पर जुड़ी हुई अर्थव्यवस्था का हिस्सा है जहाँ हर निवेशक का निर्णय सभी को प्रभावित करता है। यह एक भीड़ भरे डांस फ्लोर की तरह है: यदि एक व्यक्ति बाईं ओर कदम बढ़ाता है, तो पूरी भीड़ खिसक जाती है। गणित और वित्त में, इसे "मीन-फील्ड" (Mean-Field) सिस्टम कहा जाता है।

अब, कल्पना कीजिए कि इस भीड़ भरे डांस फ्लोर के ऊपर, अचानक आने वाले अप्रत्याशित भूकंप (जंप्स) आते हैं जो लोगों को गिरा देते हैं। यह एक "जंप-डिफ्यूजन" (Jump-Diffusion) सिस्टम है।

आपके द्वारा प्रदान किया गया पेपर इस अराजक वातावरण में "अमेरिकन ऑप्शंस" (American Options) का मूल्य गणना करने के एक नए, सुपर-स्मार्ट तरीके के बारे में है।

अमेरिकन ऑप्शन क्या है?

एक अमेरिकन ऑप्शन को किसी उत्पाद (जैसे स्टॉक) पर डिस्काउंट कूपन के रूप में समझें।

यूरोपीय ऑप्शन (European Option): आप कूपन का उपयोग केवल एक विशिष्ट तिथि पर कर सकते हैं (जैसे ब्लैक फ्राइडे)।
अमेरिकन ऑप्शन (American Option): आप इसे समाप्त होने से पहले कभी भी उपयोग कर सकते हैं।

जटिल हिस्सा यह है कि आपको यह तय करना होगा कि कब इसका उपयोग करना है। यदि आप इसे बहुत जल्दी उपयोग करते हैं, तो आप बाद में मिलने वाले बड़े डिस्काउंट को खो सकते हैं। यदि आप बहुत अधिक प्रतीक्षा करते हैं, तो डिस्काउंट गायब हो सकता है। इसे सही ढंग से मूल्यित करने के लिए, आपको "कंडीशनल एक्सपेक्टेशन" (Conditional Expectation) की गणना करनी होगी: "यदि आज स्टॉक की कीमत X है, तो कल के लिए सबसे अच्छा क्या होगा?"

समस्या: "डायमेंशनलिटी का अभिशाप" (The Curse of Dimensionality)

आमतौर पर, कूपन का उपयोग करने का सबसे अच्छा समय पता लगाने के लिए, गणितज्ञ भविष्य के हर संभावित पथ (path) का मानचित्र बनाने की कोशिश करते हैं।

पुराना तरीका: कल्पना कीजिए कि एक नशे में धुत व्यक्ति शहर के माध्यम से जो भी संभावित रास्ते ले सकता है, उसका नक्शा बनाने की कोशिश कर रहे हैं। यदि शहर में 1 सड़क है, तो यह आसान है। यदि इसमें 10 सड़कें हैं, तो यह कठिन है। यदि इसमें 100 सड़कें हैं (जो कई संपत्तियों या जटिल बाजार अंतःक्रियाओं के मामले में होता है), तो नक्शा इतना बड़ा हो जाएगा कि यह पूरे ब्रह्मांड को भर देगा। यह "डायमेंशनलिटी का अभिशाप" है। पारंपरिक कंप्यूटर इसे हल करने की कोशिश में क्रैश हो जाते हैं।

समाधान: "जादुई वजन" (मैलियाविन कैलकुलस - Malliavin Calculus)

लेखकों ने "मैलियाविन कैलकुलस" नामक एक नए गणितीय "जादुई ट्रिक" का उपयोग करके एक नया तरीका विकसित किया है।

यहाँ इसकी उपमा (analogy) दी गई है:
कल्पना कीजिए कि आप एक कमरे में लोगों की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं, लेकिन आप केवल उन लोगों की औसत ऊंचाई जानना चाहते हैं जो 6 फीट से लंबे हैं।

पुराना तरीका: आप हर किसी को मापते हैं, उनकी ऊंचाई लिखते हैं, और फिर 6 फीट से कम ऊंचाई वाले सभी लोगों को हटा देते हैं। फिर आप बाकी लोगों का औसत निकालते हैं। यह धीमा और बर्बादी भरा है।
नया तरीका (यह पेपर): लोगों को हटाने के बजाय, आप हर किसी को एक विशेष वजन (weight) देते हैं।
- यदि कोई 6'2" का है, तो आप उन्हें भारी वजन देते हैं (वे बहुत मायने रखते हैं)।
- यदि कोई 5'8" का है, तो आप उन्हें बहुत छोटा, लगभग अदृश्य वजन देते हैं (उनका महत्व बहुत कम है)।
- यदि कोई 5'0" का है, तो आप उन्हें नकारात्मक वजन देते हैं (वे शोर को रद्द कर देते हैं)।

इन "वजनों" का उपयोग करके, आप कमरे में मौजूद सभी लोगों का एक साधारण औसत ले सकते हैं, और गणित स्वचालित रूप से उन लोगों को फ़िल्टर कर देता है जिनकी आपको आवश्यकता नहीं है। आप "लंबे लोगों" का उत्तर प्राप्त कर लेते हैं बिना उन्हें शारीरिक रूप से अलग किए।

उन्होंने इसे कैसे किया (सामग्री)

यह पेपर तीन जटिल सामग्रियों को एक स्वादिष्ट स्टू (stew) में मिलाता है:

भीड़ (Mean-Field): वे इस बात का हिसाब रखते हैं कि समूह का व्यवहार व्यक्तिगत पथ को कैसे बदलता है।
भूकंप (Jumps): वे अचानक होने वाले झटकों (जैसे स्टॉक मार्केट क्रैश) को पॉइसन स्पेस (Poisson Space) नामक गणित के एक विशिष्ट प्रकार का उपयोग करके संभालते हैं।
जादुई वजन (मैलियाविन कैलकुलस): उन्होंने विशेष रूप से इस भीड़ भरे, भूकंप-प्रवण वातावरण के लिए इन "वजनों" की गणना करने का एक नया तरीका बनाया।

यह क्यों मायने रखता है?

लेखकों ने अपने तरीके का परीक्षण "अमेरिकन पुट ऑप्शंस" (American Put Options) (एक प्रकार के वित्तीय अनुबंध) पर किया।

परिणाम: उनका तरीका पुराने तरीकों की तुलना में बहुत अधिक सटीक और तेज़ था।
उपमा: यदि पुराना तरीका घास के ढेर में सुई खोजने के लिए घास के हर एक टुकड़े को एक-एक करके देखने जैसा था, तो यह नया तरीका एक चुंबक की तरह है। यह सुई को तुरंत ढूंढ लेता है, भले ही घास का ढेर कितना भी बड़ा या हिलता हुआ क्यों न हो।

"वैरिएंस रिडक्शन" (इसे और भी बेहतर बनाना)

पेपर में "वैरिएंस रिडक्शन" (Variance Reduction) के बारे में भी बात की गई है।

उपमा: कल्पना कीजिए कि आप शोर भरे कमरे में फुसफुसाहट सुनने की कोशिश कर रहे हैं।
- मानक विधि: आप चिल्लाकर पूछते हैं "क्या आप मुझे सुन सकते हैं?" और सुनते हैं। कभी-कभी आप सुनते हैं, कभी-कभी नहीं, क्योंकि शोर है। स्पष्ट उत्तर पाने के लिए आपको 1,000 बार चिल्लाना पड़ता है।
- इस पेपर की विधि: वे एक "शोर-रद्द करने वाला हेडसेट" (जिसे लोकलाइजेशन/Localization कहा जाता है) का उपयोग करते हैं। वे हेडसेट को बाजार के विशिष्ट बैकग्राउंड शोर को फ़िल्टर करने के लिए ट्यून करते हैं। अब, आपको स्पष्ट उत्तर पाने के लिए केवल 10 बार चिल्लाने की आवश्यकता है।

सारांश

यह पेपर वित्तीय गणित में एक बड़ी सफलता है। यह हमें एक जटिल वित्तीय अनुबंधों को मूल्यित करने के लिए एक नया, अत्यधिक कुशल उपकरण देता है जहाँ:

हर कोई एक दूसरे को प्रभावित करता है (Mean-Field)।
अचानक झटके आते हैं (Jumps)।
हमें किसी भी क्षण निर्णय लेने की आवश्यकता होती है (American Options)।

अनंत संभावनाओं की भूलभुलैया में खो जाने के बजाय, लेखकों ने एक स्मार्ट शॉर्टकट बनाया है जो अराजकता के बीच नेविगेट करने के लिए "गणितीय वजन" का उपयोग करता है, जिससे समय, पैसा और कंप्यूटर की शक्ति की बचत होती है।

यहाँ समनेह सोजुदी और महदिएह तहमसेबी के शोध पत्र "Conditional Expectation expression in mean-field SDEs and its applications" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन उच्च-आयामी (high-dimensional) वित्तीय बाजारों में अमेरिकन ऑप्शंस (American options) के मूल्य निर्धारण से जुड़ी कम्प्यूटेशनल चुनौतियों का समाधान करता है जहाँ परिसंपत्ति की कीमतें मीन-फील्ड इंटरैक्शन (mean-field interactions) और जंप प्रक्रियाओं (jump processes) से प्रभावित होती हैं।

मीन-फील्ड डायनेमिक्स (Mean-Field Dynamics): परस्पर जुड़े हुए बाजारों (जैसे, ऊर्जा ग्रिड, बड़े पोर्टफोलियो) में, व्यक्तिगत परिसंपत्ति की गतिशीलता न केवल अपनी स्थिति पर, बल्कि संपूर्ण प्रणाली के सांख्यिकीय वितरण (कानून) पर भी निर्भर करती है। इसे मैककेन-व्लासोव स्टोकेस्टिक डिफरेंशियल इक्वेशंस (McKean-Vlasov SDEs) के माध्यम से मॉडल किया जाता है।
जंप-डिफ्यूजन (Jump-Diffusion): वित्तीय बाजार अक्सर अचानक झटकों (क्रैश, समाचार की घटनाएं) का अनुभव करते हैं। यह मॉडल मानक ब्राउनियन मोशन के साथ पॉइसन जंप प्रक्रियाओं (Poisson jump processes) को शामिल करता है।
मुख्य चुनौती: अमेरिकन ऑप्शंस के मूल्य निर्धारण के लिए प्रत्येक समय चरण पर कंडीशनल एक्सपेक्टेशन (conditional expectations) की गणना करना आवश्यक है ताकि इष्टतम शीघ्र-व्यायाम रणनीति (early-exercise strategy) निर्धारित की जा सके। उच्च आयामों ( $d > 3$ ) में, पारंपरिक नियतात्मक विधियाँ (फाइनाइट डिफरेंस, फाइनाइट एलीमेंट) "डायमेंशनलिटी के अभिशाप" (curse of dimensionality) के कारण विफल हो जाती हैं। जबकि मोंटे कार्लो विधियाँ व्यवहार्य हैं, जंप-डिफ्यूजन मीन-फील्ड सेटिंग्स में कंडीशनल एक्सपेक्टेशन का अनुमान लगाना गणितीय रूप से जटिल और उच्च विचरण (high variance) के कारण कम्प्यूटेशनल रूप से महंगा है।

2. कार्यप्रणाली (Methodology)

लेखक एक नया ढांचा प्रस्तावित करते हैं जो कंडीशनल एक्सपेक्टेशन के सटीक प्रतिनिधित्व सूत्र प्राप्त करने के लिए पॉइसन स्पेस पर मालियाविन कैलकुलस (Malliavin Calculus on Poisson space) को मीन-फील्ड SDEs के साथ जोड़ता है।

A. गणितीय ढांचा (Mathematical Framework)

मॉडल: अंतर्निहित परिसंपत्ति $X_t$ जंप के साथ एक मीन-फील्ड SDE का अनुसरण करती है:
$dX_t = b(t, X_t, \mathbb{E}[\phi(X_t)])dt + \sigma(t, X_t, \mathbb{E}[\psi(X_t)])dW_t + \int \lambda(t, X_t, z, \mathbb{E}[\xi(X_t)])\tilde{N}(dt, dz)$
जहाँ $\tilde{N}$ एक कंपंसेटेड पॉइसन रैंडम मेजर है।
मालियाविन डिफरेंशिएबिलिटी (Malliavin Differentiability): लेखक सिद्ध करते हैं कि समाधान $X_t$ , वीनर प्रक्रिया ( $W$ ) और पॉइसन प्रक्रिया ( $N$ ) दोनों के संबंध में मालियाविन डिफरेंशिएबल है। वे स्टोकेस्टिक फ्लो का अस्तित्व स्थापित करते हैं और दिशात्मक डेरिवेटिव्स ( $D_{r,z}X_t$ और $D_r^W X_t$ ) के स्पष्ट व्यंजक प्राप्त करते हैं।

B. कंडीशनल एक्सपेक्टेशन का प्रतिनिधित्व (Conditional Expectation Representation)

मुख्य सैद्धांतिक योगदान कंडीशनल एक्सपेक्टेशन $E[f(F) | G = \alpha]$ को विशिष्ट मालियाविन वेट्स (Malliavin weights) द्वारा भारित एक अनकंडीशन्ड एक्सपेक्टेशन (unconditioned expectation) में बदलना है।

इंटीग्रेशन बाय पार्ट्स (Integration by Parts): पॉइसन स्पेस पर मालियाविन कैलकुलस के ड्यूैलिटी फॉर्मूला का उपयोग करते हुए, वे निम्नलिखित व्यंजक प्राप्त करते हैं:
$E[f(F) | G = \alpha] = \frac{E[H(G-\alpha)(f(F)\Pi_1 + f'(F)\Pi_2)]}{E[H(G-\alpha)\delta(u)]}$
जहाँ $H$ एक स्मूथेड हेविसाइड फंक्शन है, $\delta(u)$ स्कोरोहोड इंटीग्रल है, और $\Pi_1, \Pi_2$ सिस्टम के गुणांकों से प्राप्त विशिष्ट वेट्स हैं।
नॉन-डिफरेंशिएबिलिटी को संभालना: नॉन-डिफरेंशिएबल पेऑफ फंक्शन्स (जो ऑप्शंस में सामान्य हैं) के लिए, वे सिंगुलैरिटी को संभालने के लिए एक प्रक्रिया $\hat{u}$ के साथ लोकलाइजेशन तकनीक का उपयोग करते हैं, जिससे यह प्रतिनिधित्व केवल बोरेल-मेज़रेबल (Borel-measurable) मामलों तक विस्तारित होता है।

C. विचरण न्यूनीकरण (Variance Reduction)

मोंटे कार्लो सिमुलेशन को कम्प्यूटेशनल रूप से व्यवहार्य बनाने के लिए, लेखक विचरण न्यूनीकरण तकनीकों को लागू करते हैं:

लोकलाइजेशन (Localization): वे एक स्थानीयकरण फलन $\psi$ पेश करते हैं (इष्टतम विकल्प जिसे लाप्लास डिस्ट्रीब्यूशन के रूप में पहचाना गया है) ताकि इंटीग्रेटेड मीन स्क्वेर्ड एरर को कम किया जा सके।
कंट्रोल वेरिएट्स (Control Variates): यह विधि मानक रिग्रेशन-आधारित दृष्टिकोणों (जैसे लॉन्गस्टाफ-शार्ज़) की तुलना में अनुमान के विचरण को काफी कम करने के लिए प्राप्त वेट्स का उपयोग करती है।

D. अमेरिकन ऑप्शंस के लिए एल्गोरिदम (Algorithm for American Options)

लेखक एक मालियाविन मोंटे कार्लो (MMC) एल्गोरिदम प्रस्तावित करते हैं:

यूलर-मारोयामा (Euler-Maruyama) स्कीम का उपयोग करके $M$ पथों का मीन-फील्ड SDE सिमुलेट करें।
सहायक प्रक्रिया $Y_t$ (फ्लो का डेरिवेटिव) और मालियाविन वेट्स $\Pi$ की गणना करें।
बैकवर्ड इंडक्शन का उपयोग करें: प्रत्येक समय चरण $t_k$ पर, भारित प्रत्याशा (weighted expectation) सूत्र का उपयोग करके निरंतरता मूल्य (continuation value) $E[\text{Future Payoff} | X_{t_k} = \alpha]$ का अनुमान लगाएं।
तत्काल पेऑफ की निरंतरता मूल्य के साथ तुलना करके ऑप्शन का मूल्य निर्धारित करें।

3. मुख्य योगदान (Key Contributions)

नया प्रतिनिधित्व सूत्र: पॉइसन स्पेस पर मालियाविन कैलकुलस का उपयोग करके मीन-फील्ड SDEs विद जंप्स के लिए स्पष्ट कंडीशनल एक्सपेक्टेशन सूत्रों का पहला व्युत्पन्न। पिछले कार्यों ने शुद्ध डिफ्यूजन या नॉन-मीन-फील्ड जंप मॉडल पर ध्यान केंद्रित किया था।
पॉइसन स्पेस में दिशात्मक डेरिवेटिव्स: मीन-फील्ड सेटिंग में पॉइसन प्रक्रिया के संबंध में दिशात्मक विभेदन (directional differentiation) का व्यवस्थित अनुप्रयोग, जो इस डोमेन में एक नई तकनीक है।
विचरण-न्यूनीकरण अनुमानक (Variance-Reduced Estimator): उच्च-आयामी समस्याओं के लिए एक मजबूत अनुमानक प्रदान करने के लिए मीन-फील्ड जंप फ्रेमवर्क में इष्टतम लोकलाइजेशन फंक्शन्स (लाप्लास डेंसिटी) का एकीकरण।
कठोर प्रमाण (Rigorous Proofs): शोध पत्र विशिष्ट लिप्सचिट्ज़ (Lipschitz) और इंटीग्रैबिलिटी शर्तों के तहत समाधान की मालियाविन डिफरेंशिएबिलिटी और प्रतिनिधित्व सूत्रों की वैधता के कठोर प्रमाण प्रदान करता है।

4. परिणाम और संख्यात्मक प्रयोग (Results and Numerical Experiments)

लेखक फाइनाइट डिफरेंस (FD) बेंचमार्क के विरुद्ध MMC विधि की तुलना करके अपने तरीके को व्यापक संख्यात्मक प्रयोगों के माध्यम से मान्य करते हैं।

टेस्ट केस:
- उदाहरण 1: यूनिफॉर्म जंप के साथ एकल परिसंपत्ति।
- उदाहरण 2: कौ डबल-एक्सपोनेंशियल (Kou double-exponential) जंप के साथ एकल परिसंपत्ति।
- उदाहरण 3: मिश्रित जंप डिस्ट्रीब्यूशन (यूनिफॉर्म और कौ) के साथ दो-परिसंपत्ति पोर्टफोलियो अनुकूलन।
प्रदर्शन मेट्रिक्स:
- सटीकता (Accuracy): जैसे-जैसे सिमुलेशन ( $M$ ) और समय विविक्तकरण चरणों ( $N$ ) की संख्या बढ़ती है, MMC अनुमान फाइनाइट डिफरेंस बेंचमार्क की ओर अभिसरित (converge) होते हैं।
- त्रुटि न्यूनीकरण (Error Reduction): प्लॉट विश्लेषण से पता चलता है कि विविक्तकरण और नमूना आकार के बढ़ने के साथ पूर्ण त्रुटि (absolute error) काफी कम हो जाती है।
- स्थिरता (Stability): लोकलाइजेशन और कंट्रोल वेरिएट्स का उपयोग मध्यम नमूना आकार ( $M=1000$ ) के साथ भी संकीर्ण एरर बार के साथ स्थिर अनुमान प्रदान करता है।
विशिष्ट निष्कर्ष:
- विधि अमेरिकन ऑप्शंस के "शीघ्र-व्यायाम" (early-exercise) सीमा को सफलतापूर्वक संभालती है।
- पोर्टफोलियो अनुकूलन उदाहरण में, विधि मीन-फील्ड टर्म $E[X_t]$ द्वारा संचालित परिसंपत्तियों के बीच अंतर-निर्भरता को प्रभावी ढंग से कैप्चर करती है।

5. महत्व (Significance)

सैद्धांतिक प्रगति: यह कार्य मीन-फील्ड गेम थ्योरी, जंप-डिफ्यूजन मॉडल, और मालियाविन कैलकुलस के बीच की खाई को पाटता है, जो जटिल वित्तीय प्रणालियों के लिए एक एकीकृत गणितीय उपकरण प्रदान करता है।
व्यावहारिक अनुप्रयोग: यह उन बाजारों में उच्च-आयामी अमेरिकन ऑप्शंस के मूल्य निर्धारण के लिए एक व्यवहार्य समाधान प्रदान करता है जो प्रणालीगत जोखिम (मीन-फील्ड) और अचानक झटकों (जंप्स) द्वारा चिह्नित हैं, ऐसी स्थितियाँ जहाँ पारंपरिक ग्रिड-आधारित विधियाँ कम्प्यूटेशनल रूप से असंभव हैं।
दक्षता: ग्रिड विधियों में निहित "डायमेंशनलिटी के अभिशाप" से बचकर और मोंटे कार्लो अनुमानकों के विचरण को कम करके, प्रस्तावित MMC एल्गोरिदम आधुनिक वित्तीय इंजीनियरिंग में जटिल डेरिवेटिव के अधिक सटीक और तेज़ मूल्य निर्धारण को सक्षम बनाता है।

निष्कर्षतः, सोजुदी और तहमसेबी मीन-फील्ड जंप-डिफ्यूजन सिस्टम में कंडीशनल एक्सपेक्टेशन समस्याओं को हल करने के लिए एक शक्तिशाली, गणितीय रूप से कठोर और संख्यात्मक रूप से कुशल ढांचा प्रस्तुत करते हैं, जिसकी अमेरिकन ऑप्शंस की प्राइसिंग और पोर्टफोलियो अनुकूलन में तत्काल प्रयोज्यता है।