💰 quantitative finance

Nonconcave Portfolio Choice under Smooth Ambiguity

यह शोध पत्र सुचारू अस्पष्टता (smooth ambiguity) और बेयसियन लर्निंग के तहत गतिशील, गैर-कौन्केव पोर्टफोलियो चयन के लिए एक सामान्य ढांचा विकसित करता है, जो यह प्रदर्शित करता है कि अस्पष्टता के प्रति अरुचि का एक सुदृढ़ प्रतिनिधित्व किस प्रकार स्पष्ट व्यापारिक नियम प्रदान करता है और प्रत्यायोजित प्रबंधन के संदर्भ में, अधिक रूढ़िवादी जोखिम लेने और कम अस्थिरता की ओर ले जाता है।

मूल लेखक: Emanuele Borgonovo, An Chen, Massimo Marinacci, Shihao Zhu

प्रकाशित 2026-03-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Emanuele Borgonovo, An Chen, Massimo Marinacci, Shihao Zhu

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 विशेष डिनर पार्टी का प्रबंधन करने के लिए एक पेशेवर शेफ को काम पर रख रहे हैं। आप उन्हें एक बजट देते हैं, और उन्हें यह तय करना होता है कि वे महंगी सामग्रियों (जो जोखिम भरे निवेश हैं) पर कितना खर्च करें बनाम सुरक्षित, साधारण बुनियादी चीजों (जो जोखिम-मुक्त बॉन्ड्स हैं) पर।

यहाँ एक ट्विस्ट है: शेफ को केवल इस बात की परवाह नहीं है कि खाना कितना स्वादिष्ट है (मुनाफा); उन्हें इस बात की भी परवाह है कि उन्हें भुगतान कैसे किया जाता है। उनके अनुबंध में लिखा है: "यदि डिनर बहुत बड़ी सफलता रहती है, तो आपको एक बड़ा बोनस मिलेगा। यदि यह ठीक-ठाक या एक आपदा रहती है, तो आपको एक छोटा, निश्चित शुल्क मिलेगा।" यह एक कॉन्वेक्स प्रोत्साहन अनुबंध (convex incentive contract) है—जो बड़ी जीत को पुरस्कृत करता है लेकिन छोटे नुकसानों को नजरअंदाज करता है।

अब, इसमें एक दूसरा स्तर की समस्या जोड़ें: शेफ को ठीक-ठीक पता नहीं है कि सामग्रियां कैसी रहेंगी। उनके पास एक पूर्वाभास है कि मौसम (बाजार) एकदम सही हो सकता है, या यह तूफानी हो सकता है। उन्हें यकीन नहीं है कि कौन सी संभावना सच है। यह अस्पष्टता (ambiguity) है।

यह शोध पत्र एक गणितीय रेसिपी बुक है जो शेफ को निर्णय लेने में मदद करती है जब उन्हें संभावनाओं के बारे में अनिश्चितता और एक बोनस संरचना जिसका झुकाव जोखिम भरे व्यवहार की ओर है, का सामना करना पड़ता है।

यहाँ सरल उपमाओं का उपयोग करके उनके समाधान का विवरण दिया गया है:

1. समस्या: "दोहरी मुसीबत" (The "Double Trouble")

आमतौर पर, अर्थशास्त्री मानते हैं कि लोग पैसा खोने से डरते हैं (जोखिम से बचना/Risk Aversion)। लेकिन यहाँ, शेफ के पास दो समस्याएं हैं:

गैर-उत्तल प्रतिफल (Non-Concave Payoffs): बोनस अनुबंध के कारण, शेफ बड़े जोखिम लेने के लिए प्रलोभित होता है। यदि वे बड़ी जीत हासिल करते हैं, तो वे अमीर हो जाते हैं; यदि वे हारते हैं, तो उन्हें बस छोटा शुल्क मिलता है। यह लॉटरी टिकट खरीदने जैसा है: या तो आप बड़ी जीत हासिल करते हैं या कुछ भी नहीं। गणितीय रूप से, यह निर्णय को "ऊबड़-खाबड़" (bumpy) और कठिन बना देता है।
अस्पष्टता (Ambiguity): शेफ को नहीं पता कि तूफान की वास्तविक संभावना क्या है। वे "अस्पष्टता-विरोधी" (ambiguity averse) हैं, जिसका अर्थ है कि वे केवल तूफान से नहीं, बल्कि संभावनाओं को न जानने से डरते हैं।

टकराव: यदि शेफ अज्ञात के प्रति बहुत अधिक डरा हुआ है, तो वह बहुत सुरक्षित खेल सकता है। लेकिन बोनस अनुबंध उसे लापरवाह होने के लिए प्रेरित करता है। आप इसे कैसे संतुलित करेंगे?

2. जादुई ट्रिक: "सबसे खराब स्थिति का फिल्टर" (The "Worst-Case Scenario Filter")

लेखकों ने इस जटिल गणितीय समस्या को हल करने का एक चतुर तरीका खोजा है। उन्होंने रोबस्ट रिप्रेजेंटेशन (Robust Representation) नामक तकनीक का उपयोग किया।

इसे इस प्रकार सोचें:
असली मौसम के पूर्वानुमान का अनुमान लगाने के बजाय (जो असंभव है), शेफ एक ऐसी योजना बनाने का निर्णय लेता है जो सबसे खराब संभावित मौसम पूर्वानुमान के अनुकूल हो, जो अभी भी कुछ हद तक तर्कसंगnt है।

पुराना तरीका: "मुझे लगता है कि 80% धूप और 20% बारिश की संभावना है। मैं धूप पर दांव लगाऊंगा।"
नया तरीका (पेपर का समाधान): "मैं उन संभावनाओं के बारे में निश्चित नहीं हूं। इसलिए, मैं इस तरह व्यवहार करूँगा जैसे कि संभावना 50/50 है, या यहाँ तक कि 20% धूप और 80% बारिश है, क्योंकि यह वह 'सबसे खराब स्थिति' है जो मुझे सुरक्षित रखती है।"

संभावनाओं को वास्तव में जितना है उससे अधिक बुरा मानकर, शेफ स्वाभाविक रूप से अधिक सावधान हो जाता है। यह ट्रिक एक भ्रमित करने वाली, "ऊबड़-खाबड़" गणितीय समस्या को एक सुचारू, समाधान योग्य समस्या में बदल देती है।

3. परिणाम: "निराशावादी शेफ" (The "Pessimistic Chef")

जब लेखकों ने अपने आंकड़े चलाए, तो उन्होंने पाया कि जब शेफ अस्पष्टता-विरोधी होता है, तो कुछ दिलचस्प चीजें होती हैं:

"खराब स्थिति" का झुकाव (The "Bad State" Bias): शेफ इस तरह व्यवहार करने लगता है जैसे कि "बुरी स्थिति" (कम रिटर्न) वास्तव में जितनी है उससे कहीं अधिक संभावित है। वे अपने मानसिक मानचित्र को निराशावाद की ओर स्थानांतरित कर देते हैं।
सुरक्षा ब्रेक (The Safety Brake): चूंकि शेफ अब बुरी स्थिति को लेकर चिंतित है, इसलिए वह उन लापरवाह जोखिमों को लेना बंद कर देता है जो बोनस अनुबंध आमतौर पर प्रोत्साहित करता है।
- उपमा: कल्पना कीजिए कि एक ड्राइवर के पास गति के लिए "विजेता-लेता-है-सब" (winner-take-all) बोनस है। यदि वह सड़क की स्थिति के बारे में अनिश्चित है, तो वह तेज नहीं चलाएगा। वह धीरे और सुरक्षित रूप से गाड़ी चलाएगा, भले ही बोनस उसे तेज जाने के लिए उकसाता हो।
"सब-या-कुछ-नहीं" कट-ऑफ (The "All-or-Nothing" Cut-off): गणित दिखाता है कि शेफ केवल तभी जोखिम भरी संपत्तियों में निवेश करेगा जब बाजार वास्तव में बहुत अच्छा दिखेगा। यदि बाजार थोड़ा भी "महंगा" या जोखिम भरा दिखता है, तो शेफ उस क्षण में निवेश करना पूरी तरह से बंद कर देता है। यह एक "सब-या-कुछ-नहीं" वाला दृष्टिकोण है।

4. यह क्यों महत्वपूर्ण है

यह केवल शेफ और डिनर पार्टियों के बारे में नहीं है। यह निम्नलिखित पर लागू होता है:

फंड मैनेजर: जिन्हें भारी बोनस मिलता है यदि उनका फंड आसमान छू ले, लेकिन अगर वह गिर जाए तो उन्हें कुछ नहीं मिलता।
बीमा कंपनियां: जो गारंटी बेचती हैं (जैसे "आपको 5% रिटर्न कम से कम मिलेगा")।
कॉर्पोरेट अधिकारी: जिनके पास स्टॉक विकल्प (stock options) होते हैं।

बड़ी सीख:
अस्पष्टता-विरोध (अज्ञात का डर) लापरवाह व्यवहार पर एक प्राकृतिक ब्रेक के रूप में कार्य करता है। भले ही एक अनुबंध प्रबंधक को जुआ खेलने के लिए लुभाने की कोशिश करे, लेकिन वास्तविक संभावनाओं को न जानने का उनका डर उन्हें पीछे हटने पर मजबूर कर देगा। यह प्रभावी रूप से एक "अदृश्य सुरक्षा जाल" बनाता है जो उन्हें बहुत अधिक जोखिम लेने से रोकता है, जो वास्तव में उन्हें काम पर रखने वाले लोगों के लिए अच्छा है।

एक वाक्य में सारांश

यह पेपर दिखाता है कि जब निवेशक संभावनाओं के बारे में अनिश्चित होते हैं, तो वे स्वाभाविक रूप से अधिक निराशावादी हो जाते हैं, जो उन्हें उन खतरनाक जोखिमों को लेने से रोकता है जिनके लिए उनके बोनस अनुबंध उन्हें उकसाते हैं।

यहाँ बोरगोनो, चेन, मैरिनैसी और झू द्वारा लिखित शोध पत्र "Nonconcave Portfolio Choice under Smooth Ambiguity" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र एक निरंतर-समय पोर्टफोलियो चयन समस्या (continuous-time portfolio choice problem) को संबोधित करता है जहाँ एक निवेशक तीन साथ-साथ चलने वाली चुनौतियों का सामना करता है:

गैर-उत्तल प्रतिफल (Non-concave Payoffs): निवेशक (या एक डेलीगेटेड फंड मैनेजर) ऐसी टर्मिनल वेल्थ फंक्शन्स का सामना करता है जो वैश्विक रूप से उत्तल (globally concave) नहीं हैं, विशेष रूप रूप से विकल्प जैसी प्रतिफल संरचनाएँ (जैसे कॉल ऑप्शन के साथ उत्तल प्रोत्साहन अनुबंध)।
स्मूथ एम्बिग्युइटी (Smooth Ambiguity): निवेशक जोखिम भरी संपत्ति के अपेक्षित रिटर्न (ड्रिफ्ट) के संबंध में एम्बिग्युइटी-अवर्स (ambiguity-averse) है। वास्तविक ड्रिफ्ट $Z$ अज्ञात है और इसे एक प्रायोर डिस्ट्रीब्यूशन (prior distribution) के साथ एक यादृच्छिक चर (random variable) माना जाता है।
बायेसियन लर्निंग (Bayesian Learning): निवेशक समय के साथ बाजार की कीमतों (स्टॉक रिटर्न) को देखते हुए अपने ड्रिफ्ट $Z$ के बारे में अपने विश्वासों को गतिशील रूप से अपडेट करता है।

मुख्य संघर्ष (The Core Conflict):
मानक स्मूथ एम्बिग्युइटी मॉडल (Klibanoff et al., 2005) जब गैर-उत्तल उद्देश्यों के साथ मिलते हैं, तो दो प्रमुख सैद्धांतिक बाधाएं उत्पन्न करते हैं:

गतिशील असंगतता (Dynamic Inconsistency): एम्बिग्युइटी एग्रीगेटर $\phi$ की उत्तलता (concavity) आमतौर पर डायनेमिक कंसिस्टेंसी को तोड़ देती है, जिससे मानक तरीके से विश्वासों को पुनरावर्ती (recursively) रूप से अपडेट करना असंभव हो जाता है।
गैर-उत्तल अनुकूलन (Non-Convex Optimization): विकल्प-शैली के प्रतिफल (option-style payoffs) गैर-उत्तल उपयोगिता मैक्सिमाइजेशन समस्याओं को प्रेरित करते हैं, जिससे मानक उत्तल अनुकूलन उपकरण (जैसे हैमिल्टन-जैकोबी-बेलमैन समीकरण) सीधे लागू करने में कठिन या अनुपयुक्त हो जाते हैं।

2. कार्यप्रणाली (Methodology)

लेखक इन मुद्दों को हल करने के लिए रोबस्ट रिप्रेजेंटेशन (Robust Representation) दृष्टिकोण को कॉनकेविफिकेशन (Concavification) और नॉनलीन फ़िल्टरिंग (Nonlinear Filtering) के साथ जोड़कर एक सामान्य ढांचा विकसित करते हैं।

A. रोबस्ट रिप्रेजेंटेशन (Max-Min से Min-Max)

लेखक एम्बिग्युइटी-अवर्स समस्या को रूपांतरित करने के लिए क्वाज़ीकॉन्केव फंक्शनल रिप्रेजेंटेशन (Cerreia-Vioglio et al., 2011; Drapeau and Kupper, 2013) का उपयोग करते हैं।

मूल समस्या: एक नेस्टेड सर्टेन्टी-इक्विवेलेंट रूप: $\sup_\pi \phi^{-1}(\int \phi(E_{P_Z}[U]) dP)$ ।
रूपांतरण: वे इसे प्रायर्स (priors) $Q$ (विकृत विश्वासों) के ऊपर एक Max-Min समस्या के रूप में पुनर्गठित करते हैं।
प्रमुख प्रमेय (Theorem 4.1): पेनल्टी फंक्शन $R$ (जो एग्रीगेटर $\phi$ से व्युत्पन्न है) पर विशिष्ट नियमितता शर्तों के तहत, वे एक Min-Max इंटरचेंज सिद्ध करते हैं। यह इस समस्या को निम्नानुसार लिखने की अनुमति देता है:
$\inf_{Q \in \mathcal{M}(S)} \sup_{\pi \in \mathcal{A}(w)} R(Q, E_{P_Q}[U(W_T^\pi)])$
यह चरण अत्यंत महत्वपूर्ण है क्योंकि यह डायनेमिक कंसिस्टेंसी को बहाल करता है। आंतरिक मैक्सिमाइजेशन एक निश्चित (लेकिन विकृत) प्रायोर $Q$ के तहत एक मानक बायेसियन अपेक्षित उपयोगिता (expected utility) समस्या बन जाता है, जबकि बाहरी मिनिमाइजेशन सबसे खराब स्थिति वाले प्रायोर का चयन करता है।

B. दो-चरणीय समाधान रणनीति (Two-Step Solution Strategy)

लेखक एक सुव्यवस्थित दो-चरणीय समाधान प्रक्रिया प्रस्तावित करते हैं:

चरण 1: एम्बिग्युइटी-न्यूट्रल ऑप्टिमाइजेशन (आंतरिक समस्या):
- एक प्रायोर $Q$ को स्थिर करें।
- परिणामी बायेसियन एडेप्टिव कंट्रोल समस्या को हल करें।
- नॉनलीन फ़िल्टरिंग: ड्रिफ्ट के पोस्टीरियर डिस्ट्रीब्यूशन को प्राप्त करने के लिए देखे गए स्टॉक मूल्यों के आधार पर प्रायोर $Q$ को गतिशील रूप से अपडेट करें।
- मार्टिंगेल मेथड और कॉन्केविफिकेशन: चूंकि पेऑफ $g(W_T)$ गैर-उत्तल है, इसलिए वे उपयोगिता फलन $U$ को उसके कॉन्केव एनवेलप (concave envelope) $U_c$ से बदल देते हैं। यह गैर-उत्तल समस्या को एक उत्तल समस्या में बदल देता है, जिससे अनुकूलतम टर्मिनल वेल्थ $W_T^*$ और ट्रेडिंग रणनीतियाँ $\pi_t^*$ प्राप्त करने के लिए मार्टिंगेल दृष्टिकोण का उपयोग किया जा सकता है।
चरण 2: वर्स्ट-केस प्रायोर चयन (बाहरी समस्या):
- चरण 1 में प्राप्त वैल्यू फंक्शन को कम करने के लिए 'वर्स्ट-केस' प्रायोर $Q^*$ खोजने के लिए प्रायर्स $Q$ पर अनुकूलन करें।
- अंतिम अनुकूलतम रणनीति $Q^*$ पर मूल्यांकित आंतरिक समस्या का समाधान है।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक एकीकरण: यह शोध पत्र एक ही गतिशील रूप से सुसंगत निरंतर-समय ढांचे के भीतर स्मूथ एम्बिग्युइटी, बायेसियन लर्निंग, और गैर-उत्तल (विकल्प-शैली) प्रतिफल को एकीकृत करने वाला पहला पेपर है।
डायनेमिक इनकंसिस्टेंसी का समाधान: रोबस्ट रिप्रेजेंटेशन का उपयोग करके अनुकूलन के क्रम को बदलकर (Min-Max), लेखक लर्निंग के साथ मानक स्मूथ एम्बिग्युइटी मॉडलों में निहित टाइम-इनकंसिस्टेंसी (समय-असंगति) की समस्याओं को दरकिनार करते हैं।
स्पष्ट ट्रेडिंग नियम: यह ढांचा पिछले साहित्य के विपरीत, जो अक्सर संख्यात्मक समाधानों या इक्विलिब्रियम कैरेक्टराइजेशन पर निर्भर करता है, व्यापक वर्ग की गैर-उत्तल समस्याओं के लिए सेमी-क्लोज्ड-फॉर्म स्पष्ट ट्रेडिंग नियम प्रदान करता है।
सामान्य प्रयोज्यता: यह ढांचा सामान्य उपयोगिता फलनों और एम्बिग्युइटी एग्रीगेटर्स (Power, Logarithmic, Exponential) को समायोजित करता है, जो पिछले कार्यों (जैसे Bäuerle & Mahayni, 2024) के प्रतिबंधात्मक लीनियर-पे-ऑफ या पावर-यूटिलिटी धारणाओं से आगे बढ़ता है।

4. मुख्य परिणाम और आर्थिक अंतर्दृष्टि (Key Results and Economic Insights)

लेखक अपने ढांचे को डेलीगेटेड पोर्टफोलियो मैनेजमेंट विद कॉनवेक्स इंसेंटिव कॉन्ट्रैक्ट्स (जहाँ मैनेजर को फंड के प्रदर्शन पर कॉल ऑप्शन के माध्यम से मुआवजा दिया जाता है) पर लागू करते हैं।

A. "ऑल-ऑर-नथिंग" संरचना (The "All-or-Nothing" Structure)

गैर-उत्तल प्रतिफलों की उपस्थिति में, अनुकूलतम टर्मिनल वेल्थ $W_T^*$ स्टेट-प्राइस डेंसिटी $\xi_T$ के सापेक्ष एक विच्छिन्न (discontinuous) "ऑल-ऑर-नथिंग" संरचना प्रदर्शित करता है।
"महंगी" अवस्थाओं में (उच्च $\xi_T$ , प्रतिकूल बाजार स्थितियाँ), अनुकूलतम वेल्थ शून्य हो जाती है। निवेशक उन अवस्थाओं में संसाधन आवंटन करना बंद कर देता है जहाँ विकल्प के प्रतिफल का सीमांत लाभ (marginal benefit) शून्य होता है (आउट-ऑफ-द-मनी)।

B. एम्बिग्युइटी एवर्स का प्रभाव (The Role of Ambiguity Aversion)

एम्बिग्युइटी एवर्स एक एंडोजेनस रिस्क कंस्ट्रेंट के रूप में कार्य करता है:

निराशावादी विश्वास विरूपण (Pessimistic Belief Distortion): एम्बिग्युइटी एवर्स विकृत प्रायोर $Q^*$ को प्रतिकूल अवस्थाओं (कम अपेक्षित रिटर्न) की ओर स्थानांतरित करता है। मैनेजर प्रभावी रूप से यह मानता है कि वस्तुनिष्ठ प्रायोर की तुलना में "बुरी" स्थिति अधिक संभावित है।
कम जोखिम एक्सपोजर: यह निराशावादी विरूपण प्रभावी जोखिम बाधाओं को कड़ा करता है। भले ही अनुबंध उत्तल (convex) है (जो जोखिम लेने को प्रोत्साहित करता है), एम्बिग्युइटी एवर्स जोखिम भरी संपत्ति में अनुकूलतम आवंटन को कम कर देता है।
- मात्रात्मक निष्कर्ष: संख्यात्मक प्रयोगों में, एम्बिग्युइटी एवर्स बढ़ने से जोखिम भरी संपत्ति में निवेश किए जाने वाले धन के अंश में उल्लेखनीय कमी आती है (उदाहरण के लिए, मध्यम वेल्थ स्तरों पर जोखिम भरे हिस्से को आधा कर देना)।
अनुशासन देने वाले प्रोत्साहन (Disciplining Incentives): एम्बिग्युइटी एवर्स उस "रिस्क-शिफ्टिंग" व्यवहार को कम करता है जो आमतौर पर उत्तल मुआवजे से प्रेरित होता है। यह उस क्षेत्र को सिकोड़ देता है जहाँ विकल्प "प्रभावी रूप से इन-द-मनी" होता है, जिससे मैनेजर को अधिक रूढ़िवादी होने के लिए मजबूर किया जाता है।

C. तुलनात्मक सांख्यिकी (Comparative Statics)

रिस्क एवर्सिटी (RRA): उच्च जोखिम सहनशीलता (Risk Aversion) वेल्थ वितरण को संकुचित करती है, जिससे अनुकूलतम वेल्थ फंक्शन में "किंक" (kink) उच्च स्टेट-प्राइस डेंसिटी पर आता है।
एम्बिग्युइटी एवर्सिटी (RAA/AAA): उच्च एम्बिग्युइटी एवर्स कटऑफ पॉइंट को बाईं ओर स्थानांतरित करता है (सकारात्मक वेल्थ का शीघ्र समापन) और पूरी वेल्थ कर्व को नीचे लाता है। यह विश्वासों को आकार देने में प्रायोर सूचना पर हावी रहता है; जैसे-जैसे एम्बिग्युइटी एवर्स बढ़ता है, प्रारंभिक प्रायोर का प्रभाव कम होता जाता है।

5. महत्व (Significance)

व्यावहारिक प्रासंगिकता: परिणाम व्यवस्थित रूप से समझाते हैं कि फंड मैनेजर, जिनके पास उत्तल प्रोत्साहन हैं, बाजार मापदंडों के बारे में अनिश्चितता का सामना करते समय मानक सिद्धांत की तुलना में अधिक रूढ़िवादी व्यवहार क्यों कर सकते हैं।
मेथोडोलॉजिकल उन्नति: यह पेपर सीखने और गैर-उत्तलता से जुड़ी जटिल वित्तीय निर्णय समस्याओं को हल करने के लिए एक "पोर्टेबल" टूलकिट प्रदान करता है। यह दर्शाता है कि रोबस्ट रिप्रेजेंटेशन तकनीकों को गतिशील पोर्टफोलियो चयन के लिए सफलतापूर्वक लागू किया जा सकता है, जो स्टैटिक एम्बिग्युइटी मॉडल्स और डायनेमिक स्टोकेस्टिक कंट्रोल के बीच के अंतर को पाटता है।
व्यापक अनुप्रयोग: यह ढांचा फंड मैनेजमेंट से परे अन्य संदर्भों तक विस्तारित है जिनमें एम्बेडेड ऑप्शंस शामिल हैं, जैसे बीमा उत्पाद (कैप्स, फ्लोर्स, सरेंडर फीचर्स) और लक्ष्य-प्राप्ति (goal-reaching) संबंधी समस्याएं।

संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि एम्बिग्युइटी एवर्स उत्तल प्रोत्साहनों वाले वातावरण में एक प्राकृतिक अनुशासनात्मक तंत्र (disciplining mechanism) के रूप में कार्य करता है, जो प्रतिकूल परिणामों की ओर विश्वासों को एंडोजेनस रूप से विकृत करके विकल्प-आधारित प्रतिफलों से प्रेरित जोखिम-शिफ्टिंग प्रवृत्तियों का प्रभावी ढंग से मुकाबला करता है।