Some general results on risk budgeting portfolios

यहाँ फैसिनो और उबेरटी के शोध पत्र "Some general results on risk budgeting portfolios" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रिस्क बजटिंग (RB) एक पोर्टफोलियो निर्माण रणनीति है जहाँ एक निवेशक प्रत्येक संपत्ति $i$ को एक पूर्व-निर्धारित जोखिम योगदान ($x^b_i$) आवंटित करता है ताकि कुल पोर्टफोलियो जोखिम इन लक्ष्यों के अनुसार आवंटित किया जा सके। जब सभी लक्ष्य समान होते हैं ($x^b_i = 1/N$), तो इस रणनीति को रिस्क पैरिटी (Risk Parity) के रूप में जाना जाता है।

इस शोध पत्र में संबोधित मुख्य चुनौती RB पोर्टफोलियो की संख्यात्मक गणना (numerical calculation) है।

• वर्तमान स्थिति: मौजूदा साहित्य (जैसे, Maillard et al., 2010; Cetingoz et al., 2024) मुख्य रूप से RB पोर्टफोलियो को खोजने के लिए एक सहायक अनुकूलन समस्या (auxiliary optimization problem) को हल करने पर निर्भर करता है।
• वर्तमान विधियों की सीमाएँ:
  • आर्थिक व्याख्या (Economic Interpretation): सहायक अनुकूलन समस्याओं में अक्सर प्रत्यक्ष आर्थिक व्याख्या का अभाव होता है, जिससे यह न्यायसंगत बनाना कठिन हो जाता है कि एक निवेशक को उन्हें क्यों हल करना चाहिए।
  • संख्यात्मक अस्थिरता (Numerical Instability): अनुकूलन-आधारित दृष्टिकोणों में संख्यात्मक अस्थिरता हो सकती है, विशेष रूप से तब जब संपत्तियों की संख्या बढ़ती है या जब इनपुट सिमप्लेक्स (simplex) की सीमा के निकट होते हैं।
  • गणना लागत (Computational Cost): सरल पुनरावृत्ति विधियों (iterative methods) की तुलना में गैर-रेखीय अनुकूलन समस्याओं (non-linear optimization problems) को हल करना कम्प्यूटेशनल रूप से महंगा है।
  • सैद्धांतिक बाधाएं (Theoretical Constraints): अस्तित्व और विशिष्टता (existence and uniqueness) के प्रमाण अक्सर जोखिम माप के अंतर्निहित गुणों के बजाय सहायक अनुकूलन समस्या की उत्तलता (convexity) पर बहुत अधिक निर्भर करते हैं।

लेखक सामान्य जोखिम मापों के लिए RB पोर्टफोलियो की गणना करने के लिए एक नया, गैर-अनुकूलन-आधारित दृष्टिकोण (non-optimization-based approach) प्रस्तावित करते हैं, जिसमें मानक विचलन (standard deviation) के लिए एक विशिष्ट कार्यान्वयन दिया गया है।

2. कार्यप्रणाली (Methodology)

लेखक प्रायिकता सिमप्लेक्स (probability simplex) के भीतर फिक्स्ड-पॉइंट थ्योरी (fixed-point theory) और कॉची अनुक्रमों (Cauchy sequences) पर आधारित एक ढांचा पेश करते हैं।

A. सामान्य ढांचा (सामान्य जोखिम माप के लिए)

1. परिभाषाएँ:
   • मान लीजिए $S$ लॉन्ग-ओनली पोर्टफोलियो का सिमप्लेक्स है ($x \in \mathbb{R}^N, \sum x_i = 1, x_i \geq 0$)।
   • मान लीजिए $\rho$ एक संदर्भ जोखिम माप है और $RC_\rho(x)$ मार्जिनल रिस्क योगदानों का वेक्टर है।
   • लक्ष्य एक ऐसा $x^* \in S$ खोजना है कि $RC_\rho(x^*) / \mathbf{1}^T RC_\rho(x^*) = x^b$ हो।
2. पुनरावृत्ति अनुक्रम (The Iterative Sequence):
   लेखक एक फलन $\Delta(x)$ को परिभाषित करते हैं जो लक्षित जोखिम बजट से विचलन को दर्शाता है:
   $$\Delta(x) = RC_\rho(x) - x^b \mathbf{1}^T RC_\rho(x)$$
   वे एक प्रारंभिक बिंदु $x_1 \in S$ से शुरू होने वाला एक अनुक्रम $\{x_n\}$ निर्मित करते हैं:
   $$x_{n+1} = x_n + k(x_n)\Delta(x_n)$$
   जहाँ $k(x_n)$ एक स्टेप-साइज़ फलन है जिसे अभिसरण (convergence) सुनिश्चित करने के लिए चुना गया है।
3. अभिसरण प्रमाण (Convergence Proof):
   • प्रमेय 1 (Theorem 1): यदि एक निरंतर फलन $k(x)$ मौजूद है जिससे $\|\Delta(x_{n+1})\|_2 \leq L \|\Delta(x_n)\|_2$ (जहाँ $0 < L < 1$) हो, तो अनुक्रम $\{x_n\}$ एक कॉची अनुक्रम (Cauchy sequence) है।
   • चूंकि यूक्लिडियन नॉर्म (Euclidean norm) के साथ सिमप्लेक्स एक पूर्ण मीट्रिक स्पेस (complete metric space) है, इसलिए अनुक्रम एक सीमा $\bar{x}$ की ओर अभिसरित होता है।
   • प्रमेय 2 (Theorem 2): सीमा $\bar{x}$ इस प्रकार होती है कि $\Delta(\bar{x}) = 0$, जिसका अर्थ है कि यह रिस्क बजटिंग पोर्टफोलियो है।
4. अस्तित्व और विशिष्टता (Existence and Uniqueness):
   • इस समस्या को फलन $G(x) = x - k(x)\Delta(x)$ के फिक्स्ड पॉइंट (fixed point) को खोजने के रूप में पुनर्गठित किया गया है।
   • केलॉग का प्रमेय (Kellogg's Theorem): सिमप्लेक्स में फिक्स्ड पॉइंट के अस्तित्व और विशिष्टता के लिए पर्याप्त शर्तें प्रदान की गई हैं, जो फलन की अवकलनीयता (differentiability) और जैकोबियन (Jacobian) में आइगेनवैल्यू 1 की अनुपस्थिति पर निर्भर करती हैं।

B. विशिष्ट कार्यान्वयन: मानक विचलन (Standard Deviation)

जब जोखिम माप मानक विचलन ($\rho(x) = \sqrt{x^T V x}$, जहाँ $V$ कोवेरिएंस मैट्रिक्स है) हो:

1. मार्जनल रिस्क: $RC_\rho(x) = \text{diag}(x)Vx$।
2. स्टेप साइज़ गणना ($k_n$):
   लेखक एक विशिष्ट एल्गोरिदम का निर्माण करते हैं जो $k_n$ को खोजने के लिए है जो अनुबंध शर्त (contraction condition) $\|\Delta(x_{n+1})\|_2 < L \|\Delta(x_n)\|_2$ को संतुष्ट करता है।
   • यह एक चतुर्थ घात बहुपद (quartic polynomial) $Q(k_n)$ की ओर ले जाता है। यदि वास्तविक मूल (real roots) मौजूद हैं, तो $k_n$ को इस प्रकार चुना जाता है कि $Q(k_n) < 0$ हो।
   • यदि कोई वास्तविक मूल मौजूद नहीं है (जो तब हो सकता है जब $L$ बहुत छोटा हो), तो यह सुनिश्चित करने के लिए एक त्रिघात बहुपद (cubic polynomial) $C(k_n)$ को हल किया जाता है कि $\|\Delta(x_{n+1})\|_2 \leq \|\Delta(x_n)\|_2$ हो।
3. सिम्प्लेक्स में विशिष्टता (Uniqueness in Simplex):
   • प्रमेय 7 और सह-प्रमेय 1 (Theorem 7 & Corollary 1): मैट्रिक्स स्केलिंग पर ओ'लीरी (O'Leary, 2003) के परिणामों का लाभ उठाते हुए, लेखक सिद्ध करते हैं कि एक धनात्मक निश्चित (positive definite) कोवेरिएंस मैट्रिक्स $V$ और बजट $x^b \in S$ के लिए, सिमप्लेक्स में एक अद्वितीय (unique) फिक्स्ड पॉइंट मौजूद है।
   • प्रमेय 8 (Theorem 8): यह सुनिश्चित करने के लिए कि अनुक्रम सिमप्लेक्स $S$ के भीतर बना रहे (ऋणात्मक भार को रोकने के लिए), $|k_n|$ पर एक स्पष्ट सीमा प्रदान करता है।

3. प्रमुख योगदान (Key Contributions)

1. नया एल्गोरिदम दृष्टिकोण: यह शोध पत्र एक फिक्स्ड-पॉइंट इटरेशन विधि प्रस्तावित करता है जो सहायक अनुकूलन समस्याओं को हल करने से बचती है। यह जटिल सॉल्वर (जैसे fmincon) और उनसे जुड़ी संख्यात्मक अस्थिरताओं की आवश्यकता को समाप्त करता है।
2. सैद्धांतिक कठोरता (Theoretical Rigor):
   • यह केवल एक सहायक उद्देश्य की उत्तलता (convexity) के बजाय, मार्जिनल रिस्क योगदान फलन के गुणों के आधार पर RB पोर्टफोलियो के अस्तित्व और विशिष्टता की शर्तों को स्थापित करता है।
   • यह सिद्ध करता है कि प्रस्तावित पुनरावृत्ति अनुक्रम एक कॉची अनुक्रम है, जो सिमप्लेक्स में अद्वितीय समाधान की गारंटी देता है।
3. सामान्यीकरण (Generalizability): यह ढांचा सामान्य जोखिम मापों के लिए परिभाषित किया गया है, बशर्ते कि मार्जिनल रिस्क योगदान निरंतर हों। शोध पत्र विशेष रूप से मानक विचलन के लिए कार्यान्वयन का विवरण देता है लेकिन अन्य मापों (जैसे VaR, Expected Shortfall) के लिए भी मार्ग रेखा बताता है।
4. ऋणात्मक मार्जिनल योगदानों को संभालना: शोध पत्र इस विरोधाभासी मामले को संबोधित करता है जहाँ किसी संपत्ति का मार्जिनल रिस्क ऋणात्मक होता है (ऋणात्मक सहसंबंध के कारण) और यह प्रदर्शित करता है कि एल्गोरिदम इन परिदृश्यों को मजबूती से कैसे संभालता है।

4. अनुभवजन्य परिणाम (Empirical Results)

लेखकों ने अपने फिक्स्ड-पॉइंट (FP) एल्गोरिदम की तीन मानक विधियों के विरुद्ध तुलना की:

• OP1: रिस्क योगदान के वर्ग विचलन को कम करने वाला अनुकूलन (Maillard et al., 2010)।
• OP2: लॉग-ट्रांसफॉर्म किए गए चरों का उपयोग करने वाला अनुकूलन (Maillard et al., 2010)।
• NLS: lsqnonlin का उपयोग करके सीधे गैर-रेखीय प्रणाली को हल करना।

प्रायोगिक सेटअप:

• $N = 5, 10, 50, 100, 200$ संपत्तियों वाले पोर्टफोलियो पर परीक्षण किया गया।
• रैंडम कोवेरिएंस मैट्रिक्स और रिस्क बजट के साथ 1,000 रैंडम प्रयोग।
• मेट्रिक्स: गणना समय (सेकंड में) और सटीकता (वास्तविक रिस्क बजट और लक्ष्य के बीच की दूरी)।

मुख्य निष्कर्ष:

• गति (Speed): FP एल्गोरिदम काफी तेज़ था। $N=200$ के लिए, FP ने 0.038s लिया, जबकि OP1 ने 1.41s, OP2 ने 0.27s और NLS ने 3.65s लिया।
• सटीकता (Accuracy): FP ने सभी पोर्टफोलियो आकारों में उच्चतम सटीकता (सबसे कम त्रुटि) प्राप्त की।
  • $N=200$ पर, FP की त्रुटि 0.0040 थी, जबकि OP1 के लिए 0.0556, OP2 के लिए 0.2877 और NLS के लिए 0.0458 थी।
• स्केलेबिलिटी (Scalability): FP एल्गोरिदम ने बढ़ती आयामीता ($N$) के प्रति सबसे अच्छा लचीलापन दिखाया। इसका गणना समय अनुकूलन-आधारित विधियों की तुलना में बहुत धीमी गति से बढ़ा।
• पैरामीटर संवेदनशीलता (Parameter Sensitivity): $L$ (अभिसरण दर नियंत्रण) पैरामीटर का परीक्षण किया गया। $L$ के मान जो 1 के करीब हैं (जैसे, 0.95 या 0.99), वे स्टेप विश्वसनीयता और अभिसरण गति के बीच सर्वोत्तम संतुलन प्रदान करते हैं, जबकि बहुत छोटे $L$ मान चतुर्थ घात बहुपद में वास्तविक मूलों की कमी के कारण एल्गोरिदम को रोक देते हैं।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र रिस्क बजटिंग पोर्टफोलियो की गणना के लिए एक प्रतिमान परिवर्तन (paradigm shift) प्रस्तुत करता है। अनुकूलन-आधारित सूत्रीकरणों से हटकर कॉची अनुक्रमों से प्राप्त फिक्स्ड-पॉइंट इटरेशन की ओर बढ़कर, लेखक निम्नलिखित प्रदान करते हैं:

• कम्प्यूटेशनल दक्षता: एक विधि जो आदेशों (orders of magnitude) के हिसाब से तेज़ और अधिक स्थिर है, जो उच्च-आयामी पोर्टफोलियो और वास्तविक समय के अनुप्रयोगों के लिए उपयुक्त है।
• सैद्धांतिक स्पष्टता: समाधान के लिए एक स्पष्ट आर्थिक और गणितीय औचित्य, जो समाधान के अस्तित्व को एक सहायक उद्देश्य की उत्तलता से अलग करता है।
• व्यावहारिक मजबूती: एल्गोरिदम जटिल नियमितीकरण (regularization) या लॉग-रूपांतरणों की आवश्यकता के बिना किनारा-मामलों (edge cases, जैसे कि सीमा के निकट पोर्टफोलियो, ऋणात्मक सहसंबंध) को प्रभावी ढंग से संभालता है।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण मानक अनुकूलन तकनीकों से बेहतर है और भविष्य के कार्यों के रूप में व्यापक श्रेणी के जोखिम मापों (जैसे Expected Shortfall) तक इन परिणामों का विस्तार करने और अस्तित्व एवं विशिष्टता के लिए सैद्धांतिक शर्तों को परिष्कृत करने का सुझाव देते हैं।