💰 quantitative finance

Climate-Aware Copula Models for Sovereign Rating Migration Risk

यह शोध पत्र एक नवीन कोपुला-आधारित समय-श्रृंखला ढांचे, विशेष रूप से एक मिश्रित-अंतर रूपांतरण वाले गुमेल MAGMAR(1,1) मॉडल का प्रस्ताव करता है, जो संप्रभु क्रेडिट रेटिंग माइग्रेशन की गैररेखीय निर्भरता और क्लस्टरिंग को प्रभावी ढंग से मॉडल करने के लिए है, जो मानक मॉडलों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है और यह पाता है कि समग्र जलवायु सह-चर (कोवेरिएट्स) मार्जिनल फिट्स में सुधार करते हैं लेकिन निर्भरता गतिशीलता में सीमित अतिरिक्त अंतर्दृष्टि प्रदान करते हैं।

मूल लेखक: Marina Palaisti

प्रकाशित 2026-04-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marina Palaisti

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 वैश्विक अर्थव्यवस्था एक विशाल, हलचल भरे शहर की तरह है। इस शहर में, हर देश एक इमारत है। कभी-कभी, एक इमारत को पेंट का एक नया, चमकदार कोट मिलता है (अपग्रेड); कभी-कभी, उसे एक चेतावनी संकेत या नींव में दरार मिलती है (डाउनग्रेड)। इन परिवर्तनों को सॉवरेन रेटिंग माइग्रेशन (Sovereign Rating Migrations) कहा जाता है।

बैंकों और निवेशकों के लिए, यह जानना बहुत महत्वपूर्ण है कि इमारतों को पेंट कब मिल रहा है या उनमें दरार कब आ रही है। यदि एक पूरा मोहल्ला एक ही समय में डाउनग्रेड हो जाता है, तो यह एक आपदा है। लेकिन यदि वे एक-एक करके बदलते हैं, तो इसे संभालना आसान है।

यह शोध पत्र इस शहर के लिए एक नए, हाई-टेक मौसम पूर्वानुमान (weather forecast) की तरह है। यह न केवल यह बताने की कोशिश करता है कि क्या किसी इमारत की स्थिति बदलेगी, बल्कि यह भी कि वे परिवर्तन समय के साथ एक साथ कैसे क्लस्टर (समूह में) होते हैं, और क्या बदलता हुआ वातावरण उन दरारों का कारण बनने वाला तूफान है।

यहाँ इस शोध पत्र की "रेसिपी" सरल शब्दों में दी गई है:

1. समस्या: दरारों को गिनना कठिन है

पारंपरिक रूप से, अर्थशास्त्री रेटिंग परिवर्तनों को सिक्का उछालने की तरह देखते थे। उन्होंने माना था कि यदि आज किसी इमारत को डाउनग्रेड किया जाता है, तो कल उसे डाउनग्रेड होने की एक निश्चित संभावना होती है, जो कल की घटनाओं से स्वतंत्र है।

खामी: वास्तविकता में, रेटिंग परिवर्तन "गुच्छों" (clumps) में होते हैं। यदि वित्तीय संकट आता है, तो एक ही वर्ष में कई देशों को डाउनग्रेड किया जाता है। यह यादृच्छिक (random) नहीं है; यह एक तूफान है। पुराने मॉडल इन "तूफानों" (non-linear dependence) को पहचानने में विफल रहे और इस तथ्य को भी नजरअंदाज कर दिया कि बुरे वर्ष अक्सर बुरे वर्षों के बाद ही आते हैं।

2. समाधान: एक नया लेंस (Copulas)

लेखकों ने Copulas नामक चीज़ का उपयोग करके डेटा को देखने का एक नया तरीका बनाया।

उपमा: कल्पना कीजिए कि आपके पास डिस्क्रीट मार्बल्स (discrete marbles) का एक बैग है (डाउनग्रेड की संख्या गिनना)। आप यह अनुमान लगाने के लिए कि मार्बल्स कहाँ लुढ़केंगे, एक सुचारू, बहती हुई नदी वाले मॉडल (मानक गणित) का आसानी से उपयोग नहीं कर सकते।
ट्रिक: लेखकों ने एक "मिक्स्ड-डिफरेंस ट्रांसफॉर्मेशन" (Mixed-Difference Transformation) बनाया। इसे एक जादुई मशीन के रूप में सोचें जो आपके मार्बल्स के ढेर को पानी की एक सुचारू, बहती हुई धारा में बदल देती है। यह उन्हें शक्तिशाली, सुचारू गणितीय उपकरणों (Copulas) का उपयोग करके प्रवाह की भविष्यवाणी करने की अनुमति देता है, जबकि यह भी याद रखता है कि मूल डेटा केवल मार्बल्स की गिनती थी।

3. इंजन: MAGMAR (एक "मूविंग एग्रीगेट" और "ऑटो-रिग्रेसिव" मिश्रण)

इस धारा के भविष्य के प्रवाह की भविष्यवाणी करने के लिए, उन्होंने MAGMAR नामक एक विशेष इंजन बनाया।

MAG (Moving Aggregate): यह हिस्सा पिछले कुछ वर्षों के "शोर" या यादृच्छिक झटकों (random shocks) को देखता है। यह पूछता है, "क्या हाल के वर्षों में बहुत अधिक डाउनग्रेड हुए हैं जो अभी भी सिस्टम में लहरें पैदा कर रहे हैं?"
MAR (Auto-Regressive): यह हिस्सा वर्तमान स्थिति को देखता है। यह पूछता है, "अभी हम जहाँ हैं, उसे देखते हुए, हम आगे कहाँ जा सकते हैं?"
परिणाम: इन दोनों को मिलाकर, यह मॉडल तत्काल झटके (immediate shock) और पिछली घटनाओं की स्थायी स्मृति (lingering memory) दोनों को पकड़ता है।

4. मौसम का कारक: जलवायु जोखिम (Climate Risk)

बड़ा सवाल इस शोध पत्र का है: क्या जलवायु परिवर्तन इन रेटिंग तूफानों को और बदतर बनाता है?

उन्होंने अपने मॉडल में कार्बन तीव्रता (Carbon Intensity) (एक देश की अर्थव्यवस्था कितनी "गंदी" है) के बारे में डेटा डाला।
निष्कर्ष: जलवायु डेटा किसी विशिष्ट देश में कितने डाउनग्रेड हो सकते हैं (मार्जिनल प्रभाव) की भविष्यवाणी करने में बहुत अच्छा था। यदि कोई देश बहुत "गंदा" है, तो उसके डाउनग्रेड होने की संभावना अधिक है।
आश्चर्य: हालाँकि, जलवायु डेटा ने डाउनग्रेड के क्लस्टरिंग (एक साथ होने) की भविष्यवाणी करने में मदद नहीं की। यह जानने से कि एक देश "गंदा" है, यह पता नहीं चला कि क्या बाकी सभी को एक ही समय में डाउनग्रेड किया जाएगा। वैश्विक डाउनग्रेड का "तूफान" विशिष्ट जलवायु मिश्रण के बावजूद होता प्रतीत हुआ।

5. विजेता: "Gumbel" मॉडल

लेखकों ने यह देखने के लिए कई गणितीय आकारों का परीक्षण किया कि कौन सा डेटा के साथ सबसे अच्छा फिट बैठता है।

हारने वाले: मानक मॉडल (जैसे साधारण मार्कोव चेन) और "बेल कर्व" (Gaussian) मानने वाले मॉडल बड़े तूफानों की भविष्यवाणी करने में बहुत खराब थे। उन्होंने सोचा कि बुरे वर्ष दुर्लभ और अलग-थलग घटनाएं हैं।
विजेता: एक मॉडल जिसे Gumbel MAGMAR(1,1) कहा जाता है।
- क्यों? Gumbel का आकार एक फनल (कीप) की तरह है जो वितरण के "पूंछ" (tail) को पकड़ता है। यह विशेष रूप से चरम घटनाओं (extreme events) को संभालने के लिए बनाया गया है। इसने महसूस किया कि जब चीजें खराब होती हैं, तो वे एक साथ खराब होती हैं। इसने भविष्यवाणी की कि "बुरे वर्ष" एक साथ आने की प्रवृत्ति रखते हैं, जो वास्तव में इतिहास में भी हुआ है।

मुख्य निष्कर्ष (The Big Takeaway)

स्वतंत्रता (Independence) मानकर न चलें: रेटिंग परिवर्तन अलग-थलग नहीं होते। जब एक देश को डाउनग्रेड किया जाता है, तो यह अक्सर एक श्रृंखला प्रतिक्रिया (chain reaction) शुरू करता है। आपको एक ऐसे मॉडल की आवश्यकता है जो इस "संक्रमण" (contagion) को समझ सके।
जलवायु मायने रखती है, लेकिन शायद उस तरह से नहीं जैसा हमने सोचा था: जलवायु जोखिम निश्चित रूप से व्यक्तिगत देशों के क्रेडिट स्कोर को नुकसान पहुँचाता है। लेकिन, वैश्विक स्तर पर, यह अभी तक सिंक्रोनाइज्ड (एक साथ होने वाले) वैश्विक वित्तीय संकटों का प्राथमिक चालक नहीं बना है (कम से कम उस डेटा में जो उन्होंने देखा)।
सरल लेकिन स्मार्ट बने रहें: सबसे अच्छा मॉडल वह नहीं था जो जलवायु चरों के साथ सबसे जटिल था। यह एक चतुर, थोड़ा जटिल मॉडल (Gumbel MAGMAR) था जिसने जलवायु इनपुट को बहुत अधिक जटिल बनाए बिना, जोखिम के आकार (क्लस्टरिंग) को समझा।

संक्षेप में: लेखकों ने वैश्विक क्रेडिट रेटिंग के लिए एक बेहतर "तूफान डिटेक्टर" बनाया है। उन्होंने पाया कि हालांकि जलवायु परिवर्तन व्यक्तिगत इमारतों के लिए एक जोखिम कारक है, लेकिन वास्तविक खतरा इस तथ्य से आता है कि जब वैश्विक अर्थव्यवस्था छींकती है, तो पूरा शहर एक साथ सर्दी पकड़ लेता है—और उनका नया मॉडल उस सामूहिक छींक की भविष्यवाणी करने में सबसे सक्षम है।

यहाँ मरीना पालेस्टी (Marina Palaisti) के शोध पत्र "Climate-Aware Copula Models for Sovereign Rating Migration Risk" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

संप्रभु क्रेडिट पोर्टफोलियो (Sovereign credit portfolios) क्रेडिट रेटिंग माइग्रेशन (अपग्रेड और डाउनग्रेड) की गतिशीलता से अत्यधिक प्रभावित होते हैं। पारंपरिक जोखिम प्रबंधन कम-आवृत्ति वाले मार्कोव चेन (Markov chains) या तीव्रता-आधारित मॉडलों से प्राप्त ट्रांजिशन मैट्रिसेस पर निर्भर करता है। ये मानक दृष्टिकोण तीन महत्वपूर्ण सीमाओं से ग्रस्त हैं:

कठोर निर्भरता (Rigid Dependence): वे अक्सर गैर-रेखीय निर्भरता (nonlinear dependence), टेल व्यवहार (tail behavior), और टेम्पोरल क्लस्टरिंग (जैसे कि असामान्य रूप से उच्च माइग्रेशन गतिविधि वाले वर्ष) को पकड़ने में विफल रहते हैं।
डिस्क्रीट डेटा हैंडलिंग (Discrete Data Handling): मानक कोपूला मॉडल निरंतर डेटा (continuous data) के लिए डिज़ाइन किए गए हैं, जिससे उन्हें संरचनात्मक अखंडता को खोए बिना सीधे पूर्णांक-मान वाले रेटिंग माइग्रेशन काउंट्स पर लागू करना कठिन हो जाता है।
जलवायु एकीकरण (Climate Integration): हालांकि जलवायु जोखिम को संप्रभु ऋणसाख (sovereign creditworthiness) के एक चालक के रूप में तेजी से मान्यता मिल रही है, मौजूदा मॉडल अक्सर कुल माइग्रेशन गतिविधि के डिपेंडेंस स्ट्रक्चर (dependence structure) में जलवायु चरों को शामिल करने के बजाय केवल मार्जिनल प्रभावों पर ध्यान केंद्रित करते हैं।

इस शोध पत्र का उद्देश्य एक कठोर टाइम-सीरीज फ्रेमवर्क विकसित करना है जो संप्रभु रेटिंग माइग्रेशन को एक डिस्क्रीट-वैल्यूड प्रोसेस के रूप में मॉडल करता है, जिसमें लचीली निर्भरता संरचनाएं हों, और यह स्पष्ट रूप से परीक्षण करता है कि क्या जलवायु जोखिम प्रॉक्सी वर्षों के बीच निर्भरता गतिशीलता को नियंत्रित करती है।

2. कार्यप्रणाली (Methodology)

अ. डेटा रूपांतरण: मिक्स्ड-डिफरेंस ट्रांसफॉर्म (Mixed-Difference Transform)

रेटिंग क्रियाओं ( $A_t$ ) के डिस्क्रीट वार्षिक काउंट्स पर कोपूला टाइम-सीरीज विधियों को लागू करने के लिए, लेखिका एक मिक्स्ड-डिफरेंस प्रोबेबिलिटी इंटीग्रल ट्रांसफॉर्म पेश करती हैं।

मान लीजिए कि $F_D(\cdot)$ काउंट $A_t$ का डिस्क्रीट डिस्ट्रीब्यूशन फंक्शन है।
यह रूपांतरण पूर्णांक काउंट को एक निरंतर चर $U_t \in (0,1)$ में मैप करता है:
$U_t = F_D(A_t^-) + V_t p(A_t)$
जहाँ $V_t \sim \text{Unif}(0,1)$ एक सहायक रैंडम वेरिएबल है और $p(A_t)$ प्रोबेबिलिटी मास है।
यह माइग्रेशन तीव्रता के क्रम को सुरक्षित रखता है जबकि इस श्रृंखला को निरंतर कोपूला मॉडलिंग के लिए उपयुक्त बनाता है।

ब. कोपूला टाइम-सीरीज फ्रेमवर्क (Copula Time-Series Framework)

यह शोध पत्र MAG (Marginal Autoregressive) कोपूला प्रक्रियाओं पर आधारित है और इसे MAGMAR(1,1) विशिष्टताओं तक विस्तारित करता है।

MAG(1): एक मूविंग-अग्रेगेट प्रक्रिया जहाँ वर्तमान अवस्था $U_t$ , पिछले इनोवेशन $W_{t-1}$ और वर्तमान इनोवेशन $W_t$ पर एक कोपूला $C_\theta$ के माध्यम से निर्भर करती है।
$U_t = (h_\theta)^{-1}(W_t, W_{t-1})$
MAGMAR(1,1): यह मूविंग-अग्रेगेट संरचना को एक ऑटो-रिग्रेसिव (AR) घटक के साथ जोड़ता है। यह $U_t$ और $U_{t-1}$ के बीच निर्भरता को मॉडल करने के लिए एक दूसरे कोपूला $C_\phi$ को पेश करता है, जबकि MAG इनोवेशन संरचना को बनाए रखता है।
$U_t = (h_\phi)^{-1}\left( (h_\theta)^{-1}(W_t, W_{t-1}), U_{t-1} \right)$
कोपूला परिवार (Copula Families): सममित बनाम असममित (अपर-टेल) निर्भरता का परीक्षण करने के लिए अध्ययन में Gaussian, Student-t, और Gumbel कोपुलों का उपयोग करके मॉडल का अनुमान लगाया गया है।

स. जलवायु-निर्भर विशिष्टताएँ (Climate-Dependent Specifications)

इस फ्रेमवर्क को जलवायु चरों ( $C_t$ , विशेष रूप से उत्पादन-आधारित कार्बन तीव्रता) को सीधे निर्भरता मापदंडों (dependence parameters) को प्रभावित करने की अनुमति देने के लिए विस्तारित किया गया है:

टाइम-वेरिंग पैरामीटर्स: निर्भरता मापदंडों (जैसे, AR घटक में सहसंबंध $\rho_t$ ) को लैग्ड जलवायु चरों के फलन के रूप में मॉडल किया जाता है:
$\rho_t = \tanh(\beta_0 + \beta_1 C_{t-1})$
यह परीक्षण करने की अनुमति देता है कि क्या समग्र जलवायु स्थितियाँ रेटिंग माइग्रेशन के क्लस्टरिंग या टेल डिपेंडेंस को बदलती हैं, न कि केवल मार्जनल फ्रीक्वेंसी को।

द. सैद्धांतिक आधार (Theoretical Foundations)

यह शोध पत्र मैक्सिमम लाइक्लीहुड एस्टिमेटर्स (MLE) के सांख्यिकीय गुणों को स्थापित करता है:

मार्कोव प्रतिनिधित्व (Markov Representation): यह दिखाया गया है कि स्टेट प्रोसेसेज समय-समरूप मार्कोव चेन (time-homogeneous Markov chains) हैं।
जियोमेट्रिक एर्गोडिसिटी (Geometric Ergodicity): बाउंडेड पैरामीटर धारणाओं के तहत Gaussian, t, और Gumbel AR कोपुलों के लिए सिद्ध की गई है, जो अद्वितीय स्टेशनरी डिस्ट्रीब्यूशन के अस्तित्व को सुनिश्चित करती है।
एसिम्प्टोटिक नॉर्मलिटी (Asymptotic Normality): होमोजेनियस और क्लाइमेट-डिपेंडेंट दोनों मॉडलों के लिए MLEs की कंसिस्टेंसी और एसिम्प्टोटिक नॉर्मलिटी को व्युत्पन्न किया गया है, जो लाइकलीहुड रेशियो (LR) टेस्ट और इंफॉर्मेशन क्राइटेरिया (AIC/BIC) के उपयोग को मान्य करता है।

3. मुख्य योगदान (Key Contributions)

मेथोडोलॉजिकल इनोवेशन: डिस्क्रीट संप्रभु रेटिंग डेटा के लिए मिक्स्ड-डिफरेंस ट्रांसफॉर्म के माध्यम से MAG और MAGMAR कोपूला प्रक्रियाओं का अनुकूलन, जो पूर्णांक-मान वाली माइग्रेशन तीव्रता के लिए सटीक लाइकलीहुड अनुमान को सक्षम बनाता है।
क्लाइमेट-डिपेंडेंट डिपेंडेंस: एक नया फ्रेमवर्क जो यह परीक्षण करता है कि क्या जलवायु जोखिम संप्रभु रेटिंग्स के डिपेंडेंस स्ट्रक्चर (सीरियल कोरिलेशन और टेल क्लस्टरिंग) को नियंत्रित करता है, न कि केवल एक विशिष्ट देश के डाउनग्रेड की मार्जनल प्रोबेबिलिटी को।
सैद्धांतिक कठोरता: इन जटिल, नॉन-लीनियर टाइम-सीरीज मॉडलों के लिए कंसिस्टेंसी, एसिम्प्टोटिक नॉर्मलिटी और जियोमेट्रिक एर्गोडिसिटी के प्रमाण प्रदान करना, जो संप्रभु जोखिम मॉडलिंग में निष्कर्ष (inference) के लिए एक औपचारिक आधार स्थापित करता है।

4. अनुभवजन्य परिणाम (Empirical Results)

डेटा:

1960–2025 से Fitch, Moody's, S&P का मल्टी-एजेंसी पैनल।
कुल रेटिंग क्रियाओं ( $A_t$ ) के वार्षिक काउंट्स में एकत्रित।
देश-स्तरीय उत्पादन-आधारित कार्बन तीव्रता के साथ मर्ज किया गया।

मॉडल प्रदर्शन:

सर्वश्रेष्ठ प्रदर्शन करने वाला मॉडल: Gumbel MAGMAR(1,1) स्पेसिफिकेशन ने लॉग-लाइक्लीहुड, AIC, और आउट-ऑफ-सैंपल लॉग-स्कोर के मामले में सभी विकल्पों (Gaussian, t-copula, Markov copulas, और Poisson GLMs) को काफी पीछे छोड़ दिया।
टेल डिपेंडेंस (Tail Dependence): Gumbel मॉडल का बेहतर प्रदर्शन संप्रभु रेटिंग गतिविधि में मजबूत अपर-टेल डिपेंडेंस को दर्शाता है। यह पुष्टि करता है कि उच्च-माइग्रेशन वर्ष (संकट काल) महत्वपूर्ण रूप से क्लस्टर होते हैं, एक ऐसी विशेषता जिसे मानक Gaussian या Markov मॉडल पकड़ने में विफल रहते हैं।
जलवायु प्रभाव:
- मार्जनल (Marginal): जलवायु चरों ने मार्जनल मॉडल्स (Poisson GLMs) के फिट में सुधार किया, जिससे पुष्टि हुई कि कार्बन तीव्रता रेटिंग क्रियाओं की फ्रीक्वेंसी को समझाने में मदद करती है।
- डिपेंडेंस (Dependence): कोपूला डिपेंडेंस पैरामीटर्स (MAGMAR) में जलवायु चरों को शामिल करने से मॉडल फिट या आउट-ऑफ-सैंपल फोरकास्टिंग में कोई महत्वपूर्ण सुधार नहीं हुआ। लाइकलीहुड में लाभ अतिरिक्त मापदंडों के लिए दंड (penalty) को ऑफसेट करने के लिए अपर्याप्त था (AIC/BIC ने होमोजेनियस मॉडल्स का पक्ष लिया)।

व्याख्या:
जलवायु जोखिम मुख्य रूप से मार्जनल फंडामेंटल्स (एक विशिष्ट देश के लिए डाउनग्रेड की संभावना को बदलकर) के माध्यम से संप्रभु क्रेडिटworthiness को प्रभावित करता है, न कि सिस्टमिक डिपेंडेंस स्ट्रक्चर (वैश्विक माइग्रेशन घटनाओं के क्लस्टरिंग) को बदलकर।

5. महत्व और निहितार्थ (Significance and Implications)

जोखिम प्रबंधन: संप्रभु पोर्टफोलियो मॉडलों को नॉन-लीनियर सीरियल डिपेंडेंस और टेल क्लस्टरिंग को ध्यान में रखना चाहिए। सरल मार्कोव चेन या Gaussian धारणाओं पर निर्भर रहने से तनाव की अवधि के दौरान एक साथ होने वाले रेटिंग डाउनग्रेड के जोखिम को कम करके आंका जा सकता है।
मॉडल पार्सिमनी (Model Parsimony): हालांकि क्लायमेट-डिपेंडेंट डिपेंडेंस को मॉडल करना सैद्धांतिक रूप से संभव है, लेकिन अनुभवजन्य परिणाम बताते हैं कि छोटे वार्षिक नमूनों में, ऐसी जटिलता को पहचानना कठिन है। पार्सिमोनियस कोपूला मॉडल (जैसे Gumbel MAGMAR) लचीलेपन और पहचान क्षमता (identifiability) के बीच एक अधिक मजबूत संतुलन प्रदान करते हैं।
तनाव परीक्षण (Stress Testing): यह फ्रेमवर्क जलवायु परिदृश्यों के तहत क्रेडिट पोर्टफोलियो के तनाव परीक्षण के लिए एक कठोर उपकरण प्रदान करता है, हालांकि यह सुझाव देता है कि जलवायु प्रभावों को वैश्विक रेटिंग माइग्रेशन की सहसंबंध संरचना में बदलाव के बजाय मार्जनल डिफ़ॉल्ट प्रोबेबिलिटीज़ में बदलाव के रूप में बेहतर ढंग से मॉडल किया जा सकता है।
भावी दिशाएँ: शोध पत्र उच्च-आवृत्ति डेटा, मल्टीवेरिएट पैनल कोपुलों, या जलवायु तनाव के तहत पोर्टफोलियो-स्तरीय लॉस डिस्ट्रीब्यूशन के साथ प्रत्यक्ष लिंक के माध्यम से इस फ्रेमवर्क को विस्तारित करने का सुझाव देता है।