💰 quantitative finance

Large-Scale Asset Selection via Metric Dependence with Enriched High Frequency Information

यह शोध पत्र मेट्रिक डिपेंडेंस स्क्रीनिंग (MDS) का प्रस्ताव करता है, जो एक नवीन परिसंपत्ति चयन प्रक्रिया है जो पारंपरिक स्केलर-आधारित विधियों की तुलना में अनुमान त्रुटि को प्रभावी ढंग से कम करने और आउट-ऑफ-सैंपल रिटर्न को बढ़ाने के लिए पॉइंट-कर्व ऑब्जेक्ट्स के रूप में प्रतिनिधित्व किए गए उच्च-आवृत्ति इंट्राडे जोखिम डायनेमिक्स का लाभ उठाकर बड़े पैमाने पर पोर्टफोलियो प्रदर्शन में सुधार करती है।

मूल लेखक: Yangzhou Chen, Shuaida He, Xin Chen

प्रकाशित 2026-05-05

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yangzhou Chen, Shuaida He, Xin Chen

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 शेफ हैं जो एक आदर्श सूप बनाने की कोशिश कर रहे हैं। आपके पास पेंट्री में हजारों सामग्रियां (स्टॉक्स) हैं, लेकिन आपके पास केवल एक छोटा बर्तन (आपका निवेश बजट) है। यदि आप सब कुछ एक साथ मिलाने की कोशिश करते हैं, तो स्वाद आपस में टकरा जाते हैं और सूप एक आपदा बन जाता है। यह लार्ज-स्केल पोर्टफोलियो सिलेक्शन की समस्या है: जब आपके पास बहुत अधिक विकल्प होते हैं, तो गलतियाँ करना आसान हो जाता है क्योंकि आप पूरी तरह से यह अनुमान नहीं लगा सकते कि कौन सी सामग्रियां एक साथ अच्छा स्वाद देंगी।

अधिकांश शेफ (निवेशक) वर्तमान में प्रत्येक सामग्री का एक सरल सारांश देखते हैं: "कल इस गाजर की कीमत कितनी थी?" या "क्या यह तेजी से बढ़ी?" वे बनावट (टेक्सचर), खाना पकाने के दौरान रंग में बदलाव, या मिनट-दर-मिनट स्वाद के विकास को अनदेखा कर देते हैं।

यह पेपर सामग्रियों को चुनने का एक नया तरीका पेश करता है जिसे मेट्रिक डिपेंडेंस स्क्रीनिंग (MDS) कहा जाता है। यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. पुराना तरीका बनाम नया तरीका

पुराना तरीका (स्केलर सारांश): पारंपरिक तरीके एक संपत्ति (एसेट) को एक एकल संख्या के रूप में देखते हैं, जैसे कि उसका दैनिक रिटर्न। यह एक फिल्म को केवल उसकी अंतिम रेटिंग से आंकने जैसा है। आप कहानी के उतार-चढ़ाव, पात्रों के विकास और गति को मिस कर देते हैं।
नया तरीका (पॉइंट-कर्व ऑब्जेक्ट्स): लेखक सुझाव देते हैं कि प्रत्येक स्टॉक को केवल एक संख्या के रूप में नहीं, बल्कि एक कहानी के रूप में देखा जाना चाहिए।
- "पॉइंट" (बिंदु): दैनिक रिटर्न (अंतिम स्कोर)।
- "कर्व" (वक्र): इंट्राडे रिस्क (दिन के दौरान कीमत कैसे बदली)। क्या यह सुबह 10 बजे बेतहाशा उछली और फिर स्थिर हो गई? क्या यह धीरे-धीरे आगे बढ़ी?
- उपमा: केवल यह जानने के बजाय कि एक धावक ने दौड़ 10 सेकंड में पूरी की, MDS उनके पूरे दौड़ के पथ को देखता है: उन्होंने कहाँ स्प्रिंट किया, कहाँ वे लड़खड़ाए, और उन्होंने कैसे सुधार किया। यह "कर्व" उस इंट्राडे रिस्क डायनेमिक्स को पकड़ता है जिसे एक साधारण संख्या मिस कर देती है।

2. "मेट्रिक" (पैमाना/रूलर)

इन जटिल "कहानियों" (पॉइंट-कर्व ऑब्जेक्ट्स) की तुलना करने के लिए, लेखकों ने एक विशेष पैमाने का आविष्कार किया जिसे वेटेड प्रोडक्ट मेट्रिक कहा जाता है।

कल्पना कीजिए कि आप दो धावकों की तुलना कर रहे हैं। आप उनके फिनिश टाइम (इनाम) और इस बात की भी परवाह करते हैं कि उनकी दौड़ कितनी सुचारू थी (जोखिम)।
यह रूलर दो स्टॉक्स के बीच की दूरी को उनके दैनिक रिटर्न और उनके इंट्राडे प्राइस कर्व के आकार, दोनों को एक साथ देखकर मापता है। यह सुनिश्चित करता है कि आप इनाम के "आकार" को देखने के चक्कर में जोखिम के "आकार" को अनदेखा न करें।

3. स्क्रीनिंग प्रक्रिया (स्वाद परीक्षण)

लक्ष्य एक "रिस्क-एडजस्टेड" सूप के लिए सर्वश्रेष्ठ सामग्रियां चुनना है।

लक्ष्य (टारगेट): लेखक एक हाई-फ्रीक्वेंसी शार्प रेशियो (एक पैमाना कि जोखिम के बदले आपको कितना इनाम मिलता है) के आधार पर एक "टारगेट सीरीज़" बनाते हैं। इसे "परफेक्ट फ्लेवर प्रोफाइल" मान लें जिसे आप प्राप्त करने की कोशिश कर रहे हैं।
स्कोर (फ्रेट वेरिएशन): MDS पूछता है: "यदि मुझे अपने टारगेट सूप के फ्लेवर प्रोफाइल का पता है, तो यह मुझे इस विशिष्ट सामग्री की कहानी समझने में कितनी मदद करता है?"
- यदि लक्ष्य को जानने से आपको सामग्री की कहानी बहुत अच्छी तरह समझ आती है, तो उस सामग्री को उच्च स्कोर मिलता है।
- यदि सामग्री की कहानी केवल रैंडम शोर (नॉइज़) है और लक्ष्य आपको उसके बारे में कुछ नहीं बताता, तो उसे कम स्कोर मिलता है।
परिणाम: यह विधि सभी 2,938 स्टॉक्स को रैंक करती है और शीर्ष वाले (जैसे, शीर्ष 60) चुनती है। यह विशाल पेंट्री को उच्च-गुणवत्ता वाले उम्मीदवारों की एक प्रबंधनीय सूची में सिकोड़ देता है।

4. दो-चरणों वाली रसोई (टू-स्टेज किचन)

एक बार शीर्ष सामग्रियां चुनी जाने के बाद, पेपर एक सरल दो-चरणीय खाना पकाने की प्रक्रिया का सुझाव देता है:

चरण 1 (स्क्रीनिंग): 2,938 स्टॉक्स को एक छोटे, उच्च-गुणवत्ता वाले समूह (जैसे, 60 स्टॉक्स) में फ़िल्टर करने के लिए MDS का उपयोग करें।
चरण 2 (कुकिंग): इन 60 स्टॉक्स को एक पोर्टफोलियो में मिलाने के लिए मानक, सिद्ध व्यंजनों (जैसे, मीन-वैरिएंस ऑप्टिमाइजेशन) का उपयोग करें।

यह क्यों काम करता है: पहले से ही "बुरे" या "शोर वाले" तत्वों को फ़िल्टर आउट करके, दूसरे चरण को अनुमान लगाने की उतनी आवश्यकता नहीं होती है। यह बहुत सारे भ्रमित करने वाले विकल्पों के कारण शेफ द्वारा गलती करने की संभावना को कम करता है।

5. डेटा क्या दिखाता है

लेखकों ने जुलाई 2023 से दिसंबर 2025 तक 5-मिनट के डेटा का उपयोग करके 2,938 चीनी ए-शेयर स्टॉक्स पर इसका परीक्षण किया।

परिणाम: MDS का उपयोग करके बनाए गए पोर्टफोलियो ने पारंपरिक तरीकों (जो केवल दैनिक रिटर्न या सरल सारांश देखते थे) की तुलना में अधिक पैसा बनाया और बेहतर रिस्क-एडजस्टेड रिटर्न (उच्च शार्प रेशियो) दिया।
मुख्य निष्कर्ष: इंट्राडे रिस्क के "आकार" (कर्व) को सुरक्षित रखकर, न कि उसे फेंककर, इस पद्धति ने बेहतर सामग्रियां खोजीं जो वास्तविक दुनिया में अधिक निरंतर प्रदर्शन करती हैं।

सारांश

MDS को एक स्मार्ट फिल्टर के रूप में समझें जो केवल यह नहीं पूछता कि "आज आपने कितना कमाया?" बल्कि यह भी पूछता है कि "इसे कमाते समय आपका व्यवहार कैसा था?" स्टॉक की दैनिक गतिविधि की पूरी कहानी को सुनकर, यह उन तरीकों की तुलना में एक बेहतर, अधिक स्थिर पोर्टफोलियो बनाता है जो केवल हेडलाइंस को सुनते हैं।

तकनीकी सारांश: समृद्ध उच्च आवृत्ति सूचना के साथ मीट्रिक निर्भरता के माध्यम से बड़े पैमाने पर परिसंपत्ति चयन

1. समस्या विवरण (Problem Statement)

बड़े पैमाने पर पोर्टफोलियो निर्माण स्वाभाविक रूप से अनुमान त्रुटियों (estimation errors) के प्रति संवेदनशील होता है, विशेष रूप से जब परिसंपत्तियों की संख्या ( $p$ ) नमूना आकार ( $n$ ) के सापेक्ष बड़ी होती है। हालांकि, दो-चरणीय प्रक्रियाएं (स्क्रीनिंग के बाद अनुकूलन) इसे कम करने के लिए मानक हैं, मौजूदा परिसंपत्ति चयन नियम आमतौर पर स्केलर रिटर्न या उच्च-आवृत्ति डेटा के निम्न-आयामी सारांश (जैसे दैनिक रिटर्न, रियलाइज्ड वोलेटिलिटी) पर निर्भर करते हैं।

लेखकों का तर्क है कि इंट्राडे प्राइस पाथ्स को स्केलर सारांशों में बदलने से मूल्यवान "इंट्राडे रिस्क डायनेमिक्स" (intraday risk dynamics) लुप्त हो जाते हैं, जैसे कि अस्थिरता के विस्फोटों (volatility bursts) का समय और एकाग्रता। जब परिसंपत्तियों के दैनिक रिटर्न समान होते हैं लेकिन उनके इंट्राडे रिस्क प्रोफाइल भिन्न होते हैं, तो स्केलर-आधारित स्क्रीनिंग उन्हें अलग करने में विफल हो सकती है, जिससे दूसरे चरण के ऑप्टिमाइज़र के लिए उप-इष्टतम (suboptimal) कैंडिडेट सेट प्राप्त होते हैं। मुख्य समस्या यह है कि उच्च-आवृत्ति, ऑब्जेक्ट-वैल्यूड इंट्राडे सूचना को आक्रामक आयामी कमी (dimensionality reduction) के बिना, जो कि शेप इंफॉर्मेशन को खो देती है, परिसंपत्ति स्क्रीनिंग प्रक्रिया में कैसे शामिल किया जाए।

2. कार्यप्रणाली: मीट्रिक डिपेंडेंस स्क्रीनिंग (MDS)

यह शोध पत्र मीट्रिक डिपेंडेंस स्क्रीनिंग (MDS) का प्रस्ताव करता है, जो एक दो-चरणीय प्रक्रिया है जो उच्च-आवृत्ति परिसंपत्ति सूचना को यूक्लिडियन वेक्टर्स के बजाय एक मीट्रिक स्पेस में रैंडम ऑब्जेक्ट्स के रूप में मानती है।

A. परिसंपत्ति प्रतिनिधित्व (पॉइंट-कर्व ऑब्जेक्ट्स)
एक स्केलर रिटर्न के बजाय, प्रत्येक दिन $t$ के लिए प्रत्येक परिसंपत्ति $i$ को एक पॉइंट-कर्व ऑब्जेक्ट $X_{i,t} = (R_{i,t}, v_{i,t}) \in \mathcal{X}$ के रूप में दर्शाया जाता है, जहाँ:

$R_{i,t}$ दैनिक रिटर्न है।
$v_{i,t}$ ट्रेडिंग डे के दौरान इंट्राडे एब्सोल्यूट लॉग-प्राइस-चेंज मैग्नीट्यूड का प्रतिनिधित्व करने वाला एक स्मूदन कर्व (smoothed curve) है।
स्पेस $\mathcal{X}$ एक वेटेड प्रोडक्ट मीट्रिक से सुसज्जित है:
$d_{\mathcal{X}}(x, x')^2 = (r - r')^2 + w \|v - v'\|_{L^2}^2$
यह मीट्रिक रिवॉर्ड इंफॉर्मेशन (पॉइंट घटक) और इंट्राडे रिस्क डायनेमिक्स (कर्व घटक) दोनों को संरक्षित करता है।

B. टार्गेट वेरिएबल (Target Variable)
उच्च-आवृत्ति शार्प रेश्यो के आधार पर एक रिस्क-एडजस्टेड टार्गेट सीरीज़ $Y_t$ का निर्माण किया जाता है। स्टॉक्स को उनके दैनिक उच्च-आवृत्ति शार्प रेश्यो द्वारा रैंक किया जाता है, शीर्ष 10% को चुना जाता है, और इस उपसमूह का वैल्यू-वेटेड रिटर्न $Y_t$ बनता है। यह स्क्रीनिंग उद्देश्य को कच्चे रिटर्न प्रेडिक्शन के बजाय रिस्क-एडजस्टेड पोर्टफोलियो एलोकेशन के साथ संरेखित करता है।

C. स्क्रीनिंग स्कोर (The Screening Score)
MDS एक फ्रेचेट वेरिएशन-आधारित डिपेंडेंस स्कोर (Fréchet variation-based dependence score) का उपयोग करके परिसंपत्तियों को रैंक करता है।

जनसंख्या परिभाषा: स्कोर $\rho$ उस मीट्रिक डिस्पर्शन के अनुपात को मापता है जिसे $X$ द्वारा टार्गेट $Y$ द्वारा समझाया गया है। इसे इस प्रकार परिभाषित किया गया है:
$\rho = 1 - \frac{E[V(Y)]}{V_F}$
जहाँ $V_F$ $X$ का ग्लोबल फ्रेचेट वेरिएंस है, और $V(Y)$ $Y$ के दिए गए $Y$ के कंडीशनल रेसिडुअल वेरिएशन है। एक उच्च $\rho$ इंगित करता है कि रिस्क-एडजस्टेड टार्गेट परिसंपत्ति के मीट्रिक डिस्पर्शन को अधिक समझाता है।
अनुमान (Estimation): चूंकि मीट्रिक स्पेस में कंडीशनल फ्रेचेट मीन्स का प्रत्यक्ष नॉनपैरामेट्रिक अनुमान लगाना कठिन है, इसलिए लेखक एक टार्गेट स्लाइसिंग एस्टिमेटर (target slicing estimator) का प्रस्ताव करते हैं। $Y$ की रेंज को सेल्स में विभाजित किया जाता है; प्रत्येक सेल के भीतर, एम्पिरिकल फ्रेचेट मीन्स और वेरिएंस की गणना की जाती है। अंतिम स्कोर स्पष्ट किए गए वेरिएशन अनुपात का एक प्लग-इन एस्टिमेटर है।

D. दो-चरणीय पाइपलाइन (Two-Stage Pipeline)

चरण 1: सभी $p$ परिसंपत्तियों को उनके अनुमानित MDS स्कोर द्वारा रैंक करें और एक कम किया गया उपसमूह (जैसे, शीर्ष $d$ परिसंपत्तियां) चुनें।
चरण 2: चयनित उपसमसेट पर मानक मीन-वेरिएंस या मिनिमम वेरिएंस ऑप्टिमाइजेशन लागू करें।

3. सैद्धांतिक योगदान (Theoretical Contributions)

यह शोध पत्र $\alpha$ -मिक्सिंग टाइम सीरीज़ डिपेंडेंस और अल्ट्रा-हाई डायमेंशनलिटी ( $p \gg n$ ) के तहत MDS के लिए कठोर सैद्धांतिक गारंटी स्थापित करता है।

कंसन्ट्रेशन (Concentration): लेखक टार्गेट स्लाइसिंग से उत्पन्न होने वाले बायस और मीट्रिक स्पेस में फ्रेचेट मीन्स के अनुमान त्रुटि को ध्यान में रखते हुए, अनुमानित स्कोर के जनसंख्या स्कोर से विचलन के लिए एक्सपोनेंशियल टेल बाउंड्स व्युत्पन्न करते हैं।
श्योर स्क्रीनिंग (Sure Screening): एक न्यूनतम सिग्नल स्ट्रेंथ स्थिति के तहत, यह विधि गारंटी देती है कि सभी वास्तव में प्रासंगिक परिसंपत्तियां चुने गए सेट में शामिल होंगी, जिसकी संभावना एक के करीब पहुँचती है।
रैंक कंसिस्टेंसी (Rank Consistency): एम्पिरिकल रैंकिंग एसिम्प्टोटिक रूप से सक्रिय (प्रासंगिक) और निष्क्रिय (अप्रासंगिक) परिसंपत्तियों के बीच जनसंख्या क्रम को संरक्षित करती है, जिससे यह सुनिश्चित होता है कि शीर्ष- $d$ चयन नियम सुसंगत है।

4. अनुभवजन्य परिणाम (Empirical Results)

लेखक जुलाई 2023 से दिसंबर 2025 तक के 2,938 चीनी A-शेयर स्टॉक्स के लिए 5-मिनट इंट्राडे डेटा का उपयोग करके MDS का मूल्यांकन करते हैं।

बेंचमार्क्स: MDS की तुलना निम्नलिखित से की गई है:
- D-SEVIS: स्केलर सारांशों पर आधारित एक डिपेंडेंस स्क्रीनिंग विधि (Wang et al., 2022)।
- MTM: एक मोमेंटम-आधारित रैंकिंग रणनीति।
प्रदर्शन: विभिन्न वेटिंग स्कीम्स (Equal Weight, Score-Squared, Global Optimization, और Shrinkage Global Optimization) और चयन आकार ( $d=30, 60, 90$ $d = 30, 60, 90$ ) के तहत, MDS लगातार बेंचमार्क्स से बेहतर प्रदर्शन करता है।
- रिटर्न: MDS पोर्टफोलियो ने उच्च संचित शुद्ध मूल्य (जैसे, सर्वोत्तम कॉन्फ़िगरेशन के तहत D-SEVIS के 1.22 के मुकाबले 1.90) प्राप्त किया।
- रिस्क-एडजस्टेड रिटर्न्स: MDS ने D-SEVIS और MTM के नकारात्मक शार्प रेश्यो की तुलना में काफी उच्च शार्प रेश्यो (इष्टतम सेटिंग्स में 1.0 से अधिक) दिया।
- ड्रडाउन (Drawdowns): MDS ने बेंचमार्क्स की तुलना में तुलनीय या कम मैक्सिमम ड्रॉडाउन बनाए रखा, जो यह दर्शाता है कि प्रदर्शन में सुधार अत्यधिक डाउनसाइड रिस्क के कारण नहीं था।
सिमुलेशन: यूक्लिडियन और नॉन-यूक्लिडियन (वॉसरस्टीन स्पेस) दोनों सेटिंग्स में मोंटे कार्लो प्रयोगों ने पुष्टि की कि MDS सीरियल डिपेंडेंस और अल्ट्रा-हाई डायमेंशनलिटी के तहत प्रभावी रहता है, विशेष रूप से उन गैर-रेखीय और गैर-यूक्लिडियन परिदृश्यों में जहां पारंपरिक स्केलर विधियां संघर्ष करती हैं।

5. महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि MDS एक एकीकृत ढांचा (unified framework) प्रदान करता है जो जटिल, ऑब्जेक्ट-वैल्यूड हाई-फ्रीक्वेंसी डेटा और पारंपरिक पोर्टफोलियो निर्माण के बीच के अंतर को पाटता है।

वैचारिक बदलाव (Conceptual Shift): यह स्केलर के उपयोग से आगे बढ़कर, "विदिन-डे शेप इंफॉर्मेशन" (जैसे, अस्थिरता के विस्फोट) को संरक्षित करने के लिए इंट्राडे पाथ्स को फंक्शनल ऑब्जेक्ट्स के रूप में मानता है जो अक्सर मानक सारांशों में खो जाती है।
कार्यप्रणालीगत नवाचार (Methodological Innovation): यह स्क्रीनिंग संदर्भ में फ्रेचेट-आधारित डिपेंडेंस उपायों को अनुकूलित करता है, जो लीनियर कोरिलेशन या डिस्टेंस कोवेरिएंस के लिए एक मीट्रिक-स्पेस विकल्प प्रदान करता है, जो विशेष रूप से रिस्क-एडजस्टेड एलोकेशन के लिए तैयार किया गया है।
व्यावहारिक मूल्य: अनुभवजन्य परिणाम दर्शाते हैं कि स्क्रीनिंग चरण में इंट्राडे रिस्क डायनेमिक्स को संरक्षित करने से आउट-ऑफ-सैंपल पोर्टफोलियो प्रदर्शन में मूर्त, आर्थिक रूप से सार्थक सुधार होता है, जो इस परिकल्पना को मान्य करता है कि इंट्राडे रिस्क स्टेट्स में रिस्क-एडजस्टेड रिटर्न्स के लिए भविष्य कहनेवाला प्रभाव (predictive power) होता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि वर्तमान में इस ढांचे को इंट्राडे एब्सोल्यूट लॉग-प्राइस परिवर्तनों के लिए लागू किया गया है, यह अन्य उच्च-आवृत्ति रिस्क सिग्नेचर के लिए सामान्यीकृत किया जा सकता है और आधुनिक, डेटा-समृद्ध वित्तीय बाजारों में बड़े पैमाने पर परिसंपत्ति चयन के लिए एक मजबूत दृष्टिकोण प्रदान करता है।