Heavy Tails and Predictive Ability Testing
यह शोध पत्र प्रदर्शित करता है कि जब पूर्वानुमान त्रुटियों (forecast errors) में अनंत विचरण (infinite variance) के कारण भारी पूंछ (heavy tails) होती है, तो डिबोल्ड-मारियानो परीक्षण गंभीर आकार विरूपण (size distortions) से ग्रस्त होता है, और एक सुदृढ़ सब-सैंपलिंग विकल्प प्रस्तावित करता है जो विचरण या टेल इंडेक्स अनुमान की आवश्यकता के बिना वैध निष्कर्ष सुनिश्चित करता है।
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 मौसम विज्ञानी हैं। हर दिन, आप तापमान की भविष्यवाणी करते हैं, और हर दिन, आपकी भविष्यवाणी थोड़ी गलत हो जाती है। यह देखने के लिए कि क्या आपकी भविष्यवाणी अच्छी है, आप अपने मित्र की गलतियों से अपनी गलतियों की तुलना करते हैं। यदि आपकी गलतियाँ लगातार कम हैं, तो आप जीत जाते हैं।
अर्थशास्त्र और वित्त की दुनिया में, शोधकर्ता बिल्कुल यही करते हैं, लेकिन स्टॉक की कीमतों, विनिमय दरों (exchange rates) और जोखिम मॉडलों के साथ। वे यह तय करने के लिए एक प्रसिद्ध उपकरण का उपयोग करते हैं जिसे डिबोल्ड-मारियानो (Diebold-Mariano - DM) टेस्ट कहा जाता है कि कौन सा पूर्वानुमान "विजेता" है।
हालाँकि, यह शोध पत्र तर्क देता है कि यह मानक उपकरण तब टूट जाता है जब डेटा एक "रॉग वेव" (अचानक उठने वाली विशाल लहर) की तरह व्यवहार करता है।
समस्या: डेटा में "ब्लैक स्वान" (Black Swan)
अधिकांश सांख्यिकीय उपकरण यह मानकर चलते हैं कि त्रुटियाँ (errors) तालाब में उठने वाली कोमल लहरों की तरह होती हैं। वे एक 'बेल कर्व' (bell curve) का पालन करती हैं: अधिकांश त्रुटियाँ छोटी होती हैं, और बहुत बड़ी त्रुटियाँ होना लगभग असंभव होता है।
लेकिन वित्त की दुनिया में, पानी उथल-पुथल भरा होता है। कभी-कभी, एक "रॉग वेव" टकराती है—एक विशाल, अप्रत्याशित बाजार क्रैश या अस्थिरता में अचानक उछाल। इन्हें हेवी टेल्स (heavy tails) कहा जाता है। इन परिदृश्यों में, "बेल कर्व" का अनुमान पूरी तरह विफल हो जाता है। डेटा में "अनंत विचरण" (infinite variance) होता है, जिसका अर्थ है कि एक विशाल त्रुटि की संभावना इतनी अधिक है कि गणित विफल हो जाता है।
उपमा:
कल्पना कीजिए कि आप एक कमरे में लोगों की औसत ऊंचाई मापने की कोशिश कर रहे हैं।
- सामान्य डेटा: हर कोई 5 से 7 फीट लंबा है। आप कुछ माप लेते हैं, और आपको एक बहुत सटीक औसत प्राप्त होता है।
- हेवी-टेल्ड डेटा: हर कोई 5 से 7 फीट लंबा है, सिवाय एक व्यक्ति के जो 100 फीट लंबा है (एक दैत्य)। यदि आप इस दैत्य को अपने औसत में शामिल करते हैं, तो आपका परिणाम बुरी तरह से बिगड़ जाएगा। यदि आप औसत ऊंचाई का अनुमान लगाने के लिए मानक गणित का उपयोग करने की कोशिश करते हैं, तो आपको लग सकता है कि कमरा दैत्य से भरा हुआ है, या आपको ऐसा परिणाम मिल सकता है जो हर बार नया नमूना लेने पर पूरी तरह बदल जाता है।
परिणाम: एक गलत चेतावनी (False Alarm)
शोध पत्र दिखाता है कि जब शोधकर्ता इस "दैत्य" वाले डेटा पर मानक DM टेस्ट का उपयोग करते हैं, तो उन्हें अत्यधिक विकृत परिणाम मिलते हैं।
- दावा: यदि आप अपने परीक्षण को 95% विश्वास (गलत चेतावनी की 5% संभावना) के लिए सेट करते हैं, तो मानक परीक्षण वास्तव में 70% बार गलत हो सकता है।
- रूपक: यह एक ऐसे स्मोक डिटेक्टर की तरह है जो धूल के एक छोटे से कण के प्रति इतना संवेदनशील है कि वह तब भी "आग!" चिल्लाता है जब घर पूरी तरह सुरक्षित होता है। शोधकर्ता यह निष्कर्ष निकाल सकते हैं कि एक जटिल, फैंसी पूर्वानुमान मॉडल सबसे अच्छा है, जबकि वास्तव में यह एक सरल, पुराने तरीके के समान ही अच्छा है। वे डेटा के "दैत्य" द्वारा मूर्ख बनाए जा रहे हैं।
समाधान: एक नया "सबसैंपलिंग" (Subsampling) टूल
लेखकों ने केवल समस्या की ओर इशारा नहीं किया; उन्होंने इसे ठीक करने के लिए एक नया उपकरण बनाया। उन्होंने सबसैंपलिंग (Subsampling) नामक एक विधि विकसित की।
उपमा:
पूरे महासागर को एक साथ मापने की कोशिश करने के बजाय (जो असंभव है यदि रॉग वेव्स मौजूद हैं), नया तरीका महासागर के विभिन्न हिस्सों से पानी की कई छोटी बाल्टियाँ लेता है।
- यह डेटा के एक छोटे हिस्से को देखता है।
- यह परिणाम की गणना करता है।
- यह बाल्टी को हिलाता है, एक और हिस्सा लेता है, और फिर से गणना करता है।
- वास्तविक रूप से क्या हो रहा है, इसकी तस्वीर बनाने के लिए यह सैकड़ों बार ऐसा करता है।
यह विधि "डेटा-संचालित" है। इसे यह जानने की आवश्यकता नहीं है कि पूंछ (tails) कितनी भारी हैं (इसे यह जानने की आवश्यकता नहीं है कि दैत्य 100 फीट का है या 1,000 फीट का)। यह केवल छोटे टुकड़ों में पैटर्न को देखकर नियमों को समझ लेता है।
वास्तविक दुनिया का परीक्षण: उभरते बाजार (Emerging Markets)
अपने तर्क को सिद्ध करने के लिए, लेखकों ने इसका परीक्षण उभरते बाजारों के विदेशी मुद्रा विनिमय दरों (जैसे दक्षिण कोरियाई वोन बनाम अमेरिकी डॉलर) पर किया। ये बाजार अपने बड़े उतार-चढ़ाव के लिए जाने जाते हैं।
- पुराना तरीका (मानक परीक्षण): इसने चिल्लाकर कहा कि एक जटिल, उच्च-तकनीकी मॉडल (GARCH) एक सरल "रोलिंग विंडो" पद्धति की तुलना में बहुत बेहतर है। इसने सरल पद्धति को "घटिया" मानकर खारिज कर दिया।
- नया तरीका (सबसैंपलिंग): इसने कहा, "रुको जरा।" हेवी टेल्स को ध्यान में रखते हुए, जटिल मॉडल सरल पद्धति से सांख्यिकीय रूप से बेहतर नहीं है। सरल पद्धति भी मजबूती से टिकी रहती है।
मुख्य निष्कर्ष
शोध पत्र निष्कर्ष निकालता है कि जब "हेवी टेल्स" (अनिश्चित उतार-चढ़ाव) वाले वित्तीय डेटा के साथ काम किया जाता है, तो अर्थशास्त्रियों द्वारा उपयोग किए जाने वाले मानक उपकरण अविश्वसनीय होते हैं। वे अक्सर जटिल मॉडलों के पक्ष में अच्छे, सरल पूर्वानुमानों को खारिज कर देते हैं क्योंकि गणित टूट चुका होता है।
अपने नए सबसैंपल-आधारित परीक्षण का उपयोग करके, शोधकर्ता इन गलत चेतावनियों से बच सकते हैं और "दैत्य" वाले डेटा के बीच भी निष्पक्ष तुलना कर सकते हैं।
संक्षेप में: जब आप दैत्य से भरे संसार को माप रहे हों, तो मानक पैमाने पर भरोसा न करें। इसके बजाय बाल्टी वाले नए तरीके का उपयोग करें।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।