💰 quantitative finance

Change-point estimation for Weibull time series with copula-based Markov models

यह शोध पत्र गैर-ऋणात्मक समय श्रृंखलाओं (nonnegative time series) के लिए एक अधिकतम संभावना-आधारित (maximum likelihood-based) परिवर्तन-बिंदु अनुमान विधि प्रस्तावित करता है, जो वितरण और निर्भरता दोनों संरचनाओं में संरचनात्मक परिवर्तनों का प्रभावी ढंग से पता लगाने के लिए वेइबुल मार्जिनल्स (Weibull marginals) वाले कोपुला-आधारित मार्कोव मॉडल का उपयोग करता है, जैसा कि सिमुलेशन और कोविड-19 महामारी के दौरान VIX इंडेक्स पर एक अनुभवजन्य अनुप्रयोग द्वारा सत्यापित किया गया है।

मूल लेखक: Li-Hsien Sun, Zong-Yuan Huang, Yi-Ling Huang, Chi-Yang Chiu, Ning Ning

प्रकाशित 2026-05-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Li-Hsien Sun, Zong-Yuan Huang, Yi-Ling Huang, Chi-Yang Chiu, Ning Ning

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 व्यस्त हाईवे के लंबे, निरंतर वीडियो को देख रहे हैं। अधिकांश समय, कारें एक स्थिर, अनुमानित गति से चल रही होती हैं। लेकिन अचानक, कुछ होता है—एक बड़ा एक्सीडेंट, अचानक आया कोई तूफान, या कोई नया ट्रैफिक नियम लागू हो जाता है। ड्राइविंग व्यवहार तुरंत बदल जाता है: कारें तेज हो सकती हैं, धीमी हो सकती हैं, या अप्रत्याशित तरीके से इधर-उधर मुड़ना शुरू कर सकती हैं।

समस्या:
सांख्यिकीविद (Statisticians) इस अचानक आए बदलाव को "चेंज-पॉइंट" (change-point) कहते हैं। चुनौती यह है कि वीडियो के पूरी तरह समाप्त होने के बाद, पूरे वीडियो को देखकर यह सटीक रूप से पता लगाया जाए कि वह बदलाव कब हुआ था। पेचीदा बात यह है कि वास्तविक दुनिया का डेटा (जैसे शेयर बाजार या मौसम) केवल एक सीधी रेखा नहीं है; यह अव्यवस्थित, ऊबड़-खाबड़ है और इसमें "कारें" (डेटा पॉइंट्स) अक्सर जटिल, गैर-रेखीय (non-linear) तरीकों से एक-दूसरे को प्रभावित करती हैं। पारंपरिक उपकरण अक्सर यह मान लेते हैं कि ट्रैफिक सुचारू और अनुमानित है, जो अराजकता आने पर विफल हो जाता है।

समाधान (नया टूल):
इस शोध पत्र के लेखकों ने इन बदलावों को खोजने के लिए एक नया "ट्रैफिक कैमरा" सिस्टम बनाया है। उन्होंने एक मॉडल तैयार किया जो तीन विशिष्ट सामग्रियों को जोड़ता है:

वेबुल वितरण (Weibull Distribution - कारों का आकार):
उन्होंने डेटा का वर्णन करने के लिए "वेबुल डिस्ट्रीब्यूशन" नामक एक विशिष्ट गणितीय आकार को चुना। इसे डेटा के लिए एक लचीले सांचे के रूप में समझें। यह उन चीजों के लिए एकदम सही है जो ऋणात्मक (negative) नहीं हो सकतीं (जैसे समय, पैसा या दूरी), और यह उस डेटा को भी संभाल सकता है जो या तो बहुत सघन है या जिसकी एक लंबी पूंछ (heavy tail) है (जैसे कुछ कारें बहुत तेज गति से चल रही हैं जबकि अधिकांश धीरे चल रही हैं)।
कोपुला (Copulas - अदृश्य गोंद):
यह सबसे रचनात्मक हिस्सा है। सांख्यिकी में, "कोपुला" एक विशेष प्रकार के गोंद की तरह हैं जो दो चीजों को एक साथ जोड़ते हैं बिना उनके व्यक्तिगत स्वरूप को बदले।

कल्पना कीजिए कि आपके पास दो डांसर हैं। आप जानना चाहते हैं कि वे एक साथ कैसे चलते हैं।
क्लेटन कोपुला (Clayton Copula) उस गोंद की तरह है जो तब बहुत चिपचिपा हो जाता है जब चीजें नीचे की ओर जाती हैं (जैसे जब शेयर बाजार गिरता है)। यह इस विचार को पकड़ता है कि जब एक चीज गिरती है, तो दूसरी के भी गिरने की संभावना बढ़ जाती है।
जो कोपुला (Joe Copula) उस गोंद की तरह है जो तब चिपचिपा हो जाता है जब चीजें ऊपर की ओर जाती हैं (जैसे अचानक आया बाजार का उछाल)।
इनका उपयोग करके, मॉडल समझ सकता है कि डेटा पॉइंट्स केवल रैंडम नहीं हैं; उनका एक संबंध है जो ऊपर या नीचे जाने के आधार पर बदलता रहता है।

मार्कोव चेन (Markov Chain - "अगला कदम" का नियम):
मॉडल यह मानता है कि अभी जो हो रहा है वह मुख्य रूप से इस पर निर्भर करता है कि ठीक उससे पहले क्या हुआ था। यह "टेलीफोन" गेम की तरह है जहाँ वर्तमान की फुसफुसाहट पिछले शब्द पर निर्भर करती है, न कि दस मिनट पहले की बात पर।

उन्होंने बदलाव को कैसे खोजा:
शोधकर्ताओं ने एक गणितीय "सर्चलाइट" का उपयोग किया जिसे मैक्सिमम लाइकलीहुड एस्टीमेशन (Maximum Likelihood Estimation) कहा जाता है।

उन्होंने डेटा में उस सटीक क्षण को खोजने की कोशिश की जहाँ "गोंद" (निर्भरता) और "सांचा" (आकार) बदल गया था।
क्योंकि गणित बहुत जटिल है, उन्होंने अपने अनुमान को बेहतर बनाने के लिए 'न्यूटन-रैपसन' (Newton-Raphson) नामक कंप्यूटर एल्गोरिदम का बार-बार उपयोग किया।
यह सुनिश्चित करने के लिए कि उनका उत्तर केवल एक तुक्का नहीं है, उन्होंने हजारों "सिमुलेशन" (जैसे कंप्यूटर में ट्रैफिक वीडियो को बार-बार चलाना) चलाए ताकि एक कॉन्फिडेंस इंटरवल (confidence interval) बनाया जा सके—एक सुरक्षा जाल जो उन्हें बताता है कि वे बदलाव के सटीक क्षण के बारे में कितने आश्वस्त हो सकते हैं।

टेस्ट ड्राइव (सिमुलेशन):
वास्तविक डेटा पर अपने टूल का उपयोग करने से पहले, उन्होंने इसे अपने द्वारा बनाए गए नकली डेटा के साथ परखा। उन्होंने पूछा: "क्या होगा अगर ट्रैफिक में बदलाव जल्दी हो जाए? क्या होगा अगर गोंद बहुत मजबूत हो? क्या होगा अगर हम गलती से गलत प्रकार के गोंद का उपयोग करें?"

परिणाम: टूल बदलाव के बिंदु को खोजने में बहुत कुशल था, भले ही डेटा अव्यवस्थित था या हमने गलती से "गलत" प्रकार के गोंद (Clayton बनाम Joe) का उपयोग किया था। यह मजबूत (robust) था, जिसका अर्थ है कि यह आसानी से विफल नहीं हुआ।

वास्तविक दुनिया का अनुप्रयोग (VIX "फियर इंडेक्स"):
उन्होंने अपने मॉडल को VIX इंडेक्स पर लागू किया, जो शेयर बाजार के "डर" को मापने का एक पैमाना है।

डेटा: उन्होंने सितंबर 2019 से अगस्त 2020 तक के दैनिक VIX नंबरों को देखा (जिसमें कोविड-19 महामारी की शुरुआत शामिल है)।
खोज: मॉडल ने 25 फरवरी, 2020 के आसपास एक संरचनात्मक परिवर्तन (structural change) का पता लगाया। यह बिल्कुल उस समय के अनुरूप है जब महामारी ने वैश्विक स्तर पर बड़ी घबराहट पैदा करना शुरू किया था।
अंतर्दृष्टि: मॉडल ने पाया कि इस घबराहट के दौरान, बाजार में मजबूत "लोअर-टेल डिपेंडेंस" (lower-tail dependence) थी। हमारे उदाहरण के अनुसार, इसका मतलब है कि जब बाजार गिरना शुरू हुआ, तो वह बहुत तेजी से और एक साथ गिरा। "क्लेटन" गोंद सबसे अच्छा फिट था, जो यह साबित करता है कि संकट के दौरान, बुरी खबरें एक साथ क्लस्टर होकर आती हैं।

उन्होंने यह भी देखा कि VIX कितनी बार 30 से ऊपर गया (जो अत्यधिक डर का संकेत है)। उन्होंने 2 मार्च, 2020 के आसपास एक चेंज पॉइंट पाया, जिससे पुष्टि हुई कि बाजार का "पैनिक मोड" आधिकारिक तौर पर शुरू हो गया था।

मुख्य निष्कर्ष:
यह शोध पत्र जटिल, गैर-रेखीय डेटा में बदलाव के सटीक क्षण को खोजने के लिए एक मजबूत और लचीला उपकरण प्रस्तुत करता है। यह विशेष रूप से "डाउनसाइड रिस्क" (जब चीजें एक साथ खराब होती हैं) को संभालने में सक्षम है, जो इसे वित्तीय संकटों या ऐसी घटनाओं को समझने के लिए एक शक्तिशाली साधन बनाता है जहाँ खेल के नियम अचानक बदल जाते हैं।

तकनीकी सारांश: कोपिला-आधारित मार्कोव मॉडल के साथ वेइबुल (Weibull) टाइम सीरीज़ के लिए चेंज-पॉइंट एस्टीमेशन

समस्या विवरण
यह शोध पत्र गैर-रेखीय (nonlinear) क्रमिक निर्भरता और गैर-ऋणात्मक प्रेक्षणों (observations) वाले टाइम सीरीज़ डेटा में ऑफलाइन चेंज-पॉइंट एस्टीमेशन की चुनौती को संबोधित करता है, जैसे कि घटना के समय (event times) और अस्थिरता (volatility) के माप। पारंपरिक चेंज-पॉइंट पद्धतियां अक्सर स्वतंत्र प्रेक्षणों या रैखिक निर्भरता संरचनाओं (जैसे कि ऑटोरेग्रेसिव मॉडल) की धारणाओं पर निर्भर करती हैं, जो व्यावहारिक टाइम सीरीज़ में प्रचलित असममित और गैर-रेखीय निर्भरता संरचनाओं को पकड़ने के लिए अक्सर अपर्याप्त होती हैं। लेखक एक ऐसा ढांचा विकसित करने का लक्ष्य रखते हैं जो मार्जिनल डिस्ट्रीब्यूशन और अंतर्निहित निर्भरता संरचना दोनों में संरचनात्मक परिवर्तनों को एक साथ पहचानने में सक्षम हो।

कार्यप्रणाली (Methodology)
लेखक वेइबुल मार्जिनल डिस्ट्रीब्यूशन के साथ एक कोपिला-आधारित मार्कोव चेन मॉडल प्रस्तावित करते हैं। कार्यप्रणाली इस प्रकार है:

मॉडल संरचना: टाइम सीरीज़ $\{X_t\}$ को एक एकल चेंज पॉइंट $\tau$ के साथ दो-चरणीय प्रक्रिया के रूप में मॉडल किया गया है। $\tau$ से पहले, प्रेक्षण $(\lambda_0, k_0)$ के वेइबुल वितरण का पालन करते हैं; $\tau$ के बाद, वे $(\lambda_1, k_1)$ के वेइबुल वितरण का पालन करते हैं।
निर्भरता मॉडलिंग: क्रमिक निर्भरता को कोपिला का उपयोग करके मॉडल किया गया है। अध्ययन विशेष रूप से असममित लोअर-टेल डिपेंडेंस (lower-tail dependence) को पकड़ने के लिए क्लेटन कोपिला (Clayton copula) और अपर-टेल डिपेंडेंस (upper-tail dependence) के लिए जो कोपिला (Joe copula) को शामिल करता है। क्रमिक प्रेक्षणों के संयुक्त वितरण को मार्जिनल संचयी वितरण फलनों (cumulative distribution functions) पर लागू किए गए कोपिला फंक्शन $C_\alpha$ के माध्यम से परिभाषित किया गया है। चेंज पॉइंट पर जोड़ी $(X_\tau, X_{\tau+1})$ के लिए एक विशिष्ट ट्रांजिशन पैरामीटर $\alpha_{01}$ माना गया है, जिसे पहचान (identifiability) संबंधी समस्याओं के कारण एक निश्चित, ज्ञात मात्रा माना गया है।
अनुमान प्रक्रिया (Estimation Procedure):
- मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE): मार्कोव चेन के कंडीशनल डेंसिटी के आधार पर लॉग-लाइकलीहुड फंक्शन को व्युत्पन्न किया गया है। चूंकि लाइकलीहुड डिस्क्रीट चेंज पॉइंट $\tau$ के संबंध में अवकलनीय (differentiable) नहीं है, इसलिए एक दो-चरणीय प्रोफाइल लाइकलीहुड दृष्टिकोण अपनाया गया है।
- न्यूटन-रैफसन एल्गोरिदम: एक निश्चित $\tau$ के लिए, न्यूटन-रैफसन एल्गोरिदम का उपयोग करके शेष मापदंडों का संख्यात्मक अनुमान लगाया जाता है। संख्यात्मक स्थिरता सुनिश्चित करने और पैरामीटर बाधाओं (जैसे, $\lambda, k > 0$ ) को संभालने के लिए, एक री-पैरामीटराइजेशन तकनीक अपनाई गई है (उदाहरण के लिए, $\lambda$ को $\log(\lambda)$ में बदलना)।
- इंटरवल एस्टीमेशन: मॉडल मापदंडों और चेंज पॉइंट दोनों के लिए कॉन्फिडेंस इंटरवल का निर्माण एक पैरामेट्रिक बूटस्ट्रैप मोंटे कार्लो प्रक्रिया का उपयोग करके किया गया है।
अनुभवजन्य अनुप्रयोग (Empirical Application): इस पद्धति को दो डेटासेट्स पर लागू किया गया है: कोविड-19 महामारी (2019–2020) के दौरान दैनिक VIX इंडेक्स और एक लंबी अवधि (2018–2024) में 30 के थ्रेशोल्ड से अधिक VIX मानों के इंटर-अराइवल टाइम्स।

प्रमुख परिणाम
प्रस्तावित एस्टिमेटर्स के प्रदर्शन का मूल्यांकन करने के लिए व्यापक सिमुलेशन अध्ययन और अनुभवजन्य विश्लेषण किए गए:

परिमित-नमूना प्रदर्शन (Finite-Sample Performance): सिमुलेशन परिणाम संकेत देते हैं कि प्रस्तावित एस्टिमेटर्स रूट मीन स्क्वायर एरर (RMSE) और रिलेटिव एरर (RE) के संदर्भ में अच्छा प्रदर्शन करते हैं। चेंज पॉइंट $\tau$ का अनुमान विशेष रूप से सटीक है, जहाँ मध्यम मॉडल मिसस्पेसिफिकेशन के तहत भी RE मान कम रहते हैं।
मिसस्पेसिफिकेशन के प्रति मजबूती (Robustness to Misspecification): अध्ययन में उन परिदृश्यों की जांच की गई जहाँ माना गया कोपिला परिवार वास्तविक डेटा-जनरेटिंग प्रक्रिया से भिन्न था। टेल डिपेंडेंस पैरामीटर्स ( $\alpha$ ) के अनुमान में कोपिला मिसस्पेसिफिकेशन के प्रति संवेदनशीलता देखी गई (बढ़ा हुआ RE), जबकि चेंज पॉइंट $\tau$ का अनुमान अपेक्षाकृत स्थिर और मजबूत बना रहा।
सैंपल साइज और निर्भरता: अनुमान सटीकता आम तौर पर बड़े सैंपल साइज के साथ बेहतर होती है। मजबूत निर्भरता संरचनाओं ने पैरामीटर अनुमानों के लिए RMSE को थोड़ा बढ़ा दिया लेकिन चेंज-पॉइंट एस्टिमेटर के प्रदर्शन को महत्वपूर्ण रूप से खराब नहीं किया।
अनुभवजन्य निष्कर्ष (VIX डेटा):
- कोविड-19 महामारी के दौरान VIX इंडेक्स के विश्लेषण में, मॉडल ने फरवरी 2020 के अंत के आसपास (विशेष रूप से क्लेटन मॉडल के लिए $\hat{\tau} = 121$ और जो मॉडल के लिए $\hat{\tau} = 120$ ) एक संरचनात्मक चेंज पॉइंट की पहचान की, जो महामारी की शुरुआत और उसके बाद की बाजार अस्थिरता के अनुरूप है।
- अकाइक सूचना मानदंड (AIC) के माध्यम से मॉडल चयन ने क्लेटन कोपिला-आधारित मार्कोव मॉडल का पक्ष लिया, जो यह सुझाव देता है कि VIX श्रृंखला ने संकट की अवधि के दौरान मजबूत लोअर-टेल डिपेंडेंस (डाउनसाइड रिस्क) प्रदर्शित किया।
- 30 से अधिक VIX मानों के इंटर-अराइवल टाइम्स के विश्लेषण ने भी मार्च 2020 की शुरुआत के आसपास एक संरचनात्मक परिवर्तन का पता लगाया, जो इस निष्कर्ष को पुख्ता करता है कि महामारी ने मार्जिनल डिस्ट्रीब्यूशन और मार्केट फियर की क्रमिक निर्भरता संरचना दोनों में बदलाव लाया।

महत्व और दावे
यह शोध पत्र दावा करता है कि प्रस्तावित ढांचा गैर-ऋणात्मक टाइम सीरीज़ में गैर-रेखीय निर्भरता के लिए चेंज-पॉइंट एस्टीमेशन के लिए एक लचीला और विश्वसनीय दृष्टिकोण प्रदान करता है। कोपिला के माध्यम से मार्जिनल डिस्ट्रीब्यूशन को निर्भरता संरचनाओं से अलग करके, यह विधि उन असममित टेल व्यवहारों को मॉडल करने की अनुमति देती जिन्हें रैखिक मॉडल कैप्चर नहीं कर सकते।

लेखक इस बात पर जोर देते हैं कि हालांकि डिपेंडेंस पैरामीटर्स के अनुमान के लिए मिसस्पेसिफिकेशन बायस से बचने के लिए सावधानीपूर्वक मॉडल चयन की आवश्यकता होती है, मुख्य लक्ष्य संरचनात्मक चेंज-पॉइंट का पता लगाना रहता है, जो कोपिला परिवार के पूरी तरह से निर्दिष्ट न होने पर भी मजबूत रहता है। वित्तीय अस्थिरता डेटा पर अनुभवजन्य अनुप्रयोग बाजार के तनाव के दौरान वित्तीय टाइम सीरीज़ विश्लेषण में असममित टेल डिपेंडेंस को ध्यान में रखने के महत्व को उजागर करते हुए, प्रमुख वैश्विक घटनाओं से जुड़े रिजीम शिफ्ट (regime shifts) की पहचान करने में इस दृष्टिकोण की व्यावहारिक उपयोगिता को प्रदर्शित करता है।

भविष्य की दिशाएं
यह शोध पत्र भविष्य के अनुसंधान के लिए कई रास्ते सुझाता है, जिनमें शामिल हैं:

एकाधिक चेंज पॉइंट्स (multiple change points) को समायोजित करने के लिए ढांचे का विस्तार करना।
विभिन्न निर्भरता रूपों को कैप्चर करने के लिए वैकल्पिक कोपिला परिवारों (जैसे, गॉसियन, गुम्बेल, सर्वाइवल-गुम्बेल) की जांच करना।
अनुकूलन क्षमता में सुधार के लिए अधिक लचीले मार्जिनल डिस्ट्रीब्यूशन को शामिल करना।
जटिल कोपिला संरचनाओं में कम्प्यूटेशनल मांगों को संबोधित करने के लिए बेयसियन दृष्टिकोण या सिमुलेशन-आधारित विधियों का अन्वेषण करना।

इसी तरह के और पेपर