💰 quantitative finance

Heads, Not Backbones: Output Heads Dominate Architectures on Fat-Tailed Returns

यह शोध पत्र यह प्रदर्शित करता है कि कम क्षितिज (short horizons) पर फैट-टेल्ड (fat-tailed) वित्तीय रिटर्न के पूर्वानुमान के लिए, आउटपुट हेड का चयन (विशेष रूप से एक गॉसियन मिश्रण मॉडल) टेल रिस्क को पकड़ने और वितरण सटीकता में सुधार करने में बैकबोन आर्किटेक्चर के प्रभाव की तुलना में काफी अधिक महत्वपूर्ण है, हालांकि लंबे समय के क्षितिज पर बैकबोन अधिक महत्वपूर्ण हो जाता है।

मूल लेखक: Sichao He, Yansong Zhang

प्रकाशित 2026-06-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sichao He, Yansong Zhang

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 अगले कुछ दिनों के लिए मौसम का पूर्वानुमान लगाने की कोशिश कर रहे हैं। आपके पास आपकी मदद के लिए दो मुख्य उपकरण हैं:

इंजन (बैकबोन/रीढ़ की हड्डी): वह जटिल कंप्यूटर सिस्टम जो सभी डेटा (सैटेलाइट इमेज, वायुमंडलीय दबाव, हवा की गति) को प्रोसेस करता है।
रिपोर्ट (आउटपुट हेड): यह कि अंतिम भविष्यवाणी आपको कैसे प्रस्तुत की जाती है। क्या यह केवल एक तापमान संख्या है? क्या यह एक बेल कर्व (घंटी के आकार का वक्र) है जो कहता है कि "संभावना 70°F होने की है"? या क्या यह एक विस्तृत मानचित्र है जो बारिश की 90% संभावना, टोरनेडो की 5% संभावना और हीटवेव की 5% संभावना दिखाता है?

यह शोध पत्र, जिसका शीर्षक "Heads, Not Backbones" (बैकबोन नहीं, हेड्स) है, वित्तीय बाजारों (विशेष रूप से S&P 500 स्टॉक इंडेक्स) के बारे में एक सरल प्रश्न पूछता है: क्या इंजन की जटिलता अधिक मायने रखती है, या जिस तरह से हम रिपोर्ट प्रस्तुत करते हैं वह अधिक मायने रखता है?

लेखकों ने चार अलग-अलग, हाई-टेक "इंजनों" (आधुनिक AI मॉडल) को तीन अलग-अलग प्रकार के "रिपोर्ट्स" (आउटपुट हेड्स) के साथ मिलाकर परीक्षण किया। यहाँ उन्हें क्या मिला, सरल उपमाओं का उपयोग करते हुए:

1. "फैट-टेल्ड" (Fat-Tailed) समस्या

वित्तीय बाजार एक रोलरकोस्टर की तरह होते हैं जो ज्यादातर धीरे-धीरे चलता है लेकिन कभी-कभी भयानक, अत्यधिक गिरावट या उछाल का अनुभव करता है। सांख्यिकी में इसे "फैट-टेल्ड" डिस्ट्रीब्यूशन कहा जाता है।

मानक मॉडल (Standard models) यह मान लेते हैं कि बाजार एक शांत झील की तरह व्यवहार करता है (एक सामान्य बेल कर्व)। वे औसत दिनों की भविष्यवाणी करने में बेहतरीन होते हैं लेकिन अचानक क्रैश या अचानक उछाल की भविष्यवाणी करने में बहुत खराब होते हैं।
लक्ष्य: लेखक यह देखना चाहते थे कि क्या वे एक बेहतर "रिपोर्ट" बना सकते हैं जो इन चरम जोखिमों को स्वीकार करती हो।

2. प्रयोग: रिपोर्ट को बदलना

शोधकर्ताओं ने "इंजन" (AI बैकबोन) को स्थिर रखा और "रिपोर्ट्स" (हेड्स) को बदला:

पॉइंट हेड (एकल संख्या): यह एक मौसम ऐप की तरह है जो केवल कहता है, "कल 72°F होगा।" यह आपको तूफान के जोखिम के बारे में नहीं बताता।
गौसियन हेड (बेल कर्व): यह कहता है, "कल संभवतः 72°F होगा, प्लस या माइनस 5 डिग्री।" यह मानता है कि उतार-चढ़ाव सममित (symmetrical) और सुचारू हैं।
मिक्सचर हेड (मल्टी-मोड मैप): यह सबसे शानदार वाला है। यह कहता है, "कल संभवतः 72°F होगा, लेकिन 60°F तक अचानक गिरावट की एक छोटी संभावना है और 85°F के उछाल की एक छोटी संभावना है।" यह चरम जोखिमों (fat tails) को पकड़ने के लिए विभिन्न परिदृश्यों के मिश्रण का उपयोग करता है।

3. बड़ी खोज: रिपोर्ट की जीत होती है

परिणाम आश्चर्यजनक और स्पष्ट थे: "रिपोर्ट" (हेड) अधिक मायने रखती थी बजाय "इंजन" (बैकबोन) के।

इंजन बदलना: यदि आप सबसे अच्छे AI इंजन को लेकर उसे थोड़े अलग इंजन से बदल देते हैं, तो भविष्यवाणी की सटीकता में बहुत कम बदलाव आता है (1.5% से भी कम का अंतर)। यह एक कार में टोयोटा इंजन को होंडा इंजन से बदलने जैसा है; कार अभी भी लगभग एक जैसा ही चलती है।
रिपोर्ट बदलना: यदि आप एक ही इंजन को रखते हैं लेकिन "एकल संख्या" वाली रिपोर्ट से बदलकर "मल्टी-मोड मैप" वाली रिपोर्ट पर स्विच करते हैं, तो सटीकता में महत्वपूर्ण सुधार होता है (लगभग 3.7% से 6.4% तक)।
उपमा: यदि आप आंखों पर पट्टी बांधकर गाड़ी चला रहे हैं (गलत रिपोर्ट), तो इससे कोई फर्क नहीं पड़ता कि आपके पास फेरारी का इंजन (सबसे अच्छा AI) है। यदि आपके पास एक मानक इंजन है लेकिन एक सटीक GPS (सही रिपोर्ट) है, तो आप अपने गंतव्य तक बहुत अधिक सटीकता से पहुँचेंगे।

4. "मल्टी-मोड मैप" (मिक्सचर) क्यों विशेष है?

"मल्टी-मोड मैप" (गौसियन मिक्सचर) स्पष्ट विजेता था, विशेष रूप से संकट के समय (जैसे 1970 के दशक की स्टैगफ्लेशन या 2008 का वित्तीय संकट) के दौरान।

एकल संख्या (Single Number) क्रैश के जोखिम को अनदेखा करती है।
बेल कर्व (Bell Curve) यह मानता है कि क्रैश केवल एक सुचारू वक्र पर एक "बड़ा उतार-चढ़ाव" है।
मल्टी-मोड मैप (Multi-Mode Map) विशेष रूप से क्रैश परिदृश्य के लिए एक अलग "लेन" बनाता है। यह उन "फैट टेल्स" को पकड़ता है जिन्हें अन्य मॉडल मिस कर देते हैं।

लेखक नोट करते हैं कि यह अतिरिक्त मूल्य तब सबसे अधिक दिखाई देता है जब चीजें अराजक होती हैं। जब बाजार शांत होता है, तो फैंसी मैप एक साधारण अनुमान से बहुत बेहतर नहीं होता। लेकिन जब बाजार घबराहट में होता है, तो फैंसी मैप ही एकमात्र है जो खतरे को देख पाता है।

5. महत्वपूर्ण सावधानियां (जो पेपर नहीं कहता है)

लेखक अपने निष्कर्षों की सीमाओं के बारे में बहुत ईमानदार हैं:

यह "जल्दी अमीर बनने" की योजना नहीं है: उन्होंने इन भविष्यवाणियों का उपयोग करके एक सरल ट्रेडिंग रणनीति का परीक्षण किया, और उसने पैसा गंवाया। जोखिम की बेहतर भविष्यवाणी करने का मतलब यह नहीं है कि आप स्वचालित रूप से अधिक लाभ कमा सकते हैं। आपको उस जानकारी का उपयोग करने के लिए एक स्मार्ट रणनीति की आवश्यकता होती है।
यह समय सीमा पर निर्भर करता है: "रिपोर्ट" (हेड) अल्पकालिक भविष्यवाणियों (अगले कुछ दिनों या महीनों) के लिए राजा है। हालांकि, दीर्घकालिक भविष्यवाणियों (6 महीने या एक वर्ष) के लिए, "इंजन" (बैकबोन) फिर से अधिक महत्वपूर्ण होने लगता है।
यह संपत्ति (Asset) पर निर्भर करता है: यह स्टॉक रिटर्न (जो जंगली और फैट-टेल्ड होते हैं) के लिए बहुत अच्छा काम करता है। यह ट्रेजरी बॉन्ड यील्ड या मुद्रा विनिमय दरों जैसी चीजों के लिए उतना अच्छा काम नहीं करता है, जो एक स्थिर नदी की तरह व्यवहार करते हैं। उनके लिए, एक साधारण "एकल संख्या" रिपोर्ट अक्सर उतनी ही अच्छी होती है।

निचोड़ (The Bottom Line)

यदि आप शेयर बाजार के जंगली, अप्रत्याशित उतार-चढ़ाव की भविष्यवाणी करने की कोशिश कर रहे हैं, तो इस बात पर जुनूनी न हों कि आप किस जटिल AI मॉडल का उपयोग कर रहे हैं। इसके बजाय, इस पर ध्यान केंद्रित करें कि आप डेटा की व्याख्या कैसे करते हैं।

एक ऐसे मॉडल का उपयोग करना जो कई संभावित भविष्य (डरावने भविष्य सहित) का वर्णन कर सके, बहुत अधिक महत्वपूर्ण है जो सबसे परिष्कृत कंप्यूटर आर्किटेक्चर का उपयोग करता है। "हेड" (आउटपुट) "बैकबोन" (आर्किटेक्चर) पर हावी रहता है।

तकनीकी सारांश: बैकबोन नहीं, हेड (Heads, Not Backbones)

समस्या विवरण (Problem Statement)

फैट-टेल्ड (fat-tailed) वित्तीय रिटर्न (विशेष रूप से लघु-अवधि के क्षितिज/horizons) के पूर्वानुमान के लिए डीप लर्निंग पाइपलाइनों में, यह एक प्रचलित धारणा है कि आर्किटेक्चरल जटिलता (बैकबोन) प्रदर्शन का प्राथमिक चालक है। हालांकि, जोखिम प्रबंधन, पूंजी आवंटन और नियामक स्ट्रेस टेस्टिंग के लिए वितरण संबंधी पूर्वानुमानों (जैसे, Value-at-Risk, Expected Shortfall) की आवश्यकता होती है, न कि केवल पॉइंट एस्टीमेट्स (point estimates) की।

प्रमुख डीप फोरकास्टिंग आर्किटेक्चर (TimesNet, DLinear, N-BEATS, iTransformer) आमतौर पर पॉइंट हेड्स (point heads) के साथ आते हैं जो Huber या MSE लॉस पर प्रशिक्षित होते हैं। ये लॉस कंडीशनल मीडियन या मीन को प्रेरित करते हैं, लेकिन वे फैट-टेल्ड वितरणों के लिए स्ट्रिक्टली प्रॉपर स्कोरिंग रूल्स (strictly proper scoring rules) नहीं हैं, जिससे वे टेल रिस्क (tail risk) को पकड़ने में विफल रहते हैं। मानक समाधान पॉइंट हेड को डेंसिटी हेड (जैसे, Gaussian Mixture Model) से बदलना है जिसे Negative Log-Likelihood (NLL) के माध्यम से प्रशिक्षित किया जाता है।

यह शोध पत्र एक मौलिक प्रश्न की जांच करता है: फैट-टेल्ड वित्तीय रिटर्न पर, प्रेडिक्टिव सटीकता के लिए क्या अधिक महत्वपूर्ण है—बैकबोन आर्किटेक्चर या आउटपुट हेड?

कार्यप्रणाली (Methodology)

डेटा और प्रोटोकॉल (Data and Protocol)

डेटासेट: शिलर डेटासेट से S&P 500 मासिक लॉग-रिटर्न्स (1871–2023, 1,832 अवलोकनों) का उपयोग। अनुभवजन्य कुर्टोसिस (Empirical kurtosis) $\approx 6$ है, जो गॉसियन मान 3 की तुलना में काफी अधिक है।
वैलिडेशन: पांच एंकोर्ड वॉक-फॉरवर्ड फोल्ड्स, जिसमें 0.50 का ट्रेनिंग फ्रैक्शन, 0.07 का टेस्ट विंडो, और 0.10 का स्टेप है। प्रयोग तीन रैंडम सीड्स पर दोहराए गए हैं।
क्षितिज (Horizons): $h \in \{1, 3, 6, 12\}$ महीने।

प्रयोगात्मक डिजाइन (Experimental Design)

लेखक बैकबोन और हेड के प्रभावों को अलग करने के लिए एक स्पष्ट $4 \times 3$ फैक्टोरियल प्रयोग (12 वेरिएंट्स) का निर्माण करते हैं:

बैकबोन्स (4):
- TimesNet: FFT-आधारित अवधि खोज + 2D कन्वोल्यूशन।
- DLinear: ट्रेंड/सीजनल डिकंपोजिशन + लीनियर प्रोजेक्शन।
- N-BEATS: जेनेरिक बेसिस-एक्सपेंशन ब्लॉक्स का रेसिडुअल स्टैक।
- iTransformer: प्रति-टाइम-स्टेप एम्बेडिंग + टाइम डायमेंशन में सेल्फ-अटेंशन।
- नोट: PatchTST को डेंसिटी हेड्स के साथ असंगतता (patching- $\sigma$ इश्यू) के कारण बाहर रखा गया था।
आउटपुट हेड्स (3): सभी एक ही बैकबोन हिडन स्टेट ( $d_{hidden}=64$ $d_{hi dd e n} = 64$ ) साझा करते हैं।
- पॉइंट हेड (Point Head): $\hat{y} \in \mathbb{R}^H$ के लिए लीनियर प्रोजेक्शन, जिसे Huber loss के साथ प्रशिक्षित किया गया है। (CRPS के लिए पोस्ट-हॉक गॉसियन सन्निकटन के माध्यम से मूल्यांकन)।
- सिंगल-गॉसियन हेड (Single-Gaussian Head): $(\mu, \sigma) \in \mathbb{R}^{2H}$ के लिए लीनियर प्रोजेक्शन, जिसे Gaussian NLL के साथ प्रशिक्षित किया गया है।
- गॉसियन मिक्सचर हेड (GMM): $(\mu, \sigma, \pi) \in \mathbb{R}^{3HK}$ के लिए लीनियर प्रोजेक्शन जहाँ $K=4$ कंपोनेंट्स हैं, जिसे GMM NLL के साथ प्रशिक्षित किया गया है।

मेट्रिक्स (Metrics)

प्राथमिक: Continuous Ranked Probability Score (CRPS) और CRPS-Skill-Score (एक TimesNet पॉइंट बेसलाइन के सापेक्ष)।
द्वितीयक: $\tau \in \{0.05, 0.95\}$ पर पिनबॉल लॉस (क्वांटाइल लॉस), प्रेडिक्टिव-इंटरवल कवरेज, और Mean Squared Error (MSE)।
सांख्यिकीय परीक्षण: स्क्वेर्ड एरर्स पर Hansen–Lunde–Nason Model Confidence Set (MCS); प्रति-फोल्ड CRPS डिफरेंशियल पर Diebold–Mariano पेयर्ड $t$ -टेस्ट।

मुख्य परिणाम (Key Results)

1. हेड बैकबोन पर हावी है (लघु क्षितिज पर) (The Head Dominates the Backbone - Short Horizons)

लघु क्षितिज ( $h < 6$ ) पर मासिक S&P 500 रिटर्न्स के लिए, आउटपुट हेड प्रमुख कारक है:

स्ट्रिक्ट ग्रेडिएंट: पॉइंट $\to$ $\to$ गॉसियन $\to$ $\to$ GMM की ओर बढ़ने से CRPS में निरंतर सुधार होता है।
- पॉइंट $\to$ गॉसियन: $\sim +1.3\%$ सुधार।
- गॉसियन $\to$ GMM: $\sim +2.4\%$ सुधार।
- कुल पॉइंट $\to$ GMM: $\sim +3.7\%$ सुधार।
बैकबोन प्रभाव: हेड को स्थिर रखते हुए बैकबोन बदलने से पॉइंट-हेड रो पर CRPS में 1.5% से भी कम का बदलाव आता है। डेंसिटी हेड्स पर भी, बैकबोन स्प्रेड (अधिकतम 5.1% N-BEATS द्वारा संचालित) आमतौर पर हेड ग्रेडिएंट से छोटा होता है।
MCS परिणाम: स्क्वेर्ड एरर्स पर मॉडल कॉन्फिडेंस सेट 5% स्तर पर किसी भी 12 वेरिएंट को बाहर नहीं करता है। बैकबोन या हेड, दोनों ही पॉइंट-प्रेडिक्शन सटीकता (MSE) पर मॉडल्स के बीच अंतर नहीं करते हैं। हेड केवल वितरण संबंधी मेट्रिक्स (CRPS, Pinball, coverage) पर मॉडल्स को अलग करता है।

2. "h-स्प्लिट" (क्षितिज निर्भरता) (The "h-Split" - Horizon Dependence)

हेड का प्रभुत्व क्षितिज पर निर्भर है:

लघु क्षरीज ( $h \le 3$ ): हेड हावी है। डीप बैकबोन्स पर GMM हेड्स क्लासिकल बेसलाइन्स से बेहतर प्रदर्शन करते हैं।
लंबे क्षितिज ( $h \ge 6$ ): बैकबोन फिर से नेतृत्व करता है। क्लासिकल रिकर्सिव मॉडल (GARCH, ARIMA) GMM हेड्स के साथ विफल हो जाते हैं (उदाहरण के लिए, $h=6$ पर GARCHgmm का CRPS स्किल $-50\%$ तक गिर जाता है) क्योंकि उनके वोलैटिलिटी फोरकास्ट अनकंडीशनल मीन की ओर वापस आ जाते हैं। मल्टी-स्टेप डायरेक्ट ट्रेनिंग वाले डीप बैकबोन्स प्रदर्शन बनाए रखते हैं, जो $h=6$ पर क्लासिकल मॉडल्स से $\sim 55$ पर्सेंटेज पॉइंट्स बेहतर प्रदर्शन करते हैं।

3. क्रॉस-एसेट जनरलाइजेशन (Cross-Asset Generalization)

हेड ग्रेडिएंट सार्वभौमिक नहीं है; यह डेटा जेनरेटिंग प्रोसेस पर निर्भर करता है:

रिटर्न-जैसे प्रोसेस (Return-like Processes): (मासिक/डेली S&P 500, डेली VIX)। GMM हेड लगातार सर्वश्रेष्ठ है।
- VIX केस: सिंगल गॉसियन हेड अत्यधिक राइट-टेल स्पाइक्स के कारण VIX पर विनाशकारी रूप से विफल हो जाता है ( $-24.4\%$ )| GMM ( $K=4$ ) इन मल्टीमॉडल रेजीम्स को सफलतापूर्वक कैप्चर करता है।
गैर-रिटर्न-जैसे प्रोसेस (Non-Return-like Processes): (ट्रेजरी यील्ड, EUR/USD)। ये संरचनात्मक लक्ष्यों के आसपास मीन-रिवर्टिंग होते हैं। यहाँ, GMM हेड पैरामीटर नॉइज़ जोड़ता है जिसका कोई स्ट्रक्चरल लाभ नहीं होता, और अक्सर पॉइंट हेड से खराब प्रदर्शन करता है।

4. जोखिम प्रबंधन मूल्य (Risk Management Value)

कैलिब्रेशन: पॉइंट हेड्स (जो पोस्ट-हॉक वेरिएंस इन्फ्लेशन के कारण 0.96 पर ओवर-कवर करते हैं) की तुलना में GMM हेड्स बेहतर कैलिब्रेशन (90% कवरेज $\approx 0.88\text{--}0.93$ ) प्रदान करते हैं।
टेल रिस्क: सिंगल गॉसियन की तुलना में मिक्सचर का वृद्धिशील मूल्य उच्च-वोलैटिलिटी रेजीम्स में सबसे अधिक होता है (जैसे, 1970 के दशक के स्टैगफ्लेशन के दौरान $+13.9\%$ सुधार)।
नियामक मेट्रिक्स: N-BEATS विद अ GMM हेड 5%, 2.5%, और 1% VaR स्तरों पर कुपिएक (Kupiec) अनकंडीशनल कवरेज टेस्ट पास करता है और परीक्षण किए गए मॉडल्स में सबसे कम एक्सपेक्टेड शॉर्टफॉल (ES) प्राप्त करता है।
सीमा: चरम 1%-VaR थ्रेशोल्ड पर, बाउंडेड $K=4$ GMM, पॉइंट हेड की तुलना में टेल रिस्क को कम आंकता है (गॉसियन कंपोनेंट टेल्स के कारण), जो यह सुझाव देता है कि चरम क्वांटाइल्स के लिए GMM+EVT हाइब्रिड की आवश्यकता है।

5. ट्रेडिंग स्ट्रैटेजी बैकटेस्ट (Trading Strategy Backtest)

इन डेंसिटी फोरकास्ट का उपयोग करने वाली एक नेटिव मीन-रिवर्जन स्ट्रैटेजी पैसे हारती है (वार्षिक रिटर्न $-41\%$ से $-50\%$ तक)। यह पुष्टि करता है कि बेहतर वितरण संबंधी पूर्वानुमान जोखिम प्रबंधन के लिए आवश्यक हैं, लेकिन बिना परिष्कृत पोजीशन साइजिंग और ट्रांजैक्शन कॉस्ट मॉडलिंग के वे स्वतः ही ट्रेडिंग अल्फा में नहीं बदलते हैं।

महत्व और दावे (Significance and Claims)

यह शोध पत्र निष्कर्ष निकालता है कि फैट-टेल्ड वित्तीय रिटर्न्स के लघु क्षितिज पर, मेहनत का निवेश आउटपुट हेड पर किया जाना चाहिए, न कि बैकबोन पर।

आर्किटेक्चरल न्यूट्रैलिटी: पॉइंट प्रेडिक्शन के लिए, इस डेटा पर डीप बैकबोन्स सांख्यिकीय रूप से अविभेद्य हैं। बैकबोन्स को अलग करने वाला "सिग्नल" पॉइंट-एक्यूरेसी मेट्रिक्स के शोर (noise) के नीचे है।
लॉस फंक्शन की प्रधानता: लाभ एक स्ट्रिक्टली प्रॉपर स्कोरिंग रूल (GMM NLL) का उपयोग करने से आता है जो टेल मिसकैलिब्रेशन को दंडित करता है, जिसे हूबर/MSE लॉस अनदेखा कर देते हैं। GMM हेड उस अतिरिक्त कुर्टोसिस और टेल रिस्क को कैप्चर करता है जिसे यूनिमोडल गॉसियन्स नहीं पकड़ पाते।
संदर्भगत वैधता: "हेड-डोमिनेंस" का दावा विशेष रूप से रिटर्न-जैसे, फैट-टेल्ड प्रोसेस के लिए सही है। यह यील्ड या FX जैसे गैर-स्टेशनरी, मीन-रिवर्टिंग सीरीज पर लागू नहीं होता, जहाँ पॉइंट हेड प्रतिस्पर्धी बना रहता है।
व्यावहारिक निहितार्थ: जोखिम प्रबंधन (VaR, ES, कैपिटल चार्जेस) के लिए, एक मानक पॉइंट हेड से GMM हेड पर स्विच करना एक उच्च-मूल्य वाला, कम लागत वाला हस्तक्षेप है (एक "2-लाइन चेंज") जो संकट के समय वास्तविक मूल्य प्रदान करता है, जबकि बैकबोन बदलना नगण्य रिटर्न देता है।

शोध पत्र स्पष्ट रूप से कहता है कि यह कोई नया बैकबोन, कोई नई ट्रेडिंग स्ट्रैटेजी, या सभी टाइम सीरीज़ के लिए सार्वभौमिक समाधान प्रस्तावित नहीं करता है। यह एक सीमा स्थिति स्थापित करता है: फैट-टेल्ड रिटर्न्स पर, हेड डोमिनेट करता है; अन्य प्रोसेस पर, ऐसा नहीं होता है।