💰 quantitative finance

An Information-Geometric Framework for Bayesian Credit Risk Monitoring

यह शोध पत्र बेयसियन क्रेडिट जोखिम निगरानी के लिए एक सूचना-ज्यामितीय (इन्फॉर्मेशन-जियोमेट्रिक) ढांचे का प्रस्ताव करता है जो एक सांख्यिकीय मैनिफोल्ड पर पश्च वितरणों (पोस्टीरियर डिस्ट्रीब्यूशंस) के रूप में उधारकर्ताओं के बारे में बैंक के ज्ञान को निरूपित करता है, जिसमें जोखिम के विकास और मूल्यांकन अनिश्चितता को मापने और तुलना करने के लिए महालानोबिस दूरी और कुलबैक-लीब्लर जैसे विचलन (डाइवर्जेंस) का उपयोग किया जाता है।

मूल लेखक: Lorenzo Quirini

प्रकाशित 2026-08-04

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lorenzo Quirini

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 सीलबंद, अपारदर्शी डिब्बे के अंदर क्या है, इसका अनुमान लगाने की कोशिश कर रहे हैं। सोचने के पुराने तरीके में, आप शायद कहेंगे, "मुझे लगता है कि इसमें एक लाल गेंद है," और अपने अनुमान को एक एकल, निश्चित तथ्य की तरह मान लेंगे। लेकिन बायेसियन सांख्यिकी (Bayesian statistics) की दुनिया में, आप महसूस करते हैं कि आपका अनुमान वास्तव में संभावनाओं का एक पूरा बादल है। हो सकता है कि आप 80% सुनिश्चित हों कि इसमें एक लाल गेंद है, 15% सुनिश्चित हों कि यह एक नीली गेंद है, और 5% सुनिश्चित हों कि यह कोई सरप्राइज खिलौना है। यह "बादल" एक पोस्टीरियर डिस्ट्रीब्यूशन (posterior distribution) कहलाता है, और यह आपके ज्ञान की वर्तमान स्थिति को दर्शाता है, जो हर बार एक नया सुराग मिलने पर बदल जाता है।

अब, कल्पना कीजिए कि आपके पास इन सभी संभावित बादलों का एक मानचित्र है। इन्फॉर्मेशन ज्योमेट्री (information geometry) में, गणितज्ञों ने महसूस किया कि ये बादल केवल बेतरतीब ढंग से नहीं तैर रहे हैं; वे एक विशेष, घुमावदार सतह पर स्थित हैं जिसे सांख्यिकीय मैनिफोल्ड (statistical manifold) कहा जाता है। इस मैनिफोल्ड को एक ऐसे परिदृश्य के रूप में सोचें जहाँ दो बिंदुओं के बीच की दूरी एक रूलर से नहीं, बल्कि इस बात से मापी जाती है कि आपकी अनिश्चितता कितनी बदलती है। यदि आप डिब्बे के अंदर क्या है, इसे लेकर बहुत आश्वस्त हैं, तो मानचित्र "सघन" और कठोर होता है। यदि आप बहुत अनिश्चित हैं, तो मानचित्र "ढीला" और लचीला होता है। यह शोध पत्र पूछता है: क्या हम इस अजीब, घुमावदार मानचित्र का उपयोग यह समझने के लिए कर सकते हैं कि बैंक लोगों के कर्ज लेने के जोखिम को कैसे देखते हैं?

शोध पत्र का मुख्य विचार: बैंक के मस्तिष्क का मानचित्रण

इस शोध पत्र में, लोरेंजो क्विरिनी (Lorenzo Quirini) सुझाव देते हैं कि बैंकों को केवल उधारकर्ता के क्रेडिट स्कोर को एक एकल संख्या (जैसे परीक्षा में ग्रेड) के रूप में नहीं देखना चाहिए। इसके बजाय, एक उधारकर्ता के बारे में बैंक का ज्ञान दो छिपी हुई चीजों के बारे में अनिश्चितता का एक गतिशील बादल (moving cloud of uncertainty) है: उधारकर्ता की भुगतान करने की इच्छा (क्रेडिटवर्दीनेस/साख) और भुगतान करने की क्षमता (वित्तीय नाजुकता)।

लेखक इन उधारकर्ताओं पर नज़र रखने का एक नया तरीका प्रस्तावित करते हैं। जैसे-जैसे बैंक को नई जानकारी मिलती है—जैसे कि एक नया बिल भुगतान या एक छूटी हुई समय सीमा—वह अपने ज्ञान के "बादल" को अपडेट करता है। क्विरिनी दिखाते हैं कि यदि हम इन बादलों को एक विशेष ज्यामितीय मानचित्र पर बिंदुओं के रूप में देखते हैं, तो हम यह माप सकते हैं कि एक उधारकर्ता की स्थिति कितनी बदली है, न कि केवल उनके औसत स्कोर को देखकर, बल्कि यह देखकर भी कि उनकी अनिश्चितता कैसे बदलती है।

मानचित्र की दो परतें

यह शोध पत्र इन बादलों को चित्रित करने के दो अलग-अलग तरीकों का पता लगाता है, और उन्हें परखने के लिए एक खेलपूर्ण सिमुलेशन का उपयोग करता है।

1. सपाट मानचित्र (सामान्य अनिश्चितता)
सबसे पहले, लेखक एक ऐसी दुनिया की कल्पना करते हैं जहाँ बैंक सभी के बारे में समान रूप से अनिश्चित है। इस परिदृश्य में, मानचित्र सपाट और सरल है। दो उधारकर्ताओं के बीच की दूरी उनके औसत स्कोर के बीच की दूरी है। यह कागज के एक सपाट टुकड़े पर दो शहरों के बीच की दूरी मापने जैसा है। शोध पत्र पाता है कि इस सरल मामले में, "ज्यामितीय दूरी" बिल्कुल वही है जो एक मानक सांख्यिकीय माप है जिसे महालनोबिस दूरी (Mahalanobis distance) कहा जाता है। यह एक व्यवस्थित, सुव्यवस्थित दुनिया है जहाँ जोखिम केवल इस बारे में है कि आप कहाँ खड़े हैं।

2. ऊबड़-खाबड़ मानचित्र (विभिन्न अनिश्चितता)
लेकिन वास्तविक दुनिया सपाट नहीं है। इसके बाद, पेपर एक अधिक यथार्थवादी परिदृश्य की ओर बढ़ता है: बैंक कुछ उधारकर्ताओं के बारे में बहुत आश्वस्त है (शायद उन्होंने 20 साल तक ऋण लिया है) लेकिन अन्य के बारे में बहुत अनिश्चित है (शायद वे नए हैं या उनकी वित्तीय स्थिति अव्यवस्थित है)।

यहाँ, मानचित्र ऊबड़-खाबड़ और घुमावदार हो जाता है। दो उधारकर्ताओं के बीच का "दूरी" अब दो चीजों पर निर्भर करती है:

वे कहाँ हैं: उनका औसत क्रेडिट स्कोर।
उनकी तस्वीर कितनी धुंधली है: बैंक कितना अनुमान लगा रहा है।

लेखक दिखाते हैं कि एक उधारकर्ता जिसका औसत स्कोर "अच्छा" है लेकिन अनिश्चितता का एक बड़ा बादल है (एक धुंधली तस्वीर), वह वास्तव में उस उधारकर्ता से बहुत अलग है जिसका स्कोर समान है लेकिन बादल बहुत छोटा और स्पष्ट है। इस ऊबड़-खाबड़ मानचित्र पर, उनके बीच की दूरी बहुत अधिक है, भले ही उनके औसत स्कोर समान हों। शोध पत्र एक सिमुलेशन का उपयोग करके दिखाता है कि जब हम इस "धुंधलेपन" को ध्यान में रखते हैं, तो जिस तरह से हम जोखिम को मापते हैं, वह बदल जाता है। एक उधारकर्ता जो "अधिक जोखिम भरा" बनता है, वह केवल कम स्कोर प्राप्त नहीं कर रहा है; वह शायद केवल कम पूर्वानुमान योग्य होता जा रहा है।

उपकरण: अंतर को मापना

उधारकर्ताओं के बीच के अंतर को मापने के लिए, शोध पत्र दो गणितीय उपकरणों का उपयोग करता है:

कुल्बैक-लीब्लर (KL) डाइवर्जेंस (Kullback-Leibler Divergence): यह पूछने जैसा है कि, "यदि मैंने सोचा था कि आप उधारकर्ता A की तरह हैं, लेकिन वास्तव में आप उधारकर्ता B हैं, तो मैं कितनी जानकारी खो दूँगा?" शोध पत्र के सिमुलेशन दिखाते हैं कि यह एक निष्पक्ष खेल नहीं है; यह मायने रखता है कि आप किस दिशा में पूछ रहे हैं। यदि आप एक "उच्च गुणवत्ता" वाले उधारकर्ता को "निम्न गुणवत्ता" वाले से बदलते हैं, तो सूचना की हानि उस दिशा से अलग होती है जिससे आप दूसरे को बदलते हैं।
जेफ्रीज़ डाइवर्जेंस (Jeffreys Divergence): इस अनुचितता को ठीक करने के लिए, लेखक सुझाव देते हैं कि एक सममित स्कोर (symmetric score) प्राप्त करने के लिए दोनों दिशाओं को जोड़ दिया जाए। यह मानचित्र पर दो समूहों के बीच की वास्तविक दूरी का माप देता है।

सिमुलेशन में, शोध पत्र ने पाया कि "उच्च गुणवत्ता" और "निम्न गुणवत्ता" वाले समूह मानचित्र पर बहुत दूर थे, जबकि "मध्यम गुणवत्ता" वाले समूह बीच में कहीं स्थित थे। लेकिन मानचित्र के "ऊबड़-खाबड़" संस्करण में, दूरी केवल स्कोर के बारे में नहीं थी; यह इस बारे में भी थी कि बैंक उन स्कोर को लेकर कितना आश्वस्त था।

भविष्य के लिए इसका क्या अर्थ है

यह शोध पत्र यह दावा नहीं करता है कि इसने क्रेडिट जोखिम को हल कर लिया है या बैंकों के लिए कोई नया ऐप बना लिया है। इसके बजाय, यह एक वैचारिक सेतु (conceptual bridge) प्रदान करता है। यह सुझाव देता है कि क्रेडिट जोखिम एक स्थिर संख्या नहीं है जिसे आप एक फाइल में पाते हैं; यह एक गतिशील यात्रा है। जैसे-जैसे बैंक एक उधारकर्ता के बारे में अधिक सीखता है, वह उधारकर्ता इस ज्यामितीय मानचित्र पर एक "बिंदु" के रूप में चलता है। कभी-कभी बिंदु इसलिए चलता है क्योंकि उधारकर्ता का व्यवहार बदल गया। अन्य समय में, बिंदु इसलिए चलता है क्योंकि बैंक का विश्वास बदल गया है।

क्रेडिट निगरानी को इस घुमावदार परिदृश्य में एक यात्रा के रूप में देखते हुए, यह शोध पत्र सुझाव देता है कि हम जोखिम की एक अधिक समृद्ध, अधिक सूक्ष्म तस्वीर प्राप्त कर सकते हैं। यह कहने का एक तरीका है कि ऋण देने की दुनिया में, आप क्या नहीं जानते उसे जानना उतना ही महत्वपूर्ण है जितना कि आप क्या जानते हैं। लेखक संकेत देते हैं कि भविष्य के कार्य वास्तविक बैंक डेटा का उपयोग करके यह परीक्षण कर सकते हैं कि क्या यह मानचित्र वास्तव में यह भविष्यवाणी करने में मदद करता है कि कौन अपना ऋण वापस चुकाएगा, लेकिन फिलहाल, यह इस बात का एक दिलचस्प सैद्धांतिक खाका बना हुआ है कि बैंक जोखिम को एक पूरी तरह से नए आयाम में कैसे "देख" सकते हैं।

तकनीकी सारांश: बेयसियन क्रेडिट रिस्क मॉनिटरिंग के लिए एक सूचना-ज्यामितीय ढांचा (An Information-Geometric Framework for Bayesian Credit Risk Monitoring)

समस्या विवरण (Problem Statement)
पारंपरिक क्रेडिट जोखिम मॉडलिंग आमतौर पर जोखिम को एक वस्तुनिष्ठ, बिंदुवार संभावना (जैसे, डिफ़ॉल्ट की संभावना या Probability of Default) या उधारकर्ता से जुड़ी एक स्थिर रेटिंग के रूप में मानती है। यह शोध पत्र इस दृष्टिकोण को चुनौती देता है, और तर्क देता है कि क्रेडिट जोखिम मौलिक रूप से उधारकर्ता के संबंध में वित्तीय मध्यस्थ द्वारा धारण किया गया एक व्यक्तिपरक वितरण (subjective distribution) है। लेखक का मानना है कि जैसे-जैसे नई जानकारी उपलब्ध होती है, बैंक का ज्ञान विकसित होता है, फिर भी मानक ढांचे अक्सर इस विकसित होती अनिश्चितता की ज्यामितीय संरचना को पकड़ने में विफल रहते हैं। विशेष रूप से, क्रेडिट निगरानी को केवल स्कोर अपडेट के एक अनुक्रम के रूप में नहीं, बल्कि एक सांख्यिकीय मैनिफोल्ड (statistical manifold) पर एक प्रक्षेपवक्र (trajectory) के रूप में औपचारिक बनाने की आवश्यकता है, जहाँ अपेक्षित जोखिम स्तर और उस मूल्यांकन में विश्वास (अनिश्चितता) दोनों को स्पष्ट रूप से मॉडल किया जाता है।

कार्यप्रणाली (Methodology)
यह शोध पत्र बेयसियन अनुमान (Bayesian inference) को सूचना ज्यामिति (Information Geometry) के साथ एकीकृत करने वाला एक ढांचा प्रस्तावित करता है, जो विशेष रूप से सांख्यिकीय मैनिफोल्ड और फिशर सूचना मेट्रिक (Fisher information metric) के सिद्धांत का उपयोग करता है।

बेयसियन मॉडल विनिर्देश (Bayesian Model Specification):
- अव्यक्त चर (Latent Variables): उधारकर्ता के जोखिम को दो निरंतर आयामों में कम किया गया है: क्रेडिटवर्दीनेस (भुगतान करने की इच्छा) और वित्तीय भंगुरता (भुगतान करने की क्षमता)।
- प्रायर डिस्ट्रीब्यूशन (Prior Distribution): ओरिजिनेशन के समय, बैंक एक प्रायर विश्वास $p(\theta | z)$ रखता है, जिसे एक मल्टीवेरिएट गौसियन वितरण $N(m(z), P(z))$ के रूप में मॉडल किया गया है, जहाँ $z$ प्रारंभिक उधारकर्ता विशेषताओं का प्रतिनिधित्व करता है। माध्य $m(z)$ प्रारंभिक मूल्यांकन का प्रतिनिधित्व करता है, जबकि कोवेरिएंस मैट्रिक्स $P(z)$ बैंक की अनिश्चितता और अव्यक्त आयामों के बीच सहसंबंध को दर्शाता है।
- लाइकलीहुड (Likelihood): देखे गए व्यवहार संबंधी स्कोर ( $x$ , जैसे क्रेडिट स्कोर और भंगुरता स्कोर) एक लीनियर-गौसियन लाइकलीहुड फंक्शन $p(x | \theta, z) \sim N(A\theta, \Sigma)$ के माध्यम से उत्पन्न होते हैं।
- पोस्टीरियर अपडेट (Posterior Update): कंजुगेट प्रायर (conjugate priors) का उपयोग करते हुए, पोस्टीरियर वितरण $p(\theta | x, z)$ गौसियन ही रहता है, $N(m_1, P_1)$ । पोस्टीरियर माध्य और कोवेरिएंस को देखे गए स्कोर के आधार पर विश्लेषणात्मक रूप से अपडेट किया जाता है।
सूचना-ज्यामितीय ढांचा (Information-Geometric Framework):
- सभी संभावित पोस्टीरियर वितरणों का सेट एक सांख्यिकीय मैनिफोल्ड $\mathcal{M}$ बनाता है।
- निर्देशांक (Coordinates): मैनिफोल्ड को एक्सपेक्टेशन कोऑर्डिनेट्स (माध्य $m_1$ , कोवेरिएंस $P_1$ ) और नेचुरल कोऑर्डिनेट्स (प्रिसिजन मैट्रिक्स $\Lambda_1 = P_1^{-1}$ और नेचुरल पैरामीटर $\eta_1 = \Lambda_1 m_1$ ) द्वारा पैरामीटराइज किया गया है।
- मेट्रिक (Metric): ज्यामिति को फिशर सूचना मेट्रिक प्रदान की गई है। शोध पत्र गौसियन परिवार के लिए लाइन एलिमेंट $ds^2$ $d s^{2}$ को व्युत्पन्न करता है, जो दो घटकों में विभाजित होता है:
  1. सूचनात्मक स्थिति में परिवर्तन (माध्य शिफ्ट)।
  2. सूचनात्मक प्रिसिजन में परिवर्तन (कोवेरिएंस/अनिश्चितता शिफ्ट)।
- डाइवर्जेंस (Divergences): उधारकर्ताओं या पोर्टफोलियो सेगमेंट के बीच सूचनात्मक दूरियों को कुलबैक-लीब्लर (KL) डाइवर्जेंस और सिमेट्रिक जेफ्रीज़ डाइवर्जेंस (Jeffreys divergence) का उपयोग करके मापा जाता है।
सिमुलेशन अभ्यास (Simulation Exercises):
- सिमुलेशन I (कॉमन कोवेरिएंस): यह सभी उधारकर्ताओं के लिए एक स्थिर पोस्टीरियर कोवेरिएंस मैट्रिक्स मानता है। इस प्रतिबंधित सब-मैनिफोल्ड में, फिशर मेट्रिक पोस्टीरियर माध्यों पर महालनोबिस मेट्रिक (Mahalanobis metric) में बदल जाता है। KL डाइवर्जेंस स्क्वेर्ड ज्योमेट्रिक डिस्टेंस के समानुपाती है।
- सिमुलेशन II (उधारकर्ता-विशिष्ट कोवेरिएंस): यह मॉडल को $P(z)$ को उधारकर्ता के अनुसार बदलने की अनुमति देकर सामान्य बनाता है। यह एक पूर्ण गौसियन मैनिफोल्ड पेश करता है जहाँ दूरियाँ माध्य अंतर और अनिश्चितता संरचनाओं (प्रिसिजन और वॉल्यूम) के अंतर दोनों पर निर्भर करती हैं।

प्रमुख योगदान (Key Contributions)

क्रेडिट जोखिम का पुनर्गठन: यह शोध पत्र क्रेडिट जोखिम की परिभाषा को एक वस्तुनिष्ठ उधारकर्ता विशेषता से बदलकर एक व्यक्तिपरक, विकसित होते संभाव्यता वितरण के रूप में करता है जिसे ऋणदाता द्वारा धारण किया जाता है।
निगरानी की ज्यामितीय व्याख्या: यह प्रदर्शित करता है कि एक लीनियर-गौसियन विनिर्देश के तहत, बेयसियन अपडेटिंग देखे गए स्कोर को एक रिमानियन मैनिफोल्ड (Riemannian manifold) पर विस्थापन (displacements) में मैप करती है।
दोहरी-आयामी जोखिम माप: यह ढांचा स्पष्ट रूप से अपेक्षित जोखिम स्तर (पोस्टीरियर माध्य) और मूल्यांकन से जुड़ी अनिश्चितता (पोस्टीरियर कोवेरिएंस) के बीच अंतर करता है। व्युत्पन्न मेट्रिक दिखाता है कि दो उधारकर्ताओं के समान अपेक्षित जोखिम होने के बावजूद, वे ज्यामितीय रूप से भिन्न हो सकते हैं यदि बैंक का उनके मूल्यांकन में विश्वास अलग-अलग है।
डाइवर्जेंस के माध्यम से सेगमेंट तुलना: यह पेपर सेगमेंट-स्तरीय सूचनात्मक दूरियों को KL और जेफ्रीज़ डाइवर्जेंस का उपयोग करके व्युत्पन्न करता है। पारंपरिक स्कोर-आधारित सेगमेंटेशन के विपरीत, ये दूरियाँ औसत जोखिम प्रोफाइल और पोर्टफोलियो सेगमेंट के भीतर अनिश्चितता की विषमता (heterogeneity) दोनों को कैप्चर करती हैं।

परिणाम (Results)

फिक्स्ड कोवेरिएंस केस: सिमुलेशन पुष्टि करता है कि जब अनिश्चितता समान होती है, तो उधारकर्ताओं के बीच सूचनात्मक दूरी उनके पोस्टीरियर माध्यों के बीच महालनोबिस दूरी के बराबर होती है। नेचुरल कोऑर्डिनेट्स में मैनिफोल्ड फ्लैट (e-flat) है।
वेरिएबल कोवेरिएंस केस: जब उधारकर्ता-विशिष्ट अनिश्चितता पेश की जाती है, तो ज्यामितीय दूरी अधिक जटिल हो जाती है। सिमुलेशन दिखाते हैं कि कुलबैक-लीब्लर डाइवर्जेंस असममित ( $D_{KL}(p_i || p_j) \neq D_{KL}(p_j || p_i)$ ) हो जाता है, जो सूचना हानि की दिशात्मक प्रकृति को दर्शाता है।
सेगमेंटल डायनेमिक्स: "हाई", "मीडियम" और "लो" क्वालिटी सेगमेंट के बीच की दूरी न केवल क्रेडिटवर्दीनेस/भंगुरता में माध्य पृथक्करण को दर्शाती है, बल्कि उन समूहों की अनिश्चितता संरचनाओं में अंतर को भी दर्शाती है। जेफ्रीज़ डाइवर्जेंस सेगमेंट के बीच कुल सूचनात्मक अलगाव का एक सममित माप प्रदान करता है।

महत्व और दावे (Significance and Claims)
यह शोध पत्र स्वयं को एक अनुभवजन्य अंशांकन अध्ययन (empirical calibration study) के बजाय एक सैद्धांतिक और पद्धतिगत योगदान के रूप में प्रस्तुत करता है। इसका प्राथमिक महत्व एक वैचारिक और गणितीय आधार प्रदान करने में है कि विश्वासों की ज्यामितीय गतिशीलता के रूप में क्रेडिट निगरानी को कैसे देखा जाए।

सैद्धांतिक सेतु: यह बेयसियन क्रेडिट रिस्क मॉडलिंग, सूचना ज्यामिति और पोर्टफोलियो मॉनिटरिंग को जोड़ता है, जो ऋणदाता के ज्ञान के विकास का वर्णन करने के लिए एक एकीकृत भाषा प्रदान करता है।
परिचालन अंतर्दृष्टि: यह ढांचा सुझाव देता है कि क्रेडिट निगरानी को न केवल औसत जोखिम स्कोर में बदलाव को ट्रैक करना चाहिए, बल्कि पोस्टीरियर वितरण के "आकार" (अर्थात, क्या बैंक किसी उधारकर्ता के बारे में अधिक या कम निश्चित हो रहा है) की भी निगरानी करनी चाहिए।
भविष्य की दिशा: लेखक स्पष्ट रूप से कहता है कि वर्तमान कार्य Illustrative (उदाहरण स्वरूप) है। वे प्रस्ताव करते हैं कि भविष्य के शोध को मॉडल मापदंडों ( $m(z)$ , $P(z)$ , $A$ , $\Sigma$ ) को अनुमानित करने और ज्यामितीय संकेतकों को पारंपरिक जोखिम उपायों जैसे डिफ़ॉल्ट संभावनाओं और रेटिंग माइग्रेशन के विरुद्ध मान्य करने के लिए गुमनाम बैंकिंग डेटा का उपयोग करने पर ध्यान केंद्रित करना चाहिए। यह पेपर तत्काल परिचालन तैनाती का दावा नहीं करता है, बल्कि क्रेडिट जोखिम गतिशीलता का विश्लेषण करने के लिए एक नया दृष्टिकोण प्रदान करता है।

शोध पत्र का मुख्य विचार: बैंक के मस्तिष्क का मानचित्रण

मानचित्र की दो परतें

उपकरण: अंतर को मापना

भविष्य के लिए इसका क्या अर्थ है

इसी तरह के और पेपर