Importance Sampling Enhanced with the COS Method for the Portfolio Risk Allocation

वित्त की दुनिया में, बैंक और निवेश फर्में ऋणों के विशाल संग्रह का प्रबंधन करती हैं, जिन्हें पोर्टफोलियो कहा जाता है। अधिकांश समय, ये पोर्टफोलियो अच्छा प्रदर्शन करते हैं, और पैसा सुचारू रूप से बहता है। लेकिन कभी-कभी, एक आदर्श तूफान आता है: एक मंदी, अचानक बाजार में गिरावट, या डिफॉल्ट की एक श्रृंखला जो एक साथ पोर्टफोलियो को भारी नुकसान पहुँचाती है। ये दुर्लभ घटनाएँ हैं, लेकिन यही वे घटनाएँ हैं जो एक बैंक को नष्ट कर सकती हैं। सुरक्षित रहने के लिए, नियामक बैंकों को यह जानने की आवश्यकता होती है कि ऐसी आपदा से बचने के लिए उन्हें कितनी राशि आरक्षित रखनी चाहिए। समस्या यह है कि ये आपदाएँ इतनी दुर्लभ होती हैं कि यदि आप मानक तरीकों का उपयोग करके कंप्यूटर पर इनका अनुकरण (सिमुलेशन) करने का प्रयास करते हैं, तो आप लाखों बार सिमुलेशन चला सकते हैं और एक भी आपदा नहीं देख पाएंगे। यह एक सदी में एक बार आने वाली बाढ़ की भविष्यवाणी करने के लिए एक दोपहर तक नदी को देखने जैसा है; आप पानी को इतना ऊपर उठते हुए नहीं देख पाएंगे जो मायने रखे।

इसे हल करने के लिए, गणितज्ञ 'इम्पोर्टेंस सैंपलिंग' नामक तकनीक का उपयोग करते हैं। सामान्य रूप से नदी को देखने के बजाय, वे अपने सिमुलेशन में कृत्रिम रूप से मौसम को बदल देते हैं ताकि बाढ़ अधिक बार हो सके। फिर वे वास्तविक परिणामों को सटीक बनाने के लिए एक गणितीय सुधार का उपयोग करते हैं। हालाँकि, इस पद्धति में एक पेंच है: यदि कृत्रिम मौसम को बहुत अधिक बदल दिया जाता है, तो सुधार अस्थिर हो जाता है और परिणाम शोर युक्त (noisy) हो जाते हैं। यदि मौसम को बहुत कम बदला जाता है, तो बाढ़ अभी भी दुर्लभ रहती है, और सिमुलेशन बेकार रहता है। इसे सफल बनाने की कुंजी यह पता लगाना है कि सिमुलेशन में बदलाव के लिए आदर्श संतुलन क्या है। यही वह चुनौती है जिसे शोधकर्ताओं फेंग फेंग, श्याओयू शेन और किनलिंग वांग ने क्रेडिट पोर्टफोलियो जोखिम पर अपने हालिया कार्य में संबोधित किया।

शोधकर्ताओं ने एक विशिष्ट प्रकार के वित्तीय मॉडल पर ध्यान केंद्रित किया जहाँ कई अलग-अलग उधारकर्ताओं का स्वास्थ्य कुछ सामान्य अंतर्निहित कारकों द्वारा आपस में जुड़ा होता है, जैसे कि अर्थव्यवस्था की समग्र स्थिति। जब अर्थव्यवस्था संघर्ष करती है, तो कई उधारकर्ता एक साथ संघर्ष करते हैं। भारी नुकसान के जोखिम का अनुमान लगाने के लिए, उन्हें यह पता लगाने की आवश्यकता थी कि आपदा होने पर अर्थव्यवस्था कैसी दिखेगी। उनका लक्ष्य सिमुलेशन को इस तरह कैलिब्रेट करना था कि वह इन खतरनाक आर्थिक स्थितियों की ओर स्वाभाविक रूप से बढ़े बिना गणितीय नियमों को तोड़े।

वर्षों तक, इसे करने का मानक तरीका सिमुलेशन का एक प्रारंभिक सेट चलाना और बस यह गिनना था कि कितनी बार आपदा आई। यदि किसी विशिष्ट आर्थिक परिदृश्य के कारण आपदा आई, तो उसे "हाँ" वोट मिला; यदि नहीं, तो उसे "नहीं" मिला। शोधकर्ताओं ने इन हाँ-या-ना वोटों का उपयोग सिमुलेशन को समायोजित करने के लिए किया। इस दृष्टिकोण के साथ समस्या यह है कि जोखिम के चरम स्तरों पर, जहाँ बैंकों को इसकी चिंता होती है, आपदाएँ इतनी दुर्लभ होती हैं कि एक चौथाई मिलियन परिदृश्यों के प्रारंभिक रन में भी, आपको केवल कुछ सौ "हाँ" वोट मिल सकते हैं। इतने कम डेटा बिंदुओं के साथ, परिणामी समायोजन अस्थिर और अविश्वसनीय होता है, जो केवल तीन लोगों को मापकर जनसंख्या की औसत ऊंचाई का अनुमान लगाने जैसा है।

टीम ने एक नई विधि प्रस्तावित की, जिसे वे ISCOS कहते हैं, जो इन अस्पष्ट हाँ-या-ना वोटों को बहुत अधिक सुचारू (smooth) चीज़ से बदलने के लिए है। यह पूछने के बजाय कि, "क्या इस परिदृश्य ने आपदा का कारण बनाया?", उन्होंने पूछा, "इस परिदृश्य के आपदा का कारण बनने की संभावना क्या है?" उन्होंने इस संभावना को सीधे मॉडल की संरचना से गणना करने के लिए 'फूरियर-कोसाइन' विधि नामक एक तकनीक पर आधारित एक परिष्कृत गणितीय उपकरण का उपयोग किया। इस उपकरण ने उन्हें अपने सिमुलेशन किए गए प्रत्येक परिदृश्य के लिए आपदा की संभावना का अनुमान लगाने की अनुमति दी, भले ही उस विशिष्ट परिदृश्य के परिणामस्वरूप प्रारंभिक रन में वास्तव में आपदा न आई हो। इन बाइनरी हाँ-या-ना उत्तरों के बजाय इन सुचारू संभाव्यता अनुमानों का उपयोग करके, वे एक ही संख्या में कंप्यूटर सिमुलेशन से बहुत अधिक उपयोगी जानकारी एकत्र कर सके।

जब उन्होंने पुराने तरीके के मुकाबले इस नई विधि का परीक्षण किया, तो अंतर चौंकाने वाला था। उनके प्रयोगों में, जिसमें एक सौ उधारकर्ताओं और ग्यारह विभिन्न आर्थिक कारकों वाला पोर्टफोलियो शामिल था, नई विधि ने बहुत अधिक स्थिर परिणाम दिए। विशेष रूप से, जब उन्होंने देखा कि प्रत्येक व्यक्तिगत उधारकर्ता कुल जोखिम में कितना योगदान देता है, तो नई विधि ने बहुत स्पष्ट उत्तर दिए। पुराने तरीके ने योगदानों के लिए विस्तृत, अनिश्चित रेंज प्रदान की, जबकि नई विधि ने उन श्रेणियों को काफी कम कर दिया। एक परीक्षण में, नई विधि ने जोखिम अनुमानों में अनिश्चितता को बीस प्रतिशत से अधिक कम कर दिया। इसका मतलब है कि इस पद्धति का उपयोग करने वाला बैंक अपनी कमजोरियों का बहुत स्पष्ट चित्र प्राप्त कर सकता है, जिससे उसे कितनी पूंजी रखनी है, इसके बारे में बेहतर निर्णय लेने में मदद मिलती है।

शोधकर्ताओं ने यह भी जांचा कि क्या उनकी नई विधि गणितीय रूप से सुदृढ़ थी। उन्होंने सिद्ध किया कि सुचारू संभाव्यता अनुमानों का उपयोग करके, वे अनिवार्य रूप से उस यादृच्छिक शोर (random noise) को हटा रहे थे जो पुराने तरीके को प्रभावित करता था। इसने उनके अनुमानों को सांख्यिकीय रूप से अधिक कुशल बनाया, जिसका अर्थ है कि उन्हें समान कंप्यूटिंग शक्ति के साथ अधिक सटीक परिणाम मिले। उन्होंने इसे दो अलग-अलग प्रकार के वित्तीय मॉडलों पर परखा: एक जो मानता है कि आर्थिक कारक एक मानक बेल-कर्व वितरण का पालन करते हैं, और दूसरा जो अधिक चरम, 'हेवी-टेल्ड' घटनाओं की अनुमति देता है। दोनों मामलों में, नई विधि ने पुराने तरीके को पीछे छोड़ दिया, जिससे बिना अधिक कंप्यूटर समय खर्च किए अधिक विश्वसनीय जोखिम आवंटन प्राप्त हुआ।

सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि नई विधि ने न केवल समग्र जोखिम संख्या में सुधार किया; बल्कि इसने जोखिम के विभाजन में भी सुधार किया। बैंकों को न केवल यह जानने की आवश्यकता है कि वे जोखिम में हैं, बल्कि यह भी कि कौन से विशिष्ट ऋण इस जोखिम को बढ़ा रहे हैं। पुराना तरीका अक्सर बहुत उच्च आपदा सीमा के स्तर पर इन व्यक्तिगत योगदानों को सटीक रूप से पहचानने में संघर्ष करता था। हालाँकि, नई विधि ने इन व्यक्तिगत जोखिमों का बहुत स्पष्ट मानचित्र प्रदान किया। यह जोखिम प्रबंधकों के लिए अत्यंत महत्वपूर्ण है जिन्हें यह तय करने की आवश्यकता होती है कि क्या कोई विशिष्ट ऋण बेचना है या उसके विरुद्ध बीमा खरीदना है। बिना लंबे सिमुलेशन की प्रतीक्षा किए, इन विवरणों को अधिक सटीकता के साथ देखने की क्षमता एक महत्वपूर्ण व्यावहारिक लाभ है।

अध्ययन एक विशिष्ट बेंचमार्क पोर्टफोलियो का उपयोग करके किया गया था, जिसमें एक सौ उधारकर्ता थे, जो अलग-अलग संभावित नुकसान के आकार के दस समूहों में विभाजित थे। शोधकर्ताओं ने विश्वास स्तर (confidence level) को 99.9 प्रतिशत पर सेट किया, जो उच्च-दांव वाले वित्तीय विनियमन के लिए एक मानक है, और उन परिदृश्यों की तलाश की जहाँ कुल हानि एक विशिष्ट उच्च सीमा से अधिक हो गई। उन्होंने अपने सिमुलेशन को एक मानक कंप्यूटर सेटअप पर चलाया, अपने नए दृष्टिकोण की तुलना सीधे स्थापित पद्धति से की। परिणामों ने दिखाया कि जबकि नई विधि को सुचारू संभाव्यता की गणना करने के लिए थोड़े अतिरिक्त समय की आवश्यकता थी, यह लागत त्वरित और सटीक परिणाम प्राप्त करने से बचाए गए समय की तुलना में नगण्य थी। पूर्ण सिमुलेशन चलाने का कुल समय केवल लगभग चार प्रतिशत अधिक था, लेकिन जोखिम मूल्यांकन की गुणवत्ता काफी बेहतर थी।

शोधकर्ताओं ने सावधानीपूर्वक उल्लेख किया कि उनके निष्कर्ष सिमुलेशन और विशिष्ट परीक्षण मामलों पर आधारित हैं। उन्होंने यह दावा नहीं किया कि उनकी विधि हर संभव वित्तीय बाजार की हर समस्या को हल कर देगी, और न ही उन्होंने यह सुझाव दिया कि यह एक जादुई समाधान है जो सभी अनिश्चितताओं को समाप्त कर देता है। सुधारों को इस आधार पर मापा गया था कि रन-टू-रन अनुमानों में कितना अंतर आया और अंतिम संख्याओं के आसपास विश्वास अंतराल (confidence intervals) कितने कड़े थे। परीक्षणों में, नई विधि ने लगातार कड़े अंतराल और अधिक स्थिर अनुमान दिए, विशेष रूप से उन 'टेल-रिस्क' योगदानों के लिए जिन्हें गणना करना सबसे कठिन होता है।

अंततः, यह कार्य यह प्रदर्शित करता है कि अंशांकन (calibration) चरण के दौरान डेटा को देखने के तरीके को बदलकर, हम दुर्लभ-घटना सिमुलेशन को बहुत अधिक शक्तिशाली बना सकते हैं। प्रारंभिक रन में आपदा मिलने की किस्मत पर निर्भर रहने के बजाय, नई विधि आपदा की संभावना को समझने के लिए गणितीय अंतर्दृष्टि का उपयोग करती है। दुर्लभ घटनाओं को गिनने से लेकर उनकी संभावना का अनुमान लगाने की ओर यह बदलाव जोखिम के अधिक मजबूत और विश्वसनीय मूल्यांकन की अनुमति देता है। उन संस्थानों के लिए जो वैश्विक अर्थव्यवस्था की रक्षा के लिए इन गणनाओं पर भरोसा करते हैं, अज्ञात का प्रबंधन करने के लिए खतरे को कम शोर और कम अनिश्चितता के साथ अधिक स्पष्ट रूप से देखने की क्षमता एक महत्वपूर्ण प्रगति है।