💰 परिमाणात्मक वित्त

Extending the Oracle Approximating Shrinkage to General Distributions

यह शोध पत्र एक चतुर्थ-क्रम क्युमुलेन्ट सुधार पद (fourth-order cumulant correction term) को पेश करके, सीमित चतुर्थ क्षणों (finite fourth moments) वाले सामान्य वितरणों के लिए गॉसियन-आधारित ओरेकल एप्रोक्सिमेटिंग श्रिंकेज (OAS) एस्टीमेटर का विस्तार करता है, जिससे मूल पद्धति की क्लोज्ड-फॉर्म संरचना और वांछनीय गुणों को बनाए रखते हुए भारी-पूंछ वाले डेटा (heavy-tailed data) के लिए कोवेरिएंस मैट्रिक्स रेगुलेराइजेशन में सुधार होता है।

मूल लेखक: Michael J. Lewis

प्रकाशित 2026-10-16

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Michael J. Lewis

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

आधुनिक दुनिया में, डेटा हर जगह मौजूद है, लेकिन इसका अर्थ समझने के लिए अक्सर यह समझना आवश्यक होता है कि सूचना के विभिन्न हिस्से एक साथ कैसे चलते हैं। कल्पना कीजिए कि एक पोर्टफोलियो मैनेजर दर्जनों शेयरों में पैसा निवेश करने का निर्णय लेने की कोशिश कर रहा है, या एक न्यूरोसाइंटिस्ट यह मानचित्रण करने की कोशिश कर रहा है कि मस्तिष्क के विभिन्न हिस्सों के बीच संकेत कैसे यात्रा करते हैं। दोनों ही मामलों में, मुख्य कार्य एक "कोवेरिएंस मैट्रिक्स" (covariance matrix) का अनुमान लगाना है, जो एक गणितीय मानचित्र है और यह दर्शाता है कि एक प्रणाली में प्रत्येक चर (variable) दूसरे से किस प्रकार संबंधित है। जब चरों की संख्या कम होती है और डेटा प्रचुर मात्रा में होता है, तो इस मानचित्र को सटीक रूप से बनाना आसान होता है। लेकिन आज की उच्च-दांव और उच्च-गति वाली स्थितियों में, हम अक्सर ऐसी स्थिति का सामना करते हैं जहाँ चरों की संख्या प्रेक्षणों (observations) की संख्या के लगभग बराबर या उससे भी अधिक होती है। इन भीड़भाड़ वाली स्थितियों में, इस मानचित्र को बनाने का मानक तरीका विफल हो जाता है, जिससे परिणाम शोरयुक्त (noisy), अस्थिर और भारी त्रुटियों से भरा होता है।

इसे ठीक करने के लिए, सांख्यिकीविद "श्रिंकेज" (shrinkage) नामक तकनीक का उपयोग करते हैं। कच्चे, अव्यवस्थित डेटा पर पूरी तरह भरोसा करने के बजाय, वे अनुमान को एक सरल, अधिक स्थिर आकार, जैसे कि एक पूर्ण वृत्त की ओर खींचते हैं, और इन दोनों को आपस में मिला देते हैं। इस खिंचाव की मात्रा को एक विशिष्ट संख्या द्वारा नियंत्रित किया जाता है। दशकों से, इस संख्या की गणना करने के लिए सबसे लोकप्रिय विधि ने यह माना कि डेटा एक 'बेल कर्व' (bell curve) की तरह व्यवहार करता है, जहाँ चरम घटनाएँ दुर्लभ और अनुमानित होती हैं। यह धारणा कई प्राकृतिक घटनाओं के लिए अच्छी काम करती है, लेकिन वित्त और जटिल प्रणालियों की वास्तविक दुनिया में बुरी तरह विफल हो जाती है, जहाँ अचानक, बड़े उतार-चढ़ाव आम हैं। जब डेटा में "हैवी टेल्स" (heavy tails) होते हैं—अर्थात, यह बेल कर्व की भविष्यवाणी की तुलना में चरम आउटलेर्स (outliers) अधिक बार उत्पन्न करता है—तो मानक सूत्र गलत मात्रा में खिंचाव देते हैं, जिससे गलत निर्णय लेने की संभावना बढ़ जाती है।

स्वतंत्र शोधकर्ता माइकल जे. लुईस द्वारा किया गया एक नया अध्ययन इस अंतर को दूर करने के लिए अग्रणी विधि, जिसे "ओरेकल एप्रोक्सिमेटिंग श्रिंकेज" (Oracle Approximating Shrinkage) के रूप में जाना जाता है, को किसी भी प्रकार के डेटा के साथ काम करने के लिए विस्तारित करता है, बशर्ते कि उसके मूल्यों की चरम सीमा सीमित हो। शोधकर्ता ने महसूस किया कि पुराना सूत्र डेटा में छिपी हुई एक महत्वपूर्ण जानकारी को छोड़ देता था, जो डेटा के चौथे-क्रम के पैटर्न (fourth-order patterns) में निहित थी—एक सांख्यिकीय माप कि चरम मान कितनी बार एक साथ क्लस्टर होते हैं। इस छिपे हुए पैटर्न पर आधारित एक सुधार पद (correction term) जोड़कर, नई विधि खिंचाव की मात्रा को स्वचालित रूप से समायोजित करती है। यदि डेटा शांत है और बेल कर्व का अनुसरण करता है, तो सुधार गायब हो जाता है, और यह विधि बिल्कुल वैसे ही व्यवहार करती है जैसे वह हमेशा करती आई है। लेकिन यदि डेटा अनियंत्रित और 'हैवी-टेल्ड' है, तो सुधार सक्रिय हो जाता है, जो अनुमान को अधिक सुदृढ़ (robust) बनाने के लिए पुनर्गणना करता है।

अध्ययन इस बात की पुष्टि करता है कि यह समायोजन केवल एक सैद्धांतिक बदलाव नहीं है बल्कि एक व्यावहारिक आवश्यकता है। वित्तीय बाजारों के अनियमित व्यवहार की नकल करने वाले डेटा का उपयोग करके कंप्यूटर सिमुलेशन के माध्यम से, शोधकर्ता ने दिखाया कि पुराना तरीका भारी 'टेल्स' का सामना करने पर काफी संघर्ष करता था, और अक्सर सत्य से बहुत दूर के अनुमान प्रस्तुत करता था। हालाँकि, नया, विस्तारित संस्करण मौजूदा सर्वोत्तम विकल्पों के समान ही प्रदर्शन करता है, जो प्रदर्शन के अंतर को प्रभावी ढंग से पाट देता है। अमेरिका की पचास बड़ी कंपनियों के दैनिक रिटर्न का उपयोग करते हुए एक वास्तविक दुनिया के परीक्षण में, नए तरीके ने एक सिम्युलेटेड निवेश पोर्टफोलियो की अस्थिरता को पुराने तरीके की तुलना में लगभग दो प्रतिशत कम कर दिया। यह सुधार उन अवधियों के दौरान सबसे नाटकीय था, जब बाजार में अत्यधिक तनाव था, जैसे कि 2020 का वित्तीय संकट, जब डेटा अपने सबसे चरम स्तर पर था।

महत्वपूर्ण रूप से, यह अध्ययन स्पष्ट करता है कि यह नई विधि क्या नहीं है। यह समान समस्याओं को हल करने के अन्य प्रयासों से भिन्न है जो डेटा वितरण के विशिष्ट आकार के बारे में विशिष्ट धारणाओं पर निर्भर करते हैं। जबकि वे अन्य विधियाँ वितरण के एक विशिष्ट परिवार के लिए अच्छी तरह से काम करती हैं, यह नया दृष्टिकोण अधिक व्यापक है, जो किसी भी ऐसे वितरण के लिए काम करता है जिसमें सीमित चौथे क्षण (finite fourth moments) हों, बिना पहले से सटीक आकार जाने। शोध प्रदर्शित करता है कि सुधार पद (correction term) को डेटा से सीधे इस तरह से निकाला जा सकता है जो तेज़ और विश्वसनीय दोनों है, जिससे यह सुनिश्चित होता है कि अंतिम परिणाम हमेशा एक तर्कसंगत सीमा के भीतर रहे। निष्कर्ष बताते हैं कि वित्त से लेकर तंत्रिका विज्ञान (neuroscience) तक के क्षेत्रों में उच्च-आयामी डेटा के साथ काम करने वाले किसी भी व्यक्ति के लिए, वास्तविक दुनिया के प्रेक्षणों की 'हैवी-टेल्ड' प्रकृति को अनदेखा करना एक महंगी गलती है, और एक सरल, सिद्धांत आधारित समायोजन उस सटीकता को बहाल कर सकता है जो पहले खो गई थी।

तकनीकी सारांश: सामान्य वितरणों के लिए ओरैकल एप्रोक्सिमेटिंग श्रिंकेज का विस्तार

समस्या विवरण

उच्च-आयामी परिवेशों ( $p \approx n$ या $p > n$ ) में कोवेरियेंस मैट्रिसेस (covariance matrices) का अनुमान लगाना सांख्यिकी, वित्त और सिग्नल प्रोसेसिंग में एक मौलिक चुनौती है। जबकि लो-डायमेंशन में सैंपल कोवेरियेंस मैट्रिक्स $\hat{S}$ सुसंगत (consistent) होता है, जब चरों की संख्या $p$ अवलोकनों की संख्या $n$ के तुल्य या उससे अधिक होती है, तो यह इल-कंडीशन्ड (ill-conditioned) या सिंगुलर हो जाता है। श्रिंकेज अनुमानक (shrinkage estimators) इसे एक कॉनवेक्स कॉम्बिनेशन $\hat{\Sigma} = (1-\rho)\hat{S} + \rho\hat{F}$ बनाकर संबोधित करते हैं, जहाँ $\hat{F}$ एक सुव्यवस्थित लक्ष्य मैट्रिक्स (target matrix) है।

चेन एट अल. द्वारा प्रस्तावित ओरैकल एप्रोक्सिमेटिंग श्रिंकेज (OAS) अनुमानक, एक क्लोज्ड-फॉर्म, डेटा-संचालित श्रिंकेज तीव्रता $\rho$ प्रदान करता है जो आमतौर पर गॉसियन धारणाओं और छोटे $n/p$ अनुपात के तहत प्रसिद्ध लेडिट-वुल्फ (LW) अनुमानक से बेहतर प्रदर्शन करता है। हालाँकि, OAS का व्युत्पत्ति (derivation) सख्ती से मल्टीवेरिएट गॉसियन डेटा की धारणा पर आधारित है। व्यवहार में, वित्तीय रिटर्न और न्यूरल सिग्नल जैसे डेटासेट अक्सर भारी पूंछ (heavy tails) और गैर-शून्य कर्टोसिस (kurtosis) प्रदर्शित करते हैं, जो गॉसियन धारणा का उल्लंघन करते हैं। ऐसी गैर-गॉसियन स्थितियों के तहत, OAS का फॉर्म मिसस्पेसिफाइड (misspecified) होता है, जिससे सब-ऑप्टिमल श्रिंकेज तीव्रता प्राप्त होती है। एलिप्टिकल डिस्ट्रीब्यूशन के लिए LW अनुमानक के मौजूदा विस्तार OAS पर लागू नहीं होते हैं क्योंकि उनकी व्युत्पत्ति में संरचनात्मक अंतर हैं (विशेष रूप से, OAS एक रैंडम, डेटा-डिपेंडेंट लक्ष्य $\hat{F} = (\text{Tr}(\hat{S})/p)I$ का उपयोग करता है, जबकि LW एक फिक्स्ड ओरकल लक्ष्य का उपयोग करता है)।

कार्यप्रणाली

यह शोध पत्र OAS का एक सिद्धांत-आधारित विस्तार प्रस्तावित करता है, जिसे OAS-Extended कहा जाता है, जो किसी भी वितरण के लिए वैध है जिसके चौथे क्षण (fourth moments) परिमित (finite) हों। मुख्य कार्यप्रणाली में निम्नलिखित चरण शामिल हैं:

करेक्शन टर्म का व्युत्पत्ति:
लेखक ओरकल श्रिंकेज तीव्रता की व्युत्पत्ति की समीक्षा करते हैं। सामान्य वितरणों के तहत, $E[\text{Tr}(\hat{S}^2)]$ और $E[\text{Tr}^2(\hat{S})]$ में एक अतिरिक्त पद प्राप्त होता है जो डेटा के चौथे-क्रम के जॉइंट क्युमुलेट्स (joint cumulants) के समानुपाती होता है। लेखक एक स्केलर करेक्शन टर्म $\alpha$ को परिभाषित करते हैं:
$\alpha = \sum_{i,j} \kappa(X_i, X_i, X_j, X_j)$
जहाँ $\kappa$ चौथे-क्रम का जॉइंट क्युमुलेट है। यह पद गॉसियनिटी के तहत शून्य ( $\alpha=0$ ) हो जाता है, लेकिन हेवी-टेल्ड डिस्ट्रीब्यूशन के लिए गैर-शून्य होता है।
सुधारित ओरकल तीव्रता:
ओरल फॉर्म में $\alpha$ को शामिल करने से सुधारा गया पॉपुलेशन श्रिंकेज तीव्रता $\rho_O$ प्राप्त होता है। यह फॉर्म मूल OAS फॉर्म में बदल जाता है जब $\alpha=0$ होता है।
फिक्स्ड-पॉइंट इटरेशन और क्लोज्ड-फॉर्म समाधान:
लेखक सुधारा गया ओरकल फॉर्म में OAS फिक्स्ड-पॉइंट फ्रेमवर्क लागू करते हैं। पॉपुलेशन मात्राओं को सैंपल अनुमानों (जैसे, $\text{Tr}(\Sigma)$ को $\text{Tr}(\hat{\Sigma}_j)$ से बदलना) से बदलकर, वे एक पुनरावृत्ति संबंध (recurrence relation) व्युत्पन्न करते हैं। यह पुनरावृत्ति हल करने से विस्तारित श्रिंकेज तीव्रता के लिए एक क्लोज्ड-फॉर्म अभिव्यक्ति प्राप्त होती है:
$\rho_{\text{OAS-Extended}} = \min\left(1, \frac{1 + \beta}{(n + 1 - 2/p)\hat{\phi}}\right)$
जहाँ $\hat{\phi}$ सैंपल कोवेरियेंस ट्रेसेस का एक फलन है, और $\beta$ अनुमानित करेक्शन टर्म $\hat{\alpha}$ का एक स्केल किया हुआ संस्करण है।
$\alpha$ का अनुमान:
एक सुसंगत सैंपल अनुमानक $\hat{\alpha}$ को $O(np)$ कम्प्यूटेशनल कॉम्प्लेक्सिटी के साथ व्युत्पन्न किया गया है। इसे डेटा वेक्टर्स के स्क्वेर्ड नॉर्म्स के सैंपल वेरियंस और डेटा के गॉसियन एक्सपेक्टेशन के बीच के अंतर के रूप में बनाया गया है:
$\hat{\alpha} = \widehat{\text{Var}(\|X\|^2)} - 2\text{Tr}(\hat{S}^2)$
लेखक सिद्ध करते हैं कि किसी भी परिमित सैंपल के लिए, परिणामी श्रिंकेज तीव्रता $\hat{\rho}$ सख्ती से $[0, 1]$ के भीतर रहती है, जो यह सुनिश्चित करती है कि अनुमानक बिना किसी एड-हॉक क्लैम्पिंग के वैध है।

प्रमुख योगदान

OAS का सामान्यीकरण: यह शोध पत्र गैर-गॉसियन वितरणों (जिनके चौथे क्षण परिमित हैं) के लिए OAS अनुमानक का पहला क्लोज्ड-फॉर्म विस्तार प्रदान करता है, जो केवल लेडिट-वुल्फ अनुमानक को एलिप्टिकल परिवारों तक विस्तारित करने वाले पिछले कार्यों से भिन्न है।
संरचनात्मक अंतर: यह कार्य स्पष्ट करता है कि OAS फ्रेमवर्क (रैंडम टारगेट) और LW फ्रेमवर्क (फिक्स्ड टारगेट) संरचनात्मक रूप से भिन्न हैं; अतः, एलिप्टिकल विस्तार स्वतः ही OAS के लिए विस्तार नहीं बनते हैं।
सैद्धांतिक गारंटी: लेखक सिद्ध करते हैं कि सुधारा गया श्रिंकेज तीव्रता दोनों मामलों में $[0, 1]$ की वैध रेंज के भीतर रहता है, जिससे मूल OAS की स्थिरता गुणों को संरक्षित किया जाता है।
व्यावहारिक अनुमानक: चौथे-क्रम के क्युमुलेट एग्रीगेट $\alpha$ के लिए एक कम्प्यूटेशनल रूप से कुशल, सुसंगत अनुमानक का व्युत्पत्ति, अभ्यासकर्ताओं को अपने मौजूदा फ्रेमवर्क को बदले बिना इस सुधार को लागू करने की अनुमति देता है।

परिणाम

सिमुलेशन अध्ययन

$p=120$ आयामों और बदलते $n/p$ अनुपातों के साथ एक मोंटे कार्लो सिमुलेशन आयोजित किया गया, जिसमें OAS-Extended की तुलना सैंपल कोवेरियेंस, LW, राव-ब्लैकवेल LW (RBLW), और मूल OAS से की गई। डेटा को गॉसियन, स्टूडेंट- $t$ ( $\nu=10$ ), और स्टूडेंट- $t$ ( $\nu=5$ ) वितरणों से जनरेट किया गया था।

गॉसियन डेटा: OAS-Extended, मूल OAS के तुलनीय प्रदर्शन करता है, जो पुष्टि करता है कि $\alpha=0$ होने पर कोई बायस नहीं है।
गैर-गॉसियन डेटा: हेवी-टेल्ड स्थितियों (Student- $t$ ) के तहत, मूल OAS मिसस्पेसिफिकेशन के कारण महत्वपूर्ण प्रदर्शन गिरावट का शिकार होता है। OAS-Extended इस खोए हुए प्रदर्शन को पुनः प्राप्त करता है, और लेडिट-वुल्फ अनुमानक के समान नुकसान प्राप्त करता है।
सुधार का परिमाण: अत्यधिक हेवी-टेल्ड डेटा ( $\nu=5$ ) और छोटे सैंपल साइज ( $n/p \le 0.5$ ) के लिए, OAS-Extended ने मूल OAS की तुलना में नॉर्मलाइज्ड फ्रोबेनियस लॉस (Frobenius loss) को 46–48% कम कर दिया। सुधार $n/p$ बढ़ने के साथ कम हो जाता है लेकिन सकारात्मक बना रहता है।
RBLW प्रदर्शन: RBLW अनुमानक ने गैर-गॉसियन डेटा के लिए कोई सार्थक सुधार प्रदान नहीं किया, और मूल OAS के समान प्रदर्शन किया।

एम्पिरिकल स्टडी: वित्तीय रिटर्न

इस पद्धति को ग्लोबल मिनिमम वेरिएंस (GMV) पोर्टफोलियो का अनुमान लगाने के लिए रोलिंग-विंडो प्रोटोकॉल का उपयोग करके 50 लार्ज-कैप अमेरिकी इक्विटीज (जनवरी 2010 – दिसंबर 2023) के दैनिक रिटर्न पर लागू किया गया।

गैर-गॉसियनिटी: सभी 155 रोलिंग विंडोज़ में अनुमानित करेक्शन टर्म $\hat{\alpha}$ पॉजिटिव था, जो इक्विटी रिटर्न्स की हेवी-टेल्ड प्रकृति की पुष्टि करता है। $\hat{\alpha}$ में स्पाइक्स मार्केट स्ट्रेस (जैसे, 2011–2012, 2020) के समय के साथ मेल खाते हैं।
पोर्टफोलियो प्रदर्शन: OAS-Extended ने मूल OAS के सापेक्ष औसत वार्षिककृत रियलाइज्ड वोलैटिलिटी (realized volatility) को 2.0% कम किया (13.282% बनाम 13.552%), और लेडिट-वुल्फ अनुमानक (13.276%) के लगभग समान प्रदर्शन किया।
रेजीम डिपेंडेंस: सुधार रेजीम-डिपेंडेंट था। शांत बाजारों (VIX < 20) में, वोलैटिलिटी में कमी ~1.0% थी। स्ट्रेस पीरियड (VIX $\ge$ 20) में, कमी बढ़कर ~4.0% हो गई, जो दर्शाता कि सुधार तब सबसे अधिक मूल्यवान होता है जब हेवी-टेल्ड व्यवहार सबसे अधिक स्पष्ट होता है।
सांख्यिकीय महत्व: OAS पर OAS-Extended का सुधार सांख्यिकीय रूप से महत्वपूर्ण था ( $p < 0.001$ ), जबकि OAS पर RBLW का सुधार, हालांकि सांख्यिकीय रूप से पता लगाने योग्य था, आर्थिक रूप से नगण्य था।

महत्व और दावे

यह शोध पत्र उन अभ्यासकर्ताओं के लिए एक "सिद्धांत-आधारित सुधार" प्रदान करने का दावा करता है जो हेवी-टेल्ड डेटा का सामना कर रहे हैं और OAS का उपयोग कर रहे हैं। इसका महत्व गैर-गॉसियन स्थितियों के तहत OAS और लेडिट-वुल्फ के बीच प्रदर्शन अंतराल को भरने में निहित है, बिना OAS के क्लोज्ड-फॉर्म, डेटा-ड्रिवन लाभों को छोड़े।

लेखक अपने अनुभवजन्य निष्कर्षों के दायरे के संबंध में विनम्र हैं, यह नोट करते हुए कि सिमुलेशन स्टूडेंट- $t$ वितरणों और एक AR(1) कोवेरियेंस स्ट्रक्चर तक सीमित है, और वित्तीय अनुप्रयोग केवल अमेरिकी लार्ज-कैप इक्विटीज के एक सिंगल यूनिवर्स को कवर करता है। वे कहते हैं कि अन्य सेटिंग्स में सामान्यीकरण का आकलन किया जाना बाकी है। हालांकि, वे दावा करते हैं कि सुधार के लिए केवल परिमित चौथे क्षणों (finite fourth moments) की आवश्यकता है और यह वितरण के किसी भी विशिष्ट पैरामेट्रिक रूप के बावजूद लागू होता है। इस कार्य को लेडिट-वुल्फ अनुमानक के पूर्ववर्ती एलिप्टिकल विस्तारों से अलग और पूरक के रूप में एक आवश्यक संरचनात्मक विस्तार के रूप में रखा गया है।