📈 economics

A Computer-Implemented Risk Prediction and Constrained Pricing Framework for Interest Rate Adjustment and Risk-Premium Redistribution in Subprime Auto Loans

यह शोध पत्र एक कंप्यूटर-निर्मित ढांचे को प्रस्तुत करता है जो सबप्राइम ऑटो लोन मूल्य निर्धारण को परिष्कृत करने के लिए ग्रेडिएंट बूस्टिंग, सर्वाइवल एनालिसिस और कंस्ट्रेंड ऑप्टिमाइज़ेशन को एकीकृत करता है, जो जोखिम भविष्यवाणी की सटीकता में महत्वपूर्ण सुधार करता है और लाभ एवं हानि संबंधी बाधाओं का पालन करते हुए कम जोखिम वाले उधारकर्ताओं के लिए ब्याज दरों को कम करने हेतु अधिक सूक्ष्म ब्याज दर समायोजन सक्षम करता है।

मूल लेखक: Tianyi Xu, Jiawei Zhang, Weijun Zhu

प्रकाशित 2026-07-21

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tianyi Xu, Jiawei Zhang, Weijun Zhu

मूल पेपर CC BY 4.0 (https://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

द ग्रेट लोन लॉटरी: क्यों आपकी कार की किस्त बहुत अधिक हो सकती है

कल्पना कीजिए कि आप एक विशाल, अराजक मेले में जा रहे हैं जहाँ हर कोई "फ्यूचर" रोलरकोस्टर की सवारी के लिए टिकट खरीदने की कोशिश कर रहा है। टिकट बेचने वाला, "द बैंक" नाम का एक विशाल रोबोट, यह तय करता है कि प्रत्येक व्यक्ति से कितना शुल्क लेना है। पुराने दिनों में, रोबोट एक बहुत ही सरल नियम का उपयोग करता था: "यदि आप थोड़े जोखिम भरे दिखते हैं, तो बहुत अधिक भुगतान करें। यदि आप बहुत जोखिम भरे दिखते हैं, तो एक बहुत बड़ी राशि चुकाएं।" लेकिन समस्या यह थी: रोबोट "थोड़े जोखिम भरे" और "बहुत जोखिम भरे" के बीच अंतर करने में बहुत खराब था। उसने बीच के सभी लोगों को एक ही बड़े, महंगे समूह में डाल दिया। इसलिए, एक व्यक्ति जो वास्तव में काफी सुरक्षित था, उसे भी उतना ही उच्च मूल्य चुकाना पड़ा जितना कि उस व्यक्ति को जो सवारी को क्रैश करने ही वाला था। यह न केवल अनुचित था; इसका मतलब यह था कि रोबोट बुरे लोगों के नुकसान की भरपाई करने के लिए अच्छे लोगों से अधिक शुल्क ले रहा था, और फिर भी वह कुल मिलाकर नुकसान उठा रहा था।

यही सबप्राइम ऑटो लोन (subprime auto loans) की दुनिया है—ऐसे ऋण जो उन लोगों को दिए जाते हैं जिनका क्रेडिट इतिहास अस्थिर होता है। लंबे समय तक, ऋणदाताओं ने यह अनुमान लगाने के लिए "स्कोरकार्ड" (जैसे एक साधारण चेकलिस्ट) का उपयोग किया कि कौन व्यक्ति उनका कार लोन चुकाएगा और कौन नहीं। लेकिन ये चेकलिस्ट अक्सर बहुत ही सतही थीं। वे उधारकर्ताओं के बीच सूक्ष्म अंतर को नहीं देख पाती थीं। इसे ठीक करने के लिए, शोधकर्ताओं ने स्मार्ट कंप्यूटर दिमाग बनाने के लिए मशीन लर्निंग (कंप्यूटर को डेटा में पैटर्न पहचानना सिखाना) और सर्वालिटी एनालिसिस (survival analysis) (एक शानदार तरीका यह पूछने का कि, "यह ऋण टूटने से पहले कितने समय तक जीवित रहेगा?") का उपयोग किया है। बड़ा सवाल केवल यह नहीं है कि "कौन डिफॉल्ट करेगा?" बल्कि यह है कि "क्या हम इन स्मार्ट अनुमानों का उपयोग सुरक्षित उधारकर्ताओं के लिए कीमतें कम करने के लिए कर सकते हैं बिना बैंक को दिवालिया किए?"

नया कंप्यूटर ब्रेन: कार लोन की कीमत तय करने का एक स्मार्ट तरीका

इस अध्ययन में, शोधकर्ताओं की एक टीम ने इस प्राइसिंग पहेली को हल करने के लिए एक नया, कंप्यूटर-कार्यान्वित ढांचा बनाया। उनके सिस्टम को एक सुपर-स्मार्ट, बहु-स्तरीय जासूस के रूप में समझें जो न केवल उधारकर्ता के क्रेडिट स्कोर को देखता है, बल्कि समय के साथ उनकी पूरी वित्तीय कहानी को उभरते हुए देखता है।

एक साधारण चेकलिस्ट के बजाय, टीम ने तीन शक्तिशाली उपकरणों को जोड़ा:

ग्रेडिएंट बूस्टिंग ट्रीज़ (Gradient Boosting Trees): कल्पना कीजिए कि जासूसों की एक टीम है, जिनमें से प्रत्येक सत्य तक पहुँचने के लिए "हाँ या ना" के प्रश्नों की एक श्रृंखला पूछ रही है। मिलकर, वे जटिल, छिपे हुए पैटर्न को पहचान सकते हैं जिन्हें एक अकेला जासूस मिस कर देता।
सर्वालिटी एनालिसिस (Survival Analysis): यह ऋणों के लिए मौसम के पूर्वानुमान की तरह है। केवल यह कहने के बजाय कि "कल बारिश होगी," यह भविष्यवाणी करता है कि कब बारिश शुरू हो सकती है और तूफान कितने समय तक चल सकता है। यह ट्रैक करता है कि ऋण के "मरने" (डिफॉल्ट होने) का जोखिम महीने-दर-महीने कैसे बदलता है।
कन्स्ट्रेंड प्राइसिंग (Constrained Pricing): यह नियम पुस्तिका है। भले ही कंप्यूटर कीमत कम करने का एक शानदार तरीका खोज ले, उसे बैंक को यह वादा करना होगा: "आप पैसा नहीं खोएंगे, और आप अपनी आवश्यक लाभ से कम नहीं कमाएंगे।"

शोधकर्ताओं ने अपने कंप्यूटर में 2021 और 2023 के बीच एक अमेरिकी ऋणदाता के 1,00,000 वास्तविक ऋण रिकॉर्ड डाले। उन्होंने सिस्टम को न केवल यह भविष्यवाणी करने के लिए प्रशिक्षित किया कि क्या कोई उधारकर्ता विफल होगा, बल्कि यह भी कि कब और इसकी संभावना कितनी है। फिर, उन्होंने एक विशाल सिमुलेशन चलाया यह देखने के लिए कि यदि वे इन नई, सटीक भविष्यवाणियों का उपयोग करके ब्याज दरों को समायोजित करते हैं तो क्या होगा।

परिणाम: सभी के लिए एक निष्पक्ष सवारी

उनके सिमुलेशन के परिणाम काफी उत्साहजनक थे। नया कंप्यूटर मॉडल पुराने तरीकों की तुलना में जोखिम भरे और सुरक्षित उधारकर्ताओं के बीच अंतर पहचानने में बहुत बेहतर था।

बेहतर पहचान: पुराना सिस्टम एक धुंधले कैमरे की तरह था; नया सिस्टम एक हाई-डेफिनिशन लेंस की तरह था। इसने उधारकर्ताओं को सही ढंग से रैंक करने की अपनी क्षमता (एक मीट्रिक जिसे AUC कहा जाता है) को 0.713 से बढ़ाकर 0.806 कर दिया।
तीक्ष्ण फोकस: यह "अच्छे" उधारकर्ताओं को "बुरे" उधारकर्ताओं से अलग करने में बहुत बेहतर हुआ (एक मीट्रिक जिसे KS कहा जाता है) 0.348 से बढ़कर 0.447 हो गया।
कम गलतियाँ: डिफॉल्ट होने वाले लोगों के बारे में कंप्यूटर के अनुमान बहुत अधिक सटीक हो गए, जिससे त्रुटि दर (ब्रायर स्कोर/Brier Score) 0.146 से गिरकर 0.108 हो गई।

लेकिन असली जादू तब हुआ जब उन्होंने इन भविष्यवाणियों को प्राइसिंग पर लागू किया। सिमुलेशन ने सुझाव दिया कि लगभग 30% उधारकर्ताओं को "कम जोखिम" के रूप में पुनर्वर्गीकृत किया जा सकता है। इन भाग्यशाली उधारकर्ताओं के लिए, औसत वार्षिक ब्याज दर 17.9% से घटकर 13.8% हो सकती है। यह 4.1 प्रतिशत अंक की बचत है!

इस बीच, "उच्च जोखिम" वाले उधारकर्ताओं की दरें थोड़ी बढ़कर 24.8% से 25.4% हो गईं, जिससे यह सुनिश्चित हुआ कि वे एक ऐसा प्रीमियम चुकाएं जो उनके वास्तविक जोखिम से मेल खाता हो। महत्वपूर्ण रूप से, सिमुलेशन में बैंक को नुकसान नहीं हुआ। कुल लाभ मार्जिन स्वस्थ रहा, जो लगभग 8.29% के आसपास बना रहा, और डिफॉल्ट होने वाले ऋणों की दर सुरक्षित सीमाओं (लगभग 6.9%) के भीतर रही।

इसका क्या अर्थ है (और क्या नहीं है)

लेखकों का सुझाव है कि यह दृष्टिकोण ऋणदाताओं को अधिक निष्पक्ष होने में मदद कर सकता है। एक ऐसे कंप्यूटर का उपयोग करके जो सूक्ष्म विवरण में जोखिम को समझता है, वे "लगभग-अच्छे" उधारकर्ताओं से अधिक शुल्क लेना बंद कर सकते हैं और "बहुत-बुरे" लोगों से कम शुल्क लेना बंद कर सकते हैं। यह "रिस्क प्रीमियम" (बुरे ऋणों को कवर करने के लिए लिया जाने वाला अतिरिक्त पैसा) को पुनर्वितरित करने का एक तरीका है, ताकि हर कोई वह कीमत चुकाए जो उनकी वास्तविक स्थिति से मेल खाती हो।

हालाँकि, इसमें कुछ महत्वपूर्ण सावधानियां हैं। यह अध्ययन केवल एक ऋणदाता के डेटा पर आधारित एक सिमुलेशन था। लेखक स्पष्ट रूप से कहते हैं कि यह अभी पूरे अमेरिकी बाजार के लिए जादुई समाधान नहीं है। परिणाम उस विशिष्ट ऋणदाता के नियमों और 2021-2023 की विशिष्ट आर्थिक स्थितियों पर निर्भर करते हैं। उन्होंने यह भी नोट किया कि हालांकि गणित बहुत अच्छा दिखता है, लेकिन वास्तविक दुनिया में कार्यान्वयन के लिए सख्त कानूनी और निष्पक्षता जांच से गुजरना होगा ताकि यह सुनिश्चित हो सके कि किसी भी समूह के साथ अन्यायपूर्ण व्यवहार न हो।

संक्षेप में, पेपर सुझाव देता है कि सही कंप्यूटर टूल्स के साथ, हम एक ऐसा ऋण सिस्टम बना सकते हैं जहाँ आपकी कार की किस्त आपके वित्तीय स्वास्थ्य का वास्तविक प्रतिबिंब हो, न कि केवल एक पुरानी धुंधली चेकलिस्ट पर आधारित एक अनुमान। लेकिन जब तक इन विचारों को कई अलग-अलग बैंकों में वास्तविक दुनिया में परखा नहीं जाता, वे एक हल की गई समस्या के बजाय एक बहुत ही मजबूत, बहुत ही स्मार्ट सुझाव बने रहेंगे।

तकनीकी सारांश: सबप्राइम ऑटो लोन के लिए एक कंप्यूटर-कार्यान्वित जोखिम भविष्यवाणी और बाधित मूल्य निर्धारण ढांचा

समस्या विवरण
सबप्राइम ऑटो लोन की मूल्य निर्धारण प्रक्रिया वर्तमान में मोटे जोखिम वर्गीकरण (coarse risk segmentation) की विशेषता रखती है, जहाँ भिन्न पुनर्भुगतान जोखिम वाले उधारकर्ताओं को अक्सर एक ही ब्याज दर बैंड में रखा जाता है। पारंपरिक स्कोरकार्ड निम्न-से-मध्यम जोखिम वाले अनुबंधों को विस्तृत मूल्य श्रेणियों में संकुचित कर देते हैं, जिससे कम जोखिम वाले उधारकर्ताओं को उच्च-जोखिम वाले खातों का भार उठाना पड़ता है। जबकि मौजूदा शोध ने प्रदर्शित किया है कि मशीन लर्निंग डिफ़ॉल्ट भविष्यवाणी में सुधार करती है और गैर-रेखीय मॉडल (non-linear models) रिज़ॉल्यूशन को बढ़ाते हैं, अपेक्षित जोखिम को क्रियाशील, बाधित वार्षिककृत ब्याज दर समायोजन में बदलने के संदर्भ में एक महत्वपूर्ण अंतर मौजूद है। अधिकांश अध्ययन अनुमोदन निर्णयों या मॉडल की सटीकता (जैसे, AUC) पर ध्यान केंद्रित करते हैं, न कि लाभ मार्जिन और हानि सीमाओं जैसे व्यावसायिक बाधाओं को संतुष्ट करने वाले जोखिम पूर्वानुमानों के परिचालन रूपांतरण पर।

कार्यप्रणाली
लेखक एक एंड-टू-एंड कंप्यूटर-कार्यान्वित ढांचे का प्रस्ताव करते हैं जो संरचित डेटा प्रीप्रोसेसिंग, मशीन लर्निंग भविष्यवाणी, उत्तरजीविता विश्लेषण (survival analysis), और बाधित मूल्य निर्धारण सिमुलेशन को एकीकृत करता है। यह प्रणाली एक अमेरिकी सबप्राइम ऋणदाता (2021-2023) के 100,000 अज्ञात ऋण रिकॉर्ड का उपयोग करती है और निम्नलिखित चरणों से गुजरती है:

डेटा प्रीप्रोसेसिंग और फीचर इंजीनियरिंग: डेटासेट में देनदार की क्रेडिट स्थिति, अनुबंध की शर्तें, संपार्श्विक (collateral) विशेषताएं और खाता गतिशीलता को कवर करने वाले 42 इनपुट क्षेत्र शामिल हैं। लुप्त मानों (missing values) को प्रशिक्षण सेट के आंकड़ों का उपयोग करके भरा जाता है, और चरों को Z-स्कोर द्वारा मानकीकृत किया जाता है या जोखिम-संगत समूहीकरण के आधार पर कोडित किया जाता है। एक संयुक्त जोखिम स्कोर ( $S_i$ ) को कैलिब्रेटेड डिफ़ॉल्ट संभावना ( $p_i$ ), मासिक उत्तरजीविता तीव्रता ( $h_i$ ), और अनुमानित हानि दी गई डिफ़ॉल्ट ( $LGD_i$ ) के भारित योग के रूप में परिभाषित किया गया है।
आधारभूत मॉडलिंग (लॉजिस्टिक्स रिग्रेशन): एक लॉजिस्टिक रिग्रेशन स्कोरकार्ड आधार के रूप में कार्य करता है। यह व्याख्यात्मकता सुनिश्चित करने के लिए वेट ऑफ एविडेंस (WOE) कोडिंग और मोनोटोनिसिटी बाधाओं का उपयोग करता है। हालांकि, इसकी रैखिक संरचना सूक्ष्म-स्तरीय जोखिम अंतरों को हल करने की क्षमता को सीमित करती है, जिससे लगभग 37% टेस्ट सैंपल एक संकीर्ण संभाव्यता रेंज (0.08–0.15) में क्लस्टर हो जाते हैं।
गैर-रेखीय भविष्यवाणी (ग्रेडिएंट बूस्टिंग ट्रीज़): ऋण-से-आय अनुपात, डाउन पेमेंट और संपार्श्विक मूल्यांकन जैसे चरों के बीच गैर-रेखीय अंतःक्रियाओं को पकड़ने के लिए एक ग्रेडिएंट बूस्टिंग ट्री (GBT) मॉडल का उपयोग किया जाता है। मॉडल असंतुलित डेटा को संभालने के लिए क्लास वेटिंग के साथ एक लॉग-लॉस ऑब्जेक्टिव फंक्शन का उपयोग करता है। मूल्य निर्धारण के उद्देश्य से स्थिरता सुनिश्चित करने के लिए फीचर योगदानों को ड्यूल-चैनल दृष्टिकोण (सेगमेंटेशन गेन और परम्यूटेशन परटर्बेशन) के माध्यम से सत्यापित किया जाता है।
उत्तरजीविता जोखिम अनुमान (कॉक्स मॉडल): डिफ़ॉल्ट की समय-निर्भर प्रकृति को संबोधित करने के लिए, एक कॉक्स प्रोपोर्शनल हैजर्ड्स मॉडल बनाया गया है। यह ऋणों को मासिक टाइम सीरीज़ के रूप में मानता है, जो देखे गए डिफ़ॉल्ट और राइट-सेंसर किए गए अवलोकनों के बीच अंतर करता है। यह मासिक उत्तरजीविता तीव्रता और समय के साथ संचयी डिफ़ॉल्ट संभावना के अनुमान की अनुमति देता है।
जोखिम स्तरीकरण और बाधित मूल्य निर्धारण: मुख्य नवाचार एक मूल्य निर्धारण इंजन है जो फ्यूज्ड मॉडल आउटपुट (कैलिब्रेटेड PD, सर्वाइवल इंटेंसिटी, और अपेक्षित हानि) को ब्याज दरों से जोड़ता है। यह कोई सीधा सांख्यिकीय आउटपुट नहीं है बल्कि ग्रिड सर्च के माध्यम से हल की जाने वाली एक बाधित अनुकूलन समस्या है। एल्गोरिदम अपेक्षित हानि और जोखिम टियर कोड के आधार पर वार्षिक दर ( $r_i$ $r_{i}$ ) को तीन सख्त व्यावसायिक बाधाओं के अधीन समायोजित करता है:
- पोर्टफोलियो डिफ़ॉल्ट हानि अनुपात ऐतिहासिक सहनशीलता मार्जिन के भीतर रहना चाहिए।
- पोस्ट-एडजस्टमेंट लाभ मार्जिन न्यूनतम सीमा से अधिक होना चाहिए (वित्तपोषण, सेवा और पूंजी लागतों को कवर करने के लिए)।
- व्यक्तिगत उधारकर्ता की दर में परिवर्तन एक प्राप्त करने योग्य परिचालन सीमा (0.25 प्रतिशत अंक के चरणों में) के भीतर रहना चाहिए।

प्रमुख परिणाम
प्रस्तावित ढांचे का मूल्यांकन एक एकीकृत टेस्ट सेट का उपयोग करके लॉजिस्टिक रिग्रेशन बेसलाइन और स्टैंडअलोन मॉडलों के विरुद्ध किया गया:

भविष्यवाणी प्रदर्शन: ग्रेडिएंट बूस्टिंग ट्रीज़ और सर्वाइवल एनालिसिस के फ्यूजन ने 0.806 का AUC (0.713 से ऊपर), 0.447 का KS सांख्यिकी (0.348 से ऊपर), और 0.108 का ब्रायर स्कोर (0.146 से नीचे) प्राप्त किया। अपेक्षित कैलिब्रेशन एरर (ECE) महत्वपूर्ण रूप से सुधरकर 0.019 हो गया।
जोखिम पहचान: मॉडल ने निम्न-से-मध्यम जोखिम वाले नमूनों की पहचान की सटीकता को 68.2% से बढ़ाकर 79.6% कर दिया।
उत्तरजीविता विश्लेषण: फ्यूजन मॉडल ने उत्कृष्ट समय-निर्भर रैंकिंग प्रदर्शित की, जिसमें 0.779 का C-इंडेक्स रहा। इसने पहले छह महीनों के भीतर 71.3% डिफ़ॉल्ट की पहचान की, जबकि स्टैंडअलोन कॉक्स मॉडल के लिए यह 63.5% था।
मूल्य निर्धारण सिमुलेशन: लगभग 30% उधारकर्ताओं को निम्न जोखिम के रूप में पुनर्वर्गीकृत किया गया। परिणामस्वरूप, उनका औसत वार्षिककृत ब्याज दर 17.9% से घटकर 13.8% (4.1 प्रतिशत अंक की कमी) हो गया।
पोर्टफोलियो स्थिरता: निम्न-जोखिम वाले उधारकर्ताओं के लिए दर कटौती के बावजूद, पोर्टफोलियो-स्तर का डिफ़ॉल्ट हानि अनुपात स्थिर (6.86% से 6.91%) रहा, और लाभ मार्जिन न्यूनतम सीमा (8.29%) से ऊपर रहा, जो दर्शाता है कि जोखिम प्रीमियम को समाप्त करने के बजाय पुनर्वितरित किया गया था।

महत्व और दावे
यह शोध दावा करता है कि इसका प्राथमिक योगदान नए भविष्य कहने वाले एल्गोरिदम का आविष्कार करना नहीं है, बल्कि एक कंप्यूटेशनल वर्कफ़्लो का निर्माण करना है जो कैलिब्रेटेड जोखिम पूर्वानुमान को बाधित मूल्य निर्धारण शासन से जोड़ता है। अध्ययन प्रदर्शित करता है कि:

परिचालन व्यवहार्यता: बेहतर मॉडल मेट्रिक्स (AUC/KS) को हानि और लाभ संबंधी व्यावसायिक बाधाओं का उल्लंघन किए बिना प्रवर्तनीय मूल्य निर्धारण नियमों में सफलतापूर्वक अनुवादित किया जा सकता है।
निष्पक्षता और सटीकता: कंप्यूटर-सहायता प्राप्त मॉडलिंग सूक्ष्म जोखिम स्तरीकरण का समर्थन करती है, जिससे निम्न-जोखिम वाले उधारकर्ताओं को उनकी वास्तविक जोखिम प्रोफ़ाइल को दर्शाने वाली कम दरें प्राप्त करने की अनुमति मिलती है, बजाय इसके कि वे उच्च-जोखिम वाले समूहों से प्रीमियम को अवशोषित करें।
मजबूती: मूल्य निर्धारण तंत्र विभिन्न ओरिजिनेशन अवधियों, प्रारंभिक बकेट कॉन्फ़िगरेशन और लाभ मार्जिन बाधाओं में स्थिर रहता है, जो यह सुझाव देता है कि यह हाइपरपैरामीटर ओवरफिटिंग या विशिष्ट सैंपल स्प्लिट द्वारा संचालित नहीं है।

लेखक एक सीमित दायरे बनाए रखते हैं, यह स्वीकार करते हुए कि अध्ययन एक एकल ऋणदाता के डेटा तक सीमित है और इसमें क्रॉस-संस्थान सत्यापन या वास्तविक-समय मैक्रो-इकोनॉमिक संकेतक शामिल नहीं हैं। वे निष्कर्ष निकालते हैं कि हालांकि यह ढांचा क्रेडिट प्राइसिंग के लिए एक व्यवहार्य निर्णय सहायता प्रणाली (DSS) आर्किटेक्चर प्रदान करता है, भविष्य के कार्यों में सामान्यीकरण बढ़ाने के लिए वितरित मॉडलिंग और व्यापक मैक्रो-साइकिल संकेतकों को शामिल किया जाना चाहिए।

द ग्रेट लोन लॉटरी: क्यों आपकी कार की किस्त बहुत अधिक हो सकती है

नया कंप्यूटर ब्रेन: कार लोन की कीमत तय करने का एक स्मार्ट तरीका

परिणाम: सभी के लिए एक निष्पक्ष सवारी

इसका क्या अर्थ है (और क्या नहीं है)

इसी तरह के और पेपर