Multi-objective Portfolio Optimization Based on the Fama–French Three-Factor Model and the Black–Litterman Framework
यह अध्ययन एक सुदृढ़ बहु-उद्देश्यीय पोर्टफोलियो अनुकूलन मॉडल प्रस्तावित करता है जो व्यावहारिक बाधाओं के तहत डाउनसाइड जोखिम को कम करने और विविधीकरण को अधिकतम करने के साथ-साथ पोस्टीरियर अपेक्षित रिटर्न उत्पन्न करने के लिए फामा-फ्रेंच थ्री-फैक्टर मॉडल को ब्लैक-लिटरमैन फ्रेमवर्क के साथ एकीकृत करता है, जो इन-सैंपल और आउट-ऑफ-सैंपल परीक्षणों दोनों में बेंचमार्क रणनीतियों पर बेहतर प्रदर्शन प्रदर्शित करता है।
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
निवेश की दुनिया में, केंद्रीय चुनौती केवल ऐसे एसेट्स (परिसंपत्तियों) को खोजना नहीं है जो पैसा कमाते हैं, बल्कि उन एसेट्स का सही मिश्रण खोजना है जो बाजार के प्रतिकूल होने पर भी टिके रह सकें। दशकों तक, इस जोखिम को प्रबंधित करने का मानक तरीका 'वैरिएंस' (विचलन) नामक एक गणितीय अवधारणा पर निर्भर था, जो कीमत के हर उतार-चढ़ाव को एक संभावित खतरे के रूप में देखता है, चाहे कीमत ऊपर जाए या नीचे। यह दृष्टिकोण मानता है कि निवेश का प्रतिफल एक अनुमानित, घंटी के आकार के वक्र (बेल-शेप्ड कर्व) का अनुसरण करता है, ठीक वैसे ही जैसे एक बड़ी भीड़ में ऊँचाई का वितरण होता है। हालाँकि, वास्तविक वित्तीय बाजार अक्सर अधिक जटिल होते हैं, जिनमें अचानक और तीव्र गिरावट आती है जो एक साधारण वक्र द्वारा अनुमानित की गई तुलना में अधिक बार होती है। इसके अलावा, भविष्य के प्रतिफल का अनुमान लगाने के सबसे सामान्य तरीके अत्यंत नाजुक होते हैं; यदि किसी निवेशक का किसी स्टॉक के भविष्य के प्रदर्शन के बारे में अनुमान थोड़ा भी गलत होता है, तो परिणामी निवेश योजना बेहद असंतुलित हो सकती है, जिससे एक ही जोखिम भरी शर्त में बहुत अधिक पैसा लग सकता है। इन समस्याओं को हल करने के लिए, शोधकर्ताओं ने लंबे समय से ऐसे पोर्टफोलियो बनाने का तरीका खोजा है जो विशेष रूप से पैसा खोने के जोखिम पर ध्यान केंद्रित करते हैं, जबकि यह भी सुनिश्चित करते हैं कि पैसा पर्याप्त रूप से फैला हुआ हो ताकि किसी एक विशिष्ट निवेश के विफल होने पर आपदा से बचा जा सके।
गुआंगडोंग यूनिवर्सिटी ऑफ फाइनेंस एंड इकोनॉमिक्स के शोधकर्ताओं की एक टीम ने तीन अलग-अलग विचारों को एक एकल, सुसंगत रणनीति में जोड़कर इन मुद्दों से निपटने के लिए एक नया तरीका प्रस्तावित किया है। पहला, वे 'फामा-फ्रेंच थ्री-फैक्टर मॉडल' नामक एक ढांचे का उपयोग करते हैं, जो स्टॉक के प्रदर्शन के तीन विशिष्ट चालकों को देखता है: समग्र बाजार, कंपनी का आकार, और उसके बुक वैल्यू के सापेक्ष उसका मूल्य। भविष्य के प्रतिफल का शून्य में अनुमान लगाने के बजाय, यह मॉडल ऐतिहासिक डेटा का उपयोग यह समझने के लिए करता है कि इन तीन कारकों ने अतीत में विशिष्ट शेयरों को कैसे प्रभावित किया है। दूसरा, वे इन अंतर्दृष्टि को 'ब्लैक-लिटरमैन मॉडल' नामक एक प्रणाली में फीड करते हैं, जो एक परिष्कृत फिल्टर के रूप में कार्य करता है। यह प्रणाली बाजार की सामान्य अपेक्षाओं को लेती है और उन्हें थ्री-फैक्टर मॉडल से प्राप्त विशिष्ट अंतर्दृनों के साथ मिलाती है, जिससे पारंपरिक नियोजन में होने वाले अनियंत्रित अनुमानों को सुधारा जा सके। अंत में, शोधकर्ता पुराने, सर्वव्यापी जोखिम माप के स्थान पर 'मीन एब्सोल्यूट सेमी-डेविएशन' (mean absolute semi-deviation) नामक एक अधिक सटीक उपकरण का उपयोग करते हैं, जो केवल उन समयों को गिनता है जब पोर्टफोलियो का मूल्य घटता है, और उन समयों को अनदेखा करता है जब वह बढ़ता है। वे इसमें 'एन्ट्रॉपी' (entropy) का एक माप भी जोड़ते हैं, जो भौतिक विज्ञान से लिया गया एक सिद्धांत है जो, इस संदर्भ में, केवल यह मापता है कि पैसा विभिन्न शेयरों में कितनी समान रूप से फैला हुआ है। यदि पैसा कुछ ही शेयरों में केंद्रित है, तो एन्ट्रॉपी कम है; यदि यह फैला हुआ है, तो एन्ट्रॉपी उच्च है।
शोधकर्ताओं ने इस नए दृष्टिकोण का परीक्षण चीन के 'सीएसआई 300 इंडेक्स' (CSI 300 Index) के तीस प्रमुख शेयरों का उपयोग करके किया, जो देश की सबसे बड़ी और सबसे तरल कंपनियों का एक संग्रह है। उन्होंने यह देखने के लिए कि उनका मॉडल वास्तविक दुनिया के परिवेश में कैसा प्रदर्शन करता है, 1 जनवरी, 2024 से 30 जून, 2025 तक के दैनिक मूल्य डेटा को एकत्र किया। उन्होंने अपने तरीके की तुलना दो सामान्य बेंचमार्क के विरुद्ध की: स्वयं 'सीएसआई 300 इंडेक्स', जो केवल बाजार का अनुसरण करता है, और एक "1/N" रणनीति, जहाँ एक निवेशक बिना किसी जटिल विश्लेषण के प्रत्येक स्टॉक में समान राशि लगा देता है। अध्ययन में वास्तविक दुनिया के घर्षण (friction) को भी ध्यान में रखा गया, जैसे कि प्रत्येक बार स्टॉक खरीदने या बेचने पर लगने वाला शुल्क, और सख्त नियम जो निवेशकों को किसी भी एकल स्टॉक पर अपने पैसे का 30% से अधिक दांव लगाने से रोकते हैं।
सिमुलेशन के परिणामों ने दिखाया कि नया मॉडल सरल रणनीतियों की तुलना में लगातार बेहतर प्रदर्शन करता है। जब परीक्षण अवधि के दौरान निवेश की कुल वृद्धि को देखा गया, तो नए मॉडल ने लगभग 17.5% का संचयी प्रतिफल (cumulative return) उत्पन्न किया, जो समान-भार वाली (equal-weight) रणनीति में देखे गए मामूली लाभ से काफी अधिक था। इससे भी महत्वपूर्ण बात यह है कि नया मॉडल गिरावट के दौरान निवेशक की पूंजी की रक्षा करने में बेहतर साबित हुआ। जबकि मानक बाजार सूचकांक और समान-भार वाला दृष्टिकोण अपने मूल्य को बनाए रखने के लिए संघर्ष करते रहे, नए मॉडल के निचले स्तर के जोखिम (downside risk) पर ध्यान केंद्रित करने का अर्थ था कि बाजार की गिरावट के दौरान इसे कम नुकसान हुआ। शोधकर्ताओं ने इसे 'सॉर्टिनो रेशियो' (Sortino ratio) नामक एक मीट्रिक का उपयोग करके मापा, जो यह मूल्यांकन करता है कि एक निवेश अपने सभी दिनों के बजाय अपने बुरे दिनों के सापेक्ष कैसा प्रदर्शन करता है। इस परीक्षण में, नए मॉडल ने 27 से ऊपर का शिखर सॉर्टिनो रेशियो प्राप्त किया, जबकि समान-भार वाली रणनीति शायद ही कभी 5 से ऊपर जा पाई। यह सुझाव देता है कि मॉडल लाभ की संभावनाओं से समझौता किए बिना नुकसान से बचने में असाधारण रूप से अच्छा था।
केवल अधिक पैसा कमाने के अलावा, मॉडल ने अधिक स्थिरता भी प्रदर्शित की। शोधकर्ताओं ने यह परीक्षण किया कि यदि वे अपने निर्णयों के समय को बदलते हैं, जैसे कि वे कितनी बार पोर्टफोलियो को पुनर्संतुलित (rebalance) करते हैं या अपनी भविष्यवाणियों के लिए कितना ऐतिहासिक डेटा उपयोग करते हैं, तो मॉडल कैसे काम करेगा। उन्होंने पाया कि मॉडल विभिन्न सेटिंग्स में मजबूत बना रहा, जिससे पता चलता कि इसकी सफलता किसी विशिष्ट समय सीमा का संयोग नहीं थी। अध्ययन इंगित करता है कि थ्री-फैक्टर मॉडल में अपनी भविष्यवाणियों को स्थापित करके और फिर ब्लैक-लिट्टरमैन फ्रेमवर्क के साथ उन्हें परिष्कृत करके, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो उन त्रुटियों के प्रति कम संवेदनशील है जो आमतौर पर निवेश योजनाओं को बर्बाद कर देती हैं। एन्ट्रॉपी माप के समावेश ने यह सुनिश्चित किया कि पोर्टफोलियो खतरनाक रूप से केंद्रित न हो जाए, जबकि सेमी-डेविएशन पर ध्यान केंद्रित करने से रणनीति पैसा खोने के विशिष्ट खतरे के प्रति सतर्क रही।
यह कार्य सुझाव देता है कि पोर्टफोलियो निर्माण के प्रति एक सूक्ष्म दृष्टिकोण से निवेशकों को मूर्त लाभ मिल सकते हैं। यह विचार कि सभी मूल्य उतार-चढ़ाव समान जोखिम हैं, से दूर जाकर, और भविष्य की अपेक्षाओं को बाजार कारकों के एक संरचित विश्लेषण में आधारित करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो लाभ की इच्छा और सुरक्षा की आवश्यकता के बीच संतुलन बनाता है। अध्ययन यह दावा नहीं करता है कि उसने बाजार के रहस्य को सुलझा लिया है, लेकिन यह पुख्ता सबूत प्रदान करता है कि इन विशिष्ट तकनीकों को संयोजित करने से ऐसे पोर्टफोलियो बनाए जा सकते हैं जो न केवल अधिक लाभदायक हैं बल्कि बाजार के प्रतिकूल होने पर अधिक लचीले भी हैं। संस्थागत निवेशकों और वेल्थ प्रबंधकों के लिए, यह एक व्यावहारिक मार्ग प्रदान करता है, जो यह दर्शाता है कि एक अनुशासित, बहु-उद्देश्यीय दृष्टिकोण आधुनिक वित्तीय बाजारों की जटिलताओं को पारंपरिक, एकध्रुवीय रणनीतियों की तुलना में अधिक प्रभावी ढंग से संचालित कर सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।