When Validation Defines Abnormality: Prediction Targets in Bayesian Accrual Measurement
यह शोध पत्र यह प्रदर्शित करता है कि क्लस्टर्ड अनुदैर्ध्य (लॉन्गीटुडिनल) परिवेशों में, भविष्य कहनेवाला सत्यापन लक्ष्य (व्यक्तिगत फर्म-वर्ष बनाम संपूर्ण फर्म) का चयन फर्म-विशिष्ट और जनसंख्या-स्तर के बेंचमार्क के बीच बेयसियन मॉडल चयन के भार को स्थानांतरित करके अवशेष-आधारित प्रॉक्सी के संदर्भ ढांचे को मौलिक रूप से बदल देता है, जिससे असामान्य व्यवहार का वर्गीकरण भौतिक रूप से बदल जाता 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
लेखांकन (अकाउंटिंग) की दुनिया में, संख्याएं यह बताती हैं कि एक व्यवसाय कैसे चल रहा है, लेकिन हर संख्या सीधा अवलोकन नहीं होती है। कुछ आंकड़े अनुमान होते हैं, जिन्हें नियमित और असामान्य के बीच अंतर करने के लिए निकाला जाता है। कल्पना कीजिए कि एक कंपनी की कुल वित्तीय गतिविधि एक नदी है। अधिकांश पानी अनुमानित रूप से बहता है, जो बिक्री, लागत और निवेश की मानक धाराओं द्वारा संचालित होता है। यह अनुमानित प्रवाह जिसे विशेषज्ञ "सामान्य" व्यवहार कहते हैं। हालांकि, कभी-कभी नदी उन तरीकों से फूलती या घटती है जो वर्तमान धारा से मेल नहीं खाते। इन विचलन को "असामान्य" गतिविधियां कहा जाता है। वित्तीय अनुसंधान में, इन असामान्य विचलनों को अक्सर सुराग के रूप में माना जाता है। वे यह संकेत दे सकते हैं कि कोई कंपनी कुछ छिपा रही है, अपनी रिपोर्ट में हेरफेर कर रही है, या अनूठी आर्थिक झटकों का सामना कर रही है जिन्हें मानक मॉडल नहीं समझा सकते। इन सुरागों को खोजने के लिए, शोधकर्ता पहले एक मॉडल बनाते हैं जो यह अनुमान लगाता है कि सामान्य प्रवाह कैसा दिखना चाहिए। उस भविष्यवाणी के बाद जो कुछ भी बच जाता है वह "अवशेष" (रेसिड्यूअल) है, वह बचा हुआ हिस्सा जो असामान्यता का प्रतिनिधित्व करता है।
समस्या यह है कि "सामान्य" की परिभाषा स्थिर नहीं है। विभिन्न शोधकर्ता यह गणना करने के लिए अलग-अलग सूत्रों का उपयोग करते हैं कि एक कंपनी का सामान्य व्यवहार क्या होना चाहिए। कुछ सूत्र इस बात पर ध्यान केंद्रित करते हैं कि लाभ कैश फ्लो से कैसे संबंधित है, जबकि अन्य इस बात पर देखते हैं कि संपत्तियां समय के साथ कैसे बदलती हैं। चूंकि कोई एक सही सूत्र नहीं है, इसलिए शोधकर्ता अक्सर कई मॉडलों का परीक्षण करते हैं और डेटा को यह तय करने देते हैं कि कौन सा भविष्य की भविष्यवाणी करने में सबसे अच्छा काम करता है। वे "वैलिडेशन" (सत्यापन) नामक एक विधि का उपयोग करते हैं, जहाँ वे एक मॉडल का परीक्षण पिछले डेटा पर करते हैं ताकि यह देखा जा सके कि क्या वह आगे होने वाली घटनाओं का सटीक अनुमान लगा सकता है। यदि कोई मॉडल अच्छी भविष्यवाणी करता है, तो उसे उच्च स्कोर मिलता है और उस पर अधिक भरोसा किया जाता है। लेकिन सबसे अच्छे मॉडल को चुनने की यह प्रक्रिया एक विशिष्ट नियम पर निर्भर करती है: हम वास्तव में क्या भविष्यवाणी करने की कोशिश कर रहे हैं? क्या हम उस कंपनी के अगले वर्ष की भविष्यवाणी करने की कोशिश कर रहे हैं जिसे हम पहले से जानते हैं, या हम एक पूरी तरह से नई कंपनी के भविष्य की भविष्यवाणी करने की कोशिश कर रहे हैं जिसे हमने पहले कभी नहीं देखा है? यह छोटा सा चुनाव कि हम किसके लिए भविष्यवाणी कर रहे हैं, यह तय करने में बदल जाता है कि "असामान्य" क्या माना जाए।
इंडस्ट्रियल यूनिवर्सिटी ऑफ हो ची मिन्ह सिटी के क्वान फाम द्वारा किया गया एक हालिया अध्ययन इसी प्रश्न की जांच करता है। शोधकर्ता ने 2015 और 2024 के बीच वियतनामी स्टॉक एक्सचेंजों में सूचीबद्ध 568 कंपनियों की हजारों वार्षिक वित्तीय रिपोर्टों का अध्ययन किया। लक्ष्य यह देखना था कि क्या परीक्षण के लिए उपयोग किया जाने वाला नियम वास्तव में असामान्य व्यवहार के अंतिम माप को बदल देता है। इसे करने के लिए, अध्ययन ने "बेयसियन स्टैकिंग" नामक एक परिष्कृत तकनीक का उपयोग किया, जो कई अलग-अलग लेखांकन मॉडलों को एक एकल, भारित औसत (वेटेड एवरेज) में जोड़ती है। केवल एक "सर्वश्रेष्ठ" मॉडल चुनने के बजाय, यह विधि प्रत्येक मॉडल को उसके प्रदर्शन के आधार पर एक भार (वेट) देती है। मुख्य प्रयोग में एक ही परीक्षण को दो बार चलाया गया, लेकिन परीक्षण के दौरान छिपाई गई जानकारी के नियम को बदला गया। पहले परिदृश्य में, परीक्षण ने एक विशिष्ट कंपनी के लिए केवल एक वर्ष का डेटा छिपाया जबकि उसके अन्य सभी वर्ष दृश्यमान रखे। यह एक परिचित मित्र के अगले कदम की भविष्यवाणी करने का अनुकरण करता है। दूसरे परिदृश्य में, परीक्षण ने एक विशिष्ट कंपनी के लिए हर एक वर्ष का डेटा छिपा दिया, जो बिना किसी इतिहास वाली एक अजनबी के लिए भविष्यवाणी करने का अनुकरण करता है।
परिणामों ने दिखाया कि परीक्षण के नियम के आधार पर मॉडलों को दिए जाने वाले भार में नाटकीय बदलाव आया। जब परीक्षण ने मॉडल को कंपनी के पिछले इतिहास को देखने की अनुमति दी (एक परिचित मित्र के लिए भविष्यवाणी करना), तो सिस्टम ने उन मॉडलों को अत्यधिक प्राथमिकता दी जिनमें एक विशिष्ट "फर्म इफेक्ट" शामिल था। यह एक सांख्यिकीय विशेषता है जो एक एकल कंपनी की अनूठी, निरंतर विचित्रताओं को पकड़ती है, जैसे कि उसकी विशिष्ट प्रबंधन शैली या दीर्घकालिक व्यावसायिक संरचना। इस परिदृश्य में, इन फर्म-विशिष्ट मॉडलों को कुल भार का लगभग 59 से 62 प्रतिशत मिला। हालांकि, जब परीक्षण ने पूरी कंपनी का इतिहास छिपा दिया (एक अजनबी के लिए भविष्यवाणी करना), तो सिस्टम ने इन फर्म-विशिष्ट मॉडलों को लगभग पूरी तरह से अनदेखा कर दिया। इसके बजाय, इसने अपना विश्वास सामान्य, जनसंख्या-स्तर के मॉडलों की ओर स्थानांतरित कर दिया जो एक औसत कंपनी के व्यवहार का वर्णन करते हैं। इस मामले में, फर्म-विशिष्ट मॉडलों का भार गिरकर 4 प्रतिशत से भी कम हो गया। अध्ययन ने कंप्यूटर सिमुलेशन के माध्यम से पुष्टि की कि यह बदलाव यादृच्छिक शोर या गणित की त्रुटि नहीं था। यह डेटा संरचना के प्रति एक सीधा जवाब था: जब एक कंपनी का अनूठा इतिहास उपलब्ध होता है, तो सबसे अच्छा भविष्यवक्ता उसका उपयोग करता है; जब वह इतिहास गायब होता है, तो सबसे अच्छा भविष्यवक्ता औसत पर निर्भर करता है।
इस भरोसे के पुनर्वितरण का सीधा और मापने योग्य प्रभाव पड़ा। अध्ययन में पाया गया कि जबकि कंपनियों की समग्र रैंकिंग काफी हद तक समान रही—जो कंपनियां एक पद्धति में उच्च सूची में थीं, वे आम तौर पर दूसरी में भी उच्च थीं—सबसे चरम आउटलेयर (विपथनों) के रूप में पहचानी गई विशिष्ट कंपनियां काफी बदल गईं। जब सबसे अधिक "असामान्य" गतिविधि वाली शीर्ष पांच प्रतिशत कंपनियों को देखा गया, तो दोनों पद्धतियां केवल 65 से 69 प्रतिशत मामलों में सहमत थीं। इसका मतलब है कि लगभग हर तीन में से एक कंपनी, जिसे एक पद्धति द्वारा अत्यधिक असामान्य के रूप में चिह्नित किया गया था, दूसरी पद्धति द्वारा चिह्नित नहीं की गई थी। यह अंतर तब और भी स्पष्ट हो गया जब शोधकर्ताओं ने भविष्यवाणियों में अनिश्चितता को ध्यान में रखते हुए नंबरों को समायोजित किया। उस मामले में, शीर्ष पांच प्रतिशत पर सहमति घटकर 37 से 42 प्रतिशत के बीच रह गई। अनिवार्य रूप से, वैलिडेशन नियम एक फिल्टर की तरह काम कर गया जिसने कंपनियों के अलग-अलग सेटों को प्रवेश करने दिया।
अध्ययन ने यह भी जांचा कि क्या कंपनियों के ये अलग-अलग सेट वास्तव में उनके वास्तविक व्यवहार में भिन्न थे। इसने पाया कि जो कंपनियां केवल "परिचित मित्र" पद्धति द्वारा असामान्य के रूप में पहचानी गईं, उनमें भविष्य की कमाई और संपत्ति पर रिटर्न कम होने की प्रवृत्ति थी। इसके विपरीत, जो कंपनियां केवल "अजनबी" पद्धति द्वारा असामान्य के रूप में पहचानी गईं, उनमें भविष्य के कैश फ्लो और आय अधिक होने की प्रवृत्ति थी। यह सुझाव देता है कि दोनों पद्धतियां केवल अलग-अलग कंपनियों को अलग लेबल नहीं दे रही हैं; वे वास्तव में अलग-अलग आर्थिक वास्तविकताओं को पकड़ रही हैं। एक पद्धति कंपनी के अपने पिछले पैटर्न से विचलन को पकड़ने के लिए ट्यून की गई है, जबकि दूसरी पद्धति सामान्य बाजार औसत से विचलन को पकड़ने के लिए ट्यून की गई है।
निष्कर्ष यह है कि असामान्यता को मापने वाला उपकरण तटस्थ नहीं है। भविष्यवाणी मॉडल का परीक्षण करने के लिए चुना गया नियम स्वयं माप का हिस्सा बन जाता है। यदि कोई शोधकर्ता यह जानना चाहता है कि क्या कोई कंपनी अपने पिछले इतिहास की तुलना में असामान्य व्यवहार कर रही है, तो उन्हें एक ऐसा वैलिडेशन नियम उपयोग करना चाहिए जो कंपनी के इतिहास को दृश्यमान रखता है। यदि वे जानना चाहते हैं कि क्या कोई कंपनी बाकी दुनिया की तुलना में असामान्य है, तो उन्हें एक ऐसा नियम उपयोग करना चाहिए जो उस इतिहास को छिपा देता है। अध्ययन किसी एक पद्धति को दूसरे से श्रेष्ठ घोषित नहीं करता है। इसके बजाय, यह दिखाता है कि "असामान्य" की परिभाषा लचीली है और पूरी तरह से पूछे जा रहे प्रश्न पर निर्भर करती है। जो कोई भी जोखिम की जांच करने, अनुसंधान के लिए नमूने चुनने या वित्तीय रिपोर्टिंग की जांच करने के लिए इन मापों का उपयोग कर रहा है, उसके लिए वैलिडेशन नियम का चयन केवल एक तकनीकी विवरण नहीं है। यह माप डिजाइन का एक मौलिक हिस्सा है जो यह निर्धारित करता है कि किन कंपनियों को आउटलेयर के रूप में देखा जाएगा और किन्हें सामान्य के रूप में देखा जाएगा।
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।