Structural Break Detection and Regime-Dependent Financial Time-Series Forecasting Using Change-Point Models and Markov Switching: Evidence from Asia-Pacific Equity Markets

वित्तीय बाजार ऐसी मशीनें नहीं हैं जो नियमों के एक एकल, अपरिवर्तनीय सेट पर चलती हैं। इसके बजाय, वे जीवित प्रणालियाँ हैं जो विभिन्न मूडों के बीच बदलती रहती हैं। कभी वे शांत और अनुमानित होती हैं; तो कभी वे अराजक और अचानक, हिंसक उतार-चढ़ाव के प्रति संवेदनशील होती हैं। दशकों से, अर्थशास्त्रियों ने इन गतिविधियों की भविष्यवाणी करने के लिए मॉडल बनाने की कोशिश की है, इस उम्मीद में कि वे भविष्य को स्पष्ट रूप से देख सकें। लेकिन इन मॉडलों के सामने एक मौलिक समस्या है: वे अक्सर यह मान लेते हैं कि अतीत भविष्य के लिए एक आदर्श मार्गदर्शक है। जब बाजार अपनी प्रकृति को अचानक बदल देता है—शायद किसी नए कानून, वैश्विक संकट, या निवेशक मनोविज्ञान में बदलाव के कारण—तो एक मॉडल जो पुराने डेटा से चिपका रहता है, वह अनुकूल होने में खतरनाक रूप से धीमा हो सकता है। यह शांत समुद्रों के लिए बनाए गए मानचित्र का उपयोग करके तूफान में रास्ता खोजने जैसा है।

इसे हल करने के लिए, शोधकर्ताओं ने बाजार परिवर्तनों के बारे में सोचने के दो मुख्य तरीके विकसित किए हैं। एक दृष्टिकोण "रेजीम स्विच" (regime switches) की तलाश करता है, जहाँ बाजार आवर्ती अवस्थाओं के बीच बदलता है, जैसे कि एक लाइट स्विच शांत और अशांत अवस्थाओं के बीच टॉगल करता है। दूसरा "स्ट्रक्चरल ब्रेक्स" (structural breaks) की तलाश करता है, जो खेल के अंतर्निहित नियमों में स्थायी परिवर्तन हैं, जहाँ पुराना मानचित्र अब बिल्कुल भी मान्य नहीं रह जाता। एक नया, अधिक परिष्कृत विचार इन्हें जोड़ता है: वास्तविक समय के संकेतों का उपयोग करना यह पता लगाने के लिए कि कब नियम बदल गए हैं, और फिर मॉडल की स्मृति को तुरंत समायोजित करना ताकि केवल सबसे हालिया, प्रासंगिक इतिहास पर ध्यान केंद्रित किया जा सके। यह शोध पत्र एक सरल लेकिन कठिन प्रश्न पूछता है: क्या यह स्मार्ट, अनुकूल दृष्टिकोण एशिया-प्रशांत क्षेत्र के विविध बाजारों में स्टॉक की कीमतों और जोखिमों की भविष्यवाणी करने के लिए स्थापित तरीकों की तुलना में वास्तव में बेहतर काम करता है?

शोधकर्ताओं की एक टीम ने भारत, जापान, हांगकांग, दक्षिण कोरिया और ऑस्ट्रेलिया के पांच प्रमुख शेयर बाजारों के डेटा का उपयोग करके इस विचार का परीक्षण करने का निर्णय लिया। उन्होंने लगभग दो दशकों के दैनिक मूल्य डेटा को एकत्र किया, जिसमें वैश्विक वित्तीय संकट से लेकर महामारी और उसके बाद तक सब कुछ शामिल था। उनका लक्ष्य यह देखना था कि क्या एक ऐसा मॉडल जो परिवर्तन का संकेत "सुन" सकता है और तुरंत अपने पुराने इतिहास को भूल सकता है, उस मॉडल से बेहतर प्रदर्शन करता है जो अपने पूरे इतिहास को रखता है, यहाँ तक कि अपने पुराने हिस्सों को भी। उन्होंने एक प्रणाली बनाई जो एक मानक बाजार मॉडल को एक रियल-टाइम डिटेक्टर के साथ जोड़ती है। यह डिटेक्टर, जिसे 'बेयसियन ऑनलाइन चेंज-पॉइंट डिटेक्शन' (Bayesian online change-point detection) के रूप में जाना जाता है, एक संवेदनशील अलार्म घड़ी की तरह कार्य करता है। यह बाजार की अस्थिरता पर नज़र रखता है और यदि इसे पैटर्न में अचानक बदलाव का आभास होता है, तो यह अलार्म बजा देता है। जब अलार्म बजता है, तो मॉडल को अपने मेमोरी को सिकोड़ने के लिए प्रोग्राम किया जाता है, जिससे वह पुराने डेटा को हटा देता है जो अब प्रासंगिक नहीं हो सकता है, और ताज़ा जानकारी पर खुद को पुन: प्रशिक्षित करता है।

शोधकर्ताओं ने इस "ब्रेक-अवेयर" (break-aware) मॉडल का परीक्षण एक मानक संस्करण के विरुद्ध किया जो कभी अपनी स्मृति को नहीं सिकोड़ता, और कई अन्य सामान्य पूर्वानुमान उपकरणों के विरुद्ध भी किया। उन्होंने प्रत्येक बाजार के लिए 1,000 दिनों तक एक सख्त, 'वन-स्टेप-अहेड' प्रयोग चलाया, यह सुनिश्चित करते हुए कि मॉडल केवल उस विशिष्ट दिन तक उपलब्ध जानकारी का ही उपयोग कर सके, जैसा कि एक वास्तविक निवेशक करेगा। उन्होंने कंप्यूटर सिमुलेशन भी चलाए जहाँ उन्हें पहले से ही सटीक उत्तर पता थे, ताकि यह सत्यापित किया जा सके कि उनके तरीके परिवर्तनों को होने पर सही ढंग से पहचान सकते हैं। सिमुलेशन ने दिखाया कि उनके उपकरण सही पैटर्न खोजने में सक्षम थे; हालाँकि, वास्तविक दुनिया के परीक्षण ने एक अधिक जटिल कहानी बताई।

परिणामों से पता चला कि इन बाजारों के भविष्य की भविष्यवाणी करने का कोई एक "सर्वश्रेष्ठ" तरीका नहीं है। संरचनात्मक परिवर्तनों (structural breaks) के प्रमाण देश दर देश काफी भिन्न थे। दक्षिण कोरिया में, डेटा ने बाजार के व्यवहार में तीन अलग-अलग, स्थायी बदलावों का सुझाव दिया। जापान में, डेटा ने ऐसे किसी भी स्थायी ब्रेक को नहीं दिखाया, भले ही बाजार ने महत्वपूर्ण उथल-पुथल का अनुभव किया हो। यह निष्कर्ष अपने आप में महत्वपूर्ण था: इसने सिद्ध किया कि इस क्षेत्र के बाजार एक ही साझा लय को साझा नहीं करते हैं। जो एक देश के लिए काम करता है उसे दूसरे पर आँख मूँदकर लागू नहीं किया जा सकता।

जब शोधकर्ताओं ने अगले दिन के स्टॉक की वास्तविक कीमत की भविष्यवाणी करने के मामले में देखा, तो स्मार्ट, अनुकूल मॉडल नहीं जीता। वास्तव में, अधिकांश बाजारों के लिए, सरल मॉडल जो केवल औसत पिछले प्रदर्शन या हालिया रुझानों को देखते थे, ने समान या बेहतर प्रदर्शन किया। वह जटिल मॉडल जो लगातार अपनी स्मृति को रीसेट करने की कोशिश करता है, अधिक सटीक मूल्य भविष्यवाणियां नहीं कर सका। कुछ मामलों में, जैसे कि जापानी बाजार में, अनुकूल मॉडल ने सरल विकल्पों की तुलना में खराब प्रदर्शन किया। शोधकर्ताओं ने पाया कि लगातार भूलने और फिर से सीखने की अतिरिक्त जटिलता ने अगले दिन के रिटर्न की भविष्यवाणी करने में मदद नहीं की।

कहानी तब थोड़ी बदल गई जब शोधकर्ताओं ने अस्थिरता (volatility), या कीमतों के उतार-चढ़ाव को देखा। यहाँ, पारंपरिक मॉडल जो अपने पूर्ण डेटा इतिहास को रखते हैं, आमतौर पर अनुकूल मॉडल से बेहतर प्रदर्शन करते हैं। वह मॉडल जो अपनी स्मृति को सिकोड़ता रहता था, बाजार के कितने जंगली होने की भविष्यवाणी करने में अधिक त्रुटियां करता था। ऐसा लगता है कि भले ही बाजार बदल जाए, लंबा इतिहास रखने से मॉडल को जोखिम के अंतर्नि는 पैटर्न को बेहतर ढंग से समझने में मदद मिलती है। "नो-रीसेट" (no-reset) मॉडल, जो कभी अपना अतीत नहीं भूलता था, अत्यधिक प्रतिस्पर्धी बना रहा, और कई बाजारों में, औसत अस्थिरता का पूर्वानुमान लगाने में काफी श्रेष्ठ रहा।

हालाँकि, अनुकूल मॉडल ने डाउनसाइड रिस्क (downside risk), विशेष रूप से 'वैल्यू-एट-रिस्क' (Value-at-Risk) की भविष्यवाणी करने में अपना सबसे मजबूत स्थान पाया। यह एक ऐसा माप है जिसका उपयोग बैंक और निवेशक यह अनुमान लगाने के लिए करते हैं कि एक बुरे दिन में उन्हें अधिकतम कितना नुकसान उठाना पड़ सकता है। भारतीय बाजार और ऑस्ट्रेलियाई बाजार में, 'ब्रेक-अवेयर' मॉडल ने इस जोखिम के बेहतर अंशांकन (calibration) का प्रदर्शन किया। इसने अन्य मॉडलों की तुलना में चरम नुकसान की आवृत्ति की अधिक सटीक भविष्यवाणी की। भारतीय बाजार के लिए, इसने बुरे दिनों की संख्या की लगभग सटीक भविष्यवाणी की। ऑस्ट्रेलियाई बाजार में भी इसने बहुत अच्छा प्रदर्शन किया। लेकिन यह सफलता सार्वभौमिक नहीं थी। हांगकांग में, अनुकूल मॉडल बहुत रूढ़िवादी था, जिसने वास्तव में होने वाले बुरे दिनों की तुलना में बहुत कम बुरे दिनों की भविष्यवाणी की, जबकि दक्षिण कोरिया में, सभी मॉडल जोखिम वितरण के चरम हिस्से को पकड़ने में संघर्ष करते रहे।

शोधकर्ताओं ने यह भी देखा कि उन दिनों में नुकसान कितना गंभीर था जब जोखिम की सीमा टूट जाती थी। यहाँ, अनुकूल मॉडल को कोई स्पष्ट लाभ नहीं दिखा। कई मामलों में, पारंपरिक मॉडलों ने नुकसान के आकार की उतनी ही अच्छी या बेहतर भविष्यवाणी की। अध्ययन ने निष्कर्ष निकाला कि संरचनात्मक परिवर्तन के बारे में जानना इस बात पर निर्भर करता है कि आप क्या भविष्यवाणी करने की कोशिश कर रहे हैं और आप कौन सा बाजार देख रहे हैं। यह हर पूर्वानुमान को बेहतर बनाने वाला कोई जादुई समाधान नहीं है।

अंततः, शोध पत्र यह सुझाव देता है कि वास्तविक समय के अलार्म के आधार पर एक मॉडल की स्मृति को लगातार रीसेट करने का विचार एक उपयोगी उपकरण है, लेकिन केवल विशिष्ट कार्यों के लिए। यह वित्तीय पूर्वानुमान के लिए कोई सार्वभौमिक अपग्रेड नहीं है। सबसे अच्छा दृष्टिकोण बाजार पर निर्भर करता है: कुछ के लिए, लंबा इतिहास रखना महत्वपूर्ण है; दूसरों के लिए, छोटा, अधिक केंद्रित दृष्टिकोण मदद करता है। यह अध्ययन एक अनुस्मारक के रूप में कार्य करता है कि वित्तीय बाजार बहुत विविध और जटिल हैं कि उनके लिए एक ही, पूर्ण सूत्र हो सके। सबसे प्रभावी रणनीति यह समझना है कि विचाराधीन बाजार की विशिष्ट प्रकृति क्या है और उस विशिष्ट वातावरण के अनुकूल उपकरण का चयन करना है, न कि यह मानना कि एक अधिक जटिल, अनुकूल प्रणाली हमेशा सही उत्तर होती है।