🔢 गणित

A Quadratic Resource-Allocation Reduction for Portfolio Selection in the ε-Contaminated Binomial Model

यह शोध पत्र एक सख्ती से उत्तल (strictly convex) द्विघात नैपसैक (quadratic knapsack) समस्या के माध्यम से एक प्रतिकूल रूप से अनुकूल संभाव्यता माप (least favorable probability measure) का निर्माण करके, $\epsilon$ -दूषित द्विपद मॉडल (binomial model) में सुदृढ़ पोर्टफोलियो चयन के लिए एक कुशल $O(n \log n)$ या $O(n)$ एल्गोरिदम प्रस्तुत करता है, जिससे पिछले तरीकों की घातांकीय जटिलता से बचा जा सकता है और CRRA उपयोगिताओं (utilities) के लिए स्पष्ट धन पुनर्निर्माण (wealth reconstruction) सक्षम होता है।

मूल लेखक: Federica Ricca, Andrea Scozzari

प्रकाशित 2026-10-20

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Federica Ricca, Andrea Scozzari

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

निवेशकों को हमेशा एक मौलिक तनाव का सामना करना पड़ा है: धन बढ़ाने की इच्छा बनाम यह डर कि भविष्य वैसा नहीं होगा जैसा अतीत था। वित्त की दुनिया में, इस अनिश्चितता को एक ऐसे बाजार की कल्पना करके मॉडल किया जाता है जो ज्यादातर उम्मीद के मुताबिक व्यवहार करता है, लेकिन कभी-कभार अप्रत्याशित तरीकों से विचलित हो जाता है। यह पोर्टफोलियो चयन का क्षेत्र है, जहाँ लक्ष्य यह तय करना है कि विभिन्न संपत्तियों के बीच पैसा कैसे विभाजित किया जाए। जब भविष्य अनिश्चित होता है, तो एक विवेकपूर्ण निवेशक केवल सबसे संभावित परिणाम के लिए योजना नहीं बनाता; वे उस सबसे खराब स्थिति के लिए भी योजना बनाते जो संभावनाओं की एक उचित सीमा के भीतर घटित हो सकती है। 'रोबस्ट ऑप्टिमाइज़ेशन' (robust optimization) के रूप में जानी जाने वाली यह पद्धति एक कठिन प्रश्न पूछती है: यदि बाजार हमारे डेटा द्वारा अनुमत सबसे हानिकारक तरीके से हमारे विरुद्ध हो जाता है, तो हमें निवेश कैसे करना चाहिए था ताकि हम जीवित रह सकें?

द दशकों तक, एक बहु-चरणीय बाजार मॉडल में इस समस्या को हल करना एक कम्प्यूटेशनल दुःस्वप्न रहा है। बाजार किस पथ पर जा सकता है, इसकी संभावित संख्या प्रत्येक बीतते दिन के साथ विस्फोटक रूप से बढ़ती जाती है, जिससे बहुत कम समय सीमा के लिए भी सर्वोत्तम रणनीति की गणना करना लगभग असंभव हो जाता है। शोधकर्ता अनिश्चितता के खिलाफ आवश्यक सुरक्षा को खोए बिना इस जटिलता को सरल बनाने का तरीका खोजने के लिए संघर्ष करते रहे हैं। फेडेरिका रिका और एंड्रिया स्कोज़ारी के एक नए अध्ययन ने इस विशिष्ट समस्या के लिए एक स्पष्ट और कुशल समाधान पेश किया है। उन्होंने एक ऐसी विधि विकसित की है जो एक उलझे हुए, उच्च-दांव वाले अनुमान के खेल को एक सीधे क्रमबद्ध कार्य (sorting task) में बदल देती है, जिससे निवेशकों को उन लंबी समय सीमाओं के लिए इष्टतम रणनीति खोजने में मदद मिलती है जो पहले पहुंच से बाहर थीं।

शोधकर्ताओं ने बाजार के एक विशिष्ट गणितीय मॉडल पर ध्यान केंद्रित किया जिसे 'बाइनोमियल मॉडल' (binomial model) कहा जाता है, जो कल्पना करता है कि एक स्टॉक की कीमत प्रत्येक चरण में ऊपर या नीचे जाती है। उन्होंने इस मॉडल में "संदूषण" (contamination) की एक परत जोड़ी, जो इस विचार का प्रतिनिधित्व करती है कि हालांकि हमारे पास बाजार के व्यवहार के बारे में एक सर्वोत्तम अनुमान है, लेकिन इस बात की थोड़ी संभावना है कि वास्तविकता थोड़ी भिन्न हो। लक्ष्य सभी संभावित भविष्य के परिणामों में से धन का आवंटन करने का सबसे अच्छा तरीका खोजना था ताकि संतुष्टि को अधिकतम किया जा सके, भले ही बाजार उस छोटी सी त्रुटि की संभावना के भीतर सबसे खराब तरीके से व्यवहार करे। पिछले कार्यों में, इसे हल करने के लिए परिणामों के एक खगोलीय संख्या में विभिन्न संयोजनों की जांच करने की आवश्यकता होती थी। केवल कुछ सौ चरणों के समय क्षितिज (time horizon) के लिए, संभावनाओं की संख्या इतनी बड़ी हो गई कि शक्तिशाली कंप्यूटर भी एक उचित समय में गणना पूरी नहीं कर सकते थे। पुराना तरीका रेत के एक तट पर एक विशिष्ट अनाज को खोजने के लिए हर एक अनाज को एक-एक करके उठाने और उसकी जांच करने जैसा था।

रिका और स्कोज़ारी ने महसूस किया कि इस समस्या को हर एक संभावना की जांच करके हल करने की आवश्यकता नहीं है। इसके बजाय, उन्होंने खोजा कि सबसे खराब स्थिति (worst-case scenario) को एक बहुत ही सरल प्रक्रिया के माध्यम से पहचाना जा सकता है। उन्होंने दिखाया कि समाधान की कुंजी वजन, या संभावनाओं के एक विशिष्ट सेट को खोजने में निहित है, जो सबसे हानिकारक बाजार व्यवहार का प्रतिनिधित्व करते हैं। इस वजन को खोजना एक क्लासिक 'संसाधन आवंटन' (resource allocation) की समस्या बन गया, जो अलग-अलग मूल्यों की वस्तुओं से एक कंटेनर को उनकी कुल कीमत को अधिकतम करने के लिए भरने के समान है, बिना वजन की सीमा को पार किए। उनके मामले में, "कंटेनर" सभी संभावित बाजार विचलन का सेट था, और "वस्तुएं" विभिन्न भविष्य के राज्यों को दिए गए प्रायिकता (probabilities) थे।

ब्रेकथ्रू यह था कि इस कठिन खोज को एक सरल सॉर्टिंग अभ्यास में बदला जा सकता है। बाजार की अवस्थाओं को उनकी संभावना और जोखिम के आधार पर एक विशिष्ट क्रम में व्यवस्थित करके, शोधकर्ता यह निर्धारित कर सकते थे कि सबसे खराब स्थिति कहाँ बदलती है। यह प्रक्रिया, जिसे वे 'थ्रेशोल्ड कंस्ट्रक्शन' (threshold construction) कहते हैं, उन्हें हर संयोजन की जांच करने की आवश्यकता से बचने की अनुमति देती है। अरबों पथों की जांच करने के बजाय, नई विधि के लिए केवल सॉर्टेड सूची के माध्यम से एक एकल चक्कर (single pass) की आवश्यकता होती है। यह कम्प्यूटेशनल प्रयास को उस चीज़ से, जो तेजी से तेजी से (exponentially) बढ़ता है और असंभव हो जाता है, बदलकर एक ऐसी चीज़ में बदल देता है जो रैखिक (linearly) रूप से बढ़ता है और बहुत लंबी समय सीमाओं के लिए भी प्रबंधनीय रहता है।

एक बार जब यह सबसे खराब स्थिति की पहचान हो जाती है, तो समाधान का बाकी हिस्सा स्वतः ही स्पष्ट हो जाता है। शोधकर्ताओं ने दिखाया कि इष्टतम निवेश रणनीति को एक सरल सूत्र का उपयोग करके पुनर्गठित किया जा सकता है जो इस पहचाने गए परिदृश्य पर निर्भर करता है। महत्वपूर्ण बात यह है कि उस भाग की गणना जो सबसे खराब स्थिति को ढूंढती है, निवेशक की विशिष्ट प्राथमिकताओं या उनके पास मौजूद पूंजी की राशि पर निर्भर नहीं करती है। इसका अर्थ है कि सबसे खराब बाजार व्यवहार को खोजने का भारी काम केवल एक बार किया जाना चाहिए। यदि कोई निवेशक इस बारे में अपना विचार बदलता है कि वह कितना जोखिम लेने को तैयार है, या यदि उसके पास पूंजी की अलग मात्रा है, तो उसे पूरी गणना फिर से शुरू करने की आवश्यकता नहीं है। वे बस उसी सबसे खराब स्थिति का पुन: उपयोग कर सकते हैं और नई इष्टतम रणनीति खोजने के लिए एक त्वरित समायोजन लागू कर सकते हैं।

लेखकों ने सिम्युलेटेड मार्केट डेटा का उपयोग करके अपने तरीके का पुराने, अधिक विस्तृत दृष्टिकोण के विरुद्ध परीक्षण किया। उन्होंने एक कंप्यूटर द्वारा समस्या को हल करने में लगने वाले समय की तुलना नए सॉर्टिंग मेथड बनाम संयोजनों की जांच करने वाले पुराने मेथड से की। छोटी समय अवधि के लिए, दोनों तरीके काम कर रहे थे, लेकिन नया तरीका पहले से ही तेज़ था। जैसे-जैसे समय क्षितिज बढ़ा, अंतर नाटकीय हो गया। पांच सौ चरणों के समय क्षितिज के लिए, नए तरीके ने एक सेकंड के अंश में समस्या को हल किया, जबकि पुराने तरीके को एक मिनट से अधिक का समय लगा। जब क्षितिज को एक हजार चरणों तक बढ़ाया गया, तो पुराना तरीका समय सीमा के भीतर समाधान खोजने में विफल रहा, जबकि नया तरीका अभी भी लगभग तुरंत उत्तर दे रहा था।

अध्ययन ने परिणामों की सटीकता की भी जांच की। हालांकि नया तरीका बहुत तेज़ है, शोधकर्ताओं ने नोट किया कि बहुत लंबे समय क्षितिज के लिए, कंप्यूटर की अत्यंत छोटी संख्याओं को संभालने की क्षमता सूक्ष्म त्रुटियां पेश कर सकती है। विशेष रूप से, 500 चरणों के क्षितिज पर, नया तरीका तेज़ था लेकिन सख्त 'ऑब्जेक्टिव-एक्यूरेसी' (objective-accuracy) मानदंड को पूरा करने में विफल रहा, जबकि पुराने तरीके ने इसे पूरा किया। 1,000 चरणों पर, नए तरीके ने व्यवहार्य समाधान दिए जो अभी भी सटीकता मानदंड में विफल रहे, जबकि पुराने तरीके ने बिना कोई समाधान दिए टाइम-आउट दिया। इसके अलावा, इस चरम क्षितिज पर, न तो किसी भी तरीके ने निर्धारित 'कंपोनेंटवाइज एक्यूरेसी' (componentwise accuracy) मानदंड को पूरा किया। लेख निष्कर्ष निकालता है कि यह दृष्टिकोण अनिश्चितता के तहत पोर्टफोलियो चयन के लिए एक व्यावहारिक और कुशल तरीका प्रदान करता है, जो एक ऐसी समस्या को जो कभी कम्प्यूटेशनल रूप से असाध्य थी, एक ऐसी समस्या में बदल देता है जिसे मानक, तेज़ एल्गोरिदम के साथ हल किया जा सकता है। वित्तीय अनिश्चितता की समस्या को संसाधन आवंटन के एक सुस्थापित गणितीय उपकरण से जोड़कर, शोधकर्ताओं ने उन निवेशकों के लिए एक स्पष्ट मार्ग प्रदान किया है जिन्हें अनिश्चित दुनिया में दीर्घकालिक योजना बनाने की आवश्यकता है, हालांकि बहुत लंबे क्षितिज पर संख्यात्मक सटीकता एक चुनौती बनी हुई है।

तकनीकी सारांश: $\varepsilon$ -दूषित द्विपद मॉडल में पोर्टफोलियो चयन के लिए एक द्विघात संसाधन-आवंटन न्यूनीकरण

समस्या विवरण
यह शोध पत्र एक परिमित-क्षितिज (finite-horizon) द्विपद बाजार मॉडल के अंतर्गत डायनेमिक पोर्टफोलio चयन की समस्या को संबोधित करता है। विशेष रूप से, यह पेट्टुरिटी और वेंटैगी [11] द्वारा प्रस्तुत कम किए गए स्टेट-स्पेस फॉर्मूलेशन पर ध्यान केंद्रित करता है, जहाँ निवेशक $\varepsilon$ -संदूषण वर्ग (class) के रूप में ज्ञात संभाव्यता वितरणों के सेट पर सबसे खराब स्थिति के अपेक्षित उपयोगिता (expected utility) को अधिकतम करने का प्रयास करता है। यह वर्ग एक संदर्भ संभाव्यता वितरण $P$ (जो निवेशक के विश्वास को दर्शाता है) और एक अनिश्चित वितरण के मिश्रण को दर्शाता है, जिसे एक संदूषण पैरामीटर $\varepsilon$ द्वारा भारित किया जाता है।

जबकि पेट्टुरिटी और वेंटैगी ने स्थापित किया कि इष्टतम टर्मिनल वेल्थ (terminal wealth) केवल टर्मिनल स्टॉक प्राइस पर निर्भर करती है (जो स्टेट स्पेस को $2^T$ पथों से घटाकर $T+1$ अवस्थाओं में बदल देती है), उनकी CRRA (Constant Relative Risk Aversion) उपयोगिता के लिए समाधान पद्धति 'एल्गोरिदम 1' पर निर्भर करती है। यह एल्गोरिदम सक्रिय-सेट (active-set) विन्यासों के विस्तृत अन्वेषण (exhaustive enumeration) का उपयोग करता है, जिसके परिणामस्वरूप $O((T+1)2^T)$ की कम्प्यूटेशनल जटिलता उत्पन्न होती है। यह घातांकीय लागत (exponential cost) इस विधि को बड़े निवेश क्षितिजों के लिए अव्यवहारिक बना देती है। यह शोध पत्र एक अधिक कुशल, स्पष्ट निर्माण प्रदान करके इस सीमा को दूर करने का लक्ष्य रखता है।

कार्यप्रणाली
लेखक एक रोबस्ट पोर्टफोलियो समस्या को सीधे एक सतत द्विघात नैपसैक समस्या (continuous quadratic knapsack problem) में कम करने का प्रस्ताव करते हैं। कार्यप्रणाली तीन मुख्य चरणों में आगे बढ़ती है:

न्यूनतम अनुकूलतम माप (Least Favourable Measure) का निर्माण:
लेखक एक सहायक अनुकूलन समस्या को परिभाषित करते हैं: एक सख्त उत्तल द्विघात उद्देश्य फलन (strictly convex quadratic objective function) $\frac{1}{2}\sum (w_k^2/q_k)$ को न्यूनतम करना, इस प्रतिबंध के अधीन कि संभाव्यता वेक्टर $w$ , $\varepsilon$ -संदूषण वर्ग के अंतर्गत आता है (जहाँ $q$ रिस्क-न्यूट्रल मेजर है)।

वे सिद्ध करते हैं कि इस समस्या का एक अद्वितीय ऑप्टिमाइज़र, $w^\star$ है, जो एक न्यूनतम अनुकूलतम संभाव्यता माप (least favourable probability measure) के रूप में कार्य करता है।
महत्वपूर्ण रूप से, $w^\star$ केवल संदर्भ वितरण $P$ , रिस्क-न्यूट्रल वितरण $q$ , और संदूषण पैरामीटर $\varepsilon$ पर निर्भर करता है। यह निवेशक के उपयोगिता फलन और प्रारंभिक बजट से स्वतंत्र है।

वेल्थ रिकंस्ट्रक्शन (Wealth Reconstruction):
शीड [14] के ढांचे का लाभ उठाते हुए, लेखक दिखाते हैं कि एक बार $w^\star$ निर्धारित हो जाने के बाद, इष्टतम टर्मिनल वेल्थ $x^\star$ को व्युत्क्रम मार्जिनल उपयोगिता फलन (inverse marginal utility function) और एक स्केलर बजट समीकरण का उपयोग करके पुनर्गठित किया जा सकता है।

सामान्य वर्धमान, सख्त अवतल (increasing, strictly concave) उपयोगिता फलनों के लिए, समाधान में लैग्रेंज मल्टीप्लायर को खोजने के लिए एक स्केलर समीकरण को हल करना शामिल है।
CRRA उपयोगिता (लॉगैरिथमिक उपयोगिता सहित) के लिए, बजट समीकरण का एक स्पष्ट क्लोज्ड-फॉर्म समाधान (explicit closed-form solution) प्राप्त होता है। यह इष्टतम वेल्थ वेक्टर को मल्टीप्लायर के लिए पुनरावृत्ति रूट-फाइंडिंग के बिना सीधे कंप्यूट करने की अनुमति देता है।

एल्गोरिदमिक कार्यान्वयन:
सहायक समस्या का मूल भाग एक स्केलर थ्रेशोल्ड $c$ को खोजना है जो KKT स्थितियों से प्राप्त एक पीसवाइज-एफाइन (piecewise-affine) समीकरण को संतुष्ट करता है।

लेखक क्लासिकल रिसोर्स-एलोकेशन एल्गोरिदम (विशेष रूप से ब्रेकपॉइंट सर्च और सॉर्टिंग) को हल करने के लिए अनुकूलित करते हैं।
वे यह भी उल्लेख करते हैं कि किविएल (Kiwiel) के मीडियन-सर्च एल्गोरिदम पूर्ण सॉर्टिंग के बिना इसे लीनियर टाइम $O(n)$ में हल कर सकते हैं।

मुख्य योगदान

स्पष्ट परिमित-अवस्था निर्माण: शोध पत्र $\varepsilon$ -संदूषित द्विपद मॉडल में न्यूनतम अनुकूलतम माप के लिए एक स्पष्ट सूत्र प्रदान करता है, जिसे सतत द्विघात नैपसैक समस्या के समाधान के रूप में वर्णित किया गया है।
उपयोगिता और अनुकूलन का अलगाव: यह दिखाया गया है कि सहायक ऑप्टिमाइज़र (न्यूनतम अनुकूलतम माप) उपयोगिता फलन और बजट से स्वतंत्र है। यह एक ही सहायक समाधान को विभिन्न उपयोगिता विशिष्टताओं या बजट स्तरों के लिए पुनः उपयोग करने की अनुमति देता है।
जटिलता में कमी: प्रस्तावित विधि [11] में सक्रिय-सेट एन्यूमरेशन की घातांकीय $O((T+1)2^T)$ जटिलता को $O(n \log n)$ (सॉर्टिंग के माध्यम से) या $O(n)$ (मीडियन सर्च के माध्यम से) तक कम कर देती है, जहाँ $n = T+1$ है।
स्पष्ट CRRA समाधान: CRRA परिवार के लिए, शोध पत्र एक पूर्णतः स्पष्ट रिकंस्ट्रक्शन फॉर्मूला निकालता है, जो बजट समीकरण के लिए संख्यात्मक सॉल्वर की आवश्यकता को समाप्त करता है।
एफाइन-कन्स्ट्रेंड फॉर्मूलेशन: लेखक वेल्थ समस्या के एक वैकल्पिक एफाइन-कन्स्ट्रेंड फॉर्मूलेशन (एक उत्तल फलन को रैखिक बाधाओं के साथ न्यूनतम करना) को पेश करते हैं और इसकी तुलना [11] के नॉनलीन फॉर्मूलेशन से करते हैं।

परिणाम और संख्यात्मक तुलना
शोध पत्र CRRA उपयोगिता ( $\gamma=2$ ) के लिए प्रस्तावित एफाइन-कन्स्ट्रेंड फॉर्मूलेशन (3) बनाम [11] के नॉनलीन फॉर्मूलेशन (19) (जिसे पेपर में फॉर्मूलेशन 4 के रूप में लागू किया गया है) की तुलना करने वाले कम्प्यूटेशनल प्रयोग प्रस्तुत करता है।

दक्षता (Efficiency): क्षितिजों $T=100, 125, 250$ के लिए, प्रस्तावित फॉर्मूलेशन [11] के फॉर्मूलेशन की तुलना में काफी तेज़ (2.13x से 13.92x) है।
स्केलेबिलिटी (Scalability): $T=500$ पर, प्रस्तावित विधि तेज़ बनी रहती है लेकिन सख्त ऑब्जेक्टिव सटीकता मानदंडों को पूरा करने में संघर्ष करती है, जबकि [11] का फॉर्मूलेशन अत्यधिक धीमा (65 सेकंड) हो जाता है। $T=1000$ पर, [11] का फॉर्मूलेशन समय सीमा के भीतर समाधान देने में विफल रहता है, जबकि प्रस्तावित विधि व्यवहार्य (यद्यपि कम सटीक) समाधान प्रदान करती है।
सटीकता (Accuracy): लेखक नोट करते हैं कि हालांकि प्रस्तावित विधि कम्प्यूटेशनल रूप से श्रेष्ठ है, लेकिन बहुत बड़े क्षितिजों में वेल्थ रिकंस्ट्रक्शन की सटीकता को प्रभावित करने वाली संख्यात्मक परिशुद्धता संबंधी समस्याएँ (जैसे संभाव्यता वेक्टर में अंडरफ्लो) मौजूद हैं। प्रयोग सख्ती से दोनों नॉनलीन वेल्थ फॉर्मूलेशन की तुलना करने के लिए सीमित हैं और थ्रेशोल्ड एल्गोरिदम के उपयोग किए गए सॉल्वरों के विरुद्ध $O(n)$ बेंचमार्क नहीं करते हैं।

महत्व और दावे
शोध पत्र का दावा है कि इसका प्राथमिक योगदान $\varepsilon$ -संदूषण मॉडल में रोबस्ट पोर्टफोलियो समस्या और स्थापित सतत द्विघात नैपसैक एल्गोरिदम के बीच का स्पष्ट संबंध है।

यह दावा नहीं करता है कि इसने नए रिसोर्स-एलोकेशन एल्गोरिदम या नई रोबस्ट ऑप्टिमाइज़ेशन थ्योरी का आविष्कार किया है; बल्कि, यह मौजूदा परिणामों (Schied [14], Kiwiel [6, 7, 8]) को इस विशिष्ट वित्तीय संदर्भ में विशेषज्ञता प्रदान करता है।
महत्व [11] के कॉम्बिनेटोरियल एन्यूमरेशन को एक एकल थ्रेशोल्ड कंप्यूटेशन और स्पष्ट रिकंस्ट्रक्शन से बदलने में निहित है।
लेखक एक विनम्र लहजा बनाए रखते हैं, यह स्वीकार करते हुए कि संख्यात्मक तुलना दोनों नॉनलीन फॉर्मूलेशन के संरचनात्मक अंतरों के चित्रण के लिए है और वे थ्रेशोल्ड एल्गोरिदम की सैद्धांतिक जटिलता सीमाओं के विरुद्ध नहीं हैं। वे सुझाव देते हैं कि भविष्य के कार्य कमजोर उपयोगिता धारणाओं और उन मामलों में स्केलर बजट समीकरण के संख्यात्मक समाधानों का पता लगा सकते हैं जहाँ क्लोज्ड फॉर्म उपलब्ध नहीं हैं।

इसी तरह के और पेपर