📈 economics

Period-Aware Analog Retrieval for Probabilistic Financial RiskForecasting

यह शोध पत्र 'पीरियड-अवेयर एनालॉग रिट्रीवल' (Period-Aware Analog Retrieval) को प्रस्तुत करता है, जो संभावabilistic वित्तीय जोखिम पूर्वानुमान के लिए एक गैर-पैरामीट्रिक ढांचा है, जो मैक्रोइकोनॉमिक रिजीम (macroeconomic regime), कैलेंडर निकटता (calendar proximity), और सीखी गई वितरण समानता (learned distributional similarity) के तीन-चरणीय फिल्टर के माध्यम से पहचाने गए ऐतिहासिक रूप से समान बाजार दिनों से परिणामों को पुनः प्राप्त करके और उन्हें एकत्रित करके रिटर्न वितरण का निर्माण करता है, जिससे मौजूदा मॉडलों की तुलना में अस्थिरता की अवधि के दौरान टेल रिस्क कैलिब्रेशन (tail risk calibration) और आर्थिक प्रदर्शन में महत्वपूर्ण सुधार होता है।

मूल लेखक: Ha Hung, Ngo Thanh, Nguyen Bao

प्रकाशित 2026-07-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ha Hung, Ngo Thanh, Nguyen Bao

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

कल्पना कीजिए कि आप एक वित्तीय जोखिम प्रबंधक (financial risk manager) हैं जो अगले महीने के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। अधिकांश पारंपरिक तरीके पिछले 30 वर्षों के मौसम के संपूर्ण इतिहास को देखने, उसे एक साथ औसत निकालने और यह कहने जैसे हैं, "पूरे इतिहास के आधार पर, यहाँ आपका पूर्वानुमान है।"

समस्या क्या है? जुलाई में आने वाला तूफान जनवरी के तूफान जैसा बिल्कुल नहीं होता, और एक शांत गर्मी का दिन, एक शांत सर्दियों के दिन से बहुत अलग होता है। यदि आप इन सबको आपस में मिला देते हैं, तो आपका पूर्वानुमान शांत दिनों के लिए बहुत डरावना होगा और तूफानी दिनों के लिए बहुत कम डरावना होगा।

यह शोध पत्र पीरियड-अवेयर एनालॉग रिट्रीवल (PAAR) नामक पूर्वानुमान लगाने का एक नया तरीका पेश करता है। सब कुछ औसत निकालने के बजाय, यह एक सुपर-स्मार्ट लाइब्रेरियन की तरह काम करता है जो केवल "बारिश" नहीं खोजता, बल्कि इतिहास के उन सटीक दिनों को ढूंढता है जो आज के दिन की तरह ही महसूस हुए थे।

यह कैसे काम करता है, इसे तीन सरल चरणों में यहाँ समझाया गया है:

1. "रेजीम" फ़िल्टर (सही पड़ोस ढूँढना)

कल्पना कीजिए कि आप किसी घर की कीमत के बारे में भविष्यवाणी करने की कोशिश कर रहे हैं। आप एक ऐसे घर की तुलना किसी बढ़ते शहर के घर से नहीं करेंगे जो एक सुनसान शहर में है, भले ही वे बाहर से समान दिखते हों।

शोध पत्र का समाधान: सिस्टम पहले बाजार के "मिजाज" की जांच करता है। क्या यह एक शांत, कम-तनाव वाला समय (एक "लो-वोलेटिलिटी बुल" रेजीम) है, या एक अराजक, उच्च-तनाव वाला समय (एक "संकट" रेजीम) है?
उपमा: यह एक क्लब के बाउंसर की तरह है। यदि आप "संकट" वाले क्लब में हैं, तो बाउंसर केवल उन बीते हुए दिनों को देखने की अनुमति देता है जो भी "संकट" वाले क्लब में थे। वह एक शांत मंगलवार की तुलना एक अराजक शुक्रवार से करने से इनकार करता है।

2. "कैलेंडर" फ़िल्टर (सही मौसम ढूँढना)

एक ही "मिजाज" के भीतर भी, समय का महत्व होता है।

शोध पत्र का समाधान: सिस्टम कैलेंडर की जांच करता है। वह जानता है कि टैक्स सीजन या कंपनी अर्निंग रिपोर्ट्स के कारण अप्रैल की शुरुआत की तुलना में अक्टूबर के अंत में बाजार का व्यवहार अलग हो सकता है।
उपमा: यह एक रेसिपी (विधि) खोजने जैसा है। यदि आप कद्दू पाई (pumpkin pie) बनाना चाहते हैं, तो आप स्ट्रॉबेरी शॉर्टकेक की रेसिपी नहीं देखेंगे सिर्फ इसलिए क्योंकि दोनों "डेसर्ट" हैं। आप विशेष रूप से उन रेसिपीज़ को देखते हैं जो पतझड़ (fall) के मौसम में बनाई जाती हैं। सिस्टम केवल उन ऐतिहासिक दिनों को देखता है जो आज की तारीख के लगभग एक महीने के भीतर हुए थे।

3. "डीप सर्च" (जुड़वां ढूँढना)

एक बार जब सिस्टम ने केवल "संकट वाले अक्टूबर के दिनों" की सूची को सीमित कर दिया, तो इसे सबसे करीबी मिलान खोजने की आवश्यकता होती है।

शोध पत्र का समाधान: यह एक विशेष "समानता स्कोर" (similarity score) का उपयोग करता है जो एक साथ कई चीजों को देखता है: मूल्य पैटर्न, आर्थिक रुझान और अस्थिरता (volatility)। यह केवल यह नहीं मापता कि दो संख्याएँ कितनी करीब हैं; यह यह मापता है कि बाजार की कहानी कितनी समान थी।
उपमा: कल्पना कीजिए कि आप एक फिल्म में आगे क्या होने वाला है, इसका अनुमान लगाने की कोशिश कर रहे हैं। आप केवल कार चेज़ (car chase) वाले किसी भी दृश्य को नहीं देखते। आप उस दृश्य को देखते हैं जहाँ कार लाल है, ड्राइवर गुस्से में है, बारिश हो रही है, और संगीत तेज़ है। आप 10 साल पहले की एक फिल्म से बिल्कुल वैसा ही "जुड़वां दृश्य" ढूंढते हैं और पूछते हैं, "उस दृश्य के ठीक बाद क्या हुआ था?"

परिणाम: एक "वास्तविक दुनिया" का पूर्वानुमान

एक बार जब सिस्टम इन लगभग 50 "जुड़वां दिनों" को ढूंढ लेता है, तो यह बस यह देखता है कि उन दिनों में वास्तव में बाजार के साथ क्या हुआ था। यह पूरी तरह से वास्तविक इतिहास पर आधारित पूर्वानुमान बनाता है, न कि किसी गणितीय सूत्र पर जो यह अनुमान लगाता है कि दुनिया को कैसा होना चाहिए।

यह क्यों मायने रखता है?

यह सुरक्षित है: पारंपरिक मॉडल अक्सर "टेल रिस्क" (tail risk) को गलत समझते हैं (वे सोचते हैं कि क्रैश होना असंभव है जबकि वास्तव में यह संभावित है)। यह तरीका क्रैश की भविष्यवाणी करने में बहुत बेहतर है क्योंकि यह उन पिछले क्रैशों को ढूंढता है जो आज की तरह ही दिखते थे।
यह ईमानदार है: यह किसी फैंसी समीकरण के साथ भविष्य जानने का ढोंग नहीं करता। यह कहता है, "जब चीजें बिल्कुल ऐसी ही थीं, तब अतीत में क्या हुआ था।"
यह संकटों में काम करता है: इस शोध पत्र का परीक्षण 26 वर्षों तक किया गया, जिसमें 2008 का वित्तीय संकट और 2020 की महामारी शामिल है। उन डरावने समय में, यह तरीका सटीक रहा जबकि अन्य तरीके विफल रहे।

संक्षेप में: एक आदर्श क्रिस्टल बॉल बनाने के बजाय, यह शोध पत्र सुझाव देता है कि हमें बस इतिहास से सबसे अच्छे "टाइम ट्रैवल" मिलान खोजने चाहिए और देखना चाहिए कि उसके बाद क्या हुआ। यह भविष्य का अनुमान लगाने का एक स्मार्ट और अधिक सतर्क तरीका है।

तकनीकी सारांश: संभाव्य वित्तीय जोखिम पूर्वानुमान के लिए अवधि-जागरूक एनालॉग रिट्रीवल (Period-Aware Analog Retrieval)

1. समस्या विवरण

यहाँ संबोधित मुख्य चुनौती वित्तीय रिटर्न के पूर्ण वितरण (full distribution) का सटीक पूर्वानुमान लगाना है, विशेष रूप से बेसल III (Basel III) जैसे ढांचों के तहत आवश्यक 'वैल्यू-एट-रिस्क' (VaR) और 'एक्सपेक्टेड शॉर्टफॉल' (ES) के लिए आवश्यक टेल रिस्क (tail risk)। मौजूदा विधियाँ एक मौलिक कमी से ग्रस्त हैं: वे आमतौर पर वैश्विक रूप से एकत्रित ऐतिहासिक डेटा पर मॉडल फिट करके पूर्वानुमान बनाती हैं, बिना यह सत्यापित किए कि क्या पिछले अवलोकन वर्तमान बाजार परिवेश के साथ संरचनात्मक रूप से तुलनीय हैं।

वर्तमान साहित्य में तीन प्राथमिक सीमाओं की पहचान की गई है:

पैरामीट्रिक विधियाँ (Parametric Methods): GARCH, CAViaR और क्वांटाइल रिग्रेशन जैसे मॉडल कार्यात्मक रूप (functional form) की धारणाएं थोपते हैं जो अक्सर टेल (tails) में विफल हो जाती हैं या शासन परिवर्तन (regime shifts) को पकड़ने में असमर्थ होती हैं (Engle and Manganelli 2004; Ghysels et al. 1996)।
नाइव एनालॉग विधियाँ (Naive Analog Methods): पारंपरिक एनालॉग रिट्रीवल कच्चे फीचर स्पेस में यूक्लिडियन दूरी (Euclidean distance) का उपयोग करता है, जिससे "रेजीम मिक्सिंग" (जैसे, 2009 के संकट के दिन को 2017 के कम अस्थिरता वाले दिन के समान मानना) और "कैलेंडर ब्लाइंडनेस" (मौसमी विषमता को अनदेखा करना) होता है, जिसके परिणामस्वरूप गलत कैलिब्रेटेड टेल अनुमान प्राप्त होते हैं (Aït-Sahalia and Lo 1998; Brock et al. 1992)।
डीप लर्निंग की सीमाएँ: जबकि LSTM और ट्रांसफॉर्मर जैसी आर्किटेक्चर शक्तिशाली रिप्रजेंटेशन सीखती हैं, वे पॉइंटवाइज प्रेडिक्शन एरर के लिए अनुकूलित होती हैं, न कि कंडीशनल डिस्ट्रीब्यूशन के आकार या बाजार के प्रकरणों (episodes) के बीच संरचनात्मक समानता को संरक्षित करने के लिए (Hochreiter and Schmidhuber 1997; Vaswani et al. 2017)।

यह शोध पत्र प्रस्ताव देता है कि वितरण संबंधी पूर्वानुमान (distributional forecasting) को एक रिट्रीवल समस्या (retrieval problem) के रूप में पुनर्गठित किया जाना चाहिए: यानी ऐसे पिछले बाजार दिनों की पहचान करना जो मैक्रोइकॉनॉमिक रेजीम, वर्ष के समय और फीचर स्ट्रक्चर के मामले में वर्तमान स्थिति के समान हों, और उनके वास्तविक परिणामों का उपयोग पूर्वानुमान वितरण बनाने के लिए किया जाए।

2. कार्यप्रणाली: पीरियड-अवेयर एनालॉग रिट्रीवल (PAAR)

प्रस्तावित ढांचा PAAR, वितरण संबंधी पूर्वानुमान को एक खोज समस्या (search problem) के रूप में मानता है जो तीन फिल्टरों द्वारा नियंत्रित है ताकि यह सुनिश्चित किया जा सके कि रिट्राईव किए गए एनालॉग वास्तव में तुलनीय वातावरण से आते हैं।

2.1 आर्किटेक्चर ओवरव्यू

पाइपलाइन में चार चरण शामिल हैं: फीचर निर्माण, रेजीम पहचान, एनकोडर प्रशिक्षण, और रिट्रीवल-आधारित वितरण अनुमान।

2.2 फीचर निर्माण

एक मार्केट फीचर वेक्टर $x_t \in \mathbb{R}^{25}$ बनाया गया है जो ट्रेंड, रिवर्सल, वोलैटिलिटी, लिक्विडिटी, मोमेंटम, मैक्रोइकॉनॉमिक सिग्नल्स और मार्केट ब्रेडथ के संकेतकों से बना है। सेकुलर ट्रेंड्स को हटाने के लिए फीचर्स को पिछले 252 दिनों के रोलिंग z-स्कोर का उपयोग करके नॉर्मलाइज किया गया है। कैलेंडर मेटाडेटा (दिन-का-वर्ष, महीना, आदि) को सहायक इनपुट के रूप में जोड़ा गया है लेकिन इसे समानता मेट्रिक (similarity metric) से बाहर रखा गया है, जिससे यह केवल रिट्रीवल बाधा (retrieval constraint) के रूप में कार्य करता है।

2.3 रेजीम आइडेंटिफिकेशन (फिल्टर 1)

रेजीम मिक्सिंग को रोकने के लिए, आर्काइव को एक फोर-स्टेट गॉसियन हिडन मार्कोव मॉडल (HMM) का उपयोग करके विभाजित किया गया है। HMM को पांच-आयामी मैक्रोइकॉनॉमिक वेक्टर (10-दिवसीय रियलाइज्ड वोलैटिलिटी, यील्ड कर्व स्लोप, 10-वर्षीय बॉन्ड यील्ड चेंज, FX चेंज, और 60-दिवसीय मोमेंटम) पर फिट किया गया है ताकि सतही मूल्य पैटर्न के बजाय मैक्रोइकॉनॉमिक बैकड्रॉप को कैप्चर किया जा सके।

प्रतिबंध (Constraint): केवल वे अवलोकन जिन्हें क्वेरी डेट के समान HMM रेजीम असाइन किया गया है, ही पात्र हैं।
अनुकूलन (Adaptation): यदि वर्तमान रेजीम कम प्रतिनिधित्व वाला है, तो खोज को HMM ट्रांजिशन प्रोबेबिलिटी द्वारा रैंक किए गए आस-पास के रेजीम्स तक विस्तारित किया जाता है।

2.4 एनकोडर ट्रेनिंग

मेट्रिक अपर्याप्तता (जहाँ यूक्लिडियन दूरी संरचनात्मक समानता को पकड़ने में विफल रहती है) को संबोधित करने के लिए, एक कॉम्पैक्ट थ्री-लेयर MLP एनकोडर $x_t$ को 32-डायमेंशनल एम्बेडिंग $e_t$ में मैप करता है। एनकोडर को एक कंपोजिट लॉस के साथ प्रशिक्षित किया जाता है:

आउटकम अलाइनमेंट लॉस: समान रियलाइज्ड रिटर्न क्विंटाइल्स वाले दिनों को करीब लाता है और एक ही रेजीम के भीतर अलग-अलग क्विंटाइल्स वाले दिनों को दूर धकेलता है।
रेजीम सेपरेशन लॉस: यह सुनिश्चित करता है कि विभिन्न रेजीम्स के एम्बेडिंग्स कम से कम 2.0 के मार्जिन से अलग रहें।

2.5 थ्री-फिल्टर रिट्रीवल कैस्केड

एक क्वेरी डेट $t$ के लिए, रिट्रीवल प्रक्रिया तीन क्रमिक फिल्टर लागू करती है:

रेजीम गेट: उम्मीदवारों को उसी HMM रेजीम तक सीमित करता है।
पीरियड-अवेयर विंडो: रेजीम-फिल्टर्ड पूल के भीतर, केवल उन अवलोकनों को रखता है जहाँ $|\ell_s - \ell_t| \le \delta$ (डिफ़ॉल्ट $\delta=30$ दिन) है, जो मौसमी तुलनीयता सुनिश्चित करता है (जैसे, अक्टूबर के अंत को अक्टूबर के अंत से मिलाना)।
मल्टी-फैसेट सिमिलैरिटी: शेष उम्मीदवारों को एक भारित स्कोर $\phi(x_t, x_s)$ $ϕ (x_{t}, x_{s})$ द्वारा रैंक किया जाता है जो निम्नलिखित का संयोजन है:
- प्राइस-पैटर्न शेप (ट्रेंड/रिवर्सल)।
- मैक्रोइकॉनॉमिक अलाइनमेंट।
- वोलैटिलिटी प्रोफाइल।
- सीखा हुआ एम्बेडिंग डिस्टेंस ( $\phi_{embed}$ )।
- नोट: उच्च-वोलैटिलिटी रेजीम्स में, वितरण की तीक्ष्णता (sharpness) बनाए रखने के लिए पड़ोसियों की संख्या $k$ कम हो जाती है।

2.6 डिस्ट्रीब्यूशन एस्टीमेशन

पूर्वानुमान वितरण $\hat{F}_{t+h}(y)$ को शीर्ष- $k$ एनालॉग्स के रियलाइज्ड फॉरवर्ड रिटर्न्स के एक भारित एम्पिरिकल CDF के रूप में बनाया जाता है।

स्मूथिंग (Smoothing): एक गॉसियन कर्नेल डेंसिटी एस्टीमेशन (KDE) लागू किया जाता है।
फालबैक (Fallback): तनावपूर्ण (stressed) रेजीम्स में, जहाँ एनालॉग पूल छोटा है, वितरण भारी पूंछ (heavy tails) को समायोजित करने के लिए मैक्सिमम लाइक्लीहुड के माध्यम से स्टूडेंट-टी (Student-t) फिट पर निर्भर करता है।
कैलिब्रेशन: एक रोलिंग क्वांटाइल रीकैलिब्रेटर (आइसोटोनिक रिग्रेशन) 252-दिवसीय विंडो के ऊपर व्यवस्थित कवरेज त्रुटियों को ठीक करता है, जो विशेष रूप से टेल क्वांटाइल्स को लक्षित करता है।

3. प्रमुख योगदान

यह शोध पत्र तीन विशिष्ट योगदान देता है:

एक रेजीम और पीरियड-अवेयर फ्रेमवर्क: एक संरचित रिट्रीवल सिस्टम जो रेजीम मिक्सिंग, मौसमी कन्फाउंडिंग और मेट्रिक अपर्याप्तता को संयुक्त रूप से संबोधित करता है, जिससे मॉडल त्रुटि का केंद्र पैरामीट्रिक फॉर्म से बदलकर रिट्राईव किए गए पड़ोसी सेट की गुणवत्ता पर आ जाता है।
एक सीखा हुआ सिमिलैरिटी मेट्रिक: एक ऐसा एम्बेडिंग स्पेस जिसे विशेष रूप से पॉइंटवाइज प्रेडिक्शन एरर के बजाय वितरण संबंधी परिणामों (रिटर्न क्विंटाइल्स) के साथ ज्यामिति को संरेखित करने के लिए प्रशिक्षित किया गया है।
एक मूल्यांकन प्रोटोकॉल: प्रॉपर स्कोरिंग रूल्स (WQL, CRPS), टेल रिस्क कैलिब्रेशन (VaR/ES), और आर्थिक प्रदर्शन (शार्प रेशियो) का उपयोग करके एक व्यापक मूल्यांकन।

4. प्रयोगात्मक परिणाम

ढांचे का मूल्यांकन जनवरी 1995 से मार्च 2026 (6,430 टेस्ट डेज़) तक दैनिक S&P 500 डेटा पर, दस बेसलाइन्स (क्लासिकल, ML, डीप लर्निंग, और फाउंडेशन मॉडल्स) के विरुद्ध वॉक-फॉरवर्ड बैकटेस्ट के माध्यम से किया गया।

4.1 वितरण संबंधी सटीकता

PAAR-RAF (सिमिलैरिटी फैसेट के रूप में फाउंडेशन मॉडल एम्बेडिंग को शामिल करते हुए) और PAAR-KDE ने सर्वश्रेष्ठ वेटेड क्वांटाइल लॉस (WQL) और कंटीन्यूअस ranked प्रोबेबिलिटी स्कोर (CRPS) प्राप्त किया।
दोनों PAAR वेरिएंट ही एकमात्र मॉडल थे जिन्होंने 1.0 से नीचे मीन एब्सोल्यूट स्केल्ड एरर (MASE) प्राप्त किया, जो एक नाइव बेंचमार्क की तुलना में निरंतर सुधार को दर्शाता है।
डाइबोल्ड-मारियानो (Diebold-Mariano) सांख्यिकीय परीक्षणों ने पुष्टि की कि PAAR-RAF सभी बेसलाइन्स, जिसमें क्लासिकल ARMA/ARIMA मॉडल भी शामिल हैं, से काफी बेहतर प्रदर्शन करता है।

4.2 टेल कैलिब्रेशन और रिस्क मैनेजमेंट

VaR कवरेज: PAAR-KDE 10% लक्षित VaR एक्सीडेंस रेट के करीब रहा और कुपिएक के टेस्ट (Kupiec's test) द्वारा खारिज नहीं किया गया, जबकि कई ML और डीप लर्निंग बेसलाइन्स में गंभीर अंडर-कवरेज देखा गया (जैसे, रैंडम फॉरेस्ट 24%, क्रोनोस 25.1%)।
आर्थिक प्रदर्शन: PAAR वेरिएंट्स ने डीप लर्निंग बेसलाइन्स की तुलना में बेहतर शार्प रेशियो प्राप्त किया। PAAR-KDE ने 26-वर्षीय विंडो के दौरान उच्चतम टर्मिनल रिटर्न जमा किया और 2008 और 2020 के संकटों के दौरान सकारात्मक पथ बनाए रखा।
फाउंडेशन मॉडल्स: क्रोनोस फाउंडेशन मॉडल के जीरो-शॉट परिनियोजन (deployment) के परिणामस्वरूप गंभीर टेल मिसकैलिब्रेशन हुआ। हालांकि, इसके एम्बेडिंग्स को रिट्रीवल फैसेट के रूप में उपयोग करने पर (PAER-RAF) समग्र रूप से सर्वश्रेष्ठ प्रदर्शन प्राप्त हुआ, जो सुझाव देता है कि फाउंडेशन मॉडल्स रिप्रेजेंटेशन लर्नर्स के रूप में मूल्यवान हैं लेकिन इस संदर्भ में सीधे संभाव्य पूर्वानुमानकर्ता के रूप में नहीं।

4.3 एब्लेशन स्टडी (Ablation Study)

थ्री-फिल्टर कैस्केड के किसी भी घटक को हटाने से प्रदर्शन में गिरावट आई:

कोई मल्टी-फैसेट सिमिलैरिटी नहीं: WQL/CRPS में सबसे बड़ी गिरावट, जो पुष्टि करती है कि रिप्रजेंटेशन की गुणवत्ता प्राथमिक चालक है।
कोई रेजीम गेट नहीं: शार्प रेशियो में कमी, जो इंगित करती है कि अनकन्स्ट्रेंड रिट्रीवल संरचनात्मक रूप से असंगत अवस्थाओं से शोर (noise) पेश करता है।
कोई पीरियड फिल्टर नहीं: WQL में थोड़ा सुधार हुआ लेकिन शार्प रेशियो काफी कम हो गया, जिससे पता चलता है कि मौसमी संरेखण टेल व्यवहार और जोखिम-समायोजित रिटर्न के लिए महत्वपूर्ण है, भले ही एग्रीगेट मेट्रिक्स इसे मिस कर दें।

5. महत्व और दावे

शोध पत्र का दावा है कि वित्तीय पूर्वानुमान को फंक्शन एप्रोक्सिमेशन से बदलकर कंडीशनल डिस्ट्रीब्यूशन रिट्रीवल के रूप में पुनर्गठित करना दो व्यावहारिक लाभ प्रदान करता है:

मिसस्पेसिफिकेशन से बचाव: वास्तविक परिणामों का उपयोग करके पूर्वानुमानों का निर्माण करके, यह विधि रिटर्न डिस्ट्रीब्यूशन पर पैरामीट्रिक परिवारों को थोपने से बचती है और विषम रेजीम्स के बीच ग्लोबल मॉडल्स को एक्सट्रपलेशन करने की आवश्यकता को समाप्त करती है।
नियामक और क्रियात्मक उपयोगिता: यह दृष्टिकोण व्याख्या योग्य पूर्वानुमान (नामित ऐतिहासिक एनालॉग द्वारा समर्थित) प्रदान करता है और कई संकटों के दौरान नाममात्र कवरेज के करीब टेल कवरेज बनाए रखता है। यह सीधे तौर पर पूंजी पर्याप्तता (बेसल III) के लिए नियामक आवश्यकताओं को संबोधित करता है जहाँ सटीक टेल कैलिब्रेशन सर्वोपरि है।

लेखक सीमाओं को नोट करते हैं, जिसमें एकल इक्विटी इंडेक्स (S&P 500) तक प्रतिबंध, HMM रेजीम एस्टीमेशन में संभावित सर्कुलैरिटी, और यह धारणा कि ऐतिहासिक आर्काइव में प्रत्येक रेजीम-कैलेंडर संयोजन के लिए पर्याप्त एनालॉग मौजूद हैं। वे भविष्य के कार्य के रूप में कई एसेट क्लासेज तक रिट्रीवल आर्काइव का विस्तार करने और ऑनलाइन रिट्रीवल अपडेट्स का पता लगाने का सुझाव देते हैं।