📈 economics

When the Tail Wags the Valuation: Convexity Bias in Terminal Value and a Sign-Aware Correction

यह शोध पत्र विकास दर और छूट दरों के बीच गैर-रेखीय संबंध से उत्पन्न होने वाले मानक टर्मिनल वैल्यू गणनाओं में एक व्यवस्थित उत्तलता पूर्वाग्रह (convexity bias) की पहचान करता है, और एक क्लोज्ड-फॉर्म, साइन-अवेयर सुधार प्रस्तावित करता है जो पुनर्निवेश, पूंजी पर प्रतिफल और पूंजी की लागत के बीच के अंतर्संबंध को ध्यान में रखते हुए लगभग 90% इस त्रुटि को समाप्त करता है।

मूल लेखक: Pawan Jain

प्रकाशित 2026-08-11

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pawan Jain

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

क्रिस्टल बॉल के पीछे का छिपा हुआ गणित

कल्पना कीजिए कि आप एक दुर्लभ, जादुई पेड़ की कीमत का अनुमान लगाने की कोशिश कर रहे हैं। आप अगले पांच वर्षों के लिए इसकी पत्तियों और शाखाओं को स्पष्ट रूप से देख सकते हैं, इसलिए आप उन्हें उच्च विश्वास के साथ गिन सकते हैं। लेकिन अगले पचास वर्षों के बारे में क्या? या अगले सौ वर्षों के बारे में? आप इतना दूर नहीं देख सकते, इसलिए आपको यह अनुमान लगाना होगा कि आपके पांच साल के दृश्य समाप्त होने के बाद पेड़ कितनी तेजी से हमेशा के लिए बढ़ेगा। वित्त की दुनिया में, इसे "वैल्यूएशन" (मूल्यांकन) कहा जाता है, और दूर के भविष्य के बारे में उस अनुमान को "टर्मिनल वैल्यू" (अंतिम मूल्य) कहा जाता है।

इस अनुमान को लगाने के लिए, विशेषज्ञ आमतौर पर "परपेचुइटी" (perpetuity) नामक एक सरल सूत्र का उपयोग करते हैं। इसे एक जादुई कैलकुलेटर की तरह समझें: आप वह पैसा लेते हैं जो पेड़ अगले वर्ष पैदा करेगा, उसे ब्याज दर (पैसे की लागत कितनी है) और विकास दर (पेड़ कितनी तेजी से बढ़ता है) के अंतर से विभाजित करते हैं। यह सुनने में आसान लगता है, लेकिन इसमें एक पेंच है। भविष्य अव्यवस्थित और अनिश्चित है। विकास दर आपके सोचे हुए से थोड़ी अधिक या कम हो सकती है, और ब्याज दर भी डगमगा सकती है। जब आप एक रोलरकोस्टर की तरह मुड़ने वाले और झुकने वाले सूत्र में केवल एक "सर्वश्रेष्ठ अनुमान" वाली संख्या डालते हैं, तो गणित जटिल हो जाता है। यह पता चलता है कि केवल अपने अनुमानों का औसत निकालना आपको औसत परिणाम नहीं देता है। यह शोध पत्र विशेष रूप से इस गणितीय समस्या की गहराई में जाता है, यह दिखाते हुए कि भविष्य के बारे में अनुमान लगाने का मानक तरीका गुप्त रूप से पक्षपाती (biased) क्यों है, और एक सरल समाधान प्रदान करता है जिसके लिए सुपरकंप्यूटर की आवश्यकता नहीं है।

जब पूंछ कुत्ते को हिलाती है

यह शोध पत्र, जिसका शीर्षक "व्हेन द टेल वैग्स द वैल्यूएशन" (When the Tail Wags the Valuation) है, कंपनियों के मूल्यांकन के तरीके में एक छिपी हुई समस्या से निपटता है। लेखक, जिनका नेतृत्व पवन जैन कर रहे हैं, तर्क देते हैं कि वित्तीय विशेषज्ञ जिस मानक तरीके से कंपनी की भविष्य की कीमत की गणना करते हैं, वह व्यवस्थित रूप से गलत है—केवल थोड़ा सा गलत नहीं, बल्कि एक विशिष्ट दिशा में पक्षपाती है। वे इसे "औसत का दोष" (flaw of averages) कहते हैं।

यहाँ मुख्य समस्या है: कल्पना कीजिए कि एक स्लाइड है जो ऊपर जाने पर अधिक तीव्र होती जाती है। यदि आप स्लाइड के ठीक बीच में खड़े हैं, तो आप एक निश्चित ऊंचाई पर हैं। लेकिन यदि आप बेतरतीब ढंग से बीच से आगे या पीछे हटते हैं, तो आप केवल समान रूप से ऊपर या नीचे नहीं जाते। क्योंकि स्लाइड अधिक तीव्र होती है, इसलिए "ऊपर" (जहाँ वक्र तीव्र है) कदम रखना आपको बहुत ऊपर ले जाता है, जबकि "नीखें" (जहाँ वक्र मंद है) कदम रखना आपको बहुत नीचे नहीं ले जाता। यदि आप उन सभी यादृच्छिक कदमों का औसत निकालते हैं, तो आपका औसत ऊँचाई वास्तव में आपके शुरुआती स्थान से अधिक होती है।

वित्त में, "स्लाइड" कंपनी के टर्मिनल वैल्यू का सूत्र है। "कदम" विकास दरों और ब्याज दरों की अनिश्चितता हैं। शोध पत्र यह सिद्ध करता है कि क्योंकि यह सूत्र ऊपर की ओर मुड़ता है (यह "कॉन्वेक्स" या उत्तल है), इसलिए केवल औसत संख्याओं को डालने वाला मानक तरीका हमेशा वास्तविक मूल्य को कम करके आंकता है। यह उस तीव्र स्लाइड के निचले हिस्से पर खड़े होकर यह सोचने जैसा है कि आप वास्तव में जितने ऊंचे हैं उससे अधिक ऊंचे हैं, या इस मामले में, यह सोचना कि कंपनी वास्तव में जितनी मूल्यवान है उससे कम मूल्यवान है।

ट्विस्ट: यह दूसरी दिशा में भी जा सकता है

लेकिन यहाँ कहानी और भी दिलचस्प हो जाती है। लेखक ने पाया कि यह पक्षपात हमेशा मूल्य को ऊपर की ओर नहीं धकेलता है। यह इस पर निर्भर करता है कि कंपनी कैसे बढ़ती है।

यदि कोई कंपनी अपने लाभ को उन नई परियोजनाओं में पुनर्निवेश करके बढ़ती है जो उधार लेने की लागत (एक "मूल्य-सृजन करने वाली" फर्म) से अधिक रिटर्न देती हैं, तो स्लाइड तीव्र होती है, और मानक अनुमान बहुत कम होता है। शोध पत्र दिखाता है कि इन मामलों में मानक विधि वास्तविक मूल्य का लगभग 6% से 14% हिस्सा छोड़ देती है।

हालाँकि, यदि कोई कंपनी उन परियोजनाओं में पैसा पुनर्निवेश करके बढ़ती है जो उधार लेने की लागत से कम कमाती हैं (एक "मूल्य-विनाश करने वाली" फर्म), तो स्लाइड वास्तव में दूसरी दिशा में मुड़ जाती है। इस परिदृश्य में, मानक विधि मूल्य को कम नहीं आंकती; यह इसका अति-आकलन (overestimate) करती है। यह ऐसा है जैसे कंपनी गड्ढा खोद रही है, लेकिन मानक कैलकुलेटर सोच रहा है कि वे एक मीनार बना रहे हैं। शोध पत्र स्पष्ट रूप से इस विचार को खारिज करता है कि पक्षपात हमेशा एक ही दिशा में होता है; यह इस बात पर निर्भर करता है कि कंपनी वास्तव में अपने निवेश पर पैसा बना रही है या खो रही है।

समाधान: एक सरल "साइन-अवेयर" (संकेत-जागरूक) सुधार

लेखक केवल समस्या की ओर इशारा नहीं करते; वे "कॉन्वेक्सिटी-करेक्टेड टर्मिनल वैल्यू" (CCTV) नामक एक समाधान भी पेश करते हैं। इसे अपने कैलकुलेटर में जोड़ने वाले एक जादुई सुधार शब्द के रूप में सोचें।

हजारों कंप्यूटर सिमुलेशन चलाने के बजाय (जो धीमा और अव्यवस्थित है), लेखक ने एक सुव्यवस्थित, क्लोज्ड-फॉर्म सूत्र खोजा है। यह एक कोड की एक एकल पंक्ति की तरह है जो कहती है: "देखें कि सूत्र कितना घुमावदार है, देखें कि आपकी संख्याएं कितनी अनिश्चित हैं, और यदि वक्र ऊपर जाता है तो उत्तर में थोड़ा जोड़ें, या यदि वह नीचे जाता है तो थोड़ा घटाएं।"

अपने परीक्षणों में, इस सरल सुधार ने लगभग 90% त्रुटि को दूर कर दिया। इसने अच्छी कंपनियों के लिए कम आकलन को ठीक किया और बुरी कंपनियों के लिए अति-आकलन को ठीक किया, और यह सब बिना किसी सुपरकंप्यूटर के किया गया। यह एक "साइन-अवेयर" सुधार है क्योंकि यह जानता है कि कंपनी के वास्तविक अर्थशास्त्र के आधार पर कब जोड़ना है और कब घटाना है।

"भंगुरता" (Fragility) को मापना

अंत में, शोध पत्र यह मापने का एक नया तरीका पेश करता है कि एक मूल्यांकन कितना "भंगुर" है। कल्पना कीजिए कि आप ताश के पत्तों का घर बना रहे हैं। कुछ घर इतने ऊंचे होते हैं कि यदि आप केवल एक कार्ड पर फूंक मार दें, तो पूरा घर गिर जाता है। अन्य मजबूत होते हैं। लेखक ने एक "फ्रैजिलिटी मेट्रिक" (भंगुरता मीट्रिक) बनाया है जो आपको बताता है कि कंपनी के मूल्य में अनिश्चितता का कितना प्रतिशत उन दूर के, अज्ञात भविष्य के वर्षों से आता है बनाम ज्ञात, निकट-अवधि के वर्षों से।

यदि किसी कंपनी का मूल्य 64% अपने भविष्य के अनुमानों (जैसे एक उच्च-विकास वाली टेक स्टार्टअप) पर निर्भर है, तो यह बहुत भंगुर है। यदि यह केवल 21% भविष्य पर निर्भर है (जैसे एक परिपक्व, स्थिर उपयोगिता कंपनी), तो यह बहुत अधिक मजबूत है। यह मीट्रिक निवेशकों और न्यायाधीशों को यह समझने में मदद करता है कि मूल्यांकन का कितना हिस्सा केवल एक अनुमान है, न कि एक ठोस तथ्य।

निष्कर्ष

शोध पत्र यह निष्कर्ष निकालता है कि एक साधारण "क्या-होगा" तालिका के साथ एक एकल संख्या देना भ्रामक है। यह इस तथ्य को छुपाता है कि गणित पक्षपाती है और यह पक्षपात गलत दिशा में भी जा सकता है। इस नए सुधार का उपयोग करके, कोई भी जो मूल्यांकन कर रहा है, अधिक ईमानदार, केंद्रित संख्या प्राप्त कर सकता है जो भविष्य की अनिश्चितता का सम्मान करती है। यह एक नाजुक, पक्षपाती अनुमान को एक सुधारात्मक, ऑडिट योग्य अनुमान में बदल देता है, यह सुनिश्चित करता है कि जब भविष्य की "पूंछ" मूल्यांकन के "कुत्ते" को हिलाती है, तो हमें पता हो कि कुत्ता वास्तव में कितना हिल रहा है।

तकनीकी सारांश: जब पूंछ मूल्यांकन को हिला देती है: टर्मिनल वैल्यू में कॉनवेक्सिटी बायस (Convexity Bias) और एक साइन-अवेयर सुधार

1. समस्या
मानक डिस्काउंटेड कैश फ्लो (DCF) मूल्यांकन में, टर्मिनल वैल्यू (TV) आमतौर पर किसी फर्म के कुल आंतरिक मूल्य के दो-तिहाई या उससे अधिक हिस्से का प्रतिनिधित्व करती है। हालांकि, प्रचलित परंपरा इस मूल्य की गणना करने के लिए ग्रोथ रेट ( $g$ ) और डिस्काउंट रेट ( $r$ ) के एकल पॉइंट एस्टीमेट (point estimate) का उपयोग करती है, जो गॉर्डन ग्रोथ परपेच्युइटी फॉर्मूला ( $TV = FCF_{T+1} / (r - g)$ ) के भीतर होता है।

यह शोध पत्र इस परंपरा में एक व्यवस्थित, संरचनात्मक दोष की पहचान करता है: गॉर्डन परपेच्युइटी अपने इनपुट्स (विशेष रूप से स्प्रेड $s = r - g$ ) के संबंध में एक स्ट्रिक्टली कॉनवेक्स (strictly convex) फंक्शन है। जेन्स इनइक्वलिटी (Jensen's inequality) के अनुसार, एक कॉनवेक्स फंक्शन का एक्सपेक्टेशन (expectation), उसके इनपुट्स के एक्सपेक्टेशन के फंक्शन के बराबर नहीं होता है ( $E[f(x)] \neq f(E[x])$ )। फलस्वरूप, मानक पॉइंट एस्टीमेट (मीन इनपुट्स पर गणना करना) बायस्ड (biased) होता है। इस बायस का परिमाण बड़ा है, यह $r$ और $g$ के बीच के स्प्रेड के कम होने पर अत्यधिक बढ़ जाता है, और महत्वपूर्ण रूप से, इसकी दिशा (कम आंकना बनाम अधिक आंकना) फर्म के आर्थिक फंडामेंटल्स पर निर्भर करती है, जिसे मानक परंपरा अनदेखा कर देती है।

2. कार्यप्रणाली और विश्लेषणात्मक ढांचा
यह शोध पत्र टेलर सीरीज़ एक्सपेंशन (सेकंड-ऑर्डर डेल्टा मेथड) का उपयोग करके विश्लेषणात्मक व्युत्पत्तियों (analytical derivations) को नियोजित करता है ताकि बायस की विशेषता बताई जा सके। यह केवल कम्प्यूटेशनल सिमुलेशन के बजाय सारांश सांख्यिकी (मीन, वेरिएंस और कोरिलेशन) की आवश्यकता वाले क्लोज्ड-फॉर्म सुधारों (closed-form corrections) को व्युत्पन्न करके मानक मोंटे कार्लो सिमुलेशन से आगे बढ़ता है।

मुख्य विश्लेषणात्मक चरण शामिल हैं:

कॉनवेक्सिटी विश्लेषण: यह सिद्ध करना कि $TV $, स्प्रेड$ s = r - g$ के संबंध में स्ट्रिक्टली कॉनवेक्स है।
बायस क्वांटिफिकेशन: यह दिखाना कि आनुपातिक बायस लगभग स्प्रेड के स्क्वेर्ड कोएफिशिएंट ऑफ वेरिएशन ( $CV(s)^2$ ) के बराबर है।
डिस्ट्रीब्यूशनल डिसिप्लिन: एक सुसंगत वैल्यूएशन डिस्ट्रीब्यूशन के लिए तीन आवश्यक बाधाएं स्थापित करना:
1. बाउंडेड ग्रोथ (Bounded Growth): कृत्रिम फैट टेल्स (fat tails) को रोकने के लिए ग्रोथ को अर्थव्यवस्था की दीर्घकालिक नाममात्र वृद्धि (long-run nominal growth) द्वारा सीमित किया जाना चाहिए।
2. पॉजिटिव कोमूवमेंट (Positive Comovement): $r$ और $g$ को नाममात्र दरों (nominal rates) से बंधे होने के कारण सकारात्मक रूप से सह-संबंधित होना चाहिए; सिमुलेशन में स्वतंत्र ड्रॉ (independent draws) स्प्रेड के वेरिएंस और परिणामी बायस को कृत्रिम रूप से बढ़ा देते हैं।
3. पुनर्निवेश निरंतरता (Reinvestment Consistency): ग्रोथ को पुनर्निवेश द्वारा वित्तपोषित किया जाना चाहिए ( $g = b \times ROIC$ )। यह कैश फ्लो (numerator) और ग्रोथ (denominator) को जोड़ता है, जिससे TV फंक्शन की वक्रता (curvature) बदल जाती है।

3. मुख्य योगदान और परिणाम

प्रपोजिशन 1 (कॉनवेक्सिटी और जेन्स गैप): यदि फंक्शन कॉनवेक्स है, तो मीन इनपुट्स पर टर्मिनल वैल्यू, अपेक्षित टर्मिनल वैल्यू से स्ट्रिक्टली कम होगी। "एवरेजेस का दोष" (flaw of averages) अपेक्षित मूल्य को तीव्र वक्र (steep curve) की ओर ऊपर खींच लेता है।
प्रपोजिशन 2 (बायस का परिमाण): आनुपातिक त्रुटि स्प्रेड के स्क्वेर्ड कोएफिशिएंट ऑफ वेरिएशन ( $CV(s)^2$ ) के बराबर है। यह त्रुटि परिपक्व फर्मों के लिए नगण्य है जिनका स्प्रेड व्यापक है, लेकिन उच्च-विकास वाली फर्मों के लिए विस्फोटक है जहाँ $r \approx g$ है।
प्रपोजिशन 3 (कोमूवमेंट एटेन्यूएशन): चूंकि $r$ और $g$ नाममात्र दर वातावरण के साथ एक साथ चलते हैं, इसलिए उनका सकारात्मक सहसंबंध स्प्रेड के वेरिएस को कम करता है। स्वतंत्र ड्रॉ (जहाँ $\rho=0$ मानकर) का उपयोग करने वाले मानक सिमुलेशन बायस को बढ़ाकर दिखाते हैं।
प्रपोजिशन 4 (पुनर्निवेश के माध्यम से साइन रिवर्सल): यह एक महत्वपूर्ण खोज है। जब ग्रोथ को पुनर्निवेश द्वारा वित्तपोषित किया जाता है, तो TV फंक्शन की वक्रता इस बात पर निर्भर करती है कि निवेश पर रिटर्न (ROIC) पूंजी की लागत ( $r$ $r$ ) से अधिक है या नहीं।
- यदि $ROIC > r$ (वैल्यू क्रिएशन): TV कॉनवेक्स है; पॉइंट एस्टीमेट वास्तविक माध्य को कम आंकता है।
- यदि $ROIC < r$ (वैल्यू डिस्ट्रक्शन): TV कॉन्केव (concave) है; पॉइंट एस्टीमेट वास्तविक माध्य को अधिक आंकता है।
- यदि $ROIC = r$: TV लीनियर (linear) है; कोई बायस नहीं है।
- महत्व: बायस की दिशा निश्चित नहीं है; यह इस आधार पर बदलती है कि फर्म मूल्य बना रही है या नष्ट कर रही है।
द कॉनवेक्सिटी-करेक्टेड टर्मिनल वैल्यू (CCTV): शोध पत्र एक क्लोज्ड-फॉर्म एस्टीमेटर प्रस्तावित करता है:
$TV_{CCTV} = h(\mu) + \frac{1}{2} \text{tr}[H(\mu)\Sigma]$
यह एस्टीमेटर पॉइंट एस्टीमेट में एक कर्वेचर-वेटेड डिस्पर्शन टर्म जोड़ता है। यह "साइन-अवेयर" है, जो कॉनवेक्स होने पर स्वतः मूल्य जोड़ता है (वैल्यू क्रिएशन) और कॉन्केव होने पर घटाता है (वैल्यू डिस्ट्रक्शन), बिना सिमुलेशन की आवश्यकता के।
द फ्रैजिलिटी मेट्रिक (The Fragility Metric): एक वेरिएंस-आधारित ग्लोबल सेंसिटिविटी एनालिसिस (टोटल-इफेक्ट सोबोल इंडेक्स) को परिभाषित किया गया है जो वैल्यूएशन वेरिएंस को स्पष्ट अवधि स्रोतों और टर्मिनल अवधि स्रोतों में विभाजित करता है। यह मात्रात्मक रूप से बताता है कि वैल्यूएशन की अनिश्चितता का कितना हिस्सा "टेल" (tail) धारणाओं द्वारा संचालित है।

4. संख्यात्मक चित्रण
ग्रोथ के लिए एक डिस्क्रीट डिस्ट्रीब्यूशन (1% या 5% समान प्रायिकता के साथ) और एक फिक्स्ड डिस्काउंट रेट (9%) का उपयोग करते हुए:

स्टैंडर्ड गॉर्डन: पॉइंट एस्टीमेट ने वास्तविक माध्य को 11.1% कम आंका। CCTV सुधार ने इस त्रुटि को घटाकर 1.2% कर दिया।
वैल्यू-डिस्ट्रॉइंग फर्म ($ROIC < r$): पॉइंट एस्टीमेट ने वास्तविक माध्य को 14.3% अधिक आंका। CCTV सुधार (जो कि नेगेटिव था) ने इस त्रुटि को घटाकर 1.6% कर दिया।
कोमूवमेंट: स्वतंत्र ड्रॉ के तहत ~35% के बायस से गिरकर, उच्च सहसंबंध ( $\rho=0.9$ ) लागू करने पर यह ~3.5% हो गया, जो अनियंत्रित सिमुलेशन के खतरे को दर्शाता है।

5. महत्व और दावे
शोध पत्र मूल्यांकन अभ्यास के लिए मामूली लेकिन व्यावहारिक योगदान का दावा करता है:

निदान और उपचार: यह एक क्लोज्ड-फॉर्म, ऑडिट योग्य सुधार प्रदान करता है जो मानक पॉइंट एस्टीमेट्स में पाए जाने वाले लगभग 90% बायस को हटा देता है, जो किसी भी दो बार डिफरेंशिएबल (twice-differentiable) टर्मिनल वैल्यू फंक्शन पर लागू है।
डिसीजन-एनालिटिक रिगर (Decision-Analytic Rigor): यह ध्यान को "कौन सा मॉडल सबसे सटीक है" से हटाकर "अनिश्चितता के तहत एक वैल्यूएशन को कैसे कंप्यूट और रिपोर्ट किया जाए" पर केंद्रित करता है। इसका तर्क है कि पॉइंट एस्टीमेट ठीक वहीं गलत केंद्र (miscenter) होता है जहाँ दांव सबसे ऊंचे होते हैं।
व्यावहारिकता: सुधार के लिए केवल सारांश सांख्यिकी (मीन, वेरिएंस, कोरिलेशन) की आवश्यकता होती है और इसे सिमुलेशन के बिना एक सिंगल लाइन में मौजूदा मॉडलों में लागू किया जा सकता है।
लिटिगेशन और फेयरनेस: यह ढांचा मूल्यांकन विवादों में सामान्य कमजोरियों को संबोधित करता है, विशेष रूप से कन्वर्जेंस बाउंड्री के पास पॉइंट एस्टीमेट्स का उपयोग और सह-संबंधित इनपुट्स का अनुचित उपचार। फ्रैजिलिटी मेट्रिक "मार्जिन ऑफ सेफ्टी" के लिए एक मात्रात्मक आधार प्रदान करता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि सुधार केवल दूसरे क्रम (second order) तक सटीक है (अत्यधिक स्क्यूड इनपुट्स के लिए अवशेष मौजूद रहते हैं), यह वर्तमान परंपरा की तुलना में एक वैज्ञानिक रूप से ईमानदार, कार्रवाई योग्य सुधार प्रदान करता है, जो एक नाजुक पॉइंट एस्टीमेट को एक अनिश्चित मात्रा के सुधारात्मक, ऑडिट योग्य सारांश में बदल देता है।