CAViaR ব্যাখ্যা: শর্তাধীন অটোরিগ্রেসিভ Value at Risk

ধরা যাক, \(L_t=-r_t\) হলো পোর্টফোলিওর ক্ষতি; অর্থাৎ ক্ষতি ধনাত্মক এবং লাভ ঋণাত্মক। আস্থা-স্তর \(\alpha\)-তে এক-পর্বের VaR পূর্বাভাস হলো শর্তাধীন ঊর্ধ্ব কোয়ান্টাইল \[ v_t^\alpha=Q_\alpha(L_t\mid\mathcal F_{t-1}), \] যেখানে \(\mathcal F_{t-1}\)-এ \(t\) পর্বের ক্ষতি দেখা যাওয়ার আগে উপলভ্য তথ্য থাকে। \(\alpha=0.99\) হলে, শর্তাধীন কোয়ান্টাইল সঠিকভাবে নির্দিষ্ট করা থাকলে ভবিষ্যৎ ক্ষতির প্রায় \(1-\alpha=1\%\) এই সীমা অতিক্রম করবে—এটাই লক্ষ্য। বাস্তবায়িত ক্ষতি VaR-কে যেকোনো পরিমাণে ছাড়িয়ে যেতে পারে; VaR সর্বোচ্চ ক্ষতির সীমা নয়।

CAViaR-এর পূর্ণরূপ Conditional Autoregressive Value at Risk। পুনরাবৃত্তির মাধ্যমে এটি সময়ের সঙ্গে কোয়ান্টাইল কীভাবে বদলায় তা নির্দিষ্ট করে। সম্পূর্ণ শর্তাধীন বণ্টন নির্ণয় করে পরে tail-এর একটি বিন্দু বের না করে, এই বিন্দুটিকেই সরাসরি মডেল করা হয়। Engle ও Manganelli এই মডেল-শ্রেণি প্রস্তাব করেন এবং কোয়ান্টাইল রিগ্রেশন দিয়ে প্যারামিটার নির্ণয় করেন (তাঁদের ২০০৪ সালের গবেষণাপত্র)। নির্বাচিত কোয়ান্টাইলের স্তর গুরুত্বপূর্ণ: ৯৫% ও ৯৯% মডেলের গতিবিদ্যা আলাদা হতে পারে, আর কোনোটিই পুরো tail বর্ণনা করে না।

এক ধাপের সাধারণ রূপ \[ v_t^\alpha=f(v_{t-1}^\alpha,L_{t-1},X_{t-1};\beta), \] যেখানে \(X_{t-1}\)-এ অন্যান্য অনুমোদিত পূর্বাভাসকারী থাকে এবং \(\beta\) হলো নির্ণেয় প্যারামিটারের ভেক্টর। আগের কোয়ান্টাইল পূর্বাভাসে স্মৃতি যোগ করে; আগের ক্ষতি বা পূর্বাভাসকারীরা নতুন তথ্য দিয়ে সীমা বদলাতে দেয়। অতীত পরিস্থিতি গুরুত্বপূর্ণ বলে এটি volatility recursion-এর মতো, কিন্তু এখানে আপডেট হওয়া অবস্থা শর্তাধীন variance নয়, কোয়ান্টাইল।

উদাহরণস্বরূপ, symmetric absolute-value (SAV) স্পেসিফিকেশন হলো \[ v_t^\alpha=\beta_0+\beta_1v_{t-1}^\alpha+\beta_2|L_{t-1}|. \] এটি আগের পরিবর্তনের মাত্রায় সাড়া দেয়, তবে absolute value-এর কারণে লাভ ও ক্ষতিকে সমমিতভাবে বিবেচনা করে। Autoregressive পদটি শকের পর পূর্বাভাসকে কিছু সময় ধরে রাখে, পরে নতুন ইনপুট বদলালে তা কমে আসে। স্থায়িত্ব নির্ণয় ও মূল্যায়ন করতে হয়; মসৃণ রেখা দেখালেই কোয়ান্টাইলটি যথাযথভাবে ক্যালিব্রেট হয়েছে বলা যায় না।

CAViaR-এর অন্য রূপও আছে: আগের পর্যবেক্ষণ পূর্বের সীমা পার হয়েছিল কি না তার ওপর নির্ভর করা adaptive update, এবং variance-সদৃশ পুনরাবৃত্তি যুক্ত indirect-GARCH রূপ। এগুলো বিকল্প স্পেসিফিকেশন, পরস্পর-বিনিমেয় নাম নয়। কোন ঐতিহাসিক তথ্য কোয়ান্টাইল সরাতে পারে এবং fitted model কী ধরনের সাড়া প্রকাশ করতে পারে, তা functional form নির্ধারণ করে।

নিম্নমুখী ও ঊর্ধ্বমুখী পর্যবেক্ষণ যেন পরের ক্ষতি-কোয়ান্টাইলকে আলাদাভাবে প্রভাবিত করতে পারে, সে জন্য ধনাত্মক মান \(L^+=\max(L,0)\) এবং \(L^-=\max(-L,0)\) সংজ্ঞায়িত করি। অসমমিত ঢালের একটি রূপ হলো \[ v_t^\alpha=\beta_0+\beta_1v_{t-1}^\alpha+\beta_2L_{t-1}^{+}+\beta_3L_{t-1}^{-}. \] পোর্টফোলিওর ধনাত্মক ক্ষতি \(L^+\) দিয়ে আসে, আর লাভ আসে \(L^-\) দিয়ে। দুইটি নির্ণীত ঢাল সমান হওয়া জরুরি নয়। ধনাত্মক ক্ষতির বদলে রিটার্ন এবং রিটার্নের নিম্ন কোয়ান্টাইল মডেল করলে চিহ্নের নিয়ম বদলে যায়। তাই গবেষণাপত্র বা বাস্তবায়নে নির্ভরশীল চলক এবং ধনাত্মক/ঋণাত্মক অংশের অর্থ স্পষ্টভাবে জানাতে হবে।

এই নমনীয়তা বাজারে অসমমিত leverage effect থাকার প্রমাণ নয়। নির্বাচিত পুনরাবৃত্তি ও নমুনার শর্তে এটি শর্তাধীন কোয়ান্টাইলকে দুই অংশে আলাদা সাড়া দিতে দেয়। সহগগুলো নির্ণীত মান, জানা ধ্রুবক নয়; চিহ্ন ও আকার একক এবং parameterization-এর ওপর নির্ভরশীল। এই রূপকে সমমিত benchmark-এর সঙ্গে তুলনা করুন এবং দুটিকেই estimation sample-এর বাইরে মূল্যায়ন করুন।

<!-- Illustration placement: after section 3; text-free conceptual view of a conditional loss-quantile ribbon moving over time, responding more after a large loss than after an upside move, with a few conceptual threshold crossings. No axes, labels, values, or market data. -->

প্রার্থী প্যারামিটার \(\beta\)-র জন্য আগে সম্পূর্ণ পুনরাবৃত্ত পথ \(v_t^\alpha(\beta)\) তৈরি করুন। তারপর quantile বা check loss সর্বনিম্ন করুন: \[ \widehat\beta=\arg\min_\beta\sum_{t=1}^{T}\rho_\alpha\!\left(L_t-v_t^\alpha(\beta)\right), \qquad \rho_\alpha(u)=u\left(\alpha-\mathbf 1\{u<0\}\right). \] ক্ষতির ঊর্ধ্ব কোয়ান্টাইলে, \(u>0\) হলে কম পূর্বাভাস \(\alpha\) ওজন পায়; \(u<0\) হলে বেশি পূর্বাভাস \(1-\alpha\) ওজন পায়। \(\alpha=0.99\)-তে একই মাত্রার অতিরিক্ত buffer-এর চেয়ে বড় ক্ষতি ধরতে না পারাকে loss function বেশি শাস্তি দেয়। এটি squared-error loss নয়, এবং শর্তাধীন গড় মেলাতে সহগ বেছে নেওয়া হয় না।

Koenker ও Bassett-এর বিকশিত quantile regression ধারণাটি (১৯৭৮ সালের গবেষণাপত্র) এখানে পুনরাবৃত্তভাবে তৈরি কোয়ান্টাইল-পথে প্রয়োগ করা হয়েছে। Linear quantile regression-এর objective-এ কার্যকর convex কাঠামো আছে, তবে CAViaR-এর nonlinear recursive form-এ optimization প্রারম্ভিক মান ও local minimum-এর প্রতি সংবেদনশীল হতে পারে। বাস্তব অনুমানে objective, parameter restriction, optimization procedure, convergence check এবং বিকল্প প্রারম্ভিক মানের ফল নথিভুক্ত করুন। সাধারণ least-squares output quantile-regression inference-এর বিকল্প নয়।

প্রথম পুনরাবৃত্ত মান \(v_0^\alpha\) দিতে বা নির্ণয় করতে হবে। একটি স্বচ্ছ পদ্ধতি হলো evaluation period-এর আগে শেষ হওয়া presample window থেকে ক্ষতির empirical upper quantile নেওয়া। অন্য বাস্তবায়নে প্রারম্ভিক মান যৌথভাবে নির্ণয় করা হয় বা নথিভুক্ত burn-in ব্যবহার করা হয়। প্রার্থী স্পেসিফিকেশনগুলোতে একই নিয়ম ধারাবাহিকভাবে প্রয়োগ করুন এবং initialization-এর জন্য কত পর্যবেক্ষণ ব্যবহৃত হয়েছে তা জানান। lagged coefficient স্থায়ী হলে শুরুর মান অনেক পরের পূর্বাভাসে প্রভাব ফেলতে পারে।

দেখতে সরল সমীকরণ হলেও recursive quantile fit প্যারামিটারে nonlinear হতে পারে। ভিন্ন starting vector ভিন্ন local solution-এ পৌঁছাতে পারে; optimizer converge করেছে মানে কেবল সংখ্যাগত stopping rule পূরণ হয়েছে। দরকার হলে কয়েকটি যুক্তিসঙ্গত start ব্যবহার করে ফলের পথ পরীক্ষা করুন। যেমন nonnegative loss threshold-এর সংখ্যাগত শর্তকে অর্থনৈতিক সত্য বলে ধরবেন না। সব CAViaR specification-এর stability নিশ্চিত করার মতো একক coefficient bound নেই। শর্ত নির্ভর করে রূপ, identification ও input process-এর আচরণের ওপর; মূল গবেষণার asymptotic ফলও স্পষ্ট অনুমানের ওপর নির্ভর করে এবং explosive case বাদ দেয়।

অনিশ্চয়তাও গুরুত্বপূর্ণ। বিশেষত ৯৯% স্তরে tail observation কম থাকে, আর লক্ষ্য কোয়ান্টাইলের আশপাশের conditional density estimator-এর নির্ভুলতাকে প্রভাবিত করে। Nonlinear recursive quantile-এর standard error-এর জন্য প্রাসঙ্গিক পদ্ধতি দরকার—যেমন উপযুক্ত asymptotic estimator বা সতর্কভাবে নকশা করা bootstrap। নির্ভুল দেখানো fitted line থেকে tail risk যথাযথভাবে জানা আছে—এমন প্রমাণ মেলে না।

Forecast origin \(t-1\)-এ প্যারামিটার নির্ণয় করুন এবং সেই সময় পর্যন্ত পাওয়া returns ও covariates দিয়েই \(v_t^\alpha\) তৈরি করুন। সময়পর্ব শেষ হলে পূর্বাভাসের সঙ্গে \(L_t\) তুলনা করুন। Rolling বা expanding window-তে মডেল আবার নির্ণয় করলে প্রতিটি window-র শেষ নির্দিষ্ট forecast origin-এ হতে হবে। \(v_t^\alpha\) তৈরিতে \(L_t\) ব্যবহার করা, বা তখন অনুপলভ্য সংশোধিত তথ্য নেওয়া পূর্বাভাসে ভবিষ্যৎ তথ্য ঢুকিয়ে দেয়।

লক্ষ্যকে প্রকৃত পোর্টফোলিও ও সময়সীমার সঙ্গে মেলান। স্থির ওজনের পোর্টফোলিওর দৈনিক VaR সেই অ্যাকাউন্টের VaR নয় যেখানে দিনের মধ্যে holdings বদলায়; এক দিনের কোয়ান্টাইলও বহু দিনের ঝুঁকি-পূর্বাভাস নয়। রিটার্ন নির্মাণ, মুদ্রা, সময়সীমা, বাজার বন্ধের সময়, পোর্টফোলিও পুনঃভারসাম্য এবং প্রতিটি predictor কখন উপলভ্য হয়েছে—সব জানান। Predictor transformation, corporate action, পুরোনো দাম এবং অনুপস্থিত trading session তথ্যসমষ্টি ও কোয়ান্টাইলের গতিবিদ্যা বদলাতে পারে।

পরিচিত পুনরাবৃত্তি স্বাভাবিকভাবেই এক ধাপ এগিয়ে পূর্বাভাস দেয়, কারণ \(v_t\)-তে পর্যবেক্ষিত \(L_{t-1}\) থাকে। বহু ধাপের পূর্বাভাসে পরের ক্ষতিগুলো তখনও জানা থাকে না। বাস্তবায়িত ভবিষ্যৎ ক্ষতি বসিয়ে সমীকরণ বারবার চালালে look-ahead হবে। বহু-পর্বের VaR-এর জন্য অজানা ভবিষ্যৎ পথের স্পষ্ট পদ্ধতি দরকার—যেমন simulation বা আলাদা নির্ধারিত multi-horizon model—এবং তার অনুমানগুলো পৃথকভাবে মূল্যায়ন করতে হবে।

ধরা যাক, কাল্পনিক ৯৯% দৈনিক ক্ষতি-VaR উপরের অসমমিত-ঢাল পুনরাবৃত্তি অনুসরণ করে। ক্ষতি ও \(v\) percentage point-এ মাপা; উদাহরণে ব্যবহৃত, নির্ণীত নয় এমন প্যারামিটার হলো \(\beta_0=0.10\), \(\beta_1=0.80\), \(\beta_2=0.35\), এবং \(\beta_3=0.10\)। আগের পূর্বাভাস \(2.00\%\) এবং গতকালের পোর্টফোলিও ক্ষতি \(3.00\%\) হলে, \[ v_t^{0.99}=0.10+0.80(2.00)+0.35(3.00)+0.10(0)=2.75\%. \] এই উদাহরণে বড় ক্ষতি আজকের সীমা বাড়ায়। গতকাল পোর্টফোলিওর বদলে \(3.00\%\) লাভ হলে \(L_{t-1}=-3.00\%\), এবং অন্য অংশটি দেয় \[ v_t^{0.99}=0.10+0.80(2.00)+0.35(0)+0.10(3.00)=2.00\%. \] প্যারামিটারগুলো শুধু পুনরাবৃত্তি বোঝাতে বেছে নেওয়া হয়েছে; অন্য নমুনা বা parameterization-এ প্রতিক্রিয়া ভিন্ন হতে পারে।

আজকের বাস্তবায়িত ক্ষতি \(3.20\%\) হলে তা \(2.75\%\) পূর্বাভাস ছাড়ায়, তাই exception indicator এক। একটি exception মডেল খারাপ প্রমাণ করে না, যেমন exception-বিহীন একটি দিন মডেলকে বৈধতা দেয় না। শর্তাধীন calibration ঠিক হলে forecast-origin তথ্যের শর্তে exception indicator-এর conditional mean \(1-\alpha\) হওয়া উচিত। দীর্ঘ নমুনায় sampling variation বিবেচনায় এর গড় ঐ হারের কাছাকাছি থাকার কথা।

VaR হলো নির্দিষ্ট সম্ভাবনায় শর্তাধীন ক্ষতির কোয়ান্টাইল—ঝুঁকির একটি পরিমাপ। CAViaR সেটির পূর্বাভাসের একটি পদ্ধতি। Expected Shortfall ভিন্ন প্রশ্নের উত্তর দেয়: প্রযোজ্য সংজ্ঞা অনুযায়ী VaR-এর পর নির্বাচিত tail-এ গড় ক্ষতি কত। শুধু CAViaR-এর কোয়ান্টাইল-পথ থেকে tail average বা threshold পেরোনো ক্ষতির আকার জানা যায় না। VaR ও Expected Shortfall-এর তুলনা গাইডে দুই মাপের পার্থক্য দেখুন।

GARCH শর্তাধীন variance (বা volatility) পুনরাবৃত্তভাবে মডেল করে; variance-কে VaR কোয়ান্টাইলে রূপান্তর করতে standardized innovation-এর বণ্টন সম্পর্কেও অনুমান দরকার। ARCH ও GARCH যুক্ত Engle-এর ARCH model এবং Bollerslev-এর GARCH সম্প্রসারণের90063-1) সঙ্গে। CAViaR কোয়ান্টাইল সরাসরি মডেল করে, তাই সম্পূর্ণ conditional density দরকার হয় না; তবে নির্বাচিত dynamics সম্পর্কে অনুমান থাকে। Indirect-GARCH CAViaR specification দুই পদ্ধতির বিশেষ সংযোগ, সব CAViaR model GARCH—এর প্রমাণ নয়। GARCH volatility clustering বিষয়ে আলাদা গাইডও দেখুন।

নমুনার ভেতরের কম quantile loss নমুনার বাইরের ঝুঁকির নিশ্চয়তা নয়। কালানুক্রমিক evaluation period আলাদা রাখুন, প্রতিটি পূর্বাভাস শুধু অতীত তথ্য দিয়ে তৈরি করুন, এবং exception rate-এর পাশাপাশি exception গুচ্ছবদ্ধ হয় কি না বা আগের তথ্য থেকে অনুমেয় কি না জানান। Kupiec-এর unconditional-frequency test (১৯৯৫) ও Christoffersen-এর conditional-coverage test (১৯৯৮) আলাদা প্রশ্নের উত্তর দেয়। Engle ও Manganelli-র dynamic-quantile test centered exception এবং নির্বাচিত instruments-এর ওপর কিছু নির্দিষ্ট restriction পরীক্ষা করে। কোনো পরীক্ষাই সম্ভাব্য প্রতিটি misspecification যাচাই করে না। VaR backtesting গাইডে exception-sequence test ব্যাখ্যা করা হয়েছে। দুটি quantile forecast তুলনা করতে একই তারিখে একই check loss ব্যবহার করে dependent loss differential-কে Diebold–Mariano test দিয়ে তুলনা করুন; এটি আপেক্ষিক forecast loss পরীক্ষা করে, VaR calibration বা trading profit নয়।

Tail probability, recursion, initialization, estimation window, portfolio এবং evaluation date অনুযায়ী ফল বদলাতে পারে। একটি কোয়ান্টাইলে ভালো fit অন্যটিতে খারাপ হতে পারে, আর আলাদাভাবে নির্ণীত কোয়ান্টাইল পরস্পরকে অতিক্রম করতে পারে। Structural break, গুচ্ছবদ্ধ extreme, অল্প tail data, বদলানো holdings, market gap, liquidity এবং execution cost—পুনরাবৃত্ত VaR সমীকরণ এগুলো সমাধান করে না। Exception-এর পর ক্ষতির তীব্রতাও VaR জানায় না। ফলকে পর্যবেক্ষণযোগ্য model-based risk threshold হিসেবে দেখুন; loss cap, profit forecast বা স্বতন্ত্র trading rule হিসেবে নয়।