CAViaR की व्याख्या: सशर्त ऑटोरिग्रेसिव Value at Risk

मान लें \(L_t=-r_t\) पोर्टफोलियो की हानि है; इस परिभाषा में हानि धनात्मक और लाभ ऋणात्मक होता है। विश्वास स्तर \(\alpha\) पर एक-अवधि VaR पूर्वानुमान सशर्त ऊपरी क्वांटाइल है \[ v_t^\alpha=Q_\alpha(L_t\mid\mathcal F_{t-1}), \] जहाँ \(\mathcal F_{t-1}\) में अवधि \(t\) की हानि देखने से पहले उपलब्ध जानकारी शामिल है। \(\alpha=0.99\) पर लक्ष्य ऐसा threshold है जिसे भविष्य की लगभग \(1-\alpha=1\%\) हानियाँ पार करें, बशर्ते सशर्त क्वांटाइल सही तरह से निर्दिष्ट हो। वास्तविक हानि VaR से किसी भी मात्रा में अधिक हो सकती है; VaR अधिकतम हानि की सीमा नहीं है।

CAViaR का पूरा नाम Conditional Autoregressive Value at Risk है। यह पुनरावृत्ति के माध्यम से बताता है कि समय के साथ यह क्वांटाइल कैसे बदलता है। पूरी सशर्त वितरण का अनुमान लगाकर tail से एक बिंदु निकालने के बजाय, यह सीधे उसी बिंदु को मॉडल करता है। Engle और Manganelli ने इस मॉडल वर्ग को प्रस्तुत किया और क्वांटाइल प्रतिगमन से इसके पैरामीटर आँके (उनका 2004 का शोधपत्र)। चुना गया क्वांटाइल स्तर मायने रखता है: 95% और 99% मॉडल की गतिशीलता अलग हो सकती है, और कोई भी पूरा tail नहीं बताता।

एक-अवधि का सामान्य रूप है \[ v_t^\alpha=f(v_{t-1}^\alpha,L_{t-1},X_{t-1};\beta), \] जहाँ \(X_{t-1}\) में अन्य अनुमत predictors और \(\beta\) में आँके जाने वाले parameters हैं। पिछला क्वांटाइल पूर्वानुमान को स्मृति देता है; पिछली हानियाँ या predictors नई जानकारी से threshold को बदलने देते हैं। यह volatility recursion जैसा दिखता है क्योंकि पिछली परिस्थितियाँ मायने रखती हैं, लेकिन यहाँ अपडेट होने वाली अवस्था conditional variance नहीं, बल्कि quantile है।

उदाहरण के लिए, symmetric absolute-value (SAV) विनिर्देशन है \[ v_t^\alpha=\beta_0+\beta_1v_{t-1}^\alpha+\beta_2|L_{t-1}|. \] यह पिछली चाल के आकार पर प्रतिक्रिया करता है, लेकिन absolute value के कारण लाभ और हानि को सममित रूप से लेता है। Autoregressive पद से shock के बाद पूर्वानुमान कुछ समय तक बना रहता है और बाद के inputs बदलने पर धीरे-धीरे घटता है। Persistence को आँकना और परखना चाहिए; केवल चिकना दिखने वाला path क्वांटाइल के सही calibration का प्रमाण नहीं है।

CAViaR में दूसरे रूप भी हैं, जैसे पिछली observation ने पिछला threshold पार किया या नहीं, इस पर निर्भर adaptive update; और variance जैसी recursion शामिल करने वाला indirect-GARCH रूप। ये वैकल्पिक specifications हैं, एक-दूसरे के पर्याय नहीं। Functional form तय करता है कि कौन-सी ऐतिहासिक जानकारी क्वांटाइल को बदल सकती है और fitted model कैसी प्रतिक्रिया व्यक्त कर सकता है।

नीचे और ऊपर की चालों का अगले loss quantile पर अलग प्रभाव रखने के लिए धनात्मक परिमाण \(L^+=\max(L,0)\) और \(L^-=\max(-L,0)\) परिभाषित करें। असममित ढलान का एक रूप है \[ v_t^\alpha=\beta_0+\beta_1v_{t-1}^\alpha+\beta_2L_{t-1}^{+}+\beta_3L_{t-1}^{-}. \] पोर्टफोलियो की धनात्मक हानि \(L^+\) से आती है और लाभ \(L^-\) से। दोनों अनुमानित slopes का समान होना आवश्यक नहीं। यदि मॉडल को धनात्मक हानियों के बजाय returns और returns के निचले quantile के लिए लिखा जाए, तो sign convention बदल जाएगा। इसलिए शोधपत्र या implementation में dependent variable और positive/negative हिस्सों की परिभाषा स्पष्ट होनी चाहिए।

यह लचीलापन इस बात का प्रमाण नहीं है कि बाजार में असममित leverage effect मौजूद है। चुनी हुई recursion और sample की शर्त पर यह केवल सशर्त क्वांटाइल को दोनों हिस्सों पर अलग प्रतिक्रिया देने देता है। Coefficients ज्ञात स्थिरांक नहीं, अनुमान हैं; उनका चिह्न और आकार इकाइयों तथा parameterization पर निर्भर करता है। इस रूप की तुलना symmetric benchmark से करें और दोनों को estimation sample के बाहर परखें।

<!-- 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. -->

उम्मीदवार पैरामीटर \(\beta\) के लिए पहले पूरा recursive path \(v_t^\alpha(\beta)\) निकालें। फिर quantile या check loss को minimize करें: \[ \widehat\beta=\arg\min_\beta\sum_{t=1}^{T}\rho_\alpha\!\left(L_t-v_t^\alpha(\beta)\right), \qquad \rho_\alpha(u)=u\left(\alpha-\mathbf 1\{u<0\}\right). \] ऊपरी loss quantile के लिए \(u>0\) वाला कम पूर्वानुमान \(\alpha\) का भार पाता है, जबकि \(u<0\) वाला अधिक पूर्वानुमान \(1-\alpha\) का। \(\alpha=0.99\) पर यह loss किसी बड़ी छूटी हुई हानि को उतने ही आकार के अतिरिक्त buffer से अधिक दंडित करता है। यह squared-error loss नहीं है और इसका उद्देश्य conditional mean के लिए coefficients चुनना नहीं है।

यह Koenker और Bassett द्वारा विकसित quantile regression का विचार है (1978 का शोधपत्र), जिसे पुनरावर्ती रूप से बने क्वांटाइल path पर लागू किया गया है। Linear quantile regression का objective उपयोगी convex structure रखता है, लेकिन CAViaR के nonlinear recursive रूपों में optimization शुरुआती मूल्यों और local minima के प्रति संवेदनशील हो सकता है। व्यावहारिक fit में objective, parameter restrictions, optimization procedure, convergence checks और वैकल्पिक शुरुआती मूल्यों के परिणाम दर्ज करें। सामान्य least-squares output quantile-regression inference का विकल्प नहीं है।

पहला recursive मान \(v_0^\alpha\) देना या आँकना पड़ता है। एक पारदर्शी विकल्प evaluation period से पहले समाप्त होने वाली presample window की empirical upper loss quantile है। अन्य implementations शुरुआती मान को साथ में आँकती हैं या दस्तावेजीकृत burn-in रखती हैं। चुने नियम को candidate forms पर लगातार लागू करें और initialization में इस्तेमाल observations की संख्या बताएँ। यदि lagged coefficient persistent हो, तो शुरुआती initialization कई बाद के forecasts को प्रभावित कर सकती है।

दिखने में सरल equation के बावजूद recursive quantile fits parameters में nonlinear हो सकते हैं। अलग starting vectors अलग local solutions तक पहुँच सकते हैं; optimizer का converge होना केवल इतना बताता है कि numerical stopping rule पूरी हुई। आवश्यक हो तो कई उचित starts आज़माएँ और निकले हुए paths देखें। किसी numerical constraint—जैसे nonnegative loss threshold—को आर्थिक तथ्य न समझें। ऐसा कोई एक coefficient bound नहीं है जो हर CAViaR specification में stability की गारंटी दे। शर्तें form, identification और input process के व्यवहार पर निर्भर करती हैं; मूल शोधपत्र के asymptotic results भी स्पष्ट मान्यताओं पर आधारित हैं और explosive cases को शामिल नहीं करते।

अनिश्चितता भी मायने रखती है। Tail observations कम होती हैं, खासकर 99% स्तर पर, और target quantile के पास conditional density estimator की precision को प्रभावित करती है। Nonlinear recursive quantiles के standard errors के लिए उस संदर्भ में उचित विधियाँ चाहिए, जैसे उपयुक्त asymptotic estimators या सावधानी से बनाया गया bootstrap। सटीक दिखने वाली fitted line यह साबित नहीं करती कि tail risk भी सटीक रूप से ज्ञात है।

Origin \(t-1\) पर parameters आँकें और \(v_t^\alpha\) केवल उस समय तक उपलब्ध returns और covariates से बनाएँ। अवधि समाप्त होने के बाद पूर्वानुमान की तुलना \(L_t\) से करें। यदि model rolling या expanding window में दोबारा estimate होता है, तो हर window घोषित forecast origin पर समाप्त होनी चाहिए। \(v_t^\alpha\) बनाने में \(L_t\) का उपयोग करना या उस समय अनुपलब्ध संशोधित डेटा लेना भविष्य की जानकारी को forecast में शामिल करता है।

लक्ष्य को वास्तविक portfolio और horizon के अनुरूप रखें। स्थिर weights वाले portfolio का daily VaR उस खाते के VaR के बराबर नहीं होता जिसकी holdings दिन के भीतर बदलती हैं; एक दिन का quantile कई दिनों का risk forecast भी नहीं है। Return construction, currency, horizon, market close, portfolio rebalancing और हर predictor उपलब्ध होने का समय बताएँ। Predictor transformations, corporate actions, पुराने prices और छूटे trading sessions information set और quantile dynamics को बदल सकते हैं।

सामान्य recursion स्वाभाविक रूप से एक कदम आगे का forecast है, क्योंकि \(v_t\) में observed \(L_{t-1}\) आता है। कई कदम आगे के forecast में बाद की losses अज्ञात होती हैं। Realized future losses डालकर equation को iterate करना look-ahead होगा। Multi-period VaR के लिए अज्ञात future path से निपटने की स्पष्ट प्रक्रिया चाहिए—जैसे simulation या अलग से निर्दिष्ट multi-horizon model—और उसकी assumptions का अलग मूल्यांकन होना चाहिए।

मान लें कि काल्पनिक 99% daily loss VaR ऊपर दी गई asymmetric-slope recursion का पालन करता है। Losses और \(v\) percentage points में हैं; उदाहरण के लिए चुने गए, अनुमानित नहीं, parameters हैं \(\beta_0=0.10\), \(\beta_1=0.80\), \(\beta_2=0.35\), और \(\beta_3=0.10\)। पिछला forecast \(2.00\%\) और कल का portfolio loss \(3.00\%\) हो, तो \[ v_t^{0.99}=0.10+0.80(2.00)+0.35(3.00)+0.10(0)=2.75\%. \] इस उदाहरण में बड़ी हानि आज का threshold बढ़ाती है। यदि कल portfolio को \(3.00\%\) का लाभ हुआ होता, तो \(L_{t-1}=-3.00\%\) होता और दूसरा branch देता \[ v_t^{0.99}=0.10+0.80(2.00)+0.35(0)+0.10(3.00)=2.00\%. \] ये coefficients केवल recursion समझाने के लिए हैं; दूसरे sample या parameterization से प्रतिक्रिया अलग हो सकती है।

यदि आज की realized loss \(3.20\%\) है, तो वह \(2.75\%\) forecast से अधिक है और hit indicator एक होगा। एक hit से model खराब साबित नहीं होता, जैसे बिना hit वाला एक दिन उसे validate नहीं करता। सही conditional calibration में forecast-origin information को देखते हुए exception indicator का conditional mean \(1-\alpha\) होना चाहिए। लंबे sample में sampling variation को ध्यान में रखते हुए इसका औसत उस दर के करीब होना चाहिए।

VaR जोखिम का माप है: निर्दिष्ट probability पर conditional loss quantile। CAViaR उस माप का पूर्वानुमान लगाने का एक तरीका है। Expected Shortfall अलग प्रश्न का उत्तर देता है: चुनी हुई परिभाषा के अनुसार VaR से आगे के tail में औसत हानि। CAViaR का quantile path अकेले उस tail average या threshold पार करने वाली losses का आकार निर्धारित नहीं करता। VaR और Expected Shortfall की तुलना इन मापों को समझाती है।

GARCH conditional variance (या volatility) को recursively model करता है; variance को VaR quantile में बदलने के लिए standardized innovations का distributional assumption भी चाहिए। ARCH और GARCH का संबंध Engle के ARCH model और Bollerslev के GARCH विस्तार90063-1) से है। CAViaR quantile को सीधे model करता है और पूरी conditional density की मांग नहीं करता, हालांकि चुनी गई dynamics के बारे में assumptions फिर भी रहती हैं। Indirect-GARCH CAViaR specification दोनों तरीकों के बीच एक विशेष सेतु है; इससे यह साबित नहीं होता कि सभी CAViaR models GARCH हैं। GARCH volatility clustering पर अलग गाइड भी देखें।

कम in-sample quantile loss, out-of-sample risk की गारंटी नहीं है। कालानुक्रमिक evaluation period अलग रखें, हर forecast केवल पिछली जानकारी से बनाएँ, और hit rate के साथ यह भी बताएँ कि hits clustered हैं या पिछली जानकारी से अनुमानित हो सकते हैं। Kupiec का unconditional-frequency test (1995) और Christoffersen का conditional-coverage test (1998) अलग प्रश्नों का उत्तर देते हैं। Engle और Manganelli का dynamic-quantile test centered hits और चुने गए instruments पर कुछ चुनी हुई restrictions जाँचता है। इनमें से कोई भी हर संभावित misspecification को नहीं जाँचता। VaR backtesting गाइड exception-sequence tests समझाती है। दो quantile forecasts की तुलना के लिए समान तारीखों पर दोनों को उसी check loss से score करें और dependent loss differential की तुलना Diebold–Mariano test से करें; यह relative forecast loss जाँचता है, VaR calibration या trading profit नहीं।

परिणाम tail probability, recursion, initialization, estimation window, portfolio और evaluation dates के अनुसार बदल सकते हैं। एक quantile पर अच्छा fit दूसरे पर खराब हो सकता है, और अलग-अलग estimate किए quantiles एक-दूसरे को cross कर सकते हैं। Structural breaks, clustered extremes, कम tail data, बदलती holdings, market gaps, liquidity और execution costs को recursive VaR equation हल नहीं करती। Exception के बाद losses कितनी गंभीर होंगी, यह भी VaR नहीं बताता। परिणाम को निगरानी योग्य model-based risk threshold मानें, loss cap, profit forecast या अकेले trading rule के रूप में नहीं।