Finance में Normal बनाम Student-t Distribution
Normal और Student-t distributions की tail decay, degrees of freedom, scale और variance, likelihood, multivariate dependence तथा financial returns के models के रूप में limits से तुलना करें
सीधा जवाब
Normal distribution की tails उसके mean और variance से fixed exponential rate पर decay करती हैं। Student-t distribution degrees of freedom ν जोड़ती है और polynomially decaying tails रखती है, इसलिए extreme observations को अधिक probability देती है। यह financial returns को बेहतर fit कर सकती है, लेकिन कोई एक symmetric static distribution हर regime, skew या volatility cluster explain नहीं कर सकती
दोनों symmetric location-scale families हैं
Normal variable X=μ+σZ लिखी जा सकती है, जहाँ Z standard normal और σ उसका standard deviation है
Location-scale Student-t variable X=μ+sT_ν लिखी जा सकती है, जहाँ s scale parameter और ν tail thickness control करता है
दोनों μ के आसपास symmetric हैं, इसलिए model extend या transform न हो तो कोई भी return skewness produce नहीं करती
Student-t variance uncertainty से आती है
Classical statistic T=Z/√(V/ν), जहाँ independent Z∼N(0,1) और V∼χ²_ν हैं, standard Student-t distribution रखती है
Random denominator fixed-variance normal law की तुलना में बड़े standardized values को अधिक likely बनाता है
ν infinity की ओर जाने पर denominator uncertainty vanish होती है और Student-t distribution normal distribution की ओर approach करती है
Degrees of freedom moments तय करते हैं
Student-t tails ν से controlled power law की तरह decay करती हैं, जबकि normal tails squared distance में exponentially decay करती हैं
इसका mean ν>1 पर, variance ν>2 पर और fourth moment ν>4 पर exist करता है; lower ν corresponding population moment हटा देता है
ν>4 पर excess kurtosis 6/(ν−4) है, जिससे normal tails की ओर transition explicit होती है
Scale हमेशा standard deviation नहीं है
ν>2 वाले location-scale t distribution के लिए Var(X)=s²ν/(ν−2), इसलिए s standard deviation से छोटा है
Normal σ और t scale s को दोनों volatility मानकर compare करना false tail या likelihood comparison बना सकता है
Software packages अलग parameter names और कभी variance-one standardized versions उपयोग करते हैं, इसलिए exact density convention record करें
Likelihood center और tails को balance करती है
Normal maximum likelihood squared residuals को dominate करने देती है और कुछ extreme observations variance estimate inflate कर सकती हैं
Student-t likelihood ν के जरिए बड़े standardized residuals को downweight करती है, जिससे robust-looking fit मिलता है और observations impossible घोषित नहीं होते
Moment boundary के पास ν estimate करने पर optimizer converge होने के बावजूद variance, kurtosis और risk measures unstable हो सकते हैं
Multivariate models joint extremes बदलते हैं
Multivariate normal law Gaussian copula imply करती है, जिसमें perfect correlation से नीचे asymptotic tail dependence zero होती है
Multivariate t law random scale share करती है और finite ν पर symmetric positive tail dependence produce करती है
Equities के लिए यह symmetry फिर भी गलत हो सकती है यदि joint crashes joint rallies से अलग हों या dependence regimes में बदलती हो
Model choice को out-of-sample tail checks चाहिए
Probability और quantile plots, threshold exceedances, predictive likelihood, interval coverage तथा VaR या ES backtests compare करें
Rolling windows पर refit करें और structure बचने पर skewed-t, mixtures, stochastic-volatility तथा filtered-residual alternatives test करें
Better t fit का अर्थ chosen task के लिए अधिक useful approximation है, returns literally एक immutable t law follow करती हैं ऐसा नहीं
आम सवाल
Student-t की tails normal से fatter क्यों हैं?
इसका random scale mixture polynomial tail decay बनाता है, जबकि normal probabilities squared distance के साथ exponentially decay करती हैं
Degrees of freedom का क्या अर्थ है?
Parameter ν tail thickness और moment existence control करता है; smaller positive values heavier tails बनाती हैं
क्या Student-t scale volatility के बराबर है?
सामान्यतः नहीं। Common location-scale convention में ν>2 पर इसका standard deviation s√[ν/(ν−2)] है
क्या Student-t financial returns के लिए हमेशा बेहतर है?
नहीं। यह symmetric heavy tails capture करती है, लेकिन skewness, volatility dynamics, jumps और regime-dependent dependence miss कर सकती है