बाजार गिरावट मॉडल भविष्यवाणी से व्याख्या की ओर बढ़ रहे हैं

1600 के दशक में नीदरलैंड में आधुनिक वित्तीय बाजारों की शुरुआत से ही, वित्तीय संकट और बुलबुले नियमित रूप से होते रहे हैं, जिसकी शुरुआत प्रसिद्ध Tulip Mania से हुई। इसका प्रत्यक्ष परिणाम यह पहचान है कि ऐसी संकटों को उत्पन्न करने वाली परिस्थितियों को समझना महत्वपूर्ण है, चाहे वह राज्य और नियामकों के लिए संकटों की आवृत्ति और/या गंभीरता को कम करने के लिए हो, या वित्तीय प्रणाली के अभिनेताओं के लिए बड़े नुकसान से बचने के लिए।

हालाँकि, अब तक मुख्य विधि सहसंबंध-आधारित भविष्यवाणी रही है, जैसे कि ऋण-से-जीडीपी अनुपात, अधिक मूल्यांकन मेट्रिक्स, या निवेशक भावना जैसे मापदंडों को देखना। ये सभी डेटा वास्तव में उन परिस्थितियों से संबंधित हो सकते हैं जो संकट का कारण बन सकती हैं, जैसे जंगल में सूखी चिपचिपी लकड़ी से आग लग सकती है।

यह अभी भी यह जानकारी नहीं देता कि किसी विशेष संकट का कारण क्या है, ठीक उसी तरह जैसे जंगल की आग प्रारंभिक चिंगारी से शुरू होती है, न कि सूखे लकड़ी से।

पोलैंड के श्चेचिन विश्वविद्यालय के एक शोधकर्ता द्वारा किया गया नया अध्ययन तर्क देता है कि संकट विश्लेषण को उन मॉडलों की ओर स्थानांतरित होना चाहिए जो यह समझाते हैं कि कौन से संरचनात्मक चैनल बाजार गिरावट को प्रेरित करते हैं। इस पत्र में, अध्ययन वित्तीय संकटों के कारण वोलैटिलिटी शॉक और ट्रेज़री-यील्ड शॉक की भूमिका की जांच करता है।

यह Expert Systems with Applications^1, में प्रकाशित हुआ, शीर्षक Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events के अंतर्गत।

यह निवेशकों और जोखिम प्रबंधकों के लिए महत्वपूर्ण डेटा हो सकता है क्योंकि औसत-बाजार धारणाओं पर आधारित सामान्य तनाव परीक्षण वोलैटिलिटी मोड के परिवर्तन पर नुकसान को कम आंक सकते हैं।

वित्तीय संकटों की भविष्यवाणी

सहसंबंध से भविष्यवाणी की ओर

आधुनिक वित्तीय प्रणाली का बड़ा हिस्सा गणितीय मॉडलों पर आधारित है जो जोखिमों को समझने और भविष्यवाणी करने की कोशिश करते हैं। हालांकि, ये भी गणितीय धारणाओं पर आधारित होते हैं, और सारभूत आँकड़े वास्तविक जीवन स्थितियों से बहुत कम मेल खाते हैं, जिससे तथाकथित ब्लैक स्वान घटनाएँ उत्पन्न होती हैं, एक शब्द जिसे नासिम तालिब ने गढ़ा था, जो एक अप्रत्याशित, दुर्लभ घटना को दर्शाता है जिसका समाज, अर्थव्यवस्थाओं या वित्तीय बाजारों पर बड़ा प्रभाव पड़ता है।

परम्परागत भविष्यवाणी मॉडल बड़े डेटा में प्रवृत्तियों को खोजने में प्रभावी होते हैं, लेकिन वे अक्सर यह समझाने में विफल रहते हैं कि कुछ दुर्लभ घटनाएँ क्यों होती हैं या वैकल्पिक परिस्थितियों में परिणाम कैसे बदलता।

यही कारण है कि संकट या कठोर बाजार आंदोलनों को अक्सर “सांख्यिकीय रूप से असंभव” कहा जाता है। बेशक, इसका मतलब केवल यह है कि सहसंबंध-आधारित दृष्टिकोण वास्तविक जीवन स्थितियों से सही मेल नहीं खा पाता।

यह एक समस्या है, क्योंकि जोखिम प्रबंधकों को केवल यह नहीं पता होना चाहिए कि बाजार गिरा, बल्कि यह भी जानना चाहिए कि कौन सा संरचनात्मक चैनल गिरावट को प्रेरित किया।

इसी प्रकार, केंद्रीय बैंकों को यह मूल्यांकन करना चाहिए कि क्या उनके उपकरण प्रमुख प्रसारण तंत्र को संबोधित करते हैं ताकि ऐसे जोखिमों को कम किया जा सके।

इसलिए कुल मिलाकर, तनाव‑परीक्षण डिजाइनरों को संवेदनशीलताओं को इस प्रकार पैरामीटराइज़ करना चाहिए जो अत्यधिक परिदृश्यों के लिए उपयुक्त हों, न कि दीर्घकालिक औसतों के लिए।

इसीलिए यह अध्ययन एक अलग दृष्टिकोण की वकालत करता है, जिसे “काउंटरफ़ैक्चुअल कारणात्मक अनुमान” कहा जाता है, या वैकल्पिक, काल्पनिक वास्तविकता में क्या होता, इसका अनुमान लगाने की प्रक्रिया।

ऐसा करने के लिए, शोध पत्र ने तीन डिजाइन सिद्धांतों का उपयोग किया:

पहला, मॉडल को केवल भविष्यवाणी प्रश्न के बजाय एक हस्तक्षेप प्रश्न का उत्तर देने में सक्षम होना चाहिए:

“विशिष्ट शॉक चैनल की अनुपस्थिति में संचयी गिरावट पथ कैसे विकसित होता?”

दूसरा, प्रत्येक संरचनात्मक दावे को कम से कम एक औपचारिक अनुभवजन्य परीक्षण द्वारा समर्थित होना चाहिए।

तीसरा, परिणाम सत्यापनीय होना चाहिए, उदाहरण के लिए, गैर‑संकट अवधि में प्लेसबो परीक्षण के साथ।

डेटा एकत्र करना

अध्ययन ने दो प्रमुख वित्तीय संकट घटनाओं का उपयोग करके प्रदर्शित किया: 2007-2009 का वैश्विक वित्तीय संकट (GFC) और COVID-19 महामारी।

इन दो संकटों का विश्लेषण करने के लिए व्यापक डेटा एकत्र किया गया:

• S&P 500 इंडेक्स की दैनिक श्रृंखला।
• मासिक उपभोक्ता मूल्य सूचकांक (CPIAUCSL) जो मुद्रास्फीति को मापता है।
• बेरोज़गारी दर (UNRATE)।
• CBOE इम्प्लाइड-वोलैटिलिटी सूचकांक (VIX)।
• अमेरिका का 10‑वर्षीय ट्रेज़री स्थिर-परिपक्वता यील्ड।
• Moody’s Baa-कॉर्पोरेट-यील्ड-माइनस-10‑वर्षीय-ट्रेज़री क्रेडिट स्प्रेड (BAA10Y)।
• TED स्प्रेड (TEDRATE)।

वित्तीय संकटों के कारण क्या हैं?

क्रैश के कारण के रूप में यील्ड शॉक्स

विश्लेषण का पहला भाग यील्ड शॉक्स को देखता है, अर्थात् ब्याज दरों या बांड यील्ड में अचानक, अप्रत्याशित परिवर्तन जो वित्तीय बाजारों में होता है।

एक ग्राफ़ में देखा गया कि यदि यील्ड शॉक्स न होते (नीली रेखा) तो बाजार रिटर्न कैसे दिखते, और वास्तविकता में यील्ड शॉक्स के साथ (लाल रेखा) क्या हुआ, तो दोनों डेटा सेट बहुत करीब दिखे।

लाल और नीली पथों का अंतर दिशा‑यील्ड का एक महत्वपूर्ण पहलू दर्शाता है: वे केवल प्रतिक्रिया नहीं, बल्कि सक्रिय रूप से स्टॉक रिटर्न को प्रभावित कर रहे हैं।

“वास्तव में, यह देखा गया है कि नीली पथ लाल से ऊपर है, विशेष रूप से COVID संकट के दौरान और GFC संकट के दौरान अधिक सूक्ष्म रूप से। यह दर्शाता है कि यील्ड में परिवर्तन गिरावट का परिणाम नहीं, बल्कि वह भविष्यवक्ता है।”

हालाँकि, नुकसान की गंभीरता को निर्धारित करने वाला कारण एक अन्य कारण द्वारा संचालित होता है।

हानि बढ़ाने के रूप में वोलैटिलिटी

इस अध्ययन के अनुसार, वित्तीय संकट का दूसरा कारण वोलैटिलिटी में तेज़ी है।

यह शायद आश्चर्यजनक नहीं है, क्योंकि यह वित्तीय संकट के ट्रिगर के मुख्य स्पष्टीकरण के साथ मेल खाता है: 1992 का मिन्स्की का Financial Instability Hypothesis।

इसका मुख्य विचार यह है कि सुरक्षा की झूठी भावना वित्तीय अभिनेताओं को अत्यधिक, खतरनाक स्तर का ऋण लेने के लिए प्रेरित करती है। अंततः, “स्थिरता अस्थिरता पैदा करती है”।

यह निर्धारित किया गया कि यह GFC और COVID महामारी दोनों के दौरान इक्विटी कीमतों के गिरावट का मुख्य कारण था।

“COVID और GFC में, वोलैटिलिटी चैनल क्रमशः कुल संचयी ड्रॉडाउन का 58.7 % और 28.3 % बनाता है, जबकि यील्ड चैनल क्रमशः 8.4 % और 12.6 % बनाता है।”

अध्ययन के परिणाम यह भी सुझाव देते हैं कि उथल‑पुथल वाले बाजारों में यील्ड संवेदनशीलता बढ़ जाती है, इसलिए जितनी अधिक वोलैटिलिटी पहले से मौजूद है, यील्ड शॉक्स उतने ही प्रभावशाली हो जाते हैं।

संकटों की अधिक सटीक भविष्यवाणी

भविष्यवाणियों को और परिष्कृत करना

यह यह नहीं कह रहा है कि अध्ययन का ढांचा एक पूर्ण भविष्यवक्ता है। उदाहरण के तौर पर, यह एक रैखिक मॉडल का उपयोग करता है, जो वित्तीय संकट जैसी अत्यधिक परिस्थितियों के लिए आदर्श नहीं हो सकता।

“भविष्य के शोध को एक संरचनात्मक रूप से गैर‑रैखिक मॉडल (जैसे कि रेगिम‑स्विचिंग SVAR या न्यूरल संरचनात्मक समीकरण मॉडल) का परीक्षण करना चाहिए।”

अतिरिक्त डेटा का उपयोग भी भविष्यवाणी क्षमताओं को सुधारने में मदद कर सकता है, जैसे रेपो‑रेट डायनेमिक्स, डीलर‑बैलेंस‑शीट प्रतिबंध, और विकल्प‑सूक्ष्मसंरचना चर।

निवेशकों और नीति निर्माताओं के लिए निहितार्थ

जोखिम प्रबंधकों और तनाव‑परीक्षण डिजाइनरों के लिए, कारणता और केवल सहसंबंध नहीं, का यह प्रदर्शन हेजिंग निर्णयों के लिए एक महत्वपूर्ण इनपुट होना चाहिए।

इसलिए मॉडलों को दो‑रेजिम संवेदनशीलता शेड्यूल का उपयोग करना चाहिए: मध्यम स्थितियों के लिए कम‑VIX‑रेजिम गुणांक और अत्यधिक परिदृश्यों के लिए उच्च‑VIX‑रेजिम गुणांक (3–5 × अधिक)।

यह यह भी दर्शाता है कि विभिन्न परिस्थितियों में, ध्यान विभिन्न मेट्रिक्स पर होना चाहिए:

• जब यील्ड‑आधारित नुकसान सापेक्ष महत्व में बढ़ रहे हों, तो अवधि प्रबंधन (एक संपत्ति या देनदारी की समय संवेदनशीलता की निगरानी और समायोजन) क्रमशः अधिक महत्वपूर्ण हो जाता है।
• जब VIX‑आधारित नुकसान प्रमुख हों, तो वोलैटिलिटी‑ओवरले रणनीतियाँ प्रथम प्राथमिकता बन जाती हैं।

केंद्रीय बैंकों के लिए, इसका अर्थ है कि वे अतिरिक्त इक्विटी‑स्थिरता दर‑प्रबंधन उपकरणों के लाभ को माप सकते हैं, मौजूदा बाजार पैनिक की डिग्री के आधार पर।

नीति निर्माताओं के लिए, वे किस प्रकार के संकट से निपट रहे हैं, इसे समझना सबसे महत्वपूर्ण है।

“COVID एक 7:1 वोलैटिलिटी‑से‑यील्ड संकट था, जबकि GFC एक 2.3:1 संकट था। वास्तविक समय में यह निर्धारित करने के लिए कि कौन सा चैनल अधिक संभावना से प्रमुख होगा, एक निदान उपकरण के रूप में, इन अनुपातों का उपयोग भविष्य के ब्लैक स्वान घटनाओं में किया जा सकता है।”

संदर्भित अध्ययन

^{1. Guru Ashish Singh. Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events. Expert Systems with Applications. 15 दिसंबर 2026. लेख: 133342. वॉल्यूम: Volume 331, Part C. DOI: https://doi.org/10.1016/j.eswa.2026.133342}