स्टॉक रिटर्न केवल संक्षिप्त अवधि में ही भविष्यवाणी योग्य क्यों हो सकते हैं

स्टॉक रिटर्न भविष्यवाणी योग्य हो सकते हैं, लेकिन केवल संक्षिप्त अवधि में

निवेशकों ने दशकों से ऐसे संकेतकों की खोज में समय लगाया है जो स्टॉक रिटर्न की विश्वसनीय भविष्यवाणी कर सकें। मूल्यांकन अनुपात, ब्याज दरें, क्रेडिट स्प्रेड, मुद्रास्फीति, बाजार अस्थिरता, और आर्थिक गतिविधियों के मापदंडों ने कभी न कभी आशाजनक परिणाम दिखाए हैं। कठिनाई यह है कि कोई संकेतक एक अवधि में उपयोगी लग सकता है और अगले में अप्रभावी हो जाता है।

Journal of Econometrics¹ में प्रकाशित एक नया अध्ययन तर्क देता है कि यह अस्थिरता डेटा में दोष के बजाय बाजार की भविष्यवाणी क्षमता की एक परिभाषित विशेषता हो सकती है। स्टॉक रिटर्न भविष्यवाणी योग्य हो सकते हैं, लेकिन केवल मंदी, वित्तीय झटके, नीति परिवर्तन, या निवेशकों के सूचना प्रसंस्करण में बदलाव द्वारा उत्पन्न अस्थायी अवधियों में।

शोधकर्ताओं ने ऐसी सांख्यिकीय निगरानी प्रक्रियाएँ विकसित कीं जो इन अवधियों के उभरते ही उनका पता लगा सकें। उनका काम व्यावहारिक प्रश्न को पुनः परिभाषित करता है। पूरे ऐतिहासिक नमूने में किसी चर के रिटर्न की भविष्यवाणी करने के बजाय, निवेशकों को पूछना चाहिए कि क्या वह हाल ही में उपयोगी जानकारी प्रदान करना शुरू कर चुका है।

स्थायी बाजार संकेतों को ढूँढ़ना इतना कठिन क्यों है

पारंपरिक भविष्यवाणी अनुसंधान अक्सर दशकों के डेटा में एक संबंध का अनुमान लगाता है। उदाहरण के लिए, एक विश्लेषक यह परीक्षण कर सकता है कि क्या लाभांश यील्ड इक्विटी प्रीमियम की भविष्यवाणी करती है, अर्थात् वह रिटर्न जो स्टॉक्स जोखिम‑मुक्त संपत्ति से अधिक उत्पन्न करते हैं। यह मानता है कि संबंध पूरे नमूने में पर्याप्त स्थिर बना रहता है।

बाजार शायद ही कभी सहयोगी होते हैं। मौद्रिक नीति में बदलाव, नियमन में विकास, और व्यापक रूप से खोजी गई रणनीतियाँ पूँजी आकर्षित करती हैं। कोई संकेत संकट के दौरान मजबूत हो सकता है और निवेशकों द्वारा पहचानने पर गायब हो जाता है। इसलिए, पूर्ण‑अवधि मॉडल कई वर्षों में जहाँ कोई संबंध नहीं था, एक उपयोगी अवधि को पतला कर सकता है।

यह समझाने में मदद करता है कि वित्तीय चर एक अध्ययन में सांख्यिकीय रूप से महत्वपूर्ण क्यों दिख सकते हैं और दूसरे में विफल क्यों होते हैं। असहमति का मतलब यह नहीं है कि एक परिणाम आवश्यक रूप से गलत था। अध्ययन संभवतः विभिन्न बाजार स्थितियों की जांच कर रहे थे।

चुनौती और कठिन हो जाती है क्योंकि कई सामान्य भविष्यवक्ताओं में उच्च स्थायित्व होता है। लाभांश यील्ड, बुक‑टू‑मार्केट अनुपात, और ब्याज‑दर मापदंड लंबे समय तक उच्च या निम्न स्तर पर रह सकते हैं। वे रिटर्न को प्रभावित करने वाले समान झटकों के साथ भी चल सकते हैं। पारंपरिक सांख्यिकीय परीक्षण इन विशेषताओं को भविष्यवाणी शक्ति समझने में गलती कर सकते हैं।

रियल‑टाइम मॉनिटरिंग समस्या को कैसे बदलती है

यह पत्र प्रारंभिक प्रशिक्षण अवधि, जिसमें कोई भविष्यवाणी नहीं पाई गई, स्थापित करने के बाद आने वाले डेटा की क्रमिक निगरानी का प्रस्ताव करता है। इसकी पसंदीदा विधि एक संचयी योग, अर्थात् CUSUM, प्रक्रिया का उपयोग करती है जो IVX इंस्ट्रूमेंटल‑वैरिएबल शर्तों पर आधारित है।

सरल शब्दों में, प्रणाली इस बात का ट्रैक रखती है कि क्या उम्मीदवार संकेतक और बाद के रिटर्न के बीच संबंध अपने ऐतिहासिक आधाररेखा से इतना दूर जा रहा है कि संकेत देना आवश्यक हो। इसे इस तरह डिजाइन किया गया है कि उपयोगकर्ता को पहले से यह जानने की आवश्यकता न हो कि भविष्यवक्ता कमजोर स्थायित्व वाला है, यूनिट‑रूट के निकट है, या इन दोनों के बीच कहीं स्थित है।

निगरानी ढाँचा एक साथ कई समस्याओं को संबोधित करता है:

• भविष्यवाणी संबंध बिना चेतावनी के शुरू और समाप्त हो सकते हैं।
• बार‑बार परीक्षण करने से भी जब कोई संकेत न हो तब भी झूठी चेतावनियाँ उत्पन्न हो सकती हैं।
• अस्थिरता में बदलाव साधारण परीक्षणों को ऐसे संबंधों का पता लगाने पर मजबूर कर सकते हैं जो वास्तविक नहीं होते।
• भविष्यवक्ता स्थायी हो सकते हैं और अप्रत्याशित बाजार रिटर्न के साथ सहसंबंधित हो सकते हैं।

अस्थिरता समायोजन विशेष रूप से महत्वपूर्ण है। एक प्रमुख बाजार झटका बड़े अवलोकन उत्पन्न करता है, जो निगरानी आँकड़े को एक सीमा पार धकेल सकता है भले ही मूलभूत भविष्यवाणी संबंध नहीं बदला हो। यह व्यापक समस्या से संबंधित है कि परिचित मापदंड केवल जोखिम पर्यावरण का हिस्सा ही पकड़ पाते हैं, जैसा कि Securities.io द्वारा VIX क्यों पूरी तरह से स्टॉक मार्केट जोखिम को नहीं पकड़ता की जांच में चर्चा की गई है।

सिमुलेशन ने क्या पाया

लेखकों ने अपने तरीकों का परीक्षण विभिन्न भविष्यवक्ता स्थायित्व, अस्थिरता पथ, अंतर्निहित संबंध, और भविष्यवाणी अवधियों की प्रारंभ तिथियों वाले सिम्युलेटेड बाजारों में किया। कई प्रस्तावित CUSUM प्रक्रियाओं ने इन स्थितियों में उचित रूप से नियंत्रित झूठी सकारात्मक दरें बनाए रखी।

सबसे मजबूत विधियों ने आम तौर पर प्रतिस्पर्धी रोलिंग‑विंडो प्रक्रियाओं की तुलना में भविष्यवाणी को पहले पहचाना, विशेषकर जब भविष्यवक्ता अत्यधिक स्थायी था। यह महत्वपूर्ण है क्योंकि एक अल्पकालिक संकेत का व्यावहारिक मूल्य घट जाता है यदि मॉडल केवल अवधि के अंत के निकट इसे पहचानता है।

हालाँकि, कोई भी संस्करण सभी स्थितियों में प्रमुख नहीं रहा। एक प्रक्रिया विशेष रूप से तेज़ प्रतिक्रिया देती थी लेकिन ऊपर की ओर अस्थिरता परिवर्तन के बाद अत्यधिक झूठी सकारात्मक उत्पन्न करती थी। दूसरी अधिक रूढ़िवादी और धीमी थी। पत्र की पसंदीदा वैरिएंस‑समायोजित CUSUM पद्धति ने पहचान गति और झूठी चेतावनी नियंत्रण के बीच अधिक उपयोगी संतुलन प्रदान किया।

एक मॉडल जो बहुत आसानी से संकेत देता है, वह महंगे टर्नओवर और अधिक आत्मविश्वास को प्रोत्साहित करता है। एक सतर्क मॉडल केवल अवसर के बड़े हिस्से के समाप्त होने के बाद ही एक अवस्था को पहचान सकता है। इसलिए वास्तविक‑समय प्रणालियों को चूक गए संकेतों और झूठी अलार्म के बीच चयन के लिए एक स्पष्ट नीति की आवश्यकता होती है।

जब मॉडल ने S&P 500 को देखा तो क्या हुआ

शोधकर्ताओं ने जनवरी 1965 से दिसंबर 2024 तक के मासिक S&P 500 डेटा और उम्मीदवार भविष्यवक्ताओं का उपयोग करके एक छद्म‑वास्तविक‑समय अभ्यास किया। भविष्यवक्ताओं में मूल्यांकन अनुपात, अस्थिरता माप, तकनीकी संकेतक, बॉन्ड यील्ड, क्रेडिट‑मार्केट चर, मुद्रास्फीति और आर्थिक गतिविधि शामिल थे।

पूरे नमूने के परीक्षण ने यह दिखाया कि अधिकांश चर लगातार रिटर्न की भविष्यवाणी नहीं करते। फिर भी निगरानी प्रक्रियाओं ने विशिष्ट विंडो पहचानी। कई बॉन्ड और मैक्रोइकोनॉमिक संकेतक 1973‑1975 के बाजार व्यवधान के आसपास सूचनात्मक हो गए। टर्म स्प्रेड ने ब्लैक मंडे की ओर ले जाने वाले अवधि के आसपास भविष्यवाणी सामग्री दिखाई। अन्य संकेतक वैश्विक वित्तीय संकट, 2018 और 2022 के आसपास उभरे।

ये परिणाम एक अवस्था‑आधारित व्याख्या का समर्थन करते हैं। क्रेडिट रिटर्न, यील्ड स्प्रेड, तरलता, मूल्यांकन और आर्थिक स्लैक तब सबसे अधिक मायने रखते हैं जब बाजार जोखिम को पुनः मूल्यांकित कर रहा हो। इन्हें सामान्य परिस्थितियों में रिटर्न की भविष्यवाणी करने की आवश्यकता नहीं है ताकि तनावपूर्ण अवधि में उपयोगी बन सकें।

बड़ी अंतर्दृष्टि है संकेत जीवन‑चक्र प्रबंधन

अध्ययन का सबसे मूल्यवान योगदान संकेतों की ट्रेडिंग सूची नहीं, बल्कि निवेश संकेत के जीवन‑चक्र को प्रबंधित करने का ढांचा है।

एक उत्पादन मॉडल में एक सक्रियकरण नियम, एक सेवानिवृत्ति नियम, और पता चलने के बाद पुनः‑कैलिब्रेशन की विधि होनी चाहिए। यह एक बार भविष्यवाणी मॉडल बनाकर उसके गुणांक को स्थायी मानने से अलग है। यह भविष्यवाणी क्षमता को बदलती प्रणाली अवस्था के रूप में देखता है।

यह दृष्टिकोण यह भी सुझाव देता है कि अस्थिरता दो भूमिकाएँ निभाती है। यह अपेक्षित रिटर्न के बारे में जानकारी रख सकती है, लेकिन यह उस जानकारी का पता लगाने के लिए उपयोग किए जाने वाले सांख्यिकीय परीक्षण को भी बिगाड़ सकती है। Securities.io द्वारा कवर किए गए शोध ने समान रूप से पाया है कि दैनिक रिटर्न अस्थिरता पूर्वानुमान के लिए मूल्यवान बने रह सकते हैं यहाँ तक कि जब उच्च‑आवृत्ति डेटा सेट उपलब्ध हों। अधिक डेटा स्वचालित रूप से मॉडल अस्थिरता को हल नहीं करता यदि उस डेटा के भीतर संबंध लगातार बदलते रहें।

निवेश टीमों के लिए तर्कसंगत अगला कदम एक स्तरित प्रणाली होगा। एक मॉडल यह निगरानी करेगा कि क्या कोई उम्मीदवार भविष्यवक्ता सक्रिय अवस्था में प्रवेश कर गया है। एक अलग भविष्यवाणी परत अपेक्षित रिटर्न की दिशा और परिमाण का अनुमान लगाएगी। पोर्टफोलियो निर्माण तब ट्रेडिंग लागत, ड्रॉडाउन, तरलता और पोज़िशन सीमाओं को ध्यान में रखेगा।

यह विभाजन आवश्यक है क्योंकि सांख्यिकीय भविष्यवाणी क्षमता लाभदायक रणनीति के समान नहीं है। पेपर पोर्टफोलियो रिटर्न, कार्यान्वयन लागत, कर या जोखिम‑समायोजित प्रदर्शन की गणना नहीं करता। इसका ऐतिहासिक अभ्यास छद्म‑वास्तविक‑समय है, न कि लाइव तैनाती। यह दावा कि विधि बाजार को मात दे सकती है, उपलब्ध साक्ष्य से परे है।

वित्तीय बुद्धिमत्ता परत में निवेश

अध्ययन साफ़ वित्तीय डेटा, अनुकूलनशील विश्लेषण और ऐसी टूल्स की बढ़ती मांग की ओर संकेत करता है जो अवस्था परिवर्तन को पहचान सकें। इस बुनियादी ढांचे में स्थित एक कंपनी S&P Global (SPGI ) है। .

S&P Global बेंचमार्क, रेटिंग, वस्तु बुद्धिमत्ता और बाजार डेटा में कार्य करता है। इसका मार्केट इंटेलिजेंस विभाग कई डेटा सेट और विश्लेषणात्मक वर्कफ़्लो प्रदान करता है जिन्हें संस्थाएँ कंपनियों, क्रेडिट स्थितियों और बाजार व्यवहार का अध्ययन करने के लिए उपयोग करती हैं। कंपनी ने Kensho के माध्यम से अपनी AI क्षमताओं का भी विस्तार किया है, जिसमें जटिल कॉरपोरेट रिकॉर्ड को जोड़ने और वित्तीय डेटा सेट को मशीनों के लिए अधिक समझने योग्य बनाने वाले टूल शामिल हैं। 2026 में, S&P Global ने Kensho Link के एक विस्तारित संस्करण का वर्णन किया, जिसमें व्यापक इकाई कवरेज और जटिल कॉरपोरेट संरचनाओं में बेहतर पहचान शामिल है।

इसका अर्थ यह नहीं है कि S&P Global अध्ययन में वर्णित निगरानी विधि का मालिक है या उसे व्यावसायिक रूप से उपयोग करता है। निवेश संबंध अधिक व्यापक है: अनुकूलनशील वित्तीय मॉडल व्यापक, मानकीकृत, समय पर डेटा पर निर्भर करते हैं। जैसे-जैसे मात्रात्मक प्रणालियाँ बाजार अवस्थाओं के प्रति अधिक प्रतिक्रियाशील होती हैं, डेटा की गुणवत्ता और एकीकरण प्रतिस्पर्धात्मक लाभ का हिस्सा बन जाता है।

Securities.io की हालिया प्रोफ़ाइल MSCI और वित्तीय बाजारों के पीछे की बुनियादी संरचना एक ही मौलिक प्रवृत्ति को उजागर करती है। सूचकांक प्रदाता अब धीरे-धीरे डेटा और विश्लेषण कंपनियों के रूप में कार्य कर रहे हैं, न कि केवल बेंचमार्क सूचियों के साधारण प्रकाशक के रूप में।

बाजार की पूर्वानुमेयता एक गतिशील लक्ष्य है

यह लेख कुशल-बाजार बहस को हल नहीं करता, लेकिन इसे प्रस्तुत करने का एक अधिक यथार्थवादी तरीका प्रदान करता है। बाजार सामान्यतः भविष्यवाणी में कठिन हो सकते हैं, फिर भी वे ऐसे संक्षिप्त अवधियों का उत्पादन करते हैं जहाँ आर्थिक और वित्तीय संकेतक असामान्य रूप से सूचनात्मक बन जाते हैं।

निवेशकों के लिए, इसका अर्थ यह नहीं है कि हर नई महत्वपूर्ण चर का पीछा किया जाए। बल्कि संकेतों को शर्तीय मानना, उनकी स्थिरता की निगरानी करना, और यह पहचानना है कि किसी संकट के दौरान खोजा गया संबंध अगली विस्तार में टिक नहीं सकता। स्थायी लाभ शायद एक स्थायी भविष्यवाणी सूत्र खोजने के बारे में कम और यह पता लगाने के बारे में अधिक है कि बाजार के नियम अस्थायी रूप से कब बदल गए हैं।

संदर्भ:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). गैर-स्थिर अस्थिरता वातावरण में स्टॉक रिटर्न पूर्वानुमेयता के लिए वास्तविक‑समय निगरानी। Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341