VaR vs. CVaR: आपको वास्तव में कौन सा जोखिम माप उपयोग करना चाहिए?

एक जोखिम माप जो सबसे बुरे परिणामों को नज़रअंदाज़ करता है

1999 में, चार गणितज्ञों — Philippe Artzner, Freddy Delbaen, Jean-Marc Eber और David Heath — ने एक शोधपत्र प्रकाशित किया जिसने वित्त जगत की जोखिम मापन संबंधी सोच को मूल रूप से बदल दिया। उनका तर्क, जो Mathematical Finance पत्रिका में "Coherent Measures of Risk" शीर्षक से प्रस्तुत किया गया था, देखने में सरल लेकिन गहन था: दुनिया में सबसे व्यापक रूप से प्रयुक्त जोखिम माप — Value at Risk (VaR) — में एक गणितीय दोष है जो जोखिम प्रबंधकों को सक्रिय रूप से भ्रमित कर सकता है। उन्होंने विकल्प के रूप में जो माप प्रस्तावित किया — Conditional Value at Risk (CVaR, जिसे Expected Shortfall भी कहते हैं) — तब से बैंकिंग विनियमन, पोर्टफोलियो अनुकूलन और संस्थागत जोखिम प्रबंधन का केंद्रीय तत्व बन गया है।

VaR और CVaR के बीच का अंतर समझना केवल अकादमिक अभ्यास नहीं है। यह निर्धारित करता है कि संस्थाएँ कैसे पोज़ीशन का आकार तय करती हैं, पूँजी भंडार निर्धारित करती हैं, और — सबसे महत्वपूर्ण — क्या वे उन नुकसानों को कम आँकती हैं जो सबसे अधिक मायने रखते हैं: वे टेल इवेंट जो पोर्टफोलियो को नष्ट कर सकते हैं।

VaR आपको क्या बताता है (और क्या छिपाता है)

Value at Risk एक विशिष्ट प्रश्न का उत्तर देता है: "एक निश्चित विश्वास स्तर और समय सीमा में मुझे अधिकतम कितना नुकसान हो सकता है?" 95% दैनिक VaR $1 मिलियन का अर्थ है कि 95% ट्रेडिंग दिनों में पोर्टफोलियो का नुकसान $1 मिलियन से अधिक नहीं होगा। दूसरे शब्दों में, 5% ट्रेडिंग दिनों में — लगभग महीने में एक बार — नुकसान $1 मिलियन से अधिक होगा।

VaR 1990 के दशक में जोखिम मापन का उद्योग मानक बन गया, जिसमें J.P. Morgan के RiskMetrics सिस्टम की बड़ी भूमिका रही। इसकी लोकप्रियता का कारण इसकी स्पष्टता थी: एक ही संख्या जो पूरे पोर्टफोलियो के जोखिम को सारांशित कर देती थी। नियामकों ने इसे अपनाया, बोर्ड सदस्य इसे समझ सकते थे, और जोखिम प्रबंधक जटिल बहु-परिसंपत्ति पोर्टफोलियो के लिए इसकी गणना कर सकते थे।

लेकिन VaR में एक गंभीर अंधा बिंदु है। यह सीमा से आगे क्या होता है, इसके बारे में कुछ नहीं बताता। यदि आपका 95% VaR $1 मिलियन है, तो आप जानते हैं कि 5% समय नुकसान इस राशि से अधिक होगा। लेकिन उन 5% दिनों में नुकसान $1.1 मिलियन भी हो सकता है और $50 मिलियन भी — VaR इन परिदृश्यों में अंतर नहीं करता। यह आपको बताता है कि टेल का दरवाज़ा कहाँ है, लेकिन यह नहीं कि उसके पीछे का कमरा कितना गहरा है।

यह अंधा बिंदु केवल सैद्धांतिक नहीं है। 2008 के वित्तीय संकट के दौरान, कई संस्थाओं के जोखिम सिस्टम सहज VaR संख्याएँ दिखा रहे थे, जबकि वास्तविक टेल नुकसान कई गुना अधिक थे। उनके VaR मॉडल कह रहे थे "बुरे दिन में आप $X खो सकते हैं," जबकि वास्तविक बुरे दिनों ने 5X या 10X का नुकसान दिया।

सुसंगतता की समस्या

Artzner et al. (1999) ने चार गुणधर्मों को परिभाषित करके समस्या को औपचारिक रूप दिया, जो किसी भी "सुसंगत" जोखिम माप को पूरा करने चाहिए:

1. स्थानांतरण अपरिवर्तनशीलता। पोर्टफोलियो में जोखिम-मुक्त परिसंपत्ति जोड़ने से मापा गया जोखिम उस परिसंपत्ति की राशि के बराबर कम होना चाहिए। यदि आप $1 मिलियन नकद जोड़ते हैं, तो जोखिम $1 मिलियन कम होना चाहिए।

2. उप-योज्यता। संयुक्त पोर्टफोलियो का जोखिम उसके हिस्सों के जोखिमों के योग से अधिक नहीं होना चाहिए। यह विविधीकरण का सिद्धांत है — पोज़ीशन को मिलाने से जोखिम नहीं बढ़ना चाहिए। गणितीय रूप में: ρ(X + Y) ≤ ρ(X) + ρ(Y)।

3. धनात्मक समघातता। पोज़ीशन दोगुनी करने पर जोखिम भी दोगुना होना चाहिए।

4. एकदिष्टता। यदि पोर्टफोलियो X हमेशा पोर्टफोलियो Y से कम से कम उतना ही प्रतिफल देता है, तो X का जोखिम Y के बराबर या कम होना चाहिए।

VaR इनमें से तीन गुणधर्मों को पूरा करता है लेकिन उप-योज्यता में विफल होता है। यह विफलता गणितीय जिज्ञासा मात्र नहीं है — इसके व्यावहारिक परिणाम हैं। दो ट्रेडरों पर विचार करें, जिनमें से प्रत्येक एक केंद्रित पोज़ीशन रखता है। ट्रेडर A का 95% VaR $1 मिलियन है। ट्रेडर B का 95% VaR भी $1 मिलियन है। यदि फर्म दोनों बहियों को मिला दे, तो संयुक्त 95% VaR $2 मिलियन — हिस्सों के योग — से अधिक हो सकता है। VaR के तहत विविधीकरण — जोखिम प्रबंधन का सबसे मूलभूत सिद्धांत — जोखिम बढ़ाता हुआ दिख सकता है।

ऐसा इसलिए होता है क्योंकि VaR केवल एक ही चतुर्थक को देखता है। दो पोर्टफोलियो को मिलाने से VaR सीमा से परे हानि वितरण का आकार इस प्रकार बदल सकता है कि सीमा स्वयं बाहर की ओर खिसक जाए, भले ही समग्र वितरण की पूँछ पतली हो। यह माप वितरण के आकार के प्रति "अंधा" है और केवल एक कट-ऑफ बिंदु की रिपोर्ट करता है।

CVaR: VaR से परे का जोखिम

CVaR (जिसे Expected Shortfall या Conditional Tail Expectation भी कहते हैं) एक अलग प्रश्न पूछता है: "यदि नुकसान VaR सीमा से अधिक हो जाए, तो अपेक्षित नुकसान कितना होगा?" यदि 95% VaR $1 मिलियन है, तो 95% CVaR सबसे खराब 5% दिनों के सभी नुकसानों का औसत है।

CVaR सभी चार सुसंगतता स्वयंसिद्धों को पूरा करता है, जिसमें उप-योज्यता भी शामिल है। दो पोर्टफोलियो को मिलाने से कभी भी ऐसा CVaR उत्पन्न नहीं होगा जो अलग-अलग CVaR के योग से अधिक हो। CVaR के तहत विविधीकरण हमेशा कार्य करता है।

इससे भी महत्वपूर्ण बात, CVaR टेल नुकसानों की गंभीरता को पकड़ता है, न कि केवल उनकी आवृत्ति को। दो पोर्टफोलियो का VaR समान हो सकता है लेकिन CVaR बहुत भिन्न:

पोर्टफोलियो B का VaR पोर्टफोलियो A के समान है लेकिन CVaR तीन गुना से अधिक है। केवल VaR का उपयोग करने वाला जोखिम प्रबंधक इन दोनों पोर्टफोलियो को समान रूप से जोखिमपूर्ण मानेगा। CVaR का उपयोग करने वाला जोखिम प्रबंधक तुरंत पोर्टफोलियो B को काफी अधिक टेल जोखिम वाला चिह्नित करेगा।

अनुकूलन में सफलता

Rockafellar and Uryasev (2000) ने दूसरा महत्वपूर्ण योगदान दिया: उन्होंने दिखाया कि CVaR को रैखिक प्रोग्रामिंग का उपयोग करके न्यूनतम किया जा सकता है। यह एक संगणनात्मक सफलता थी क्योंकि VaR न्यूनीकरण एक गैर-उत्तल अनुकूलन समस्या है — जिसे विश्वसनीय रूप से हल करना कठिन है, जो कई स्थानीय न्यूनतम बिंदुओं में फँसने की संभावना रखती है, और बड़े पोर्टफोलियो के लिए संगणनात्मक रूप से महँगी है।

इसके विपरीत, CVaR न्यूनीकरण एक उत्तल समस्या है। इसका एक अद्वितीय वैश्विक समाधान है, हज़ारों पोज़ीशन वाले पोर्टफोलियो के लिए भी कुशलतापूर्वक हल किया जा सकता है, और यह स्वाभाविक रूप से माध्य-जोखिम पोर्टफोलियो अनुकूलन ढाँचों में एकीकृत होता है। Rockafellar और Uryasev ने प्रदर्शित किया कि CVaR को न्यूनतम करने से साथ ही VaR पर एक सीमा भी मिलती है, अतः CVaR-इष्टतम पोर्टफोलियो VaR-नियंत्रित भी होता है।

इस परिणाम ने CVaR को अपनाने के विरुद्ध अंतिम व्यावहारिक आपत्ति को दूर कर दिया। Rockafellar और Uryasev से पहले, आलोचक यह तर्क दे सकते थे कि भले ही CVaR सैद्धांतिक रूप से श्रेष्ठ हो, VaR संगणनात्मक रूप से उपयोग में आसान है। उनके शोधपत्र के बाद, CVaR सैद्धांतिक और संगणनात्मक दोनों दृष्टियों से पसंदीदा बन गया।

जहाँ VaR के अभी भी फ़ायदे हैं

अपनी सैद्धांतिक कमियों के बावजूद, VaR कई व्यावहारिक लाभ बनाए रखता है जो उद्योग के कुछ हिस्सों में इसके निरंतर प्रभुत्व की व्याख्या करते हैं।

बैकटेस्टिंग। VaR की बैकटेस्टिंग सीधी है: गिनें कि कितनी बार नुकसान VaR अनुमान से अधिक हुआ और जाँचें कि क्या यह आवृत्ति निर्दिष्ट विश्वास स्तर से मेल खाती है। यदि 99% VaR 1% से अधिक बार पार होता है, तो मॉडल अपर्याप्त है। यह द्विआधारी परीक्षण सरल, सहज और स्वचालित करने में आसान है। CVaR की बैकटेस्टिंग कठिन है क्योंकि इसमें टेल नुकसानों के औसत परिमाण का अनुमान लगाना पड़ता है, न कि केवल उनकी आवृत्ति। इसके लिए बड़े नमूनों और अधिक जटिल सांख्यिकीय प्रक्रियाओं की आवश्यकता होती है।

नियामकीय परिचितता। हालाँकि बेसल III के Fundamental Review of the Trading Book (FRTB) ने 2019 में नियामकीय पूँजी आवश्यकताओं को Expected Shortfall (CVaR) की ओर स्थानांतरित कर दिया, कई आंतरिक जोखिम प्रणालियाँ अभी भी VaR की रिपोर्ट करती हैं, और संक्रमण जारी है। अधिकांश बड़ी संस्थाओं में दशकों के ऐतिहासिक VaR डेटाबेस मौजूद हैं, जो तुलना और प्रवृत्ति विश्लेषण को सरल बनाते हैं।

संप्रेषण। "हमारा 95% VaR $10 मिलियन है" गैर-तकनीकी हितधारकों के लिए "हमारा 95% CVaR $15 मिलियन है" की तुलना में समझना आसान है। VaR एक स्पष्ट सीमा प्रदान करता है; CVaR उस सीमा को पार करने की शर्त पर एक अपेक्षित मूल्य प्रदान करता है, जिसकी व्याख्या के लिए अधिक सांख्यिकीय साक्षरता की आवश्यकता होती है।

मॉडल जोखिम। CVaR की दूरस्थ टेल के प्रति संवेदनशीलता का अर्थ है कि यह वितरण की टेल में अनुमान त्रुटि से अधिक प्रभावित होता है। यदि आप टेल के आकार का गलत अनुमान लगाते हैं — सीमित डेटा के साथ एक सामान्य समस्या — तो आपका CVaR अनुमान काफी गलत हो सकता है। VaR, चूँकि यह केवल एक चतुर्थक पर निर्भर करता है, टेल के गलत अनुमान के प्रति कुछ अधिक मज़बूत है (हालाँकि इस मज़बूती की कीमत यह है कि यह टेल की गंभीरता को पूरी तरह अनदेखा करता है)।

नियामकीय बदलाव: VaR से Expected Shortfall की ओर

बेसल बैंकिंग पर्यवेक्षण समिति द्वारा FRTB ढाँचे में Expected Shortfall (97.5% विश्वास स्तर पर CVaR का नियामकीय नाम) को अपनाना Artzner एवं सहकर्मियों के सैद्धांतिक योगदान की सबसे महत्वपूर्ण मान्यता है। यह नियामकीय बदलाव ठीक उन्हीं सुसंगतता चिंताओं से प्रेरित था जो उस शोधपत्र ने पहचानी थीं।

पुराने ढाँचे (बेसल II/II.5) के तहत, बैंक बाज़ार जोखिम पूँजी के लिए 99% VaR की गणना करते थे। इससे संस्थाओं को ऐसे पोर्टफोलियो बनाने का अवसर मिला जो VaR बाधाओं को पूरा करते थे लेकिन महत्वपूर्ण छिपे हुए टेल जोखिम वहन करते थे — इस प्रथा को कभी-कभी "VaR आर्बिट्राज" कहा जाता है। एक ट्रेडर गहरे आउट-ऑफ़-द-मनी विकल्प बेच सकता था जो छोटे, निरंतर प्रीमियम उत्पन्न करते (VaR के लिए अदृश्य) लेकिन दुर्लभ घटनाओं में विनाशकारी हानि की क्षमता रखते थे।

97.5% Expected Shortfall पर स्विच करना इस समस्या को सीधे संबोधित करता है। गहरे आउट-ऑफ़-द-मनी विकल्प बेचने से CVaR नाटकीय रूप से बढ़ जाता है क्योंकि यह माप टेल में अपेक्षित हानि को पकड़ता है, जिसमें वे परिदृश्य भी शामिल हैं जहाँ उन विकल्पों का प्रयोग किया जाता है। आर्बिट्राज का अवसर समाप्त हो जाता है।

व्यावहारिक निर्णय ढाँचा

VaR और CVaR के बीच चयन करने वाले व्यवसायियों के लिए, निर्णय विशिष्ट उपयोग मामले पर निर्भर करता है:

CVaR का सबसे मज़बूत मामला तब उभरता है जब पोर्टफोलियो में अरैखिक उपकरण हों (विकल्प, संरचित उत्पाद), जब प्रतिफल वितरण में मोटी टेल हो (कमोडिटी, उभरते बाज़ार, क्रिप्टो), या जब पोर्टफोलियो इतना जटिल हो कि उप-योज्यता महत्वपूर्ण हो (बहु-डेस्क, बहु-परिसंपत्ति वर्ग जोखिम एकत्रीकरण)।

व्यवहार में VaR और CVaR की गणना

दोनों मापों का अनुमान तीन मुख्य दृष्टिकोणों से लगाया जा सकता है, प्रत्येक के अपने समझौते हैं:

ऐतिहासिक अनुकरण। पिछले प्रतिफलों को क्रमबद्ध करें, संबंधित चतुर्थक (VaR) या उस चतुर्थक से आगे का औसत (CVaR) पहचानें। सरल और मॉडल-मुक्त, लेकिन ऐतिहासिक नमूने द्वारा सीमित। यदि नमूना अवधि में टेल घटनाएँ शामिल नहीं हैं, तो VaR और CVaR दोनों कम आँके जाएँगे।

पैरामीट्रिक (प्रसरण-सहप्रसरण)। एक वितरण मान लें (आमतौर पर सामान्य या Student-t) और VaR तथा CVaR की विश्लेषणात्मक गणना करें। तेज़ और सुंदर, लेकिन वितरणीय धारणा जितनी अच्छी हो उतना ही अच्छा। सामान्यता के तहत, 95% CVaR लगभग 95% VaR का 1.28 गुना होता है। मोटी-टेल वाले वितरणों में, यह अनुपात 2 गुना या अधिक हो सकता है।

मोंटे कार्लो अनुकरण। एक फ़िट किए गए मॉडल से हज़ारों यादृच्छिक परिदृश्य उत्पन्न करें, फिर अनुकरित वितरण से VaR और CVaR की गणना करें। सबसे लचीला — अरैखिक उपकरणों, गैर-सामान्य वितरणों और जटिल निर्भरताओं को संभाल सकता है — लेकिन संगणनात्मक रूप से महँगा।

जब CVaR-से-VaR अनुपात 1.28 के करीब होता है, तो प्रतिफल वितरण लगभग सामान्य है और VaR पर्याप्त है। जैसे-जैसे अनुपात 2.0 से ऊपर बढ़ता है, टेल इतनी मोटी हो जाती हैं कि केवल VaR पर निर्भर रहना ख़तरनाक है — VaR सीमा से परे के नुकसान VaR द्वारा सुझाए गए नुकसानों से कहीं अधिक गंभीर हैं।

जो दोनों माप नहीं पकड़ पाते

VaR और CVaR दोनों में महत्वपूर्ण सीमाएँ हैं जिन्हें कोई भी एकल जोखिम माप पार नहीं कर सकता।

तरलता जोखिम। दोनों माप मानते हैं कि पोज़ीशन को बाज़ार मूल्यों पर समाप्त किया जा सकता है। संकट के दौरान, बिड-आस्क स्प्रेड बढ़ जाते हैं, बाज़ार की गहराई लुप्त हो जाती है, और वास्तविक परिसमापन आय मॉडल मूल्यों से कहीं बदतर हो सकती है। तरलता-समायोजित VaR और CVaR संस्करण मौजूद हैं लेकिन मॉडल की जटिलता काफी बढ़ा देते हैं।

सहसंबंध विघटन। दोनों माप बहु-परिसंपत्ति पोर्टफोलियो के मॉडलिंग के लिए अनुमानित सहसंबंधों या कोप्युलाओं पर निर्भर करते हैं। संकट के दौरान, सहसंबंध तेज़ी से 1.0 की ओर बढ़ जाते हैं, ठीक उस समय विविधीकरण लाभों को कम कर देते हैं जब उनकी सबसे अधिक आवश्यकता होती है। न VaR और न ही CVaR स्वाभाविक रूप से इस शासन-निर्भर सहसंबंध व्यवहार का हिसाब रखता है।

मॉडल जोखिम। कोई भी जोखिम माप उतना ही अच्छा होता है जितना उसके पीछे का मॉडल। ग़लत रूप से निर्दिष्ट वितरण, अशुद्ध सहसंबंध संरचनाएँ, या अपर्याप्त डेटा VaR और CVaR दोनों को वास्तविक जोखिम से कम दिखा सकते हैं। CVaR टेल के गलत अनुमान के प्रति अधिक संवेदनशील है; VaR विश्वास स्तर के चयन के प्रति अधिक संवेदनशील है।

उचित प्रतिक्रिया एक माप को दूसरे पर चुनना नहीं है, बल्कि दोनों को तनाव परीक्षण, परिदृश्य विश्लेषण और गुणात्मक निर्णय के साथ उपयोग करना है। कोई भी मात्रात्मक जोखिम माप टेल नुकसान उत्पन्न करने वाली आर्थिक प्रक्रियाओं की समझ का विकल्प नहीं है।

साक्ष्य कहाँ खड़े हैं

Artzner et al. (1999) ने स्थापित किया कि VaR एक सुसंगत जोखिम माप नहीं है और इसकी उप-योज्यता की विफलता जोखिम प्रबंधन को भ्रमित कर सकती है। Rockafellar and Uryasev (2000) ने दिखाया कि CVaR को कुशलतापूर्वक अनुकूलित किया जा सकता है, जिससे अपनाने की संगणनात्मक बाधा दूर हो गई। साथ मिलकर, इन शोधपत्रों ने अकादमिक सोच और नियामकीय व्यवहार दोनों को Expected Shortfall की ओर स्थानांतरित किया।

व्यावहारिक वास्तविकता यह है कि दोनों माप आवश्यक बने हुए हैं। VaR एक सरल, अच्छी तरह से समझी जाने वाली सीमा प्रदान करता है जिसकी गणना, बैकटेस्ट और संप्रेषण आसान है। CVaR वह टेल-जागरूक पूरक प्रदान करता है जो VaR द्वारा छूटी बातों को पकड़ता है। दोनों के बीच चयन इस पर कम निर्भर करता है कि अमूर्त रूप से कौन "बेहतर" है, और अधिक इस पर कि विशिष्ट पोर्टफोलियो, उपकरण जटिलता और निर्णय संदर्भ क्या है।

खुदरा निवेशकों के लिए, यह भेद अरैखिक भुगतान वाले उत्पादों का मूल्यांकन करते समय सबसे अधिक मायने रखता है — विकल्प रणनीतियाँ, संरचित नोट्स, लीवरेज्ड ETF — जहाँ VaR दुर्लभ लेकिन गंभीर नुकसानों के जोखिम को नाटकीय रूप से कम आँक सकता है। संस्थागत जोखिम प्रबंधकों के लिए, FRTB के बाद के नियामकीय वातावरण ने Expected Shortfall को प्राथमिक जोखिम माप के रूप में बहस को काफ़ी हद तक सुलझा दिया है, जबकि VaR को बैकटेस्टिंग और ऐतिहासिक तुलना के लिए बनाए रखा गया है।