व्यवहार मॉडलिंग के पीछे की बारीकियां

AiCR एक्सचेंज के एपिसोड 7 में, जो फरलोंग ने MIAC के बरोवर एनालिटिक्स ग्रुप के मैनेजिंग डायरेक्टर डिक कज़ारियन से बातचीत की। डिक ने पेसो संकट, महावित्तीय संकट और कोविड सहित कई क्रेडिट चक्रों के दौरान मॉर्गेज बाजारों में व्यवहार संबंधी मॉडल विकसित और लागू किए हैं। उन्होंने बताया कि मॉडल कैसे बनाए जाते हैं, उनमें क्या कमियां हैं, और क्यों विषय विशेषज्ञता को केवल मशीन लर्निंग से प्रतिस्थापित नहीं किया जा सकता है। 

MIAC का बॉरोअर एनालिटिक्स ग्रुप क्या करता है? 

MIAC का बॉरोअर एनालिटिक्स ग्रुप व्यवहार संबंधी मॉडल बनाता और उनका रखरखाव करता है, जो MIAC के मूल्यांकन, हेजिंग, ब्रोकरेज और सलाहकार कार्यों में सहायक होते हैं। यह समूह तीन प्रकार के विश्लेषणात्मक परिणाम प्रदान करता है: मूल्यांकन जो स्प्रेड के आधार पर बाजार मूल्य या बाजार मूल्य के आधार पर स्प्रेड की गणना करता है; हेजिंग एनालिटिक्स जो दरों में परिवर्तन होने पर मूल्य में होने वाले बदलाव की मात्रा को मापता है; और स्ट्रेस एनालिसिस जो प्रतिकूल परिस्थितियों में परिसंपत्तियों के प्रदर्शन का अनुमान लगाने के लिए मैक्रो फैक्टर परिदृश्यों का विश्लेषण करता है। ये मॉडल MIAC की आंतरिक उत्पादन टीमों और MIAC के विश्लेषणात्मक प्लेटफॉर्म का लाइसेंस लेने वाले बाहरी सॉफ्टवेयर ग्राहकों, दोनों के लिए सहायक हैं। 

व्यवहारिक मॉडल कैसे बनाए जाते हैं? 

मॉडल विकास एक निर्धारित जीवनचक्र का अनुसरण करता है। इसकी शुरुआत व्यावसायिक आवश्यकताओं को समझने से होती है, फिर डेटा अधिग्रहण, तैयारी और मानकीकरण की प्रक्रिया आगे बढ़ती है। टीम यह निर्धारित करती है कि कौन से डेटासेट मॉडल द्वारा हल किए जाने वाले प्रश्न का सर्वोत्तम उत्तर देंगे, मॉडल संरचना को निर्दिष्ट करती है और अनुमान प्रक्रिया चलाती है। इसके बाद व्यापक बैक टेस्टिंग और नैदानिक ​​कार्य किया जाता है। फिर मॉडल को सॉफ़्टवेयर में कार्यान्वित किया जाना होता है, जिसे डिक के अनुसार वास्तविक कार्य की शुरुआत माना जाता है। कार्यान्वयन परीक्षण उन समस्याओं को उजागर करता है जिन्हें केवल अनुमान से नहीं पकड़ा जा सकता। इसके बाद मॉडल का दस्तावेज़ीकरण और सत्यापन किया जाता है, और फिर निरंतर प्रदर्शन मूल्यांकन किया जाता है क्योंकि मॉडल पुराने हो जाते हैं और उनकी निरंतर निगरानी आवश्यक होती है। 

व्यवहारिक मॉडलिंग के लिए डेटा की गुणवत्ता इतनी महत्वपूर्ण क्यों है? 

डेटा की गुणवत्ता मॉडल द्वारा उत्पन्न प्रत्येक परिणाम को प्रभावित करती है। यदि इनपुट डेटा अपूर्ण, असंगत है, या उन असामान्य अवधियों को दर्शाता है जिनका सटीक रूप से वर्णन नहीं किया गया है, तो मॉडल ऐसे परिणाम देगा जिन पर भरोसा नहीं किया जा सकता। डिक सीधे कहते हैं: हर कोई डेटा के कारोबार में है। सवाल सिर्फ यह है कि क्या वे इसमें माहिर होंगे। अपूर्ण या विकृत डेटा पर बने मॉडल अतीत के अनुरूप तो होंगे, लेकिन सटीक पूर्वानुमान लगाने में विफल रहेंगे। महान वित्तीय संकट इसका सबसे स्पष्ट उदाहरण है। संकट के दौरान ऋण स्तर की एलटीवी 130 तक पहुंच गई थी, एक ऐसा परिदृश्य जिसके लिए 2006 में बने किसी भी मॉडल के पास ऐतिहासिक डेटा नहीं था क्योंकि कोई भी ऋणदाता उन एलटीवी पर ऋण नहीं दे रहा था। उस परिदृश्य से संबंधित डेटा घटना घटने से पहले मौजूद ही नहीं था। 

व्यवहार मॉडलिंग में कृत्रिम बुद्धिमत्ता और मशीन लर्निंग विषय-वस्तु विशेषज्ञता का स्थान क्यों नहीं ले सकते? 

मॉर्गेज विश्लेषण में मशीन लर्निंग मॉडल की भूमिका होती है, लेकिन ये विषय विशेषज्ञता का विकल्प नहीं हैं। डिक उन स्थितियों की पहचान करते हैं जहाँ मशीन लर्निंग बेहतर काम करती है: कई चर, उन चरों के आपसी संबंध के बारे में सीमित आर्थिक अंतर्दृष्टि, बड़ी मात्रा में प्रशिक्षण डेटा और नीतिगत हस्तक्षेप के बिना स्थिर वातावरण। मॉर्गेज बाजार इनमें से कई स्थितियों में विफल रहते हैं। मॉर्गेज अधिकांश गृहस्वामियों की सबसे बड़ी देनदारी होती है, जिसका अर्थ है कि नियामक, कांग्रेस और राज्य एजेंसियां ​​लगातार हस्तक्षेप करती रहती हैं। HARP ने रातोंरात पूर्व भुगतान की गति को बदल दिया। डॉड-फ्रैंक ने मूल्यांकन की गुणवत्ता को संरचनात्मक रूप से बदल दिया। कोविड ने बेरोजगारी और ऋण हानि के बीच ऐतिहासिक संबंध को पूरी तरह से तोड़ दिया क्योंकि सरकारी राहत कार्यक्रमों का मतलब था कि लोग आर्थिक रूप से बेरोजगार होने पर नियोजित होने की तुलना में बेहतर स्थिति में थे। ऐतिहासिक डेटा पर प्रशिक्षित मशीन लर्निंग मॉडल इन सभी परिदृश्यों के लिए गलत परिणाम देता। विषय विशेषज्ञता ही वह चीज है जो किसी टीम को यह पहचानने में सक्षम बनाती है कि डेटा कब भ्रामक है और उसके अनुसार समायोजन करती है। 

प्रीपेमेंट और डिफॉल्ट की धारणाएं कैसे बनती हैं? 

प्रीपेमेंट और डिफ़ॉल्ट व्यवहार ऋण की विशेषताओं और व्यापक आर्थिक कारकों के संयोजन से प्रभावित होता है। ऋण राशि, एलटीवी, क्रेडिट गुणवत्ता, ऋण की अवधि और उत्पाद प्रकार, ये सभी कारक मायने रखते हैं। ब्याज दरें, घर की कीमतों में वृद्धि, बेरोजगारी और मुद्रास्फीति, राष्ट्रीय और एमएसए दोनों स्तरों पर, भी महत्वपूर्ण हैं। वीए ऋण इस बात का एक उपयोगी उदाहरण है कि उत्पाद-विशिष्ट कारक कैसे परस्पर क्रिया करते हैं। वीए ऋण लगभग 50% सीपीआर पर प्रीपे होते हैं, जो अन्य प्रकार के ऋणों की तुलना में काफी तेज़ है, क्योंकि वीए उधारकर्ताओं का क्रेडिट स्कोर आमतौर पर अच्छा होता है, और वीए की सरलीकृत पुनर्वित्त प्रक्रिया इतनी कुशल है कि ब्याज दरें गिरने पर उधारकर्ता तुरंत पुनर्वित्त कर सकते हैं। एलटीवी सभी प्रकार के ऋणों में क्रेडिट प्रदर्शन और प्रीपेमेंट दोनों के लिए महत्वपूर्ण है, लेकिन वीए उधारकर्ता समान एलटीवी पर एफएचए उधारकर्ताओं की तुलना में बेहतर क्रेडिट प्रदर्शन दिखाते हैं, जो सरकारी ऋण उत्पादों के मॉडल बनाने या उनकी व्याख्या करने वाले किसी भी व्यक्ति के लिए एक महत्वपूर्ण अंतर है। 

व्यवहारिक मॉडलिंग में संपूर्ण चक्र के डेटा की क्या भूमिका है? 

विभिन्न आर्थिक परिवेशों में कारगर साबित होने वाले मॉडल बनाने के लिए कई ऋण चक्रों के डेटा की आवश्यकता होती है। केवल एक स्थिर अवधि के डेटा पर आधारित मॉडल यह नहीं जान पाएगा कि जब घर की कीमतें तेज़ी से गिरती हैं, बेरोज़गारी बढ़ती है, या नीतिगत हस्तक्षेप चरों के बीच सामान्य संबंधों को बदल देते हैं, तो उधारकर्ता कैसे व्यवहार करते हैं। 2003 से 2005 तक के आर्थिक बुलबुले के दौर में ऐसे ऋण नुकसान हुए जिनका उस समय के मॉडल अनुमान नहीं लगा सकते थे, क्योंकि संकट के दौरान उभरे दीर्घकालिक ऋण दर (LTV) वितरण किसी भी पूर्व ऋण वितरण अनुभव की सीमा से बाहर थे। संकट के बाद के ऋणों में संकट से पहले के ऋणों की तुलना में कम ऋण नुकसान देखा गया, यहां तक ​​कि ऋण गुणवत्ता में अंतर को समायोजित करने के बाद भी, इसका मुख्य कारण यह था कि डॉड-फ्रैंक सुधारों के बाद मूल्यांकन की गुणवत्ता में काफी सुधार हुआ, क्योंकि ब्रोकर-आदेशित मूल्यांकन समाप्त हो गए थे। कई चक्रों के डेटा से मॉडलिंग टीम को यह समझने में मदद मिलती है कि कौन से संबंध संरचनात्मक हैं और कौन से अवधि-विशिष्ट हैं। 

आवासीय बंधक बाजार का भविष्य कैसा होगा? 

2026 की शुरुआत में डिक का दृष्टिकोण दो मुख्य बिंदुओं पर केंद्रित है। पहला है डेटा की उपलब्धता में विस्तार। क्रेडिट ब्यूरो का डेटा, जो उधारकर्ता के कुल ऋण को दर्शाता है, न कि केवल बंधक ऋण को, अधिक सुलभ होता जा रहा है और समय के साथ अधिक सटीक व्यवहार मॉडलिंग को सक्षम बनाएगा। दूसरा है नीतिगत जोखिम। बंधक बाजार निरंतर नियामक और विधायी हस्तक्षेप के अधीन है, और ये हस्तक्षेप पूर्व भुगतान और ऋण व्यवहार में बड़े बदलाव ला सकते हैं। एलएलपीए संरचनाएं वर्तमान में दोनों पक्षों के बीच राजनीतिक बहस का केंद्र बिंदु हैं, और उनमें बदलाव का पूर्व भुगतान की गति और ऋण प्रदर्शन पर महत्वपूर्ण प्रभाव पड़ सकता है। डिक का अंतिम बिंदु: नीतिगत जोखिम का पूर्वानुमान लगाना बहुत कठिन है और जब यह आता है तो इसका प्रभाव बहुत व्यापक होता है। 

बंधक बाजारों में व्यवहार मॉडलिंग के बारे में अक्सर पूछे जाने वाले प्रश्न 

मॉर्टगेज फाइनेंस में व्यवहार मॉडलिंग क्या है? 

बंधक वित्तपोषण में व्यवहार संबंधी मॉडलिंग एक ऐसी प्रक्रिया है जिसमें उधारकर्ताओं के व्यवहार का पूर्वानुमान लगाने वाले मात्रात्मक मॉडल तैयार किए जाते हैं, विशेष रूप से उनके समय से पहले भुगतान करने, डिफ़ॉल्ट करने या बकाया भुगतान में देरी होने की संभावना का। ये मॉडल ऋण-स्तर की विशेषताओं और वृहद आर्थिक इनपुट का उपयोग करके ऐसे आउटपुट उत्पन्न करते हैं जिनका उपयोग मूल्यांकन, हेजिंग, स्ट्रेस टेस्टिंग और पूंजी नियोजन के लिए किया जाता है। 

प्रीपेमेंट और डिफॉल्ट मॉडल किन इनपुट का उपयोग करते हैं? 

प्रीपेमेंट और डिफॉल्ट मॉडल, लोन से संबंधित विशेषताओं जैसे कि एलटीवी, लोन बैलेंस, क्रेडिट स्कोर, लोन की अवधि और उत्पाद प्रकार, साथ ही ब्याज दरें, घर की कीमतों में वृद्धि, बेरोजगारी और मुद्रास्फीति जैसे व्यापक आर्थिक कारकों के संयोजन का उपयोग करते हैं। लोन की विशेषताओं और व्यापक आर्थिक कारकों के बीच का अंतर्संबंध ही उधारकर्ता के व्यवहार को प्रभावित करता है, और मॉडलों को विभिन्न आर्थिक चक्रों में फैले डेटा की आवश्यकता होती है ताकि यह समझा जा सके कि विभिन्न परिवेशों में ये संबंध कैसे बदलते हैं। 

महान वित्तीय संकट के दौरान व्यवहार संबंधी मॉडल क्यों विफल रहे? 

महान वित्तीय संकट से पहले बनाए गए मॉडलों में संकट के दौरान सामने आए एलटीवी स्तरों पर उधारकर्ताओं के व्यवहार से संबंधित ऐतिहासिक डेटा का अभाव था। सामान्य परिस्थितियों में कोई भी ऋणदाता 130 एलटीवी पर ऋण नहीं देता था, इसलिए उस परिदृश्य के लिए कोई प्रशिक्षण डेटा उपलब्ध नहीं था। इसके अलावा, डॉड-फ्रैंक सुधारों से पहले मूल्यांकन की गुणवत्ता खराब थी, जिसका अर्थ है कि ऋण एलटीवी के आधार पर संपार्श्विक मूल्यों को इस तरह से बढ़ा-चढ़ाकर दिखाया गया था जिसे मॉडल ध्यान में नहीं रख पाए थे। इस संकट ने यह उजागर किया कि मॉडल की सटीकता उन्हें बनाने के लिए उपयोग किए गए डेटा की गुणवत्ता और पूर्णता पर कितनी निर्भर करती है। 

MIAC का बरोवर एनालिटिक्स ग्रुप क्या है? 

MIAC का बॉरोअर एनालिटिक्स ग्रुप, MIAC की वैल्यूएशन, हेजिंग और एडवाइजरी सेवाओं को सपोर्ट करने वाले बिहेवियरल मॉडल्स का निर्माण और रखरखाव करता है । यह ग्रुप आवासीय, वाणिज्यिक और उपभोक्ता ऋणों के प्रकारों के लिए प्रीपेमेंट, डिफॉल्ट और सीवियरिटी मॉडल्स विकसित करता है, और MIAC की आंतरिक उत्पादन इकाइयों और MIAC के एनालिटिकल सॉफ्टवेयर प्लेटफॉर्म का उपयोग करने वाले बाहरी ग्राहकों दोनों को सपोर्ट करता है।