दो मुद्रा बाजारों में एक बीमाकर्ता के लिए इष्टतम निवेश: एक स्टोकेस्टिक नियंत्रण विश्लेषण

विषय सूची

1. परिचय

यह शोधपत्र एक्चुअरियल साइंस और वित्तीय गणित में एक महत्वपूर्ण कमी को संबोधित करता है: एक बीमा कंपनी के लिए इष्टतम निवेश रणनीति जो कई मुद्रा बाजारों में कार्य करती है। पारंपरिक मॉडल, जैसे कि Browne (1995) और Schmidli (2002) के मॉडल, मुख्य रूप से एकल-मुद्रा वातावरण पर केंद्रित हैं। हालांकि, एक बढ़ती वैश्विक अर्थव्यवस्था में, बीमाकर्ताओं को विभिन्न मुद्राओं में निर्धारित परिसंपत्तियों और देनदारियों का प्रबंधन करना चाहिए, जो उन्हें विदेशी मुद्रा जोखिम के संपर्क में लाता है। यह शोध क्लासिकल Cramér-Lundberg अधिशेष मॉडल को दो-मुद्रा सेटिंग तक विस्तारित करता है, जिसमें Ornstein-Uhlenbeck (OU) प्रक्रिया द्वारा मॉडल की गई एक स्टोकेस्टिक विनिमय दर शामिल है। उद्देश्य टर्मिनल संपत्ति की अपेक्षित घातीय उपयोगिता को अधिकतम करना है, जो बीमा वित्त में एक सामान्य जोखिम-विरोधी मानदंड है।

2. मॉडल निरूपण

2.1 अधिशेष प्रक्रिया

बीमाकर्ता की अधिशेष प्रक्रिया $R(t)$ को शास्त्रीय क्रैमर-लुंडबर्ग मॉडल के विसरण सन्निकटन का उपयोग करके मॉडल किया गया है:

2.2 वित्तीय बाजार

बीमाकर्ता निम्नलिखित में निवेश कर सकता है:

1. घरेलू जोखिम-मुक्त परिसंपत्ति: $dB(t) = r_d B(t) dt$, ब्याज दर $r_d$ के साथ।
2. विदेशी जोखिमपूर्ण परिसंपत्ति: एक ज्यामितीय ब्राउनियन गति द्वारा मॉडल किया गया: $dS_f(t) = \mu_f S_f(t) dt + \sigma_f S_f(t) dW_f(t)$.

मुख्य नवाचार विदेशी परिसंपत्तियों में निवेश की अनुमति देना है, जिसके लिए विनिमय दर मॉडलिंग आवश्यक है।

2.3 Exchange Rate Dynamics

विनिमय दर $Q(t)$ (घरेलू मुद्रा की प्रति इकाई विदेशी मुद्रा की इकाइयाँ) और उसका ड्रिफ्ट इस प्रकार मॉडल किया गया है:

3. Optimization Problem

3.1 उद्देश्य फलन

Let $X(t)$ be the total wealth in domestic currency. The insurer controls the amount $\pi(t)$ invested in the foreign risky asset. The goal is to maximize the expected exponential utility of terminal wealth at time $T$: $$\sup_{\pi} \mathbb{E}[U(X(T))] = \sup_{\pi} \mathbb{E}\left[-\frac{1}{\gamma} e^{-\gamma X(T)}\right]$$ where $\gamma > 0$ is the constant absolute risk aversion coefficient. Exponential utility simplifies the HJB equation as it eliminates wealth dependence in the optimal strategy under certain conditions.

3.2 Hamilton-Jacobi-Bellman समीकरण

मान लीजिए $V(t, x, \theta)$ मूल्य फलन है। संबद्ध HJB समीकरण है:

4. Analytical Solution

4.1 Optimal Investment Strategy

शोध पत्र विदेशी जोखिमपूर्ण परिसंपत्ति में इष्टतम निवेश इस प्रकार व्युत्पन्न करता है:

4.2 मूल्य फलन

मूल्य फलन निम्नलिखित रूप में पाया जाता है:

5. Numerical Analysis

शोध पत्र इष्टतम रणनीति के व्यवहार को दर्शाने के लिए एक संख्यात्मक विश्लेषण प्रस्तुत करता है। प्रमुख अवलोकनों में शामिल हैं:

• $\theta(t)$ के प्रति संवेदनशीलता: इष्टतम निवेश $\pi^*(t)$ बढ़ जाता है जब विनिमय दर में अपेक्षित वृद्धि $\theta(t)$ अधिक होती है, जो विदेशी परिसंपत्ति में निवेश को प्रोत्साहित करती है।
• जोखिम विमुखता ($\gamma$) का प्रभाव: उच्च जोखिम परिहार विदेशी जोखिमपूर्ण परिसंपत्ति में स्थिति को अपेक्षानुसार काफी कम कर देता है।
• सहसंबंध का प्रभाव: विदेशी परिसंपत्ति प्रतिफल और विनिमय दर परिवर्तन ($\rho_{fQ}$) के बीच नकारात्मक सहसंबंध एक प्राकृतिक हेज के रूप में कार्य कर सकता है, जिससे एक बड़ी इष्टतम स्थिति संभव होती है।

विश्लेषण में संभवतः $\theta(t)$ के लिए पथों का सिमुलेशन और समय के साथ $\pi^*(t)$ का आलेखन शामिल है, जो इसकी गतिशील और अवस्था-निर्भर प्रकृति को प्रदर्शित करता है।

6. Core Insight & Analyst's Perspective

मूल अंतर्दृष्टि: यह शोध पत्र बीमाकर्ता निवेश मॉडल में एक और सामान्य सुधार मात्र नहीं है। इसका मौलिक योगदान औपचारिक रूप से एकीकृत करना है स्टोकेस्टिक मुद्रा जोखिम बीमाकर्ता की परिसंपत्ति-दायित्व प्रबंधन रूपरेखा में। विनिमय दर प्रवृत्ति को एक माध्य-प्रत्यावर्ती OU प्रक्रिया के रूप में मॉडलिंग करके, लेखक सरल स्थिर-पैरामीटर मॉडलों से आगे बढ़ते हैं और वैश्विक बीमाकर्ताओं के लिए एक प्रमुख वास्तविकता को दर्शाते हैं: मुद्रा जोखिम एक स्थायी, गतिशील कारक है जिसका सक्रिय रूप से प्रबंधन किया जाना चाहिए, न कि केवल एक स्थिर रूपांतरण शुल्क।

तार्किक प्रवाह: तर्क सुसंगत है और विहित स्टोकेस्टिक नियंत्रण पद्धति का अनुसरण करता है: (1) क्रैमर-लुंडबर्ग अधिशेष को एक प्रसार में विस्तारित करें, (2) एक स्टोकेस्टिक विनिमय दर के साथ दो-मुद्रा बाजार को जोड़ें, (3) घातीय उपयोगिता उद्देश्य को परिभाषित करें, (4) HJB समीकरण व्युत्पन्न करें, (5) समाधान रूप का अनुमान लगाने के लिए घातीय उपयोगिता की पृथक्करणीयता का उपयोग करें, और (6) परिणामी रिकाटी समीकरणों को हल करें। यह एक सुप्रसिद्ध लेकिन प्रभावी मार्ग है, जिसकी भावना नियंत्रित प्रसार पर फ्लेमिंग और सोनर (2006) के मौलिक कार्य के समान है।

Strengths & दोष: सामर्थ्य: मॉडल की सुंदरता इसकी मुख्य ताकत है। $\theta(t)$ के लिए घातीय उपयोगिता और एफाइन गतिशीलता का संयोजन एक व्यवहार्य, बंद-रूप समाधान प्रदान करता है—जो स्टोकेस्टिक नियंत्रण समस्याओं में दुर्लभ है। यह स्पष्ट तुलनात्मक स्थैतिकी प्रदान करता है। परिसंपत्ति और मुद्रा रिटर्न के बीच सहसंबंध को स्पष्ट रूप से शामिल करना भी प्रशंसनीय है, क्योंकि यह स्वीकार करता है कि ये जोखिम अलग-थलग नहीं हैं। दोष: The model's assumptions are its Achilles' heel. The diffusion approximation of the insurance surplus strips away jump risk (the very essence of insurance claims), potentially understating tail risk. The OU process for $\theta(t)$, while mean-reverting, may not capture the "pegged regime shifts" or sudden devaluations seen in emerging markets. Furthermore, the model ignores transaction costs and constraints like no-short-selling, which are critical for practical implementation. Compared to more robust approaches like deep reinforcement learning for portfolio optimization (Theate & Ernst, 2021), this model feels analytically neat but potentially fragile in the real world.

क्रियान्वयन योग्य अंतर्दृष्टि: वैश्विक बीमाकर्ताओं के मुख्य निवेश अधिकारियों के लिए, यह शोध इस बात को रेखांकित करता है कि मुद्रा हेजिंग को उपेक्षित नहीं किया जा सकता। इष्टतम रणनीति गतिशील है और विनिमय दर प्रवृत्ति ($\theta(t)$) की वर्तमान स्थिति पर निर्भर करती है, जिसका लगातार अनुमान लगाया जाना चाहिए। व्यवसाय में लगे पेशेवरों को यह करना चाहिए: अनुमान इंजन बनाएं: अव्यक्त अवस्था $\theta(t)$ और उसके मापदंडों ($\kappa, \bar{\theta}, \sigma_\theta$) का वास्तविक समय में अनुमान लगाने के लिए मजबूत कलमैन फ़िल्टर या एमएलई विधियाँ विकसित करें। Stress-Test Beyond OU: Use the model's framework but replace the OU process with more complex models (e.g., regime-switching) in scenario analysis to gauge strategy resilience. Focus on Correlation: विदेशी परिसंपत्ति रिटर्न और मुद्रा गतिविधियों के बीच सहसंबंध ($\rho_{fQ}$) की सक्रिय रूप से निगरानी और मॉडलिंग करें, क्योंकि यह हेज अनुपात और इष्टतम एक्सपोजर का एक प्रमुख निर्धारक है।

7. Technical Details & Mathematical Framework

The core mathematical machinery is the Hamilton-Jacobi-Bellman (HJB) equation from stochastic optimal control theory. The wealth dynamics in domestic currency, considering investment $\pi(t)$ in the foreign asset, are: $$dX(t) = \left[ r_d X(t) + \pi(t)(\mu_f + \theta(t) - r_d) + (c - \lambda\mu_Y) \right] dt + \pi(t)\sigma_f dW_f(t) + \pi(t)\sigma_Q dW_Q(t) + \sigma_R dW_R(t)$$ The HJB equation for the value function $V(t,x,\theta)$ is: $$ \begin{aligned} 0 = \sup_{\pi} \Bigg\{ & V_t + \left[ r_d x + \pi(\mu_f + \theta - r_d) + (c - \lambda\mu_Y) \right] V_x + \kappa(\bar{\theta} - \theta) V_\theta \\ & + \frac{1}{2}\left( \pi^2(\sigma_f^2 + \sigma_Q^2 + 2\rho_{fQ}\sigma_f\sigma_Q) + \sigma_R^2 + 2\pi(\rho_{fR}\sigma_f\sigma_R + \rho_{QR}\sigma_Q\sigma_R) \right) V_{xx} \\ & + \frac{1}{2}\sigma_\theta^2 V_{\theta\theta} + \pi \sigma_\theta (\rho_{f\theta}\sigma_f + \rho_{Q\theta}\sigma_Q) V_{x\theta} \Bigg\} \end{aligned} $$ The exponential utility ansatz $V(t,x,\theta) = -\frac{1}{\gamma}\exp\{-\gamma x e^{r_d(T-t)} + \phi(t,\theta)\}$ simplifies this to a PDE for $\phi(t,\theta)$, which with a quadratic guess $\phi(t,\theta)=A(t)+B(t)\theta+\frac{1}{2}C(t)\theta^2$ yields the Riccati equations for $A(t), B(t), C(t)$.

8. Analysis Framework: A Practical Case

परिदृश्य: एक जापानी गैर-जीवन बीमाकर्ता (घरेलू मुद्रा: JPY) अपने घरेलू संचालन से अधिशेष रखता है। यह अपनी संपत्ति के एक हिस्से को अमेरिकी प्रौद्योगिकी स्टॉक (विदेशी परिसंपत्ति, USD) में निवेश करने पर विचार कर रहा है। लक्ष्य 5-वर्ष की समयावधि में इस विदेशी परिसंपत्ति के लिए इष्टतम गतिशील आवंटन निर्धारित करना है।

फ्रेमवर्क अनुप्रयोग:

1. पैरामीटर अंशांकन:
   • अधिशेष (JPY): ऐतिहासिक दावा डेटा से $c$, $\lambda$, $\mu_Y$ का अनुमान लगाएं ताकि ड्रिफ्ट $(c-\lambda\mu_Y)$ और वोलैटिलिटी $\sigma_R$ प्राप्त हो सके।
   • यूएस टेक स्टॉक्स (USD): एक बेंचमार्क इंडेक्स (जैसे, Nasdaq-100) से अपेक्षित रिटर्न $\mu_f$ और अस्थिरता $\sigma_f$ का अनुमान लगाएं।
   • USD/JPY विनिमय दर: $\theta(t)$ के लिए OU प्रक्रिया पैरामीटर्स को कैलिब्रेट करने के लिए ऐतिहासिक डेटा का उपयोग करें: दीर्घकालिक माध्य $\bar{\theta}$, माध्य-प्रत्यावर्तन गति $\kappa$, और अस्थिरता $\sigma_\theta$। सहसंबंधों ($\rho_{fQ}, \rho_{fR},$ आदि) का अनुमान लगाएं।
   • जोखिम-मुक्त दरें: $r_d$ के लिए जापानी सरकारी बॉन्ड (JGB) यील्ड और यूएस ट्रेजरी यील्ड (मॉडल की संरचना में परिवर्तित) का उपयोग करें।
   • जोखिम विमुखता: कंपनी की पूंजी पर्याप्तता और जोखिम सहनशीलता के आधार पर $\gamma$ सेट करें।
2. रणनीति गणना: कैलिब्रेटेड पैरामीटर्स को $\pi^*(t)$ के सूत्र में प्लग करें। इसके लिए अव्यक्त अवस्था $\theta(t)$ के वर्तमान अनुमानित मूल्य की आवश्यकता होती है, जिसे हाल के विनिमय दर आंदोलनों से फ़िल्टर किया जा सकता है।
3. Output & Monitoring: मॉडल एक समय-परिवर्तनशील लक्ष्य आवंटन प्रतिशत आउटपुट करता है। बीमाकर्ता का ट्रेजरी अपने FX हेजिंग अनुपात और इक्विटी आवंटन को तदनुसार समायोजित करेगा। $\theta(t)$ अनुमान को आवधिक रूप से (जैसे, मासिक) अपडेट किया जाना चाहिए, जिससे गतिशील पुनर्संतुलन होता है।

यह ढांचा एक जटिल बहु-मुद्रा आवंटन समस्या के लिए एक व्यवस्थित, मॉडल-संचालित दृष्टिकोण प्रदान करता है।

9. Future Applications & Research Directions

मॉडल विस्तार और व्यावहारिक अनुप्रयोग के लिए कई रास्ते खोलता है:

• बहु-मुद्रा पोर्टफोलियो: मॉडल को एक से अधिक विदेशी मुद्राओं और परिसंपत्तियों तक विस्तारित करना, क्रॉस-करेंसी सहसंबंधों के नेटवर्क का प्रबंधन। यह बहुराष्ट्रीय बीमाकर्ताओं की आवश्यकताओं के अनुरूप है।
• जंप जोखिमों को शामिल करना: बीमा अधिशेष के लिए प्रसार सन्निकटन को अधिक यथार्थवादी जंप-डिफ्यूजन या लेवी प्रक्रिया से प्रतिस्थापित करना, ताकि विनाशकारी दावों को बेहतर ढंग से मॉडल किया जा सके, जंप प्रक्रियाओं के तहत इष्टतम नियंत्रण पर सूर्या (2022) की तकनीकों का उपयोग करते हुए।
• रेजिम-स्विचिंग मॉडल: $\theta(t)$ या बाजार मापदंडों को एक मार्कोव रेजिम-स्विचिंग प्रक्रिया के साथ मॉडलिंग करना, ताकि विभिन्न मौद्रिक नीति या आर्थिक चक्रों को पकड़ा जा सके, जैसा कि एलियट एट अल के कार्यों में देखा गया है।
• मशीन लर्निंग एकीकरण: उच्च-आवृत्ति बाजार डेटा से अव्यक्त अवस्था $\theta(t)$ और उसकी गतिशीलता का अनुमान लगाने के लिए LSTM नेटवर्क या रीइन्फोर्समेंट लर्निंग एजेंट का उपयोग करना, पैरामीट्रिक OU धारणा से आगे बढ़ते हुए।
• ALM एकीकरण: इस निवेश मॉडल को एक व्यापक एसेट-लायबिलिटी मैनेजमेंट (ALM) फ्रेमवर्क में एम्बेड करना जो बीमा उत्पाद मूल्य निर्धारण और पुनर्बीमा रणनीतियों पर भी अनुकूलन करता है।
• विकेंद्रीकृत वित्त (DeFi): एक विकेंद्रीकृत बीमा प्रोटोकॉल (जैसे, Nexus Mutual) के खजाने के प्रबंधन के लिए मॉडल को लागू करना, जो कई ब्लॉकचेन मूल मुद्राओं में क्रिप्टो-संपत्तियां रखता है, जहां विनिमय दर अस्थिरता अत्यधिक है।

10. References

1. Browne, S. (1995). एक यादृच्छिक जोखिम प्रक्रिया वाली फर्म के लिए इष्टतम निवेश नीतियाँ: घातांकीय उपयोगिता और दिवालियापन की संभावना को न्यूनतम करना। Mathematics of Operations Research, 20(4), 937-958.
2. Fama, E. F. (1984). आगे और स्पॉट विनिमय दरें। Journal of Monetary Economics, 14(3), 319-338.
3. Fleming, W. H., & Soner, H. M. (2006). Controlled Markov Processes and Viscosity Solutions (दूसरा संस्करण)। स्प्रिंगर।
4. ग्रैंडेल, जे. (1991)। जोखिम सिद्धांत के पहलू. Springer-Verlag.
5. Merton, R. C. (1969). Lifetime Portfolio Selection under Uncertainty: The Continuous-Time Case. The Review of Economics and Statistics, 51(3), 247-257.
6. Schmidli, H. (2002). निवेश और पुनर्बीमा द्वारा दिवालियापन की संभावना को कम करने पर। अनुप्रयुक्त संभावना के इतिहास, 12(3), 890-907.
7. Surya, B. A. (2022). जंप-डिफ्यूजन मॉडल के तहत एक बीमाकर्ता के लिए इष्टतम निवेश और पुनर्बीमा। Scandinavian Actuarial Journal, 2022(5), 401-429.
8. Theate, T., & Ernst, D. (2021). An Application of Deep Reinforcement Learning to Algorithmic Trading. Expert Systems with Applications, 173, 114632.
9. Zhou, Q., & Guo, J. (2020). Optimal Control of Investment for an Insurer in Two Currency Markets. arXiv preprint arXiv:2006.02857.