मोंटे कार्लो सिमुलेशन: मेरे प्रबंधन का प्रक्षेपण फ़रवरी 2024 – अक्तूबर 2025
मूल्यांकन करना और पारदर्शिता लाना
एक उथल-पुथल भरे अक्तूबर के समापन पर, मैंने अपनी मोंटे कार्लो सिमुलेशन चलाई ताकि 1 फ़रवरी 2024 से वास्तविक पूँजी के साथ निवेश शुरू करने के बाद से मेरे प्रबंधन की गुणवत्ता का डेटा-आधारित मूल्यांकन किया जा सके। इस रन की अवलोकन अवधि 30 अक्तूबर 2025 को समाप्त होती है। यह अभ्यास मुझे एक वस्तुनिष्ठ संदर्भ देता है—वह मानक जिसे मैं हर पुनरावृत्ति में पार करना चाहता हूँ—और eToro पर मेरा पोर्टफोलियो कॉपी करने वालों के लिए पारदर्शिता भी जोड़ता है।
मोंटे कार्लो क्यों
क्योंकि यह अनुमान नहीं लगाता, बल्कि जो हो चुका है उसे प्रायिकताओं में अनुवाद करता है। मासिक रिटर्न से मैं औसत और अस्थिरता का आकलन करता हूँ और उन्हीं मापदंडों के साथ हज़ारों संभावित प्रक्षेप-पथों का अनुकरण करता हूँ। इससे मैं अपने प्रोसेस का समय के साथ सुसंगत और तुलनीय मानदंड से ऑडिट कर पाता हूँ।
मान्यताएँ और सीमाएँ
पथ मासिक आवृत्ति पर n=21 (फ़रवरी 2024→अक्टूबर 2025) से अनुमानित पैरामीटरों के साथ उत्पन्न किए जाते हैं। परिणाम इन डाटा और मान्यताओं पर सशर्त हैं; ये कोई भविष्यवाणी नहीं हैं। अनिश्चितता और टेल्स दर्शाने के लिए अनुभवजन्य bootstrap (क्वांटाइल/CVaR) अपनाया जाता है और बढ़ती out-of-sample विंडोज़ में परसेंटाइल स्थिरता की समीक्षा की जाती है। जोखिम की किसी भी व्याख्या को संभावित रेजीम-परिवर्तन के संदर्भ में देखा जाना चाहिए।
मोंटे कार्लो सिमुलेशन
इनपुट डेटा
| अवधि | अवलोकन | मासिक औसत (μ) | मासिक अस्थिरता (σ) |
|---|---|---|---|
| 1 फ़रवरी 2024 से 30 अक्तूबर 2025 | 21 | 1,69 % | 3,51 % |
यदि आप मेरे रिटर्न और पोर्टफोलियो के और विशिष्ट विवरण देखना चाहते हैं, तो मेरा eToro प्रोफ़ाइल।
सिमुलेशन के पैरामीटर
| समय क्षितिज | महीने | पुनरावृत्तियाँ | दर्शाई गई परसेंटाइल बैंड | आधार | आवृत्ति |
|---|---|---|---|---|---|
| 5 वर्ष | 60 | 1000 | 50% (P25–P75), 80% (P10–P90), 90% (P05–P95) | आरंभ में 1 का फ़ैक्टर | मासिक |
| 10 वर्ष | 120 | 5000 | 50% (P25–P75), 80% (P10–P90), 90% (P05–P95) | आरंभ में 1 का फ़ैक्टर | मासिक |
सिमुलेशन के परिणाम
सिमुलेशन 2024 और 2025 के बीच देखे गए सुधार के अनुरूप एक केंद्रीय, बढ़ती हुई प्रक्षेप-पथ का वर्णन करता है। प्रक्षेपित माध्यिका बढ़ती रहती है और सामान्य बैंड अपेक्षाकृत संकुचित रहते हैं, जो संकेत देता है कि वर्तमान पद्धति स्वीकृत जोखिम-स्तर के लिए अच्छी स्थिरता के साथ रिटर्न उत्पन्न कर रही है।
- ऊर्ध्व संगति: प्रक्षेप-पथों का केंद्रीय पैटर्न नमूने की साल-दर-साल हुई सुधार से मेल खाता है (2024 में अनुमानित मासिक औसत 1,20 % बनाम 2025 में 2,22 % और सकारात्मक महीनों की अधिक आवृत्ति)। यह दर्शाता है कि हाल की निष्पादन अधिक ठोस रही।
- सीमित जोखिम: 5 और 10 वर्ष के क्षितिज पर नकारात्मक पूँछें मध्यम रहती हैं। रक्षात्मक परिदृश्य संचयी वृद्धि को शून्य से ऊपर बनाए रखता है, जो 2025 में लगभग 4 के मध्यम जोखिम-प्रोफ़ाइल के अनुरूप है।
- अनुकूल विषमता: फैन-चार्ट दाएँ ओर झुकाव दिखाता है। कम प्रायिकता के साथ उच्च परिणाम वाले परिदृश्य मौजूद हैं और माध्यिका टिकाऊ रहती है, जो दर्शाता है कि असाधारण महीने आधार से समझौता किए बिना योगदान देते हैं।
- आपेक्षिक प्रदर्शन सत्यापित: YTD 2025 प्रमुख वैश्विक सूचकांकों से बेहतर है और सिमुलेशन संकेत देता है कि यह प्रदर्शन किसी एक असाधारण माह पर निर्भर नहीं, बल्कि नमूने के अनुरूप परिणामों के वितरण पर आधारित है।
- संचालनगत निहितार्थ: रिबैलेंसिंग की अनुशासन बनाए रखें और लीवरेज का उपयोग न करें। अगली अद्यतन में उद्देश्य माध्यिका को ऊपर उठाना और P25–P75 बैंड को संकरा करना है, विशेष ध्यान 5वें परसेंटाइल पर—जो दुर्लभ गिरावटों के नियंत्रण का संकेतक है।
भविष्य में ध्यान देने योग्य तत्व
वर्तमान सीमा नमूना-आकार है; जैसे-जैसे अधिक महीने देखे जाते हैं, आकलन स्थिर होते हैं (त्रुटि लगभग ~1/√n गिरती है) और सिमुलेशन अधिक विश्वसनीय बनता है। इसे बेहतर किया जा सकता है रोलिंग विंडो से पुनः-अनुमान करके जो हर नए महीने को शामिल करे, तथा n छोटा रहने तक बेंचमार्क की ओर श्रीनकेज (shrinkage) लागू करके, ताकि साक्ष्य बढ़ने पर “एंकर” का भार घटे और औसत व अस्थिरता की परिवर्तनशीलता बिना ओवरफिटिंग के कम हो। टेल्स और क्वांटाइल्स की पढ़ाई भी सुधारी जा सकती है: अधिक प्रेक्षणों के साथ परसेंटाइल और CVaR कम अस्थिर होते हैं; इसके लिए अनुभवजन्य बूटस्ट्रैप से क्वांटाइल-अनिश्चितता मापी जाती है और पर्याप्त अतिरेक होने पर एक्सट्रीम-वैल्यू थ्योरी (थ्रेशहोल्ड से ऊपर पीक) से दुर्लभ घटनाओं को बेहतर एंकर किया जाता है। कालिक निर्भरता को भी अधिक सटीकता से पकड़ा जा सकता है, क्योंकि लम्बी श्रृंखला आत्म-सहसम्बन्ध और अस्थिरता-गतिशीलता का कम-त्रुटि अनुमान देती है; यहाँ ब्लॉक बूटस्ट्रैप (ACF से निर्देशित ब्लॉक आकार) या सरल GARCH का प्रयोग कर अवशेषों से सिमुलेशन करना उपयोगी है, जिससे रन और क्लस्टरिंग पुनर्निर्मित होते हैं। विषम अवधियों के मिश्रण को शासन-परिवर्तन का पता लगाकर घटाया जा सकता है: अधिक इतिहास के साथ डिटेक्टरों की शक्ति बढ़ती है, शासन-वार पैरामीटर आँके जाते हैं और परिदृश्य उनकी प्रायिकता के अनुसार संयोजित किए जाते हैं, जिससे मिश्रण-पूर्वाग्रह घटता है। अंत में, निरंतर कैलिब्रेशन P5–P95 कवरेज और PIT की जाँच बढ़ती आउट-ऑफ-सैम्पल विंडो में करके मजबूत होता है; लगातार विचलन दिखने पर मान्यताएँ समायोजित की जाती हैं। अधिक महीनों के साथ, ये प्रक्रियाएँ अधिक ईमानदार परिदृश्य-बैंड और अधिक स्थिर, निर्णय-उपयोगी प्रचालनात्मक मीट्रिक प्रदान करती हैं।
महत्वपूर्ण नोट
यह कोई भविष्यवाणी नहीं है। यदि बाजार-विधान बदलता है, तो प्रायिकताएँ भी बदलती हैं। जो यह प्रदान करता है वह संभावित परिणामों का एक प्रायिकता-आधारित ढाँचा है, जिसकी प्रायिकताएँ सिमुलेशन के समय अनुमानित की जाती हैं और उन्हीं बाजार-स्थितियों के तहत मान्य हैं, जिनमें डेटा प्राप्त हुआ। यह समय के साथ मेरे प्रबंधन की तुलना के लिए एक संदर्भ है, कोई गारंटी नहीं।
