🤖 machine learning

EP-GAT: Energy-based Parallel Graph Attention Neural Network for Stock Trend Classification

यह शोध पत्र EP-GAT को प्रस्तुत करता है, जो एक ऊर्जा-आधारित समानांतर ग्राफ अटेंशन न्यूरल नेटवर्क (Energy-based Parallel Graph Attention Neural Network) है, जो ऊर्जा अंतरों से प्राप्त गतिशील स्टॉक ग्राफ और एक समानांतर अटेंशन तंत्र का उपयोग करता है ताकि विकसित होते अंतर-निर्भरताओं और पदानुक्रमित इंट्रा-स्टॉक गतिकी को प्रभावी ढंग से मॉडल किया जा सके, जिससे मौजूदा बेसलाइन की तुलना में कई वैश्विक बाजारों में स्टॉक ट्रेंड वर्गीकरण में बेहतर प्रदर्शन प्राप्त होता है।

मूल लेखक: Zhuodong Jiang, Pengju Zhang, Peter Martin

प्रकाशित 2026-03-04

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhuodong Jiang, Pengju Zhang, Peter Martin

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन बादलों को देखने के बजाय, आप शेयर बाजार को देख रहे हैं। समस्या यह है कि शेयर बाजार अराजक (chaotic) है। शेयर अपने आप नहीं चलते; वे एक विशाल, शोर भरे भीड़ की तरह हैं जहाँ हर कोई एक-दूसरे से फुसफुसा रहा है। यदि एक व्यक्ति (एक स्टॉक) छींकता है, तो उसके बगल वाले व्यक्ति को जुकाम हो सकता है, और पूरी पंक्ति खांसना शुरू कर सकती है।

लंबे समय तक, इन गतिविधियों की भविष्यवाणी करने वाले कंप्यूटर प्रोग्रामों ने दो बड़ी गलतियाँ कीं:

उन्होंने शेयरों को अजनबियों की तरह माना: उन्होंने माना कि स्टॉक A को स्टॉक B की परवाह नहीं है, भले ही वे एक ही उद्योग में हों या एक ही समाचार से प्रभावित हों।
उन्होंने एक स्थिर मानचित्र (static map) का उपयोग किया: उन्होंने कौन किससे बात करता है, इसका एक नक्शा पुराने नियमों (जैसे "एक ही क्षेत्र की कंपनियाँ दोस्त हैं") के आधार पर बनाया और उसे कभी अपडेट नहीं किया, भले ही बाजार हर सेकंड बदलता रहता है।

यहाँ आता है EP-GAT (एनर्जी-बेस्ड पैरेलल ग्राफ अटेंशन न्यूरल नेटवर्क)। इसे शेयर बाजार के लिए एक सुपर-स्मार्ट, रियल-टाइम मौसम पूर्वानुमानक के रूप में समझें। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. "ऊर्जा" का मानचित्र (डायनेमिक ग्राफ जनरेशन)

ज्यादातर पुराने मॉडल एक निश्चित मानचित्र का उपयोग करते थे। EP-GAT हर एक दिन एक नया मानचित्र बनाता है।

उपमा (Analogy): लोगों से भरे एक कमरे की कल्पना करें (स्टॉक्स)। कुछ लोग उच्च ऊर्जा (volatility) के साथ उछल-कूद कर रहे हैं, और कुछ शांति से बैठे हैं (स्थिर स्टॉक्स)।
यह कैसे काम करता है: मॉडल प्रत्येक स्टॉक के हालिया इतिहास के आधार पर उसकी "ऊर्जा" की गणना करता है। फिर यह एक भौतिक विज्ञान की अवधारणा जिसे बोल्ट्ज़मैन वितरण (इसे एक "तापमान" गेज के रूप में सोचें) कहा जाता है, का उपयोग यह पता लगाने के लिए करता है कि कौन किसे प्रभावित करने की संभावना रखता है।
परिणाम: यदि स्टॉक A में उच्च ऊर्जा है और स्टॉक B शांत है, तो मॉडल समझ जाता है, "हे, स्टॉक A शायद स्टॉक B को हिला देगा।" यह उनके बीच एक रेखा खींच देता है। यदि अगले दिन ऊर्जा का स्तर बदल जाता है, तो मानचित्र पर रेखाएं भी बदल जाती हैं। यह स्टॉक्स के बीच विकसित होते संबंधों को पकड़ता है।

2. "पैरेलल" सुनने वाली पार्टी (पैरेलल ग्राफ अटेंशन)

एक बार जब मानचित्र बन जाता है, तो मॉडल को बातचीत सुननी होती है। पुराने मॉडल भीड़ को एक सीधी रेखा में सुनते थे, जो अक्सर भ्रमित करने वाला होता था। यदि आप किसी बातचीत को बहुत अधिक बार सुनते हैं, तो आप मूल बात भूल सकते हैं या विवरणों को गड़बड़ा सकते हैं।

उपमा: दोस्तों के एक समूह की कल्पना करें जो एक पहेली सुलझाने की कोशिश कर रहे हैं।
- पुराना तरीका: वे एक लाइन में पहेली का टुकड़ा आगे बढ़ाते हैं। जब तक वह आखिरी व्यक्ति तक पहुँचता है, टुकड़ा मुड़ सकता है या खो सकता है।
- EP-GAT का तरीका: वे सभी एक घेरे में बैठते हैं और एक ही समय में अलग-अलग कोणों से पहेली के टुकड़े को देखते हैं।
यह कैसे काम करता है: "पैरेलल ग्राफ अटेंशन" तंत्र मॉडल को कई "परतों" या दृष्टिकोणों से स्टॉक के इतिहास को एक साथ देखने की अनुमति देता है। यह पदानुक्रमित विशेषताओं (hierarchical features) को सुरक्षित रखता है—अर्थात, यह बड़े चित्र (ट्रेंड) और छोटे विवरणों (दैनिक उतार-चढ़ाव) दोनों को याद रखता है, बिना एक को दूसरे को विकृत करने दिए। यह जासूसों की एक टीम की तरह है जहाँ एक अपराध स्थल को देखता है, दूसरा टाइमलाइन को देखता है, और तीसरा संदिग्धों को देखता है, और वे सभी अपनी मूल टिप्पणियों को खोए बिना तुरंत अपने निष्कर्ष साझा करते हैं।

3. भविष्यवाणी

गतिशील मानचित्र बनाने और बहु-स्तरीय बातचीत सुनने के बाद, मॉडल एक अनुमान लगाता है: क्या कल यह स्टॉक ऊपर जाएगा या नीचे?

यह बेहतर क्यों है?

लेखकों ने पांच अलग-अलग शेयर बाजारों (जैसे अमेरिकी NASDAQ और यूके FTSE) पर सैकड़ों स्टॉक्स के साथ EP-GAT का परीक्षण किया।

प्रतियोगिता: उन्होंने इसकी तुलना पांच अन्य स्मार्ट मॉडलों से की।
विजेता: EP-GAT लगातार जीता। यह स्टॉक्स के बीच छिपे हुए कनेक्शनों को पहचानने में बेहतर था और शोर से भ्रमित नहीं हुआ।

निचोड़ (The Bottom Line)

EP-GAT को एक स्मार्ट, अनुकूलन योग्य रडार सिस्टम के रूप में समझें।

एक स्थिर विश्व मानचित्र के बजाय, यह हर सेकंड मानचित्र को अपडेट करता है कि स्टॉक्स कितने "ऊर्जावान" हैं।
एक समय में एक आवाज सुनने के बजाय, यह पूरे समूह को सामंजस्य में सुनता है, जिससे अलग-अलग आवाजें स्पष्ट रहती हैं।

यह इसे पुराने तरीकों की तुलना में स्टॉक ट्रेंड्स की बहुत अधिक सटीकता से भविष्यवाणी करने की अनुमति देता है, जिससे निवेशकों और नीति निर्माताओं को स्पष्ट लेंस के साथ भविष्य देखने में मदद मिलती है।

एक छोटी सी कमी: वर्तमान संस्करण यह मानता है कि प्रभाव दोनों तरफ से होता है (यदि A, B को प्रभावित करता है, तो B भी A को प्रभावित करता है)। वास्तव- में, एक बड़ी कंपनी एक छोटी कंपनी को प्रभावित कर सकती है, लेकिन छोटी कंपनी बड़ी कंपनी को प्रभावित नहीं कर सकती। लेखक भविष्य के संस्करणों में इसे ठीक करने की योजना बना रहे हैं ताकि "मानचित्र" को और भी वास्तविक बनाया जा सके।

यहाँ शोध पत्र "EP-GAT: Energy-based Parallel Graph Attention Neural Network for Stock Trend Classification" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

शेयर बाजार की भविष्यवाणी करना एक चुनौतीपूर्ण कार्य है क्योंकि वित्तीय बाजार स्वभावतः अनिश्चित (stochastic) और अत्यधिक अस्थिर होते हैं। जबकि डीप लर्निंग मॉडल (जैसे RNNs और Transformers) ने प्रदर्शन में सुधार किया है, स्टॉक पूर्वानुमान के लिए मौजूदा ग्राफ न्यूरल नेटवर्क (GNN) दृष्टिकोण दो महत्वपूर्ण सीमाओं से ग्रस्त हैं:

स्थिर ग्राफ निर्माण (Static Graph Construction): अधिकांश मौजूदा विधियाँ इंटर-स्टॉक निर्भरता को मॉडल करने के लिए स्थिर, पूर्व-निर्धारित कारकों (जैसे उद्योग क्षेत्र, आपूर्ति श्रृंखला) पर निर्भर करती हैं। ये समय के साथ बदलते शेयरों के बीच गतिशील, विकसित होते अंतर-संबंधों (dynamic, evolving inter-dependencies) को पकड़ने में विफल रहती हैं।
पदानुक्रमित विशेषताओं का नुकसान (Loss of Hierarchical Features): मानक GNN प्रसार तंत्र (propagation mechanisms) अक्सर परतों के माध्यम से सूचना प्रसारित होने के दौरान पदानुक्रमित इंट्रा-स्टॉक विशेषताओं (विभिन्न पैमानों पर टेम्पोरल पैटर्न) को विकृत या लुप्त कर देते हैं, जिससे सब-ऑप्टिमल रिप्रजेंटेशन लर्निंग होती है।

यह शोध पत्र एक ऐसा ढांचा विकसित करके इन कमियों को दूर करने का लक्ष्य रखता है जो व्यक्तिगत स्टॉक डेटा की पदानुक्रमित संरचना को सुरक्षित रखते हुए बदलते स्टॉक संबंधों को गतिशील रूप से मॉडल करता है।

2. कार्यप्रणाली: EP-GAT (Methodology: EP-GAT)

प्रस्तावित एनर्जी-बेस्ड पैरेलल ग्राफ अटेंशन न्यूरल नेटवर्क (EP-GAT) के दो मुख्य मॉड्यूल हैं:

A. एनर्जी-बेस्ड स्टॉक ग्राफ जनरेशन (Energy-based Stock Graph Generation)

उद्योग संबंधों के बजाय, EP-GAT प्रत्येक समय $t$ पर शेयरों के बीच ऊर्जा अंतर और बोल्ट्ज़मैन वितरण (Boltzmann distribution) के आधार पर एक गतिशील स्टॉक ग्राफ का निर्माण करता है।

ऊर्जा परिभाषा (Energy Definition): एक स्टॉक की "ऊर्जा" ( $E_i$ ) समय $t$ पर उसके ऐतिहासिक फीचर वेक्टर (लैग विंडो) के वर्गों के योग के रूप में गणना की जाती है।
बोल्ट्ज़मैन वितरण (Boltzmann Distribution): स्टॉक $i$ $i$ और स्टॉक $j$ $j$ के बीच संबंध (एज वेट) की संभावना को बोल्ट्त्ज़मैन वितरण का उपयोग करके मॉडल किया जाता है:
$A_{i,j}^t = \frac{e^{-\frac{|E_i - E_j|}{k\tau}}}{\sum_{o=1}^{N} e^{-\frac{|E_i - E_o|}{k\tau}}}$
जहाँ:
- $|E_i - E_j|$ ऊर्जा अंतर है।
- $\tau$ (लैग विंडो आकार) सिस्टम के तापमान (Temperature) के रूप में कार्य करता है, जो ऊर्जा अंतर के प्रति संवेदनशीलता को नियंत्रित करता है।
- $k$ एक स्केलिंग फैक्टर है।
स्पर्सिफिकेशन (Sparsification): एडजेसेंसी मैट्रिक्स पर एक थ्रेशोल्ड $s$ लागू किया जाता है ताकि कमजोर कनेक्शनों को हटाया जा सके और शोर (noise) को कम किया जा सके, जिससे यह सुनिश्चित हो सके कि ग्राफ स्पार्स और सार्थक बना रहे।

B. पैरेलल ग्राफ अटेंशन मैकेनिज्म (Parallel Graph Attention Mechanism)

GNN प्रसार के दौरान पदानुक्रमित विशेषताओं के विरूपण को संबोधित करने के लिए, EP-GAT एक पैरेलल ग्राफ अटेंशन तंत्र पेश करता है।

डिकपलिंग (Decoupling): मानक GNNs के विपरीत जहाँ रिप्रजेंटेशन लर्निंग और प्रोपेगेशन मजबूती से जुड़े होते हैं, यह तंत्र उन्हें अलग (decouple) कर देता है।
संरक्षण (Preservation): यह प्रत्येक प्रोपेगेशन लेयर ( $H_{l-1}$ ) से लेटेंट रिप्रजेंटेशन को सुरक्षित रखता है और उन्हें मल्टी-हेड अटेंशन तंत्र का उपयोग करके रूपांतरित करता है।
कंकाइनेशन (Concatenation): एक लेयर के लिए अंतिम रिप्रजेंटेशन को संरक्षित किए गए फीचर्स को रूपांतरित फीचर्स के साथ जोड़ने (concatenating) से बनाया जाता है:
$H'_l = \gamma(H'_{l-1} || (\eta(H_{l-1}) + H_{l-1}W_l))$
यह सुनिश्चित करता है कि जैसे-जैसे मॉडल गहरा होता है, पदानुक्रमित टेम्पोरल फीचर्स खोते या विकृत नहीं होते हैं।

C. ऑब्जेक्टिव फंक्शन (Objective Function)

यह मॉडल अगले ट्रेडिंग डे ( $\phi=1$ ) के लिए एक बाइनरी क्लासिफिकेशन कार्य (अपवर्ड बनाम डाउनवर्ड ट्रेंड) करता है। इसे प्रेडिक्टेड लेबल्स और ग्राउंड ट्रुथ पर एक मानक क्रॉस-एन्ट्रॉपी लॉस फंक्शन का उपयोग करके प्रशिक्षित किया जाता है।

3. प्रमुख योगदान (Key Contributions)

गतिशील ग्राफ निर्माण: ऊर्जा अंतर और बोल्ट्त्ज़मैन वितरण पर आधारित स्टॉक ग्राफ उत्पन्न करने के लिए एक नवीन विधि, जो मॉडल को स्थिर उद्योग लेबल के बजाय स्टोकेस्टिक मार्केट परिवर्तनों के अनुकूल होने की अनुमति देती है।
पैरेलल ग्राफ अटेंशन: एक नया आर्किटेक्चर जो रिप्रजेंटेशन लर्निंग को प्रोपेगेशन से अलग करके पदानुक्रमित इंट्रा-स्टॉक फीचर्स को सुरक्षित रखता है, जिससे गहरे GNNs में फीचर विरूपण को रोका जा सकता है।
व्यापक अनुभवजन्य सत्यापन: पांच वास्तविक दुनिया के डेटासेट्स (LSE, FTSE, NYSE, NASDAQ, S&P) पर व्यापक प्रयोग, जिसमें पांच वर्षों में 503 स्टॉक शामिल हैं, जो बेसलाइन्स पर निरंतर श्रेष्ठता प्रदर्शित करते हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने पाँच प्रतिस्पर्धी बेसलाइन्स के विरुद्ध EP-GAT का मूल्यांकन किया:

GNN-आधारित: GraphWaveNet, HyperStockGAT, STGCN.
Transformer-आधारित: Informer, ST-TIS.

प्रदर्शन मेट्रिक्स: सटीकता (ACC), मैथ्यूज कोरिलेशन कोएफिशिएंट (MCC), और F1-स्कोर।

मुख्य निष्कर्ष:

श्रेष्ठता: EP-GAT ने सभी पाँचों डेटासेट्स पर सभी बेसलाइन्स को लगातार पछाड़ दिया।
- औसत सुधार: सर्वश्रेष्ठ बेसलाइन की तुलना में ACC में +7.61%, MCC में +2.63 $\times 10^{-2}$ , और F1-स्कोर में +0.06 का सुधार हुआ।
डायनेमिक बनाम स्टैटिक: डायनेमिक ग्राफ (EP-GAT, GraphWaveNet) का उपयोग करने वाले मॉडलों ने स्थिर ग्राफ (HyperStockGAT, STGCN) का उपयोग करने वाले मॉडलों की तुलना में काफी बेहतर प्रदर्शन किया, जो विकसित होते इंटर-स्टॉक संबंधों को मॉडल करने के महत्व की पुष्टि करता है।
पदानुक्रमित महत्व: पैरेलल अटेंशन मैकेनिज्म को हटाने से प्रदर्शन में ~8% की गिरावट आई, जो पदानुक्रमित फीचर्स को सुरक्षित करने की आवश्यकता को सिद्ध करता है।
एब्लेशन स्टडी (Ablation Study): एनर्जी-बेस्ड ग्राफ को पूर्व-निर्धारित इंडस्ट्री ग्राफ से बदलने पर सटीकता में ~2.25% की गिरावट आई, जो एनर्जी-बेस्ड दृष्टिकोण के मूल्य की पुष्टि करती है।

हाइपरपैरामीटर संवेदनशीलता (Hyperparameter Sensitivity):

लैग विंडो ( $\tau$ ): इष्टतम प्रदर्शन 14–23 दिनों की रेंज में पाया गया।
स्केलिंग फैक्टर ( $k$ ): डेटासेट के अनुसार भिन्न होता है; कम मान (जैसे 0.08) LSE/NASDAQ के लिए सबसे अच्छा काम करते हैं, जो सुझाव देता है कि इन बाजारों में अधिक जटिल अंतर-निर्भरताएं हैं।
थ्रेशोल्ड ( $s$ ): एक संतुलन आवश्यक है; बहुत कम मान शोर (noise) लाता है, जबकि बहुत अधिक मान महत्वपूर्ण कनेक्शन को हटा देता है।

5. महत्व और सीमाएं (Significance and Limitations)

महत्व:
यह कार्य सांख्यिकीय भौतिकी (बोल्ट्त्ज़मैन वितरण) और वित्तीय टाइम-सीरीज फोरकास्टिंग के बीच के अंतर को पाटता है। यह स्टॉक मार्केट की नॉन-स्टेशनरी, स्टोकेस्टिक प्रकृति को कैप्चर करने के लिए एक मजबूत ढांचा प्रदान करता है और यह सुनिश्चित करता है कि ग्राफ प्रोपेगेशन के दौरान व्यक्तिगत शेयरों के आंतरिक टेम्पोरल डायनेमिक्स खो न जाएं। यह मल्टी-स्टॉक ट्रेंड क्लासिफिकेशन के लिए एक नया स्टेट-ऑफ-द-आर्ट सेट करता है।

सीमाएं:

अनडिरेक्टेड ग्राफ (Undirected Graphs): वर्तमान मॉडल अनडिरेक्टेड एडजेस को मानता है, जो इस तथ्य को अनदेखा करता है कि प्रभावशाली स्टॉक दूसरों को प्रभावित कर सकते हैं बिना बदले में प्रभावित हुए (डायरेक्टेड इन्फ्लुएंस)।
स्केलेबिलिटी (Scalability): पैरेलल अटेंशन मैकेनिज्म में फीचर-डिपेंडेंट ऑपरेशंस (कंकाइनेशन) और मल्टी-हेड अटेंशन शामिल हैं, जो बहुत बड़ी संख्या में स्टॉक तक स्केल करने पर कम्प्यूटेशनल रूप से महंगा और कठिन हो सकता है।

भावी कार्य: लेखक डायरेक्टेड इंटर-स्टॉक संबंधों को शामिल करने और बड़े बाजारों को संभालने के लिए रिटेंशन मैकेनिज्म का उपयोग करके पैरेलल अटेंशन मैकेनिज्म को अनुकूलित करने की योजना बना रहे हैं।