💻 computer science

Sentiment-Aware Mean-Variance Portfolio Optimization for Cryptocurrencies

यह शोध पत्र एक गतिशील क्रिप्टोकरेंसी पोर्टफोलियो अनुकूलन रणनीति का प्रस्ताव और सत्यापन करता है जो तकनीकी संकेतकों (RSI और SMA) को AI-संचालित सेंटीमेंट विश्लेषण (VADER और Google Gemini) के साथ एक मीन-वेरिएंस फ्रेमवर्क में एकीकृत करता है, जो पारंपरिक बेंचमार्क की तुलना में बेहतर जोखिम-समायोजित रिटर्न और संचयी विकास प्रदर्शित करता है और साथ ही बाजार के तनाव के दौरान ड्रॉडाउन को कम करने के लिए उन्नत जोखिम प्रबंधन की आवश्यकता पर प्रकाश डालता है।

मूल लेखक: Qizhao Chen

प्रकाशित 2026-03-05

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Qizhao Chen

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 पाँच अलग-अलग फलों से एक बेहतरीन फ्रूट सलाद (आपका निवेश पोर्टफोलियो) बनाने की कोशिश कर रहे हैं: बिटकॉइन, एथेरियम, कार्डानो, बाइनेंस कॉइन और रिपल।

नियमित निवेश की दुनिया में, आप शायद सिर्फ यह देखेंगे कि पिछले हफ्ते प्रत्येक फल कितना स्वादिष्ट था (पिछले दाम) और अनुमान लगाएंगे कि अगले हफ्ते वह कितना स्वादिष्ट होगा। लेकिन क्रिप्टोकरेंसी एक ऐसे फ्रूट सलाद की तरह है जिसका स्वाद मौसम, समाचार और सड़क पर लोग क्या चिल्ला रहे हैं, इसके आधार पर हर घंटे बदल जाता है।

यह शोध पत्र इस फ्रूट सलाद को बनाने का एक नया तरीका प्रस्तावित करता है। केवल फल के इतिहास को देखने के बजाय, लेखक यह तय करने के लिए कि कौन से फल खरीदने हैं और कटोरे में कितने डालने हैं, एक "सेंटिमेंट रडार" (भावना रडार) और एक "ट्रेंड कंपास" (रुझान दिशा-सूचक) जोड़ते हैं।

यहाँ उनकी रणनीति का विवरण सरल रूप में दिया गया है:

1. दो मुख्य सामग्रियां: कंपास और मूड रिंग

लेखकों ने महसूस किया कि क्रिप्टो की भविष्य की कीमत का अनुमान लगाने के लिए, आपको दो चीजों की आवश्यकता है:

ट्रेंड कंपास (तकनीकी संकेतक - Technical Indicators): वे RSI और SMA जैसे उपकरणों का उपयोग करते हैं। इन्हें एक कंपास की तरह समझें जो आपको बताता है कि फल वर्तमान में "जरूरत से ज्यादा पका" (बहुत महंगा, बेचने का समय) है या "कच्चा" (बहुत सस्ता, खरीदने का समय)। यह कीमत की गति और दिशा को देखता है।
मूड रिंग (सेंटिमेंट एनालिसिस - Sentiment Analysis): क्रिप्टो की कीमतें इस बात से बहुत प्रभावित होती हैं कि लोग क्या महसूस करते हैं। यदि समाचार कहता है "बिटकॉइन भविष्य है!" तो हर कोई खरीदता है। यदि यह कहता है "क्रिप्टो मर चुका है," तो हर कोई बेचता है। लेखक इस "मूड" को मापने के लिए हजारों समाचार लेखों को स्कैन करते हैं।

2. "AI एडिटर" (सीक्रेट सॉस)

यहीं पर यह बहुत चतुर हो जाता है। आमतौर पर, कंप्यूटर केवल समाचार लेखों में सकारात्मक या नकारात्मक शब्दों को गिनते हैं (जैसे एक साधारण शब्द काउंटर)। लेकिन कंप्यूटर को व्यंग्य या क्लिकबेट से आसानी से धोखा दिया जा सकता है।

इसलिए, लेखकों ने एक "सीनियर एडिटर" के रूप में Google Gemini AI को जोड़ा है।

चरण 1: एक तेज़ कंप्यूटर (VADER) समाचार पढ़ता है और कहता है, "यह 80% सकारात्मक है!"
चरण 2: AI एडिटर (Gemini) उसी लेख को पढ़ता है और कहता है, "ठहरिए। हेडलाइन सकारात्मक है, लेकिन लेख वास्तव में लोगों को धोखा देने वाला एक स्कैम विज्ञापन है। मैं उस स्कोर को घटाकर 20% कर दूँगा।"

यह "एडिटर" कंप्यूटर को समाचार के सतही शब्दों के बजाय उसके संदर्भ और सच्चाई को समझने में मदद करता है।

3. रेसिपी: मीन-वैरिएंस ऑप्टिमाइजेशन (Mean-Variance Optimization)

एक बार जब उनके पास "कंपास" (ट्रेंड) और "मूड रिंग" (सेंटिमेंट) आ जाता है, तो वे इस डेटा को मीन-वैरिएंस ऑप्टिमाइजेशन नामक एक गणितीय रेसिपी में डालते हैं।

इसे एक स्मार्ट शेफ की तरह समझें जो कम से कम जोखिम के साथ सबसे स्वादिष्ट सलाद बनाना चाहता है।

शेफ डेटा को देखता है और कहता है, "ठीक है, आज बिटकॉइन बहुत अच्छा दिख रहा है, लेकिन कटोरे का 100% बिटकॉइन में डालना बहुत जोखिम भरा है। चलिए 40% बिटकॉइन में, 30% एथेरियम में और बाकी अन्य में डालते हैं।"
शेफ के पास एक नियम भी है: "हर दिन सलाद को बहुत अधिक न बदलें, अन्यथा हम काटने की फीस (लेनदेन लागत) बर्बाद करेंगे।"

4. परिणाम: क्या यह काम आया?

लेखकों ने इस रेसिपी का परीक्षण 5 वर्षों (2020-2025) तक किया और इसकी तुलना निम्नलिखित से की:

केवल बिटकॉइन खरीदकर उसे होल्ड करना।
सभी फलों को समान रूप से खरीदना।
केवल समाचारों का पालन करना।
केवल मूल्य रुझानों (प्राइस ट्रेंड्स) का पालन करना।

विजेता: "स्मार्ट शेफ" रणनीति (ट्रेंड्स + समाचार + AI एडिटिंग का संयोजन) जीत गई। इसने दूसरों की तुलना में अधिक पैसा बनाया और जोखिम को बेहतर ढंग से संभाला।

सावधानी (तूफान):
हालाँकि, शोध पत्र एक बड़ी खामी स्वीकार करता है। जब 2022 में क्रिप्टो बाजार में एक बड़ा तूफान आया (जैसे FTX और टेरा-लूना का पतन), तो सब कुछ एक साथ धराशायी हो गया। यहाँ तक कि स्मार्टेस्ट शेफ भी सलाद को नहीं बचा सका क्योंकि पूरी रसोई में आग लगी हुई थी। उन चरम घबराहट के क्षणों के दौरान इस रणनीति को भी काफी नुकसान हुआ।

मुख्य निष्कर्ष

यह शोध पत्र सिद्ध करता है कि गणित (मूल्य रुझान) को मानवीय भावना (समाचार सेंटिमेंट) और एक स्मार्ट AI एडिटर के साथ मिलाने से केवल चार्ट देखने या केवल सुर्खियां पढ़ने की तुलना में एक बेहतर निवेश रणनीति बनती है।

यह कार चलाने जैसा है:

तकनीकी संकेतक (Technical Indicators) आपके स्पीडोमीटर और GPS हैं।
सेंटिमेंट एनालिसिस (Sentiment Analysis) सड़क और मौसम को देखते हुए आपकी आँखें हैं।
AI एडिटर आपका को-पायलट है जो चेतावनी देता है, "हे, रेडियो पर सुनाई देने वाला वह 'तूफान' फर्जी खबर हो सकती है, लेकिन आगे का गड्ढा असली है।"

साथ मिलकर, वे आपको सुचारू रूप से और तेज़ी से चलाने में मदद करते हैं, लेकिन वे कार को तब नहीं रोक सकते जब कोई विशाल उल्कापिंड (पूर्ण बाजार क्रैश) सड़क पर गिर जाए।

यहाँ किझाओ चेन (Qizhao Chen) के शोध पत्र "Sentiment-Aware Mean-Variance Portfolio Optimization for Cryptocurrencies" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्रिप्टोकरेंसी बाज़ारों की विशेषता अत्यधिक अस्थिरता, सट्टा व्यवहार और सार्वजनिक भावना (sentiment) एवं समाचार घटनाओं के प्रति उच्च संवेदनशीलता है। पारंपरिक पोर्टफोलियो अनुकूलन मॉडल, जैसे कि मार्कविट्ज़ (Markowitz) द्वारा विकसित शास्त्रीय मीन-वेरिएंस ऑप्टिमाइज़ेशन (MVO), अक्सर केवल ऐतिहासिक मूल्य डेटा और सांख्यिकीय वितरणों पर निर्भर करते हैं। ये मॉडल क्रिप्टो बाज़ारों में संघर्ष करते हैं क्योंकि:

वे समाचार और सोशल सेंटीमेंट द्वारा संचालित तीव्र, गैर-रेखीय (non-linear) उतार-चढ़ाव को पकड़ने में विफल रहते हैं।
वे तर्कसंगत निवेशक व्यवहार का अनुमान लगाते हैं, जबकि क्रिप्टो बाज़ार भावनाओं और बाहरी झटकों से अत्यधिक प्रभावित होते हैं।
अचानक आए शासन परिवर्तन (regime shifts) के दौरान मानक तकनीकी संकेतक अकेले पर्याप्त संदर्भ प्रदान करने में सक्षम नहीं हो सकते हैं।

यह शोध पत्र एक गतिशील पोर्टफोलियो रणनीति की आवश्यकता को संबोधित करता है जो अपेक्षित रिटर्न के अनुमान और जोखिम-समायोजित प्रदर्शन में सुधार करने के लिए तकनीकी संकेतकों (मूल्य रुझान) को भावना विश्लेषण (समाचार-संचालित बाज़ार का मिजाज) के साथ एकीकृत करती है।

2. कार्यप्रणाली (Methodology)

प्रस्तावित ढांचा एक सेंटीमेंट-एन्हांस्ड मीन-वेरिएंस पोर्टफोलियो ऑप्टिमाइज़ेशन प्रणाली है। कार्यप्रणाली के चार मुख्य घटक हैं:

A. डेटा संग्रह और प्रीप्रोसेसिंग (Data Collection & Preprocessing)

परिसंपत्तियाँ (Assets): तरलता और मार्केट कैप के लिए पांच प्रमुख क्रिप्टोकरेंसी (BTC, ETH, ADA, BNB, XRP) चुनी गईं।
समय सीमा (Timeframe): 14 फरवरी, 2020 से 6 अगस्त, 2025 तक (दैनिक आवृत्ति)।
संरचित डेटा (Structured Data): क्रिप्टो कंपेयर (Crypto Compare) API के माध्यम से प्राप्त ऐतिहासिक मूल्य और वॉल्यूम डेटा।
असंरचित डेटा (Unstructured Data): क्रिप्टो कंपेयर न्यूज़ API के माध्यम से एकत्र किए गए समाचार शीर्षक और लेख।
तकनीकी संकेतक (Technical Indicators): pandas_ta का उपयोग करके गणना किया गया 14-दिवसीय रिलेटिव स्ट्रेंथ इंडेक्स (RSI) और 14-दिवसीय सिंपल मूविंग एवरेज (SMA)।
भावना डेटा (Sentiment Data):
- प्राथमिक: कंप साउंड सेंटीमेंट स्कोर (-1 से +1) उत्पन्न करने के लिए VADER (Valence Aware Dictionary and sEntiment Reasoner) लेक्सिकन-आधारित मॉडल।
- सत्यापन (Verification): VADER स्कोर को सत्यापित करने और संदर्भ-जागरूक तर्क प्रदान करने के लिए गूगल जेमिनी (Google Gemini - LLM) का उपयोग किया गया।

B. फीचर इंजीनियरिंग और रिटर्न एडजस्टमेंट (Feature Engineering & Return Adjustment)

कच्चे ऐतिहासिक रिटर्न के बजाय, मॉडल भविष्य कहने वाले संकेतों को संयोजित करके समायोजित अपेक्षित रिटर्न ( $\mu_{adj}$ ) उत्पन्न करता है।

फीचर वेक्टर ( $X_t$ ): प्रत्येक संपत्ति $t$ $t$ के लिए निर्मित जिसमें शामिल है:
- $RSI_t$ : मोमेंटम इंडिकेटर।
- $1(P_t > SMA_t)$ : बाइनरी ट्रेंड सिग्नल (1 यदि मूल्य > 14-दिवसीय SMA है, अन्यथा 0)।
- $s_t$ : दैनिक सेंटीमेंट स्कोर (VADER)।
रिज प्रतिगमन (Ridge Regression): $X_t$ $X_{t}$ के आधार पर अगले दिन के रिटर्न ( $r_{t+1}$ $r_{t + 1}$ ) की भविष्यवाणी करने के लिए एक रोलिंग-विंडो रिज प्रतिगमन मॉडल का अनुमान लगाया गया है।
- समीकरण: $\hat{\beta} = \arg \min_{\beta} \left[ \sum (r_{t+1} - X_t^\top \beta)^2 + \alpha \|\beta\|_2^2 \right]$
- यह एक स्थिर, नियमित (regularized) अनुमान प्रदान करता है कि तकनीकी और भावना संकेत रिटर्न को कैसे प्रभावित करते हैं।
समायोजन (Adjustment): अंतिम अनुकूलन के लिए इनपुट बनाने हेतु अनुमानित सिग्नल घटक ( $\hat{\epsilon}_t = X_t^\top \hat{\beta}$ $\overset{ϵ}{^}_{t} = X_{t}^{⊤} \hat{β}$ ) को अनुभवजन्य माध्य रिटर्न ( $\mu_{close}$ $μ_{c l ose}$ ) में जोड़ा जाता है:
- $\mu_{adj} = \mu_{close} + \hat{\epsilon}_t$

C. बाधित मीन-वेरिएंस ऑप्टिमाइज़ेशन (Constrained Mean-Variance Optimization)

पोर्टफोलियो वेट्स ( $w$ ) को एक बाधित द्विघाती प्रोग्रामिंग (quadratic programming) दृष्टिकोण का उपयोग करके दैनिक रूप से अनुकूलित किया जाता है:

उद्देश्य (Objective): $\mu_t^\top w - \lambda \frac{1}{2} w^\top \Sigma_t w$ $μ_{t}^{⊤} w - λ \frac{1}{2} w^{⊤} Σ_{t} w$ को अधिकतम करना।
- $\lambda = 2$ (जोखिम अपचयन पैरामीटर)।
- $\Sigma_t$ : रोलिंग 180-दिवसीय कोवेरिएंस मैट्रिक्स।
बाधाएं (Constraints):
- पूर्ण निवेश (Full Investment): $\sum w_i = 1$ ।
- लॉन्ग-ओनली (Long-Only): $w_i \geq 0$ ।
- वेट कैप (Weight Cap): $w_i \leq 0.4$ (अत्यधिक एकाग्रता को रोकता है)।
- टर्नओवर बाधा (Turnover Constraint): $\|w_t - w_{t-1}\|_1 \leq 0.80$ (पोर्टफोलियो मूल्य के 80% तक दैनिक पुनर्संतुलन को सीमित करता है)।
लेनदेन लागत (Transaction Costs): शुद्ध रिटर्न की गणना करने के लिए टर्नओवर पर 0.1% की एक-तरफा लागत लागू की जाती है।

D. LLM एकीकरण (LLM Integration - Verification)

लेक्सिकन-आधारित मॉडलों (जैसे व्यंग्य, संदर्भ) की सीमाओं को दूर करने के लिए, लेखक VADER स्कोर को सत्यापित करने के लिए गूगल जेमिनी का उपयोग करते हैं।

प्रक्रिया: LLM को समाचार टेक्स्ट और VADER स्कोर प्राप्त होता है।
प्रॉम्ट (Prompt): LLM से स्कोर के पक्ष या विपक्ष में बोलने, सूक्ष्मता की व्याख्या करने और एक कार्रवाई योग्य अनुशंसा (बढ़ाएं/घटाएं/होल्ड) प्रदान करने के लिए कहा जाता है।
भूमिका: LLM एक माध्यमिक सत्यापनकर्ता और गुणात्मक व्याख्याकार के रूप में कार्य करता है, न कि प्राथमिक सिग्नल जनरेटर के रूप में, जिससे यह सुनिश्चित होता है कि पोर्टफोलियो को प्रभावित करने से पहले सेंटीमेंट स्कोर संदर्भगत रूप से वैध है।

3. प्रमुख योगदान (Key Contributions)

सेंटीमेंट-एन्हांस्ड MVO ढांचा: एक नवीन गतिशील रणनीति प्रस्तावित करता है जो तकनीकी संकेतकों (RSI, SMA) और समाचार भावना को सीधे मीन-वेरिएंस मॉडल के अपेक्षित रिटर्न अनुमान में एकीकृत करती है, न कि उन्हें अलग ट्रेडिंग सिग्नल्स के रूप में मानती है।
LLM-आधारित सेंटीमेंट सत्यापन: VADER स्कोर को मान्य करने के लिए एक लार्ज लैंग्वेज मॉडल (Gemini) का उपयोग करके पारंपरिक भावना विश्लेषण को विस्तारित करता है। यह संदर्भगत तर्क की एक परत जोड़ता है, जो उन भ्रामक शीर्षकों (जैसे क्लिकबेट) को फ़िल्टर करता है जिन्हें लेक्सिकन मॉडल गलत समझ सकता है।
क्रिप्टो में अनुभवजन्य सत्यापन: प्रमुख क्रिप्टोकरेंसी के 5-वर्षीय डेटासेट पर इस हाइब्रिड दृष्टिकोण की प्रभावकारिता को प्रदर्शित करता है, यह दिखाते हुए कि तकनीकी संकेतकों के साथ भावना को मिलाने से अकेले किसी भी एक के उपयोग की तुलना में अधिक सुसंगत प्रदर्शन मिलता है।

4. परिणाम (Results)

रणनीति का परीक्षण कई बेसलाइनों के विरुद्ध बैकटेस्ट किया गया: बिटकॉइन लॉन्ग-शॉर्ट, इक्क्वल-वेटेड पोर्टफोलियो, मोमेंटम रणनीति, सेंटीमेंट-ओनली और टेक्निकल-ओनली रणनीतियाँ।

प्रदर्शन मेट्रिक्स (Performance Metrics):
- प्रस्तावित रणनीति: उच्चतम वार्षिककृत शार्प रेशियो (Annualized Sharpe Ratio) (0.7102) और संचयी रिटर्न (Cumulative Return) (6.0555) प्राप्त किया।
- तुलना: इसने मोमेंटम रणनीति (शार्प 0.6967) को पछाड़ दिया और इक्क्वल-वेटेड (शार्प 0.5823) तथा बिटकॉइन लॉन्ग-शॉर्ट (शार्प 0.5454) रणनीतियों को काफी पीछे छोड़ दिया।
- सिनर्जी (Synergy): "सेंटीमेंट + टेक्निकल" दृष्टिकोण दोनों "सेंटीमेंट केवल" और "टेक्निकल केवल" वेरिएंट से बेहतर रहा, जो सिद्ध करता है कि संकेत एक-दूसरे के पूरक हैं।
ड्रडाउन (Drawdowns):
- प्रस्तावित रणनीति सहित सभी रणनीतियों को 2022 के मार्केट क्रैश (टेरा-LUNA, FTX पतन) के दौरान महत्वपूर्ण ड्रॉडाउन (लगभग 82%) का सामना करना पड़ा।
- मॉडल ने मार्केट रिजीम शिफ्ट की सही पहचान की, लेकिन चरम तनाव के दौरान सिस्टमैटिक कोरिलेशन स्पाइक से पूरी तरह से सुरक्षा प्रदान करने में विफल रहा।
गुणांक विश्लेषण (Coefficient Analysis): रोलिंग रिज प्रतिगमन ने दिखाया कि भावना गुणांकों का प्रभाव अत्यधिक अस्थिर और बाज़ार के शासन के प्रति प्रतिक्रियाशील है, जबकि RSI गुणांक शून्य के करीब रहे, जो इस विशिष्ट डेटासेट में अल्पकालिक रिवर्सल के लिए सीमित भविष्य कहनेवाला शक्ति का सुझाव देते हैं।

5. महत्व और सीमाएँ (Significance and Limitations)

महत्व:

यह शोध प्रमाणित करता है कि असंरचित टेक्स्ट डेटा को शामिल करना शास्त्रीय वित्तीय अनुकूलन मॉडलों में सट्टा बाज़ारों में जोखिम-समायोजित रिटर्न को बढ़ा सकता है।
यह स्वचालित भावना विश्लेषण के लिए LLM को एक सत्यापन परत के रूप में उपयोग करने के मूल्य को रेखांकित करता है, जो कच्चे डेटा प्रसंस्करण और मानव जैसे तर्क के बीच के अंतर को पाटता है।
यह संस्थागत-शैली के क्रिप्टो पोर्टफोलियो प्रबंधन के लिए उपयुक्त एक व्यावहारिक, बाधित अनुकूलन ढांचा प्रदान करता है।

सीमाएँ:

ड्रॉडडाउन संवेदनशीलता: रणनीति 2022 के क्रिप्टो विंटर के दौरान भारी नुकसान को रोकने में विफल रही, जो यह दर्शाता है कि मानक MVO और वर्तमान भावना संकेत चरम टेल-रिस्क (tail-risk) सुरक्षा के लिए अपर्याप्त हैं।
जोखिम मॉडल: श्रिंकेज (shrinkage) या मजबूत समायोजन के बिना एक सरल 180-दिवसीय रोलिंग कोवेरिएंस मैट्रिक्स का उपयोग करना मॉडल को शोर (noise) और हेवी-टेल्ड रिटर्न वितरण के प्रति संवेदनशील बनाता है।
LLM एकीकरण: वर्तमान में, LLM का उपयोग सत्यापन/व्याख्या के लिए किया जाता है, न कि अनुकूलन उद्देश्य फलन (objective function) में सीधे एकीकृत करने के लिए। भविष्य के कार्य LLM-व्युत्पन्न संभावनाओं को सीधे बाधाओं (constraints) में शामिल करने का पता लगा सकते हैं।

निष्कर्षतः, यह अध्ययन प्रदर्शित करता है कि तकनीकी मोमेंटम, समाचार भावना और LLM-आधारित तर्क को संयोजित करने वाला एक हाइब्रिड दृष्टिकोण पारंपरिक बेंचमार्क की तुलना में क्रिप्टोकरेंसी पोर्टफोलियो प्रबंधन के लिए एक बेहतर ढांचा प्रदान करता है, हालांकि चरम बाजार गिरावट को संभालने के लिए और अधिक जोखिम-प्रबंधन नवाचारों की आवश्यकता है।