💰 quantitative finance

Beyond Polarity: Multi-Dimensional LLM Sentiment Signals for WTI Crude Oil Futures Return Prediction

यह शोध पत्र यह प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स द्वारा ऊर्जा समाचारों से निकाले गए बहु-आयामी सेंटिमेंट संकेत, विशेष रूप से जब उन्हें पारंपरिक वित्तीय सेंटिमेंट मॉडल्स के साथ जोड़ा जाता है, सरल ध्रुवीयता (polarity) से परे तीव्रता और अनिश्चितता जैसे सूक्ष्म अंतरों को पकड़कर साप्ताहिक डब्ल्यूटीआई (WTI) कच्चे तेल वायदा रिटर्न के पूर्वानुमान में महत्वपूर्ण सुधार करते हैं।

मूल लेखक: Dehao Dai, Ding Ma, Dou Liu, Kerui Geng, Yiqing Wang

प्रकाशित 2026-03-13

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dehao Dai, Ding Ma, Dou Liu, Kerui Geng, Yiqing Wang

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 अगले सप्ताह के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं।

दशकों से, मौसम विज्ञानी (और इस मामले में, तेल व्यापारी) थर्मामीटर और बैरोमीटर पर भरोसा करते आए हैं। वित्तीय दुनिया में, ये "पारंपरिक" उपकरण हैं: पिछले मूल्यों, आपूर्ति के आंकड़ों और सरल "अच्छी खबर बनाम बुरी खबर" की गणनाओं को देखना। वे आपको बताते हैं कि तापमान बढ़ रहा है या गिर रहा है, लेकिन वे अक्सर हवा के उन सूक्ष्म बदलावों को नहीं पकड़ पाते जो तूफान आने का संकेत देते हैं।

यह शोध पत्र एक सुपर-पावर्ड, मल्टी-सेंसरी वेदर स्टेशन स्थापित करने के बारे में है ताकि WTI क्रूड ऑयल (कच्चे तेल का वैश्विक मानक) की कीमत की भविष्यवाणी की जा सके।

यहाँ इसका विवरण दिया गया है कि शोधकर्ताओं ने क्या किया, सरल उपमाओं का उपयोग करते हुए:

1. समस्या: "अच्छा/बुरा" का जाल

पारंपरिक उपकरण समाचार लेखों को देखते हैं और एक सरल प्रश्न पूछते हैं: "क्या यह लेख तेल के बारे में खुश (बुलिश) है या दुखी (बेयरिश) है?"

खामी: कल्पना कीजिए एक समाचार हेडलाइन की: "मध्य पूर्व में युद्ध के कारण आपूर्ति संबंधी समस्याएं हो सकती हैं, लेकिन विशेषज्ञ अभी निश्चित नहीं हैं।"
- एक पारंपरिक उपकरण कह सकता है, "यह तटस्थ है," या "यह थोड़ा बुरा है।"
- लेकिन असली कहानी यह है: अनिश्चितता (uncertainty) बहुत अधिक है, और भविष्य का दृष्टिकोण डरावना है। बाजार अनिश्चितता से नफरत करता है। पारंपरिक उपकरण समाचारों के "हाथ मिलाने" और "पसीने से तर हथेलियों" को नहीं देख पाते; वे केवल "मुस्कुराते चेहरे" या "उदास चेहरे" को देखते हैं।

2. समाधान: "सुपर-रीडर" (LLMs)

लेखकों ने लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग किया जैसे कि GPT-4o और Llama 3.2। इन्हें केवल कैलकुलेटर के रूप में नहीं, बल्कि सुपर-इंटेलिजेंट साहित्यिक आलोचकों के रूप में सोचें जो हर समाचार लेख को पढ़ते हैं और केवल "अच्छे या बुरे" के बजाय पांच विशिष्ट "स्वादों" (flavors) का पता लगा सकते हैं:

प्रासंगिकता (Relevance): क्या यह कहानी वास्तव में तेल के बारे में है, या यह केवल शोर है? (जैसे यह जांचना कि क्या मौसम की रिपोर्ट आपके शहर के बारे में है)।
ध्रुवीयता (Polarity): क्या यह अच्छी खबर है या बुरी खबर? (पारंपरिक "मुस्कान बनाम उदासी")।
तीव्रता (Intensity): भावना कितनी मजबूत है? क्या यह एक हल्का सुझाव है या एक चीखती हुई हेडलाइन? (एक फुसफुसाहट बनाम एक सायरन)।
अनिश्चितता (Uncertainty): कहानी कितनी भ्रमित या अस्पष्ट है? (क्या लेखक "शायद" कह रहा है या "निश्चित रूप से"?)।
भविष्योन्मुखता (Forwardness): क्या कहानी अतीत को देख रही है या भविष्य की भविष्यवाणी कर रही है? (रियरव्यू मिरर में देखना बनाम विंडशील्ड के माध्यम से देखना)।

3. प्रयोग: "टेस्ट ऑफ टेस्ट" (स्वाद परीक्षण)

शोधकर्ताओं ने 2020 से 2025 तक हजारों ऊर्जा समाचार लेख एकत्र किए। उन्होंने उन्हें तीन अलग-अलग "चखने वालों" (tasters) में डाला:

पुराना स्कूल: FinBERT (एक विशेष AI जिसे केवल वित्त के लिए प्रशिक्षित किया गया है)।
नया स्कूल: GPT-4o और Llama 3.2 (सुपर-रीडर्स)।
डेटा प्रदाता: AlphaVantage (एक मानक उद्योग उपकरण)।

इसके बाद उन्होंने भविष्यवाणी करने की कोशिश की कि अगले सप्ताह तेल की कीमतें ऊपर जाएंगी या नीचे।

4. परिणाम: "सीक्रेट सॉस"

यहाँ उन्हें क्या मिला, जो सबसे रोमांचक हिस्सा है:

मिश्रण ही जादू है: सबसे अच्छी भविष्यवाणी केवल सुपर-रीडर्स या केवल पुराने स्कूल से नहीं आई। यह दोनों को मिलाने से आई।
- उपमा: यह खाना पकाने जैसा है। FinBERT ठोस "मांस" (विश्वसनीय वित्तीय डेटा) प्रदान करता है, जबकि LLMs "मसाले" (बारीकी, अनिश्चितता और भविष्य का दृष्टिकोण) प्रदान करते हैं। साथ मिलकर, वे अकेले किसी एक की तुलना में बहुत अधिक स्वादिष्ट (अधिक सटीक) व्यंजन बनाते हैं।
यह "अच्छे बनाम बुरे" के बारे में नहीं है: जब उन्होंने देखा कि समाचार का कौन सा हिस्सा सबसे अधिक मायने रखता था, तो उन्होंने पाया कि तीव्रता (Intensity) और अनिश्चितता (Uncertainty) वास्तविक विजेता थे।
- उपमा: यह जानना कि तापमान 70°F (ध्रुवीयता) है, उतना महत्वपूर्ण नहीं है जितना कि यह जानना कि क्या हवा की गति बढ़ रही है (तीव्रता) या क्या बैरोमीटर तेजी से गिर रहा है (अनिश्चितता)। बाजार इस बात पर अधिक प्रतिक्रिया देता है कि लोग कितने घबराए हुए हैं, बजाय इसके कि समाचार केवल "सकारात्मक" है या नहीं।

5. निष्कर्ष (Takeaway)

यह शोध पत्र सिद्ध करता है कि तेल की कीमतों की भविष्यवाणी करने के लिए, आप अब केवल "खुश" और "दुखी" शब्दों को गिनकर काम नहीं चला सकते। आपको समाचार की बनावट (texture) को समझने की आवश्यकता है।

निवेशकों के लिए: केवल हेडलाइन न देखें। देखें कि लेखक कितना आत्मविश्वासी है और भावना कितनी मजबूत है।
भविष्य के लिए: हम एक ऐसी दुनिया की ओर बढ़ रहे हैं जहाँ AI केवल समाचार "पढ़ता" नहीं है, बल्कि समाचार के "मिजाज" को "समझता" है। यह व्यापारियों को जोखिमों (जैसे आने वाले तूफान) को पहचानने में मदद करता है इससे पहले कि कीमत वास्तव में गिर जाए।

संक्षेप में: लेखकों ने एक स्मार्ट रडार बनाया है जो न केवल यह देखता है कि बारिश हो रही है, बल्कि यह भी बताता है कि हवा कितनी तेज चल रही है और तूफान आने की कितनी संभावना है, जिससे तेल व्यापारियों को सूखा रहने का बेहतर मौका मिलता है।

"Beyond Polarity: Multi-Dimensional LLM Sentiment Signals for WTI Crude Oil Futures Return Prediction" का विस्तृत तकनीकी सारांश यहाँ दिया गया है।

1. समस्या विवरण (Problem Statement)

क्रूड ऑयल की कीमतों का पूर्वानुमान लगाना एक निरंतर चुनौती है क्योंकि बाजार असंरचित सूचनाओं (समाचार, भू-राजनीतिक घटनाएं, नीतिगत बदलाव) के प्रति संवेदनशील होता है, जिन्हें पारंपरिक मात्रात्मक मॉडल अक्सर पकड़ने में विफल रहते हैं।

वर्तमान विधियों की सीमाएं: मौजूदा दृष्टिकोण मुख्य रूप से संरचित समय-श्रृंखला डेटा (ARIMA, GARCH) या पारंपरिक भावना विश्लेषण (sentiment analysis) पर निर्भर करते हैं जो मुख्य रूप से ध्रुवीयता (polarity) (सकारात्मक बनाम नकारात्मक) और तीव्रता (intensity) पर ध्यान केंद्रित करते हैं।
अंतराल (The Gap): तेल वायदा (futures) की कीमतें न केवल दिशात्मक भावना (directional sentiment) से, बल्कि भविष्योन्मुखी अनिश्चितता (forward-looking uncertainty), अपेक्षा संशोधनों और बाजार के वृत्तांतों में अस्पष्टता की डिग्री से भी संचालित होती हैं। सरल ध्रुवीयता माप इन बहु-आयामी आर्थिक चालकों को पकड़ने में संरचनात्मक रूप से सीमित हैं।
उद्देश्य: यह जांचना कि क्या लार्ज लैंग्वेज मॉडल्स (LLMs) द्वारा निकाले गए बहु-आयामी भावना संकेत (multi-dimensional sentiment signals) पारंपरिक ध्रुवीयता-आधारित मापों की तुलना में WTI क्रूड ऑयल फ्यूचर्स रिटर्न के लिए अतिरिक्त भविष्य कहनेवाला सामर्थ्य (predictive power) प्रदान करते हैं।

2. कार्यप्रणाली (Methodology)

डेटा संग्रह और प्रीप्रोसेसिंग

स्रोत: AlphaVantage से ऊर्जा-क्षेत्र के समाचार लेख (1 जनवरी, 2020 – 31 दिसंबर, 2025)।
नमूना: एक समान लौकिक कवरेज सुनिश्चित करने के लिए 8,639 लेखों (29,153 के पूर्ण संग्रह का 20%) का एक स्तरीकृत यादृच्छिक नमूना (stratified random sample) उपयोग किया गया।
लक्ष्य चर (Target Variable): WTI क्रूड ऑयल फ्यूचर्स रिटर्न का साप्ताहिक बाइनरी वर्गीकरण ( $y_t = 1$ यदि $r_{t+1} > 0$ , अन्यथा $0$)।
पूर्वाग्रह की रोकथाम: लुक-अहेड बायस (look-ahead bias) से बचने के लिए सभी भावना विशेषताओं (sentiment features) का निर्माण सप्ताह $t$ के अंत तक प्रकाशित समाचारों का उपयोग करके किया गया था।

बहु-आयामी भावना निष्कर्षण (Multi-Dimensional Sentiment Extraction)

लेखकों ने तीन अलग-अलग मॉडलों के लिए संरचित प्रॉम्प्ट्स का उपयोग करके पांच भावना आयाम (dimensions) निर्मित किए:

GPT-4o: अत्याधुनिक इंस्ट्रक्शन-ट्यून्ड LLM।
Llama 3.2-3b: हल्का ओपन-सोर्स LLM।
FinBERT: वित्तीय पाठ पर फाइन-ट्यून किया गया एक डोमेन-विशिष्ट ट्रांसफार्मर (एक सुपरवाइज्ड बेसलाइन के रूप में)।
AlphaVantage: प्रोप्रायटरी बेसलाइन सेंटीमेंट स्कोर।

पांच आयाम:

प्रासंगिकता (Relevance): WTI/ऊर्जा बाजारों के साथ संरेखण (0–1)।
ध्रुवीयता (Polarity): दिशात्मक भावना (तेजी/मंदी) (-1 से 1)।
तीव्रता (Intensity): दृढ़ विश्वास की शक्ति (0–1)।
अनिश्चितता (Uncertainty): अस्पष्टता या जोखिम की डिग्री (0–1)।
भविष्योन्मुखता (Forwardness): भविष्योन्मुखी भाषा का विस्तार (0–1)।

नोट: FinBERT और AlphaVantage केवल ध्रुवीयता और तीव्रता प्रदान करते थे, जबकि LLMs ने सभी पांच आयाम प्रदान किए।

फीचर इंजीनियरिंग (Feature Engineering)

लेखों के स्तर के स्कोर को प्रासंगिकता-भारित माध्य (relevance-weighted means) का उपयोग करके साप्ताहिक स्तर पर एकत्रित किया गया। इसके अतिरिक्त, लेखकों ने निर्मित किया:

विक्षेपण विशेषताएं (Dispersion Features): एक सप्ताह के भीतर ध्रुवीयता और अनिश्चितता का मानक विचलन (बाजार की असहमति को पकड़ना)।
मोमेंटम विशेषताएं (Momentum Features): ध्रुवीयता, अनिश्चितता और भविष्योन्मुखता में सप्ताह-दर-सप्ताह परिवर्तन (प्रथम अंतर) (भावना प्रवृत्तियों को पकड़ना)।
कुल विशेषताएं: 31 संभावित स्वतंत्र चर।

भविष्यवाणी मॉडल (Prediction Model)

एल्गोरिदम: LightGBM (ग्रेडिएंट बूस्टिंग), जिसे सारणीबद्ध डेटा (tabular data) के साथ इसकी मजबूती और फीचर स्केल के अंतर को संभालने की क्षमता के लिए चुना गया।
हाइपरपैरामीटर ट्यूनिंग: 5-फोल्ड टाइम-सीरीज क्रॉस-वैलिडेशन के माध्यम से Optuna (Tree-structured Parzen Estimator) का उपयोग करके अनुकूलित किया गया।
मूल्यांकन मेट्रिक्स:
- AUROC: रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व के नीचे का क्षेत्र।
- सटीकता (Accuracy): सही दिशात्मक भविष्यवाणियों का अनुपात।
- सूचना गुणांक (Information Coefficient - IC): अनुमानित संभावनाओं और वास्तविक रिटर्न के बीच रैंक सहसंबंध।

व्याख्यात्मकता (Interpretability)

SHAP (SHapley Additive exPlanations): मॉडल के आउटपुट में प्रत्येक फीचर के मार्जिनल योगदान को मापने के लिए उपयोग किया गया, जिससे ग्लोबल फीचर महत्व और लोकल दिशात्मक प्रभावों की पहचान हुई।

3. मुख्य परिणाम (Key Results)

मॉडल प्रदर्शन

बेसलाइन: केवल AlphaVantage वाला मॉडल खराब प्रदर्शन करता रहा (AUROC: 0.569), जो पुष्टि करता है कि सरल प्रोप्रायटरी ध्रुवीयता स्कोर में सीमित भविष्य कहनेवाला सामर्थ्य है।
पारंपरिक बनाम LLM: बेसलाइन में FinBERT जोड़ने से प्रदर्शन में सुधार हुआ (AUROC: 0.620)।
LLM प्रदर्शन:
- केवल GPT-4o ने उच्चतम IC (0.249) और मजबूत AUROC (0.634) प्राप्त किया, जो Llama 3.2-3b से बेहतर रहा।
- Llama 3.2-3b ने कम स्थिर स्कोरिंग और अकेले उपयोग किए जाने पर कम भविष्य कहनेवाला सामर्थ्य दिखाया।
- संयोजन (GPT-4o + FinBERT): इस हाइब्रिड दृष्टिकोण ने सर्वश्रेष्ठ समग्र AUROC (0.6515) दिया। यह सुझाव देता है कि LLMs और पारंपरिक वित्तीय भावना मॉडल पूरक (complementary) जानकारी प्रदान करते हैं; FinBERT उन बारीकियों को पकड़ता है जिन्हें GPT-4o मिस कर देता है, और इसके विपरीत।
- LLM एन्सेम्बल (GPT + Llama): दोनों LLMs को मिलाने से GPT-4o अकेले के मुकाबले कोई सुधार नहीं हुआ, जिससे पता चलता है कि Llama 3.2-3b ने सिग्नल के बजाय शोर (noise) पेश किया।

फीचर महत्व (SHAP विश्लेषण)

ध्रुवीयता से परे: सबसे महत्वपूर्ण भविष्यवक्ता सरल ध्रुवीयता नहीं थे।
- शीर्ष फीचर: gpt_intensity_mean (भावना तीव्रता)।
- दूसरा फीचर: finbert_polarity_std (लेखों के बीच ध्रुवीयता का विक्षेपण)।
- तीसरा फीचर: gpt_uncertainty_momentum (अनिश्चितता की प्रवृत्ति)।
मुख्य अंतर्दृष्टि: समाचारों का भविष्य कहनेवाला मूल्य इस बात से परे है कि समाचार "अच्छे" हैं या "बुरे"। तीव्रता (बाजार कितनी मजबूती से महसूस करता है) और अनिश्चितता (अस्पष्टता के स्तर) महत्वपूर्ण चालक हैं।
दिशात्मक प्रभाव:
- उच्च तीव्रता सकारात्मक रिटर्न (अप-वीक्स) से जुड़ी है।
- अनिश्चितता के उच्च स्तर भविष्यवाणियों को डाउन-वीक्स की ओर धकेलते हैं, लेकिन बढ़ती अनिश्चितता (मोमेंटम) अप-वीक्स से जुड़ी है, जो इंगित करता है कि अस्पष्टता में परिवर्तन विशिष्ट जानकारी रखता है।

4. मुख्य योगदान (Key Contributions)

बहु-आयामी ढांचा: यह प्रदर्शित करता है कि भावना को प्रासंगिकता, तीव्रता, अनिश्चितता और भविष्योन्मुखता में विभाजित करना पारंपरिक बाइनरी ध्रुवीयता की तुलना में बेहतर भविष्य कहनेवाला सामर्थ्य प्रदान करता है।
हाइब्रिड मॉडल की श्रेष्ठता: यह स्थापित करता है कि LLM-आधारित सिमेंटिक निष्कर्षण (GPT-4o) को डोमेन-विशिष्ट सुपरवाइज्ड मॉडल्स (FinBERT) के साथ संयोजित करने से अकेले किसी एक के उपयोग की तुलना में अधिक मजबूत पूर्वानुमान प्रणाली बनती है।
सिग्नल के रूप में अनिश्चितता: यह अनिश्चितता और तीव्रता को विशिष्ट, उच्च-मूल्य वाले भविष्यवक्ताओं के रूप में प्रस्तुत करता है, जो वित्तीय साहित्य में ध्रुवीयता-आधारित मेट्रिक्स के प्रभुत्व को चुनौती देता है।
व्यावहारिक अनुप्रयोग: अनस्ट्रक्चर्ड समाचार डेटा को कमोडिटी रिस्क मॉनिटरिंग और ट्रेडिंग रणनीतियों में एकीकृत करने के लिए एक वर्कफ़्लो प्रदान करता है।

5. महत्व और सीमाएं (Significance and Limitations)

महत्व: यह पेपर NLP प्रगति और वित्तीय अर्थशास्त्र के बीच के अंतर को पाटता है, यह दिखाते हुए कि LLMs वित्तीय टेक्स्ट से आर्थिक रूप से प्रासंगिक, गैर-रेखीय संकेतों को निकाल सकते हैं जिन्हें पारंपरिक अर्थमितीय (econometric) मॉडल मिस कर देते हैं। यह ऊर्जा बाजारों में बेहतर जोखिम प्रबंधन के लिए बहु-आयामी भावना के उपयोग का समर्थन करता है।
सीमाएं:
- दायरा: केवल एक कमोडिटी (WTI) और एक समाचार स्रोत तक सीमित।
- आवृत्ति: साप्ताहिक क्षितिज (weekly horizon) उच्च-आवृत्ति ट्रेडिंग (high-frequency trading) के लिए सामान्यीकृत नहीं हो सकता है।
- मॉडल चयन: GPT-4o और Llama 3.2-3b का चयन लागत-प्रदर्शन ट्रेडऑफ पर आधारित था; भविष्य के कार्यों को अन्य मॉडल आर्किटेक्चर का पता लगाना चाहिए।
- डेटा: वैकल्पिक डेटा स्रोतों जैसे उपग्रह इमेजरी या शिपिंग डेटा को शामिल नहीं किया गया।

निष्कर्ष: अध्ययन यह निष्कर्ष निकालता है कि बहु-आयामी LLM-आधारित भावना उपाय कमोडिटी रिटर्न के पूर्वानुमान में महत्वपूर्ण सुधार करते हैं, जिसमें तीव्रता और अनिश्चितता सबसे महत्वपूर्ण आयाम हैं, जो वित्तीय भावना विश्लेषण में "ध्रुवीयता से परे" जाने की आवश्यकता की पुष्टि करते हैं।