💰 quantitative finance

ARTEMIS: A Neuro Symbolic Framework for Economically Constrained Market Dynamics

यह शोध पत्र ARTEMIS को प्रस्तुत करता है, जो एक नवीन न्यूरो-सिंबोलिक फ्रेमवर्क है जो आर्थिक सुसंगतता और व्याख्यात्मकता को लागू करने के लिए निरंतर-समय लैप्लेस न्यूरल ऑपरेटर्स, भौतिकी-सूचित न्यूरल स्टोकेस्टिक डिफरेंशियल इक्वेशंस और विभेदक प्रतीकात्मक बाधाओं (डिफरेंशिएबल सिंबोलिक बॉटलनैक्स) को एकीकृत करता है, जिससे कई वित्तीय डेटासेट पर अत्याधुनिक दिशात्मक सटीकता प्राप्त होती है और डीप लर्निंग की शक्ति तथा मात्रात्मक वित्त (क्वांटिटेटिव फाइनेंस) में आवश्यक पारदर्शिता के बीच के अंतर को पाटा जाता है।

मूल लेखक: Rahul D Ray

प्रकाशित 2026-03-20

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rahul D Ray

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। अधिकांश आधुनिक AI मॉडल अति-बुद्धिमान लेकिन अराजक मौसमविदों की तरह हैं। उन्होंने इतिहास की हर मौसम रिपोर्ट पढ़ रखी है और वे उन जटिल पैटर्न को पहचान सकते हैं जिन्हें आप नहीं देख पाते। हालाँकि, वे "ब्लैक बॉक्स" हैं। आप उनसे पूछते हैं, "क्या बारिश होगी?" और वे कहते हैं, "हाँ," लेकिन वे यह नहीं समझा सकते कि क्यों। इससे भी बुरा यह है कि कभी-कभी वे ऐसी चीजें भविष्यवाणी करते हैं जो भौतिक रूप से असंभव हैं, जैसे कि रेगिस्तान में तूफान आना, क्योंकि उन्होंने डेटा में एक अजीब सा पैटर्न ढूंढ लिया जो वास्तव में तर्कसंगत नहीं है।

यह शोध पत्र ARTEMIS को पेश करता है, जो एक नए प्रकार का AI है जो इन समस्याओं को ठीक करने की कोशिश करता है। ARTEMIS को केवल एक मौसमविद् के रूप में नहीं, बल्कि एक ऐसे मौसमविद् के रूप में सोचें जो एक सख्त भौतिक विज्ञान (फिजिक्स) का प्रोफेसर और एक स्पष्ट बोलने वाला शिक्षक भी है।

यहाँ बताया गया है कि ARTEMIS कैसे काम करता है, जिसे सरल भागों में विभाजित किया गया है:

1. समस्या: "ब्लैक बॉक्स" और "नियम तोड़ने वाला"

वित्त (finance) में (और अन्य क्षेत्रों में), डीप लर्निंग मॉडल भविष्य का अनुमान लगाने में बेहतरीन हैं, लेकिन उनमें दो बड़ी खामियां हैं:

वे अपारदर्शी (opaque) हैं: कोई नहीं जानता कि वे निर्णय कैसे लेते हैं। यदि कोई बैंक लाखों का निवेश करने के लिए उनका उपयोग करता है, तो नियामक और जोखिम प्रबंधक घबरा जाते क्योंकि वे पूछ नहीं सकते, "आपने ऐसा क्यों किया?"
वे नियमों को तोड़ते हैं: वे अक्सर बुनियादी आर्थिक कानूनों की अनदेखी करते हैं। उदाहरण के लिए, वे बिना किसी जोखिम के अनंत पैसा कमाने का तरीका (एक "आर्बिट्राज") भविष्यवाणी कर सकते हैं, जो वास्तविक दुनिया में असंभव है। वे "स्प्यूरियस" (भ्रामक) पैटर्न सीखते हैं—जैसे यह सोचना कि "आइसक्रीम की बिक्री शार्क हमलों का कारण बनती है" सिर्फ इसलिए क्योंकि दोनों गर्मियों में होते हैं।

2. समाधान: ARTEMIS (एक "भौतिकी का सम्मान करने वाला" AI)

ARTEMIS एक न्यूरो-सिंबोलिक फ्रेमवर्क (Neuro-Symbolic Framework) है। यह एक फैंसी तरीका है यह कहने का कि यह न्यूरल नेटवर्क की पैटर्न खोजने की शक्ति (Neuro) को गणित और अर्थशास्त्र के तार्किक नियमों (Symbolic) के साथ जोड़ता है।

इसके चार मुख्य "सुपरपावर" हैं:

A. निरंतर-समय सुनने की क्षमता (Laplace Neural Operator)

अधिकांश AI मॉडल को डेटा को एक ग्रिड या स्प्रेडशीट की तरह करीने से व्यवस्थित करने की आवश्यकता होती है। लेकिन वास्तविक वित्तीय बाजार अव्यवस्थित होते हैं; ट्रेड रैंडम, सेकंड के सूक्ष्म अंतराल पर होते हैं।

उपमा: कल्पना कीजिए कि आप एक ऐसे गाने को सुनने की कोशिश कर रहे हैं जहाँ नोट रैंडम गति से बजाए जा रहे हैं। एक मानक AI उन नोट्स को एक ग्रिड में फिट करने की कोशिश करता है, जो संगीत को विकृत कर देता है। ARTEMIS एक ऐसे संगीतकार की तरह है जिसके पास सटीक सुर (perfect pitch) है और जो संगीत के वास्तविक प्रवाह को सुन सकता है, चाहे उसका समय कितना भी अनियमित क्यों न हो। यह उसे एक बॉक्स में डाले बिना बाजार के "निरंतर प्रवाह" को समझता है।

B. आर्थिक बाउंसर (Physics-Informed Losses)

यह सबसे महत्वपूर्ण हिस्सा है। ARTEMIS केवल अनुमान नहीं लगाता; इसे अर्थशास्त्र के नियमों का पालन करने के लिए मजबूर किया जाता है।

उपमा: कल्पना कीजिए कि एक छात्र परीक्षा दे रहा है। एक सामान्य AI को कोई भी उत्तर लिखने की अनुमति है, भले ही वह निरर्थक हो, जब तक कि उसे अंक मिल रहे हों। ARTEMIS के बगल में एक सख्त बाउंसर खड़ा है।
- "नो-आर्बिट्राज" बाउंसर: यदि AI मुफ्त पैसा कमाने का तरीका बताने की कोशिश करता है, तो बाउंसर उसका हाथ मारकर कहता है, "नहीं! यह भौतिकी/अर्थशास्त्र के नियमों का उल्लंघन करता है।"
- "शार्प रेशियो" बाउंसर: यदि AI ऐसी रणनीति की भविष्यवाणी करता है जो बहुत अच्छी है जिसे सच माना जाए (जैसे शून्य जोखिम के साथ 1000% रिटर्न), तो बाउंसर कहता है, "यह अवास्तविक है। इसे थोड़ा कम करो ताकि यह कुछ ऐसा हो सके जो एक वास्तविक इंसान वास्तव में हासिल कर सके।"
परिणाम: AI बाजार की दिशा (ऊपर या नीचे) को इस तरह से सीखने में सक्षम होता है जो वास्तव में वास्तविक दुनिया में संभव है।

C. अनुवादक (Differentiable Symbolic Bottleneck)

आमतौर पर, यदि आप जानना चाहते हैं कि AI ने निर्णय क्यों लिया, तो आपको एक "पोस्ट-हॉक" स्पष्टीकरण का उपयोग करना पड़ता है (जैसे यह अनुमान लगाने के लिए कि AI क्या सोच रहा था)। यह अक्सर गलत होता है।

उपमा: अनुमान लगाने के बजाय, ARTEMIS के अंदर एक अनुवादक बना हुआ है। जैसे ही AI डेटा को प्रोसेस करता है, यह अपने जटिल विचारों को सरल, मानव-पठनीय गणितीय सूत्रों (जैसे "खरीदें यदि मूल्य > औसत") में स्वतः ही संकुचित कर देता है।
लाभ: आपको यह अनुमान लगाने की आवश्यकता नहीं है कि उसने स्टॉक क्यों खरीदा। यह सीधे तौर पर आपको एक सरल नियम देता है: "मैंने इसे इसलिए खरीदा क्योंकि कीमत 50-दिवसीय औसत से नीचे गिर गई।" यह डिजाइन द्वारा पारदर्शी है, न कि अनुमान पर आधारित।

D. सुरक्षा जाल (Conformal Prediction)

वित्त में, आप कितने निश्चित हैं, यह जानना उतना ही महत्वपूर्ण है जितना कि भविष्यवाणी खुद करना।

उपमा: एक सामान्य AI कहता है, "कल बारिश होगी।" ARTEMIS कहता है, "कल बारिश होगी, और मुझे 95% यकीन है कि यह 2mm से 5mm के बीच होगी।" यह आपको एक विश्वास सीमा (confidence range) देता है, ताकि आप जान सकें कि कब भविष्यवाणी पर भरोसा करना है और कब सावधान रहना है।

3. परिणाम: इसने कैसा प्रदर्शन किया?

लेखकों ने चार अलग-अलग डेटासेट पर छह अन्य शीर्ष-स्तरीय AI मॉडलों (जैसे LSTMs और Transformers) के मुकाबले ARTEMIS का परीक्षण किया:

Jane Street: वास्तविक गुमनाम बाजार डेटा।
Optiver: स्टॉक की अस्थिरता (volatility) की भविष्यवाणी करना।
Time-IMM: हवा के तापमान की भविष्यवाणी करना (एक गैर-वित्तीय परीक्षण)।
DSLOB: एक सिंथेटिक "क्रैश" डेटासेट। यह एक नकली बाजार है जिसे एक बड़े, भयानक क्रैश को सिम्युलेट करने के लिए बनाया गया है ताकि यह देखा जा सके कि क्या AI घबरा जाता है या तर्कसंगत रहता है।

विजेता:

दिशात्मक सटीकता (Directional Accuracy): ARTEMIS दिशा (ऊपर या नीचे) की भविष्यवाणी करने में चैंपियन था। "क्रैश" परीक्षण में, यह 65% बार सही था, जबकि अन्य मॉडल सिक्का उछालने (coin flip) से थोड़े ही बेहतर थे।
क्यों? एब्लेशन स्टडी (जहाँ उन्होंने AI के हिस्सों को बंद कर दिया) ने साबित किया कि "आर्थिक बाउंसर" (भौतिकी के नियम) ही असली सफलता का रहस्य था। जब उन्होंने नियमों को हटा दिया, तो दिशा की भविष्यवाणी करने की AI की क्षमता गिरकर 41% हो गई (जो रैंडम से भी बदतर है)।
समझौता (Trade-off): ARTEMIS कुछ अन्य मॉडलों की तुलना में सटीक कीमत (परिमाण) की भविष्यवाणी करने में थोड़ा कम सटीक है, लेकिन यह दिशा की भविष्यवाणी करने में बहुत बेहतर है। ट्रेडिंग में, यह जानना कि "यह ऊपर जाएगा" अक्सर यह जानने से अधिक मूल्यवान होता है कि "यह $0.04 से ऊपर जाएगा।"

सारांश

ARTEMIS एक नया AI फ्रेमवर्क है जो कहता है: "हमें केवल एक स्मार्ट अनुमान लगाने वाले की आवश्यकता नहीं है; हमें एक ऐसे स्मार्ट अनुमान लगाने वाले की आवश्यकता है जो नियमों का पालन करे और अपना होमवर्क समझा सके।"

AI को आर्थिक कानूनों (जैसे मुफ्त पैसा नहीं मिलता) का सम्मान करने के लिए मजबूर करके और उसके जटिल मस्तिष्क को सरल गणितीय सूत्रों में अनुवादित करके, ARTEMIS उच्च-तकनीकी AI शक्ति और मानवीय विश्वास के बीच के अंतर को पाटता है। यह उस AI की ओर एक कदम है जिसका हम वास्तव में उच्च-दांव वाली स्थितियों जैसे कि बैंक प्रबंधित करने या आपकी जीवन भर की बचत में निवेश करने के लिए उपयोग कर सकते हैं, क्योंकि हम जानते हैं कि वह अपने निर्णय क्यों ले रहा है और वह असंभव रणनीतियों का सुझाव नहीं देगा।

यहाँ शोध पत्र "ARTEMIS: A Neuro-Symbolic Framework for Economically Constrained Market Dynamics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र मात्रात्मक वित्त (quantitative finance) में डीप लर्निंग को लागू करने में तीन महत्वपूर्ण सीमाओं को संबोधित करता है:

व्याख्यात्मकता का अभाव (Lack of Interpretability): डीप लर्निंग मॉडल (जैसे LSTMs, Transformers) "ब्लैक बॉक्स" के रूप में कार्य करते हैं, जो नियामक और परिचालन जोखिम पैदा करते हैं। मौजूदा व्याख्या योग्य AI (XAI) तकनीकें (जैसे SHAP/LIME) पोस्ट-हॉक अनुमान हैं जो आर्किटेक्चर की अंतर्निहित अपारदर्शिता को हल नहीं करती हैं।
आर्थिक सिद्धांतों का उल्लंघन (Violation of Economic Principles): अधिकांश मॉडल केवल ऐतिहासिक डेटा सहसंबंधों (correlations) पर प्रशिक्षित होते हैं, जो नो-आर्बिट्राज (No-Arbitrage) जैसी मौलिक बाधाओं की अनदेखी करते हैं। इससे स्प्यूरियस पैटर्न और अवास्तविक भविष्यवाणियां उत्पन्न होती हैं, विशेष रूप से बाजार के शासन परिवर्तन (regime shifts) या संकट के दौरान।
डिस्क्रीट-टाइम सीमाएं (Discrete-Time Limitations): वित्तीय बाजार निरंतर-समय (continuous-time) की प्रक्रियाएं हैं जिनमें अनियमित, उच्च-आवृत्ति वाला डेटा होता है। मानक डिस्क्रीट-टाइम मॉडल के लिए इंटरपोलेशन की आवश्यकता होती है, जो अंतर्निहित गतिकी को विकृत करता है, और वे नॉन-स्टेशनैरिटी (बदलते बाजार शासन) के साथ संघर्ष करते हैं।

2. कार्यप्रणाली: ARTEMIS फ्रेमवर्क (Methodology: The ARTEMIS Framework)

ARTEMIS (Arbitrage-free Representation Through Economic Models & Interpretable Symbolics) एक एकीकृत न्यूरो-सिम्बोलिक फ्रेमवर्क है जिसे इन चुनौतियों से निपटने के लिए डिज़ाइन किया गया है। यह चार कसकर जुड़े हुए मॉड्यूल को एकीकृत करता है:

A. निरंतर-समय एनकोडर (Laplace Neural Operator)

कार्य: अनियमित डेटा को पुन: नमूना (resampling) करने के बजाय, ARTEMIS एक लैप्लेस न्यूरल ऑपरेटर (LNO) का उपयोग करता है ताकि अनियमित रूप से नमूना लिए गए बाजार अवलोकनों को सीधे एक निरंतर लेटेंट फंक्शन स्पेस में मैप किया जा सके।
तंत्र: यह बिना इंटरपोलेशन के इनपुट को प्रोसेस करने के लिए लैप्लेस डोमेन ( $\hat{\kappa}(\omega) = \sum \frac{A_k}{\omega - \lambda_k}$ ) में एक सीखने योग्य कर्नेल का उपयोग करता है, जिससे लिमिट ऑर्डर बुक अपडेट की वास्तविक टेम्पोरल संरचना सुरक्षित रहती है।

B. इकोनॉमिक्स-इन्फॉर्म्ड लेटेंट डायनेमिक्स (Neural SDE)

कार्य: लेटेंट स्टेट एक न्यूरल स्टोकेस्टिक डिफरेंशियल इक्वेशन (Neural SDE) के माध्यम से विकसित होता है: $dz = \mu_\theta(z, t)dt + \sigma_\phi(z, t)dW$ ।
फिजिक्स-इन्फॉर्म्ड रेगुलराइजेशन: आर्थिक तर्कसंगतता सुनिश्चित करने के लिए, SDE को दो नवीन लॉस टर्म्स द्वारा बाधित किया जाता है जो 'फंडामेंटल थ्योरम ऑफ एसेट प्राइसिंग' से प्राप्त होते हैं:
1. Feynman-Kac PDE Residual ( $L_{PDE}$ ): यह लेटेंट स्पेस में डेरिवेटिव प्राइसिंग को नियंत्रित करने वाले PDE के उल्लंघन को दंडित करके स्थानीय नो-आर्बिट्राज स्थितियों को लागू करता है।
2. Market Price of Risk Penalty ( $L_{MPR}$ ): यह तात्कालिक शार्पे रेशियो ( $\|\sigma^{-1}_\phi \mu_\theta\|^2$ ) को यथार्थवादी मूल्यों तक सीमित करता है, जिससे मॉडल को अवास्तविक रूप से लाभदायक (और संभवतः ओवरफिटेड) रणनीतियों को सीखने से रोका जा सके।

C. डिफरेंशिएबल सिम्बोलिक बॉटलनेक (Differentiable Symbolic Bottleneck)

कार्य: जटिल लेटेंट डायनेमिक्स को मानव-पठनीय, क्लोज्ड-फॉर्म ट्रेडिंग नियमों में संकुचित (distill) करता है।
तंत्र: एक डिफरेंशिएबल लेयर Gumbel-Softmax रिलैक्सेशन का उपयोग करके बेसिस फंक्शन्स (जैसे मूविंग एवरेज, रेश्यो, अंतर) के एक स्पार्स लीनियर कॉम्बिनेशन को सीखती है। यह एंड-टू-एंड ट्रेनैबिलिटी से समझौता किए बिना अंतर्निहित व्याख्यात्मकता प्रदान करता है।

D. कॉन्फॉर्मल एलोकेशन लेयर (Conformal Allocation Layer)

कार्य: अनिश्चितता को मापता है और जोखिम-जागरूक पोर्टफोलियो वेट जेनरेट करता है।
तंत्र: यह वितरण-मुक्त (distribution-free) प्रेडिक्शन इंटरवल्स और परिमित-नमूना कवरेज गारंटी उत्पन्न करने के लिए एडेप्टिव कॉन्फॉर्मल प्रेडिक्शन का उपयोग करता है। ये इंटरवल्स इष्टतम पोर्टफोलियो वेट निर्धारित करने के लिए एक डिफरेंशिएबल केली क्राइटेरियन ऑप्टिमाइज़र में फीड होते हैं।

3. प्रमुख योगदान (Key Contributions)

एकीकृत न्यूरो-सिम्बोलिक आर्किटेक्चर: निरंतर-समय एनकोडिंग (LNO), फिजिक्स-कंस्ट्रेंड लेटेंट डायनेमिक्स (Neural SDE), और डिफरेंशिएबल सिम्बोलिक रिग्रेशन को एक एकल एंड-टू-एंड सिस्टम में संयोजित करने वाला पहला फ्रेमवर्क।
नवीन आर्थिक रेगुलराइजेशन: ज्ञात प्राइसिंग इक्वेशंस को हल करने के बजाय, विशेष रूप से लेटेंट डायनेमिक्स के पूर्वानुमान के लिए Feynman-Kac PDE रेजिडुअल और मार्केट प्राइस ऑफ रिस्क पेनल्टी का पहला अनुप्रयोग।
अंतर्निहित व्याख्यात्मकता: यह पोस्ट-हॉक स्पष्टीकरणों से आगे बढ़कर सिम्बोलिक बॉटलनेक के माध्यम से व्याख्या योग्य गणितीय सूत्रों को आउटपुट करने के लिए मजबूर करता है।
शासन परिवर्तन के प्रति मजबूती (Robustness to Regime Shifts): मानक डीप लर्निंग बेसलाइन्स की तुलना में क्रैश शासन (crash regimes) के दौरान बेहतर प्रदर्शन प्रदर्शित करता है।

4. प्रायोगिक परिणाम (Experimental Results)

मॉडल का मूल्यांकन चार डेटासेट्स पर छह मजबूत बेसलाइन्स (LSTM, Transformer, NS-Transformer, Informer, Chronos-2, XGBoost) के विरुद्ध किया गया था:

Jane Street: गुमनाम बाजार डेटा।
Optiver: लिमिट ऑर्डर बुक (LOB) वोलैटिलिटी प्रेडिक्शन।
Time-IMM: पर्यावरणीय तापमान पूर्वानुमान (गैर-वित्तीय कंट्रोल)।
DSLOB: एक नया सिंथेटिक डेटासेट जो बढ़े हुए मार्केट क्रैश शासन का अनुकरण करता है।

मुख्य निष्कर्ष:

डायरेक्शनल एक्यूरेसी (Directional Accuracy): ARTEMIS ने स्टेट-ऑफ-द-आर्ट (SOTA) डायरेक्शनल एक्यूरेसी प्राप्त की।
- DSLOB (क्रैश शासन): 64.96% (सभी बेसलाइन्स को पछाड़ते हुए; LSTM 60.64% था)।
- Time-IMM: 96.0% (सभी मॉडलों में उच्चतम)।
एब्लेशन स्टडी (DSLOB): प्रत्येक घटक की आवश्यकता की पुष्टि की गई:
- PDE लॉस को हटाने से डायरेक्शनल एक्यूरेसी 64.89% से गिरकर 50.32% (लगभग रैंडम) हो गई।
- दोनों फिजिक्स लॉस को हटाने से एक्यूरेसी 41.77% तक गिर गई (रैंडम से भी खराब)।
- SDE को हटाने से पॉइंट एक्यूरेसी (RMSE) में काफी सुधार हुआ लेकिन डायरेक्शनल एक्यूरेसी में थोड़ी कमी आई, जो यह पुष्टि करता है कि मॉडल का झुकाव साइन प्रेडिक्शन (sign prediction) की ओर अधिक है।
Optiver अंडरपरफॉर्मेंस: ARTEMIS ने Optiver डेटासेट पर खराब प्रदर्शन किया (RankIC: -0.0555)। लेखक इसके लिए डेटासेट की लंबी सीक्वेंस लेंथ (600 स्टेप्स), वोलैटिलिटी-केंद्रित टारगेट (मैग्निट्यूड बनाम डायरेक्शन), और सीमित फीचर सेट को जिम्मेदार ठहराते हैं, जो फ्रेमवर्क की सीमा स्थितियों को उजागर करता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

ARTEMIS डीप लर्निंग की भविष्य कहने की शक्ति और नियामकों एवं पेशेवरों द्वारा मांगी जाने वाली पारदर्शिता/आर्थिक कठोरता के बीच के अंतर को पाटकर मात्रात्मक वित्त में एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है।

विश्वसनीय AI (Trustworthy AI): लॉस फंक्शन में आर्थिक कानूनों को सीधे शामिल करके, मॉडल ऐसी लाभदायक लेकिन असंभव रणनीतियों का "भ्रम" (hallucinate) पैदा करने से बचता है।
व्याख्यात्मकता: यह क्लोज्ड-फॉर्म ट्रेडिंग नियम प्रदान करता है, जो पोस्ट-हॉक XAI की विशिष्ट सटीकता-व्याख्यात्मकता ट्रेड-ऑफ के बिना "ब्लैक बॉक्स" समस्या को हल करता है।
सामान्यीकरण (Generalizability): गैर-वित्तीय Time-IMM डेटासेट पर फ्रेमवर्क की सफलता अन्य डोमेन (जैसे जलवायु विज्ञान, महामारी विज्ञान) में इसकी प्रयोज्यता का सुझाव देती है जिसमें अनियमित टाइम सीरीज़ और भौतिक/आर्थिक नियम शामिल हैं।

शोध पत्र निष्कर्ष निकालता है कि हालांकि ARTEMIS के लिए अधिक कंप्यूटेशनल संसाधनों और सावधानीपूर्वक हाइपरपैरामीटर ट्यूनिंग की आवश्यकता होती है, लेकिन बाजार क्रैश के दौरान मजबूती बनाए रखने और व्याख्यात्मक, आर्थिक रूप से आधारित भविष्यवाणियां प्रदान करने की इसकी क्षमता इसे उच्च-जोखिम वाले वित्तीय अनुप्रयोगों के लिए एक महत्वपूर्ण प्रगति बनाती है।