← नवीनतम पेपर
📊 statistics

An `Inverse' Experimental Framework to Estimate Market Efficiency

यह शोध पत्र एक "इनवर्स" (विपरीत) प्रयोगात्मक ढांचे का प्रस्ताव करता है जो क्वांटाइल-आधारित सामान्यीकरण और मशीन लर्निंग मॉडल का उपयोग करके केवल ऑर्डरबुक डेटा से बाजार आवंटन दक्षता (मार्केट एलोकेटिव एफिशिएंसी) की भविष्यवाणी करता है, जिससे उन पारंपरिक तरीकों की सीमाओं को दूर किया जा सके जो अवलोकनीय न होने वाले रिजर्वेशन वैल्यूज पर निर्भर करते हैं।

मूल लेखक: Thomas Asikis, Heinrich Nax

प्रकाशित 2026-04-21
📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Thomas Asikis, Heinrich Nax

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

यहाँ इस शोध पत्र की व्याख्या दी गई है, जिसे सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ अनुवादित किया गया है।

मुख्य विचार: बाजारों का "रिवर्स इंजीनियरिंग" (Reverse Engineering)

कल्पना कीजिए कि आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या कोई अपराध हुआ है, लेकिन आपके पास संदिग्ध की डायरी, उनके बैंक स्टेटमेंट या उनके असली इरादों तक पहुँच नहीं है। आपके पास केवल उनके द्वारा छोड़े गए पदचिह्न (footprints) और उस समय का विवरण है जब उन्हें घटनास्थल पर देखा गया था।

अर्थशास्त्र की दुनिया में, शोधकर्ताओं को डिजिटल मार्केटप्लेस (जैसे स्टॉक एक्सचेंज या ऑनलाइन विज्ञापन नीलामी) के साथ ठीक यही समस्या आती है।

  • जासूस की समस्या: अर्थशास्त्री देख सकते हैं कि बोली (bids) क्या है (लोग कितना भुगतान करने की पेशकश कर रहे हैं) और मांग (asks) क्या है (लोग बेचने के लिए कितनी कीमत मांग रहे हैं), और वे अंतिम कीमतें भी देख सकते हैं। लेकिन वे व्यापारियों के दिमाग के भीतर की वास्तविक वैल्यू (true value) को नहीं देख सकते (उनकी "रिजर्वेशन प्राइस"—वह अधिकतम राशि जो वे भुगतान करने को तैयार हैं या न्यूनतम राशि जिसे वे स्वीकार करने को तैयार हैं)।
  • परिणाम: इन वास्तविक मूल्यों को जाने बिना, अर्थशास्त्री यह नहीं बता सकते कि बाजार वास्तव में निष्पक्ष या कुशल (efficient) है या नहीं। वे बिना किसी दृष्टि के काम कर रहे होते हैं।

यह शोध पत्र एक "रिवर्स इंजीनियरिंग" समाधान प्रस्तावित करता है।

पारंपरिक तरीके (जहाँ वैज्ञानिक ज्ञात मूल्यों के साथ एक नकली बाजार बनाते हैं ताकि यह देख सकें कि वह कैसे व्यवहार करता है) के बजाय, लेखक इस प्रक्रिया को उलट देते हैं। वे कहते हैं: "आइए एक ज्ञात, नियंत्रित बाजार का उपयोग करके एक कंप्यूटर को प्रशिक्षित करें, और फिर उस कंप्यूटर को केवल पदचिह्नों (बोली और मांग) को देखकर छिपे हुए मूल्यों का अनुमान लगाना सिखाएं।"

उपमा: कुकिंग क्लास बनाम फूड क्रिटिक (Food Critic)

पुराने तरीके और इस नए तरीके के बीच के अंतर को समझने के लिए, आइए एक कुकिंग क्लास की उपमा का उपयोग करें।

1. पुराना तरीका (मानक प्रयोग)

कल्पना कीजिए कि एक प्रसिद्ध शेफ (अर्थशास्त्री) एक छात्र को सटीक सामग्री (जैसे, "ठीक 200 ग्राम चीनी डालें") के साथ एक रेसिपी देता है। छात्र व्यंजन बनाता है। शेफ फिर उसे चखता है और कहता है, "क्या आपने रेसिपी का पालन किया? क्या चीनी का स्तर सही था?"

  • Pros (लाभ): शेफ जानता है कि "परफेक्ट" व्यंजन का स्वाद कैसा होना चाहिए क्योंकि उन्होंने ही रेसिपी लिखी है।
  • Cons (हानि): यह केवल रसोई के अंदर ही काम करता है। वास्तविक दुनिया में, आपको कभी रेसिपी नहीं मिलती। आपको केवल तैयार व्यंजन मिलता है।

2. नया तरीका ("इनवर्स" फ्रेमवर्क)

अब, कल्पना कीजिए कि शेफ रसोई में एक रोबोट को प्रशिक्षित करता है।

  • चरण 1: शेफ रोबोट को रेसिपी और तैयार व्यंजन दोनों देता है। रोबोट सीखता है: "जब मैं इस विशिष्ट तरह से चलाने और इस गंध को देखता हूँ, तो इसका मतलब है कि चीनी एकदम सही थी।"
  • चरण 2: शेफ रोबोट को रसोई से बाहर ले जाता है और उसे एक व्यस्त रेस्टोरेंट में रख देता है। रोबोट को अन्य शेफ की रेसिपी नहीं दी जाती है। वह केवल भोजन की गंध और काउंटर पर रखी सामग्री को देख सकता है।
  • चरण 3: रोबोट सामग्री और गंध को देखता है और कहता है, "मुझे लगता है कि इस व्यंजन में चीनी बहुत अधिक है," या "यह वाला बिल्कुल संतुलित है।"

यह शोध पत्र उसी 'रोबोट' को बनाने के बारे में है। लेखकों ने प्रयोगात्मक डेटा (जहाँ वे मूल्यों को जानते थे) का उपयोग करके मशीन लर्निंग मॉडल को प्रशिक्षित किया। फिर, उन्होंने परीक्षण किया कि क्या वे मॉडल केवल अवलोकन योग्य डेटा (बोली और मांग) का उपयोग करके बाजार की दक्षता का अनुमान लगा सकते हैं, ठीक वैसे ही जैसे एक वास्तविक दुनिया का विश्लेषक करेगा।

उन्होंने इसे कैसे किया: "क्वांटाइल" (Quantile) का जादू

इन बाजारों का डेटा अव्यवस्थित होता है। यह हवा की दिशा बताने वाले यंत्रों, वर्षामापी और बैरोमीटर के एक अराजक ढेर को देखकर मौसम की भविष्यवाणी करने जैसा है, जो सभी अलग-अलग आकार और प्रकार के हैं।

लेखकों ने महसूस किया कि कंप्यूटर में कच्चा डेटा (raw data) डालना काम नहीं करता है। इसलिए, उन्होंने क्वांटाइल्स (Quantiles) का उपयोग करके डेटा को "नॉर्मलाइज़" करने का एक तरीका निकाला।

उपमा: रेस ट्रैक
100 धावकों की एक दौड़ की कल्पना करें।

  • पुराना तरीका: आप प्रत्येक धावक का सटीक समय सूचीबद्ध करते हैं। यदि दौड़ धीमी है, तो समय उच्च संख्या होगा; यदि तेज है, तो संख्या कम होगी। विभिन्न दौड़ की तुलना करना कठिन है।
  • शोध पत्र का तरीका: आप सटीक समय को अनदेखा कर देते हैं। इसके बजाय, आप पूछते हैं: "शीर्ष 10% में कौन है? बीच में (50%) कौन है? और निचले 10% में कौन है?"
    • आप एक "टॉप 10%" रेखा, एक "मिडल" रेखा और एक "बॉटम 10%" रेखा बनाते हैं।
    • यह तब भी काम करता है जब धावक 10 सेकंड या 100 सेकंड में दौड़ रहे हों। यह विशिष्ट संख्याओं के बजाय भीड़ के आकार (shape) पर ध्यान केंद्रित करता है।

बोली और मांग को इन "प्रतिशत रेखाओं" में बदलकर, कंप्यूटर उन पैटर्न को पहचान सकता है जिन्हें मानवीय आँखें नहीं देख पातीं।

परिणाम: रोबोट ने क्या सीखा?

लेखकों ने कई "रोबोट्स" (मशीन लर्निंग मॉडल) का परीक्षण किया यह देखने के लिए कि कौन सा यह बेहतर अनुमान लगा सकता है कि बाजार कुशल है या नहीं।

  1. "गट फीलिंग" रोबोट (लीनियर मॉडल्स): ये सरल मॉडल हैं जो डेटा के माध्यम से एक सीधी रेखा खींचते हैं। ये कुछ ट्रेड होने के बाद अंतिम कीमत का अनुमान लगाने में अच्छे हैं, लेकिन शुरुआत में संघर्ष करते हैं।
  2. "पैटर्न मास्टर" रोबलेट (ग्रेडिएंट बूस्टिंग ट्रीज़): यह एक जटिल AI है जो गैर-रेखीय (non-linear) और अजीब पैटर्न को खोजता है।
    • विजेता: "पैटर्न मास्टर" कोई भी ट्रेड होने से पहले ही दक्षता (efficiency) की भविष्यवाणी करने में सबसे अच्छा था।
    • क्यों? यह बोली और मांग के शुरुआती "शोर" (noise) को देख सकता था और कह सकता था, "हे, विक्रेता बहुत लालची हो रहे हैं और खरीदार बहुत डरे हुए हैं। यह बाजार अक्षम होने वाला है," यहाँ तक कि एक भी सौदा होने से पहले।

मुख्य निष्कर्ष: AI, केवल ऑर्डर बुक के "आकार" का विश्लेषण करके, आश्चर्यजनक सटीकता के साथ यह अनुमान लगा सका कि बाजार कैसा प्रदर्शन करेगा (एलोकेटिव एफिशिएंसी), कभी-कभी तो एक भी ट्रेड होने से पहले।

यह क्यों मायने रखता है? (वास्तविक दुनिया)

आप पूछ सकते हैं, "हमें लैब में दक्षता का अनुमान लगाने में दिलचस्पी क्यों है?"

उत्तर: वास्तविक दुनिया के बाजार का स्वास्थ्य।

औद्योगिक पुर्जों (जैसे सेमीकंडक्टर्स) के लिए एक विशाल ऑनलाइन मार्केटप्लेस की कल्पना करें।

  • समस्या: प्लेटफॉर्म मालिक लाखों बोलियों और मांगों को देखता है। उसे नहीं पता कि बाजार निष्पक्ष है या कुछ बड़े खिलाड़ी कीमतों में हेरफेर कर रहे हैं। वह हर विक्रेता से यह नहीं पूछ सकता, "आपकी वास्तविक लागत क्या है?"
  • समाधान: यह "इनवर्स फ्रेमवर्क" एक मार्केट हेल्थ मॉनिटर की तरह काम करता है।
    • सिस्टम बोली और मांग के प्रवाह पर नज़र रखता है।
    • यह तुरंत गणना करता है: "यह बाजार 60% दक्षता पर चल रहा है। कुछ गड़बड़ है।"
    • यह प्लेटफॉर्म मालिक को नियम बदलने, शुल्क बदलने या संभावित हेरफेर की जांच करने के लिए अलर्ट कर सकता है।

सारांश

  • समस्या: हम वास्तविक बाजारों में खरीदारों और विक्रेताओं के वास्तविक मूल्यों को नहीं देख सकते, इसलिए हम यह नहीं माप सकते कि बाजार कितनी अच्छी तरह काम कर रहा है।
  • समाधान: एक नियंत्रित प्रयोग पर AI को प्रशिक्षित करें जहाँ हम मूल्यों को जानते हैं।
  • तरीका: AI को विशिष्ट संख्याओं को अनदेखा करने और डेटा के "आकार" (क्वांटाइल्स का उपयोग करके) पर ध्यान केंद्रित करने के लिए प्रशिक्षित करें।
  • परिणाम: अब AI वास्तविक बाजार के "पदचिह्नों" (बोली और मांग) को देख सकता है और सटीक रूप से भविष्यवाणी कर सकता है कि बाजार कुशल है या नहीं, यहाँ तक कि कोई ट्रेड होने से पहले भी।

यह एक कुत्ते को बीमार मरीजों पर प्रशिक्षण देकर बीमारी को सूंघना सिखाने जैसा है, ताकि वह फिर स्वस्थ दिखने वाले लोगों में भी बीमारी का पता लगा सके।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 📊 stat →