💰 quantitative finance

GeomHerd: A Forward-looking Herding Quantification via Ricci Flow Geometry on Agent Interactive Simulations

यह शोध पत्र GeomHerd को पेश करता है, जो एक भविष्योन्मुखी ढांचा है जो LLM-संचालित एजेंट इंटरेक्शन ग्राफ के Ollivier–Ricci कर्वेचर का विश्लेषण करके मार्केट हर्डिंग (बाजार झुंड व्यवहार) को परिमाणित करता है, जिससे पारंपरिक मूल्य-सहसंबंध विधियों की तुलना में उभरते समन्वय का काफी पहले पता लगाना संभव होता है और कैस्केड पूर्वानुमान की सटीकता में सुधार होता है।

मूल लेखक: Lake Yang, Junwei Su, Jingfeng Zeng, Wenhao Lu, Xingzhi Qian, Weitong Zhang, Chuan Wu, Dunhong Jin

प्रकाशित 2026-05-13

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lake Yang, Junwei Su, Jingfeng Zeng, Wenhao Lu, Xingzhi Qian, Weitong Zhang, Chuan Wu, Dunhong Jin

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 GeomHerd पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ हिंदी अनुवाद दिया गया है।

बड़ी समस्या: तूफान आने के बाद उसे देखना

कल्पना कीजिए कि आप लोगों की भीड़ में मची भगदड़ की भविष्यवाणी करने की कोशिश कर रहे हैं।

पुराने तरीके: पारंपरिक वित्तीय उपकरण दूर से भीड़ को देखने जैसे हैं, जहाँ आपको तब पता चलता है कि भगदड़ मच चुकी है जब लोग पहले ही भागना शुरू कर चुके होते हैं और एक-दूसरे से टकराकर गिर रहे होते हैं। वे "शोर" (कीमतों में बदलाव) या "पदचिह्नों" (ट्रेडिंग रिकॉर्ड) को देखते हैं। जब तक वे अराजकता को देख पाते हैं, तब तक बहुत देर हो चुकी होती है।
लक्ष्य: लेखक एक ऐसा तरीका चाहते हैं जिससे भीड़ के भागने से पहले ही देखा जा सके, यह देखकर कि वे अभी कैसे खड़े हैं और एक-दूसरे को कैसे देख रहे हैं।

नया समाधान: GeomHerd ("भीड़ की ज्यामिति" या Geometry of the Crowd)

लेखकों ने GeomHerd नामक एक टूल बनाया है। स्टॉक की कीमतों को देखने के बजाय, वे खुद ट्रेडर्स के बीच के संबंधों को देखते हैं।

वित्तीय बाजार को केवल नंबरों वाले बोर्ड के रूप में नहीं, बल्कि हाथ पकड़े हुए लोगों के एक विशाल, अदृश्य जाल (web) के रूप में सोचें।

सेटअप: उन्होंने एक अत्यंत उन्नत कंप्यूटर सिमुलेशन का उपयोग किया जहाँ हजारों "AI एजेंट" (डिजिटल ट्रेडर्स) वास्तविक मनुष्यों की तरह व्यवहार करते हैं। प्रत्येक AI का एक विशिष्ट व्यक्तित्व होता है (कुछ साहसी हैं, कुछ डरे हुए हैं, कुछ रुझानों का पालन करते हैं)।
मैप (नक्शा): हर क्षण, सिस्टम एक नक्शा बनाता है। यदि दो एजेंट हाल ही में एक जैसा निर्णय लेते हैं (दोनों खरीदते हैं, या दोनों बेचते हैं), तो उनके बीच एक रेखा जुड़ जाती है।
- सामान्य दिन: रेखाएं बिखरी हुई और अव्यवस्थित होती हैं। लोग अपना-अपना काम कर रहे होते हैं।
- हर्ड डे (झुंड वाला दिन): अचानक, सभी एक जैसा करने लगते हैं। रेखाएं मोटी, घनी और आपस में सिमटी हुई हो जाती हैं।

जादुई टूल: "रिकी फ्लो" (Ricci Flow - रबर की चादर)

यह मापने के लिए कि यह जाल कितना कसा हुआ है, लेखक Ricci Flow नामक एक गणितीय अवधारणा का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि ट्रेडर्स का यह जाल एक खिंचने वाली रबर की चादर पर बना है।
- यदि ट्रेडर्स स्वतंत्र हैं, तो चादर सपाट और ढीली होती है।
- यदि वे झुंड बनाने लगते हैं (सभी एक ही बात पर सहमत होते हैं), तो चादर खिंचकर टाइट हो जाती है और बीच में से सिकुड़ने या "पिंच" होने लगती है।
मापन: GeomHerd इस चादर के वक्रता (curvature) को मापता है।
- धनात्मक वक्रता (Positive Curvature): चादर स्थानीय स्तर पर इकट्ठा हो रही है (दोस्तों का एक छोटा समूह सहमत हो रहा है)। यह संकेत देता है कि एक हर्ड (झुंड) बन रहा है।
- ऋणात्मक वक्रता (Negative Curvature): चादर विभिन्न समूहों के बीच पतली होकर खिंच रही है (अलग-अलग समूहों को जोड़ने वाले पुल)। यह कंटेजन (Contagion/छूत) का संकेत देता है (एक समूह से दूसरे समूह में फैलता हुआ डर)।

यह वास्तव में कैसे काम करता है

सिस्टम इस रबर की चादर को वास्तविक समय में देखता है।

"पिंच" अलार्म: यह उस क्षण को देखता है जब चादर हिंसक रूप से सिकुड़ने या पिंच होने लगती है। यह तब होता है जब ट्रेडर्स वास्तव में बाजार की कीमतों को प्रभावित करना शुरू करते हैं, उससे पहले।
"शब्दावली" की जाँच: यह यह भी जाँचता है कि ट्रेडर्स किन शब्दों का उपयोग कर रहे हैं। जब एक झुंड बनता है, तो हर कोई एक ही बात कहने लगता है। सिस्टम देखता है कि भीड़ की "शब्दावली" छोटी होती जा रही है (हर कोई एक ही वाक्यांश दोहरा रहा है)।

उन्हें क्या पता चला

पेपर ने अपने AI सिमुलेशन पर इसका परीक्षण किया और पाया:

यह तेज़ है: GeomHerd ने "भगदड़" को बाजार की कीमतों के वास्तव में गिरने से लगभग 272 स्टेप्स (समय की इकाइयाँ) पहले पहचान लिया। पारंपरिक तरीके इसे केवल तब देख पाते थे जब गिरावट शुरू हो चुकी होती थी।
यह सटीक है: इसने सही ढंग से पहचाना कि कब एक समूह एक करीबी गुट (herding) बना रहा था बनाम कब डर अलग-अलग समूहों के बीच फैल रहा था (contagion)।
यह अन्य जगहों पर भी काम करता है: उन्होंने इस "रबर शीट" के विचार का परीक्षण पक्षियों के झुंड (Vicsek model) के भौतिक मॉडल पर भी किया। यह वहां भी काम कर गया, जो यह साबित करता है कि यह ज्यामितीय पैटर्न समूहों के एक साथ चलने का एक सार्वभौमिक संकेत है, न कि केवल वित्त का कोई चमत्कार।
बेहतर भविष्यवाणियाँ: जब उन्होंने इस शुरुआती चेतावनी संकेत का उपयोग भविष्य की कीमतों की भविष्यवाणी करने में किया, तो उनकी भविष्यवाणियाँ केवल पिछली कीमतों को देखने वाले कंप्यूटर की तुलना में बहुत अधिक सटीक थीं।

निष्कर्ष (The Bottom Line)

GeomHerd बाजार को देखने का एक नया तरीका है। कीमतों के गिरने का इंतज़ार करने के बजाय, यह देखता है कि भीड़ की संरचना कैसी है। यह नेटवर्क के "ज्यामितीय पतन" (geometric collapse) का पता लगाता है—वह क्षण जब ट्रेडर्स का जाल ढीला और स्वतंत्र होने से बदलकर एकदम टाइट और सिंक्रोनाइज़्ड हो जाता है—जिससे आपदा के सुर्खियों में आने से बहुत पहले चेतावनी मिल जाती है।

तकनीकी सारांश: GeomHerd

1. समस्या विवरण (Problem Statement)

हर्डिंग (Herding)—जहाँ बाजार के प्रतिभागी व्यवहारों को संरेखित करते हैं और सामूहिक रूप से कार्य करते हैं—बाजार की भंगुरता और प्रणालीगत जोखिम का एक प्राथमिक चालक है। हर्डिंग को मापने के मौजूदा दृष्टिकोण डाउनस्ट्रीम अवलोकनीय (downstream observables) पर निर्भर करते हैं, जैसे कि वास्तविक रिटर्न (उदाहरण के लिए, क्रॉस-सेक्शनल एब्सोल्यूट डेविएशन, CSAD) या घोषित ट्रेडिंग फ्लो (जैसे, LSV संस्थागत असंतुलन)। ये विधियाँ स्वाभाविक रूप से पोस्ट-हॉक (post-hoc) हैं और इनमें अवलोकन अंतराल (observability lag) की समस्या होती है: वे समन्वय (coordination) का पता तभी लगा पाते हैं जब वह पहले ही मूल्य आंदोलनों या सार्वजनिक फाइलिंग में प्रसारित हो चुका होता है।

जबकि हालिया ज्यामितीय दृष्टिकोणों का उपयोग मार्केट-स्ट्रेस विश्लेषण के लिए डिस्क्रीट रिकी कर्वेचर (discrete Ricci curvature) के माध्यम से किया गया है, वे आमतौर पर मूल्य-सहसंबंध ग्राफ (price-correlation graphs) पर संचालित होते हैं, जिससे वही बाधा बनी रहती है। यह शोध पत्र एक मौलिक प्रश्न प्रस्तुत करता है: क्या कोई सीधे एजेंट समन्वय प्रक्रिया की विकसित होती ज्यामिति (evolving geometry of the agent coordination process itself) (अपस्ट्रीम स्ट्रक्चरल जानकारी) को मात्रात्मक रूप से माप सकता है, ताकि रिटर्न में हर्डिंग प्रकट होने से पहले एक भविष्योन्मुखी संकेत (forward-looking signal) उत्पन्न किया जा सके?

2. कार्यप्रणाली: GeomHerd फ्रेमवर्क

GeomHerd एक भविष्योन्मुखी ज्यामितीय ढांचा है जो एजेंट-इंटरेक्शन ग्राफ पर सीधे समन्वय को मापकर अवलोकन अंतराल (observability lag) को दरकिनार करता है।

2.1 सबस्ट्रेट और ग्राफ निर्माण (Substrate and Graph Construction)

यह फ्रेमवर्क एक हेट्रोजेनियस LLM-संचालित मल्टी-एजेंट वित्तीय सिम्युलेटर (विशेष रूप से Cividino-Sornette या CWS निरंतर-स्पिन मॉडल) का उपयोग करता है जहाँ प्रत्येक ट्रेडर को एक पर्सोना-कंडीशन्ड LLM द्वारा स्थापित किया जाता है। यह एक पूर्णतः अवलोकन योग्य एक्शन स्ट्रीम प्रदान करता है।

नोड्स (Nodes): व्यक्तिगत एजेंट ( $N=66$ )।
एजेस (Edges): इन्हें विंडोड एक्शन एग्रीमेंट (windowed action agreement) के आधार पर बनाया जाता है। वेट $w_t(i, j)$ एक विंडो $T_w=100$ के दौरान एजेंट $i$ और $j$ के बीच समान क्रियाओं (जैसे, बाय/होल्ड/सेल) की आवृत्ति है।
स्पारसिफिकेशन (Sparsification): एडजेस केवल तभी बनाए रखे जाते हैं यदि $w_t(i, j) > 0.5$ हो, जो यूनिफॉर्म बेसलाइन से ऊपर सार्थक सहमति सुनिश्चित करता है।
ग्राफ डायनेमिक्स: ग्राफ को प्रत्येक $\Delta t = 10$ स्टेप्स के बाद पुनर्गठित किया जाता है।

2.2 ज्यामितीय कोर: डिस्क्रीट रिकी कर्वेचर (Discrete Ricci Curvature)

फ्रेमवर्क एक लेजी-वॉक ट्रांजिशन कर्नल का उपयोग करके एजेंट ग्राफ पर ओलिवियर-रिकी कर्वेचर ( $\kappa_{OR}$ ) की गणना करता है।

साइन डिकंपोजिशन (Sign Decomposition): समुदाय-ब्रिज टोपोलॉजी के आधार पर कर्वेचर को दो विशिष्ट संकेतों में विभाजित किया गया है:
1. पॉजिटिव कर्वेचर ( $\bar{\kappa}^+_{OR}$ ): यह क्लिक-के भीतर समन्वय (within-clique coordination) को कैप्चर करता है। जैसे-जैसे एजेंट एक-दूसरे की नकल करते हैं, उनके पड़ोस ओवरलैप होते हैं, जिससे पॉजिटिव कर्वेचर बढ़ता है। यह सूचना कैस्केड (information cascade) की शुरुआत का संकेत देता है।
2. नेगेटिव कर्वेचर ( $\beta^-$ ): यह इंटर-कम्युनिटी ब्रिज (inter-community bridges) को कैप्चर करता है। अत्यधिक नेगेटिव कर्वेचर अलग-अलग क्लस्टरों को जोड़ने वाले एडजेस की पहचान करता है, जो संक्रामक प्रसार (propagation of contagion) का संकेत देता है।
डिटेक्शन लॉजिक:
- $\bar{\kappa}^+_{OR}$ की निगरानी लेवल शिफ्ट की पहचान करने के लिए एक वन-साइडेड CUSUM डिटेक्टर का उपयोग करके की जाती है।
- $\beta^-$ की निगरानी ब्रिज के उभरने के रुझानों का पता लगाने के लिए संयुक्त CUSUM और Kendall- $\tau$ स्लोप टेस्ट द्वारा की जाती है, जो नॉन-गौसियन शोर (non-Gaussian noise) के प्रति सुदृढ़ है।

2.3 भविष्योन्मुखी डिस्क्रिप्टर्स (Forward-Looking Descriptors)

सिंगुलैरिटी टाइम ( $\tau_{sing}$ ): फ्रेमवर्क डिस्क्रीट रिकी फ्लो के तहत ग्राफ को विकसित करता है और पहले "नेकपिंच" (singularity) तक लगने वाले समय को रिकॉर्ड करता है। यह स्टेटिक क्लस्टरिंग के विपरीत, पतन (collapse) की निकटता का एक डायनेमिक, भविष्योन्मुखी डिस्क्रिप्टर है।
इफेक्टिव वोकैबुलरी ( $V_{eff}$ ): यह एजेंटों की एक्शन लैंग्वेज के एंट्रॉपी को मापने वाला एक सूचना-सैद्धांतिक सिग्नल है। जब एजेंट कैस्केड के दौरान अपने व्यवहार को समरूप (homogenize) करते हैं, तो $V_{eff}$ संकुचित हो जाता है।

2.4 सैद्धांतिक आधार (Theoretical Anchor)

यह शोध पत्र एक मीन-फील्ड ब्रिज (Proposition 1) स्थापित करता है जो ज्यामितीय मेट्रिक को शास्त्रीय CSAD सांख्यिकी से जोड़ता है। यह व्युत्पन्न करता है कि मानक धारणाओं (मीन-फील्ड कंसंट्रेशन, लीनियर प्राइस इम्पैक्ट) के तहत, CSAD, $\bar{\kappa}_{OR}$ में मोनोटोनिक रूप से घटता है। यह ज्यामितीय सिग्नल को स्थापित वित्त साहित्य से सैद्धांतिक रूप से जोड़ता है।

3. मुख्य योगदान (Key Contributions)

सबस्ट्रेट शिफ्ट: हर्डिंग डिटेक्शन के केंद्र को डाउनस्ट्रीम प्राइस-कोरिलेशन ग्राफ से हटाकर अपस्ट्रीम एजेंट-इंटरेक्शन ग्राफ पर ले जाता है, जो पूर्णतः अवलोकन योग्य एक्शन स्ट्रीम का लाभ उठाता है।
साइन-डिकंपोज्ड ज्योमेट्री: हर्डिंग (पॉजिटिव कर्वेचर, इंट्रा-क्लिक डेंसिटी) को कंटेजियन (नेगेटिव कर्वेचर, इंटर-क्लस्टर ब्रिज) से स्पष्ट रूप से अलग करता है, जो पूरक अलार्म सिग्नल प्रदान करता है।
फॉरवर्ड-लुकिंग फ्लो: स्टैटिक क्लस्टरिंग ऑपरेटर के बजाय एक डायनेमिक प्रॉक्सिमिटी-टू-कोलैप स्केलर के रूप में रिकी-फ्लो सिंगुलैरिटी टाइम ( $\tau_{sing}$ ) पेश करता है।
सैद्धांतिक लिंक: एक स्केलिंग आइडेंटिटी प्रदान करता है जो ज्यामितीय कर्वेचर को शास्त्रीय CSAD रिटर्न-डिस्पर्शन सांख्यिकी से जोड़ती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

प्रयोग CWS निरंतर-स्पिन सबस्ट्रेट (400 ट्रेजेक्टरीज) पर किए गए थे और इनका सत्यापन Vicsek सेल्फ-ड्रिवन-पार्टिकल मॉडल के माध्यम से आउट-ऑफ-डोमेन ट्रांसफर द्वारा किया गया।

लीड टाइम (Lead Time):
- प्राथमिक डिटेक्टर ( $\bar{\kappa}^+_{OR}$ ) एक प्रिसिजन-ओरिएंटेड ऑपरेटिंग पॉइंट पर ऑर्डर-पैरामीटर हर्डिंग इवेंट ( $\tau^*$ ) से औसत 178 स्टेप्स पहले सक्रिय होता है।
- रिकॉल-ओरिएंटेड ऑपरेटिंग पॉइंट पर, औसत लीड बढ़कर 272 स्टेप्स हो जाता है।
- कंटेजजन डिटेक्टर ( $\beta^-$ ) 65% क्रिटिकल ट्रेजेक्टरीज को रिकॉल करता है जिसका औसत लीड 318 स्टेप्स है।
- को-फायरिंग ट्रेजेक्टरीज पर, एजेंट-ग्राफ सिग्नल प्राइस-कोरिलेशन बेसलाइन्स से पूल मेडियन 40 स्टेप्स पहले चलता है।
निरंतरता (Consistency):
- ज्यामितीय सिग्नल CSAD के साथ साइन-कंसिस्टेंट है (कर्वेचर और रिटर्न डिस्पर्शन के बीच नकारात्मक सहसंबंध)।
- को-फायरिंग ट्रेजेक्टरीज पर एजेंट-ग्राफ सिग्नल LSV ट्रेडिंग-फ्लो सांख्यिकी से पहले चलता है, क्योंकि एक्शन क्लिक (action clique) बाय/सेल असंतुलन जमा होने से पहले ही पता चल जाता है।
पूर्वानुमान उपयोगिता (Forecasting Utility):
- एक कर्वेचर-कंडीशन्ड फोरकास्टिंग हेड (ट्रिपलेट $\bar{\kappa}_{OR}, \tau_{sing}, V_{eff}$ का उपयोग करके) प्राइस-ओनली और डिटेक्टर-कंडीशन्ड बेसलाइन्स की तुलना में कैस्केड-विंडो लॉग-रिटर्न्स के मीन एब्सोल्यूट एरर (MAE) को कम करता है।
सामान्यीकरण (Generalization):
- ज्यामितीय सिग्नेचर Vicsek मॉडल में आउट-ऑफ-डोमेन ट्रांसफर करता है, जो 0.99 के AUROC के साथ ऑर्डर्ड और डिसऑर्डर्ड रिजीम को अलग करता है, जो सुझाव देता है कि यह सिग्नेचर वित्त-विशिष्ट आर्टिफैक्ट्स के बजाय सार्वभौमिक सामूहिक समन्वय को दर्शाता है।
एब्लेशन (Ablation):
- बाइनरी एज कंस्ट्रक्शन महत्वपूर्ण है; कोसाइन-सिमिलरिटी वेरिएंट हर्डिंग का पता लगाने में विफल रहते हैं।
- साइन डिकंपोजिशन आवश्यक है; इसे हटाने से सिग्नल समाप्त हो जाता है।

5. महत्व और दावे (Significance and Claims)

शोध पत्र दावा करता है कि GeomHerd वित्तीय जोखिम निगरानी में "अवलोकन अंतराल" (observability gap) को संबोधित करके भविष्योन्मुखी हर्डिंग क्वांटिफिकेशन को आगे बढ़ाता है। एजेंट इंटरेक्शन ग्राफ को एक पूर्वानुमान योग्य दुनिया के रूप में मानकर, यह ढांचा वास्तविक रिटर्न में प्रकट होने से पहले ही उभरते समन्वय के संरचनात्मक टोपोलॉजी को कैप्चर करता है।

लेखक इस बात पर जोर देते हैं कि GeomHerd केवल एक नया सांख्यिकीय उपकरण नहीं है, बल्कि एक फॉरवर्ड-लुकिंग वार्निंग सिस्टम है जो:

एग्रीगेट मार्केट बेसलाइन्स की तुलना में काफी पहले हर्डिंग का पूर्वानुमान (Anticipates) लगाता है।
आंतरिक समन्वय (क्लिक फॉर्मेशन) और बाहरी संक्रामक प्रसार (ब्रिज प्रोपेगेशन) के बीच अंतर (Distinguishes) करता है।
विभिन्न भौतिक और वित्तीय सबस्ट्रेट्स में सामान्य (Generalizes) होता है।
डाउनस्ट्रीम फोरकास्टिंग सटीकता को बेहतर बनाने के लिए एक कंडीशनिंग फीचर के रूप में उपयोग किया जा सकता है।

यह कार्य जियोमेट्रिक डीप लर्निंग (रिकी फ्लो) और शास्त्रीय वित्तीय सिद्धांत (CSAD/LSV) के बीच एक सेतु के रूप में काम करता है, जो एजेंट इंटरेक्शन के माइक्रो-स्ट्रक्चरल स्तर पर प्रणालीगत स्थिरता की निगरानी करने के लिए एक तंत्र प्रदान करता है।