Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning
यह अध्ययन प्रदर्शित करता है कि एक ट्रांसफॉर्मर-आधारित मल्टी-मोडल डीप लर्निंग मॉडल, जो फर्म के बुनियादी सिद्धांतों (फंडामेंटल्स), तकनीकी संकेतकों और FinBERT-व्युत्पन्न समाचार भावना को एकीकृत करता है, अर्निंग घोषणा के दिनों में स्टॉक की कीमत की दिशा की भविष्यवाणी करने में लॉजिस्टिक रिग्रेशन और LSTM बेसलाइन दोनों से बेहतर प्रदर्शन करता है, क्योंकि यह अस्थिर गतिविधियों के प्रति श्रेष्ठ संवेदनशीलता प्राप्त करता है।
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 यह अनुमान लगाने की कोशिश कर रहे हैं कि किसी कंपनी के अर्निंग्स रिपोर्ट (earnings report) घोषित होने के दिन उसके स्टॉक की कीमत ऊपर (Up) जाएगी, नीचे (Down) जाएगी, या न्यूट्रल (Neutral) रहेगी। यह एक बहुत ही कठिन खेल है क्योंकि बाजार में काफी उथल-पुथल होती है और कीमतें पल भर में तेजी से बदल सकती हैं।
ETH ज्यूरिख के शोधकर्ताओं ने इसे एक जासूसी कहानी की तरह माना। उन्होंने इस रहस्य को सुलझाने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करके एक "सुपर-स्लीथ" (super-sleuth) सिस्टम बनाया। उन्होंने इसे कैसे किया, यहाँ आसान शब्दों में समझाया गया है:
1. तीन सुराग (डेटा)
अपनी भविष्यवाणी करने के लिए, AI ने केवल एक चीज़ नहीं देखी। इसने तीन अलग-अलग प्रकार के सुराग जुटाए, जैसे एक जासूस उंगलियों के निशान, चश्मदीद गवाहों के बयान और मकसद को जोड़ता है:
- कंपनी की सेहत की रिपोर्ट (Fundamentals): उन्होंने 15 ठोस नंबर देखे, जैसे कंपनी कितना मुनाफा कमाती है या उस पर कितना कर्ज है। यह "आधिकारिक" डेटा है।
- बाजार का हालिया मिजाज (Price Dynamics): उन्होंने पिछले 30 दिनों के स्टॉक प्राइस को देखा और सरल गणित का उपयोग करके यह देखा कि क्या कीमत की गति तेज हो रही थी या धीमी हो रही थी।
- खबरों की फुसफुसाहट (Sentiment): उन्होंने खबरों को पढ़ने के लिए FinBERT नामक एक विशेष AI रीडर का उपयोग किया। यह AI केवल शब्दों को नहीं पढ़ता; यह उनके लहजे (tone) को समझता है। क्या खबर खुशहाल है, दुखी है, या उदासीन है?
2. तीन जासूस (मॉडल्स)
टीम ने मामले को सुलझाने के लिए तीन अलग-अलग "जासूसों" को प्रशिक्षित किया और तुलना की कि कौन सबसे अच्छा था:
- पुराने जमाने का जासूस (Logistic Regression): यह एक सरल, रैखिक (linear) विचारक है। यह सुरागों को देखता है और एक निष्कर्ष तक पहुँचने के लिए एक सीधी रेखा खींचता है। यह तेज़ है लेकिन अक्सर बारीकियों को चूक जाता है।
- सावधानीपूर्वक अवलोकन करने वाला (LSTM): यह एक डीप लर्निंग मॉडल है जो कहानी को दिन-दर-दिन पढ़ता है, जैसे एक किताब को एक बार में एक पन्ना करके पढ़ना। यह बहुत सतर्क है। यदि यह 100% सुनिश्चित नहीं है, तो यह सुरक्षित रास्ता चुनता है।
- बड़ी तस्वीर देखने वाला दूरदर्शी (Transformer): यह एक अधिक उन्नत मॉडल है जो एक साथ पूरे 30 दिनों की कहानी देख सकता है। यह "अटेंशन" (attention) का उपयोग यह पता लगाने के लिए करता है कि अतीत के कौन से विशिष्ट दिन सबसे महत्वपूर्ण थे, न कि केवल उन्हें क्रम में पढ़ने के बजाय।
3. पेचीदा हिस्सा: "न्यूट्रल" का जाल
सबसे बड़ी चुनौती यह थी कि ज्यादातर समय, अर्निंग्स के दिन स्टॉक में कोई बड़ा नाटकीय बदलाव नहीं होता; वे न्यूट्रल रहते हैं।
- कल्पना कीजिए कि एक कक्षा में 67% छात्र शांति से बैठे हैं, और केवल कुछ ही उछल-कूद कर रहे हैं।
- यदि एक जासूस बस यह अनुमान लगा ले कि "सभी बैठे हुए हैं," तो वह अधिकांश समय सही होगा, लेकिन वह सभी रोमांचक उछालों को मिस कर देगा।
- शोधकर्ताओं को अपने AI को यह सिखाना पड़ा कि वह दुर्लभ और जंगली उछालों (ऊपर या नीचे) पर भी उतना ही ध्यान दे जितना कि शांत दिनों पर। इसके लिए उन्होंने एक विशेष स्कोरिंग सिस्टम का उपयोग किया जो AI को गलत दिशा बताने (जैसे, "ऊपर" कहना जब वास्तव में वह "नीचे" गया हो) पर भारी दंड देता था।
4. परिणाम: कौन जीता?
पेपर में पाया गया कि कोई भी एक "परफेक्ट" जासूस नहीं है; यह इस पर निर्भर करता है कि आप किसे अधिक महत्व देते हैं: सुरक्षा (Safety) या संवेदनशीलता (Sensitivity)।
सावधानीपूर्वक अवलोकन करने वाला (LSTM) "सुरक्षित दांव" था:
- यह बहुत रूढ़िवादी था। इसने महंगी गलतियाँ करने से बचने के लिए ज्यादातर "न्यूट्रल" की भविष्यवाणी की।
- परिणाम: इसने सबसे कम महंगी गलतियाँ कीं। यदि आप जोखिम से बचना चाहते हैं (पैसे खोने से डरते हैं), तो यह मॉडल आपके लिए है। यह उस ड्राइवर की तरह है जो स्टीयरिंग तभी घुमाता है जब उसे पूरा भरोसा हो।
बड़ी तस्वीर देखने वाला दूरदर्शी (Transformer) "संवेदनशील शिकारी" था:
- यह कीमतों के बड़े उछाल को पहचानने में बहुत बेहतर था। इसने "ऊपर" और "नीचे" की अधिक गतिविधियों को पकड़ा।
- परिणाम: इन गतिविधियों को खोजने के लिए इसका समग्र सफलता स्कोर (Macro F1) सबसे अधिक था। हालांकि, क्योंकि इसने हर चीज़ को पकड़ने की कोशिश की, इसलिए इसने इस बारे में अधिक गलतियाँ कीं कि स्टॉक किस दिशा में जाएगा। यह उस ड्राइवर की तरह है जो हर गड्ढे को तो देख लेता है लेकिन शायद बहुत अधिक गाड़ी मोड़ देता है।
पुराने जमाने का जासूस (Logistic Regression) संघर्ष करता रहा:
- यह खबरों, कीमतों और इतिहास के जटिल मिश्रण को संभालने के लिए बहुत सरल था। इसने बार-बार महंगी दिशात्मक गलतियाँ कीं।
5. "सीक्रेट सॉस" (न्यूज़ सेंटीमेंट)
शोधकर्ताओं ने परीक्षण किया कि क्या होता है यदि वे "न्यूज़ व्हिस्पर" (सेंटीमेंट) को सुरागों से हटा दें।
- फैसला: खबरों के बिना हर जासूस कमजोर पड़ गया।
- क्यों? खबरों ने अतिरिक्त जानकारी प्रदान की जिसे संख्याएँ और चार्ट अकेले नहीं देख सकते थे। इसने एक स्टेबलाइजर की तरह काम किया, जिससे AI को अधिक विश्वसनीय अनुमान लगाने में मदद मिली।
मुख्य निष्कर्ष
पेपर यह निष्कर्ष निकालता है कि अर्निंग्स के दिन स्टॉक की गतिविधियों की भविष्यवाणी करना एक संतुलन बनाने जैसा है।
- यदि आप जोखिम को कम करना चाहते हैं और बड़ी गलतियों से बचना चाहते हैं, तो LSTM (सावधान मॉडल) बेहतर है।
- यदि आप अस्थिर गतिविधियों को पकड़ना चाहते हैं और अधिक जोखिम उठाने के लिए तैयार हैं, तो Transformer (संवेदनशील मॉडल) बेहतर है।
महत्वपूर्ण रूप से, यह अध्ययन साबित करता है कि आप केवल संख्याओं पर भरोसा नहीं कर सकते; सर्वोत्तम परिणाम प्राप्त करने के लिए आपको खबरों के "मिजाज" को भी शामिल करना ही होगा।
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।