🤖 AI

Dynamic Objective Selection with Safeguards and LLM Oversight for Financial Decision-Making

यह शोध पत्र DOSS को प्रस्तुत करता है, जो स्थिरता सुनिश्चित करने, अत्यधिक स्विचिंग को रोकने और सुरक्षा बाधाओं को लागू करने के लिए कॉन्फिडेंस-अवेयर गेटिंग और LLM ओवरसाइट का उपयोग करते हुए, हाल के बाजार डेटा से व्याख्या योग्य वित्तीय अनुकूलन उद्देश्यों को गतिशील रूप से चुनता है।

मूल लेखक: Keigo Sakurai, Takahiro Ogawa, Miki Haseyama, Anjyu Anan, Kei Nakagawa

प्रकाशित 2026-06-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Keigo Sakurai, Takahiro Ogawa, Miki Haseyama, Anjyu Anan, Kei Nakagawa

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 एक विशाल, निरंतर बदलते समुद्र में एक जहाज के कप्तान हैं। आपका लक्ष्य यथासंभव कुशलता से अपने गंतव्य (पैसा कमाना) तक पहुँचना है। हालाँकि, समुद्र स्थिर नहीं है; कभी यह शांत और धूप वाला होता है, तो कभी तूफानी और खतरनाक।

वित्त की दुनिया में, "कप्तान" (एल्गोरिदम) आमतौर पर पूरी यात्रा के लिए एक ही नियम पुस्तिका चुनते हैं। वे तय कर सकते हैं, "हम हमेशा तेज़ चलेंगे," या "हम हमेशा उबड़-खाबड़ लहरों से बचेंगे।" समस्या यह है कि धूप वाले दिनों के लिए उत्तम नियम पुस्तिका तूफान में जहाज को डुबो सकती है, और तूफानों के लिए बनी नियम पुस्तिका अच्छे मौसम में बहुत धीमी हो सकती है।

यह शोध पत्र DOSS (डायनेमिक ऑब्जेक्टिव सिलेक्शन विद सेफ्टीगार्ड्स) नामक एक नई प्रणाली पेश करता है। DOSS को एक स्मार्ट, अनुकूलनशील सह-पायलट के रूप में समझें जो न केवल जहाज को दिशा देता है, बल्कि इस आधार पर नियम पुस्तिका को भी लगातार फिर से लिखता है कि अभी पानी कैसा दिख रहा है।

यह कैसे काम करता है, इसके सरल अवधारणाओं में विवरण यहाँ दिया गया है:

1. विकल्पों का मेनू (क्या)

एक नया नियम पुस्तिका मौके पर ही बनाने की कोशिश करने के बजाय, DOSS तीन पूर्व-अनुमोदित रणनीतियों के एक छोटे मेनू में से चुनता है:

द स्पीडस्टर (गतिमान): पूरी तरह से तेज़ जाने पर ध्यान केंद्रित करता है (रिटर्न को अधिकतम करना)। शांत, बढ़ते बाजारों के लिए अच्छा है।
द सेफ्टी फर्स्ट (सुरक्षा प्रथम): बड़ी गिरावटों से बचने पर ध्यान केंद्रित करता है (डाउनसाइड रिस्क को कम करना)। तूफानी, गिरते बाजारों के लिए अच्छा है।
द बैलेंस्ड कैप्टन (संतुलित कप्तान): एक अच्छी गति पाने के साथ-साथ जहाज को स्थिर रखने की कोशिश करता है (जोखिम-समायोजित)।

2. "नो क्रिस्टल बॉल" नियम (कैसे)

कई प्रणालियाँ भविष्य का अनुमान लगाने या छिपे हुए "रेजीम" (जैसे कि तूफान आने से पहले उसे पहचानना) का पता लगाने की कोशिश करती हैं। लेखक कहते हैं कि यह अक्सर शोर भरा और अविश्वसनीय होता है।
इसके बजाय, DOSS केवल इस पर ध्यान देता है कि अभी क्या हुआ है। यह हाल के अतीत का एक स्नैपशॉट लेता है (जैसे पिछले कुछ हफ्तों की लहरें) और पूछता है: "इस विशिष्ट पैटर्न को देखते हुए, अतीत में हमारा कौन सा नियम पुस्तिका सबसे अच्छा रहा?"
यह एक "रोलिंग विंडो" का उपयोग करता है, जिसका अर्थ है कि यह अपने प्रशिक्षण डेटा को हाल के इतिहास के साथ लगातार अपडेट करता रहता है, जिससे यह सुनिश्चित होता है कि यह भविष्य को देखकर धोखाधड़ी न करे।

3. "कॉन्फिडेंस मीटर" और सुरक्षा जाल

यह सबसे महत्वपूर्ण हिस्सा है। कभी-कभी, समुद्र भ्रमित करने वाला लग सकता है, और सह-पायलट को यह चुनने में अनिश्चितता हो सकती है कि कौन सी नियम पुस्तिका चुनी जाए।

कॉन्फिडेंस मीटर (विश्वास मीटर): DOSS एक स्कोर की गणना करता है। यदि यह 100% सुनिश्चित है, तो यह सबसे अच्छा विकल्प चुनता है। यदि यह केवल 50% सुनिश्चित है, तो यह घबरा जाता है।
सेफ्टी नेट (सुरक्षा जाल): यदि कॉन्फिडेंस मीटर बहुत कम है, तो DOSS एक जोखिम भरा अनुमान लगाने से इनकार कर देता है। इसके बजाय, यह स्वचालित रूप से "सेफ्टी फर्स्ट" नियम पुस्तिका पर स्विच हो जाता है। यह कहने जैसा है, "मुझे नहीं पता कि हमें गति बढ़ानी चाहिए या घटानी चाहिए, इसलिए चलिए बस स्थिर चलते हैं ताकि दुर्घटना से बचा जा सके।"

4. "ह्यूमन-इन-द-लूप" सुपरवाइजर (LLM)

शोध पत्र एक लार्ज लैंग्वेज मॉडल (LLM) को जोड़ने का सुझाव भी देता है, लेकिन एक बहुत ही सख्त कार्य विवरण के साथ।

यह क्या नहीं है: इसे नई रणनीतियाँ बनाने या मेनू बदलने की अनुमति नहीं है।
यह क्या है: यह एक सुपरवाज़र (पर्यवेक्षक) के रूप में कार्य करता है। यह सह-पायलट के चुनाव और कॉन्फिडेंस स्कोर को देखता है। यह या तो कह सकता है, "अनुमोदित, आगे बढ़ें," या "ओवरराइड! 'सेफ्टी फर्स्ट' मोड पर स्विच करें।"
गार्डरेल्स (सुरक्षा घेरा): यदि सह-पायलट बहुत बार स्विच कर रहा है (जिससे अस्थिरता और उच्च लागत होती है), तो सिस्टम में स्विचिंग को रोकने और सुरक्षित डिफ़ॉल्ट पर टिके रहने का एक सख्त नियम है। यह जहाज को अनियंत्रित रूप से झटके देने से रोकता है।

5. परिणाम: यह क्यों मायने रखता है

लेखकों ने इसका परीक्षण एक सार्वजनिक वित्तीय बेंचमार्क (एक सिम्युलेटेड समुद्र) पर किया।

स्टेटिक कैप्टन्स (स्थिर कप्तान): वे जहाज जो एक ही नियम पुस्तिका पर टिके रहे (हमेशा तेज़ या हमेशा सुरक्षित), वे ठीक थे, लेकिन उन्होंने अवसर खो दिए।
द ओरकल (भविष्यवक्ता): एक जादुई जहाज जिसे भविष्य का पता था और जो हर बार सही नियम पुस्तिका चुन लेता था। यह सबसे अच्छा था, लेकिन यह नियमों को लगातार बदल रहा था, जो वास्तविक जीवन में असंभव है।
DOSS: DOSS जहाज का प्रदर्शन 'ओरकल' जितना तो नहीं था, लेकिन यह स्थिर जहाजों की तुलना में काफी बेहतर था। महत्वपूर्ण बात यह है कि इसने ओरकल की तरह पागलों की तरह नियम नहीं बदले, जिससे यात्रा स्थिर रही।
LLM टेस्ट: जब उन्होंने सुरक्षा उपायों के बिना सीधे नियम पुस्तिका का "अनुमान" लगाने के लिए एक AI का उपयोग किया, तो इसने खराब प्रदर्शन किया और अधिक बार स्विच किया। सुरक्षा जाल के साथ DOSS सिस्टम अधिक विश्वसनीय था।

निचोड़

यह शोध पत्र तर्क देता है कि वित्तीय निर्णय लेने में, अनुकूलनशीलता अच्छी है, लेकिन अराजकता बुरी है।
DOSS इसे यह सुनिश्चित करके हल करता है कि सिस्टम को पता हो कि कब रणनीति बदलनी है और, इससे भी महत्वपूर्ण बात यह है कि, उसे कब अनुमान लगाना बंद करना है और सुरक्षित खेलना है। यह एक सीखने वाले एल्गोरिदम को जोड़ता है जो एक छोटे मेनू से सर्वश्रेष्ठ रणनीति चुनता है, और इसे अनियंत्रित और महंगी गलतियाँ करने से रोकने के लिए सख्त "गार्डरेल्स" (कॉन्फिडेंस चेक और एक सुपरवाइजर) का उपयोग करता है।

तकनीकी सारांश: वित्तीय निर्णय लेने के लिए सुरक्षा उपायों और LLM निरीक्षण के साथ गतिशील उद्देश्य चयन (DOSS)

समस्या विवरण
वित्तीय निर्णय लेने के कार्य, जैसे कि स्टॉक अनुशंसा और पोर्टफोलियो आवंटन, व्यापार चुनने के लिए एक उद्देश्य फलन (objective function) को अनुकूलित करने पर निर्भर करते हैं (जैसे कि रिटर्न को अधिकतम करना, डाउनसाइड रिस्क को न्यूनतम करना, या जोखिम-समायोजित मेट्रिक्स को अनुकूलित करना)। हालांकि, इस उद्देश्य का चयन वास्तविक प्रदर्शन को महत्वपूर्ण रूप से प्रभावित करता है, लेकिन बाजार की स्थितियां गैर-स्थिर (non-stationary) होती हैं; एक निश्चित उद्देश्य विभिन्न परिस्थितियों में अक्सर उप-इष्टतम (suboptimal) होता है। मौजूदा दृष्टिकोण जो गुप्त शासन अनुमानों (latent regime estimates) के आधार पर उद्देश्यों को बदलने का प्रयास करते हैं, अक्सर शोर वाले या विलंबित संकेतों से ग्रस्त होते हैं, जिससे समय पर बदलाव करने में चूक हो सकती है। इसके अलावा, बार-बार स्विच करने से परिचालन अस्थिरता और अत्यधिक टर्नओवर उत्पन्न हो सकता है। मुख्य चुनौती यह है कि अवलोकनीय बाजार विशेषताओं से सीधे प्रत्येक समय बिंदु पर सबसे उपयुक्त निर्णय-प्रासंगिक उद्देश्य फलन का चयन कैसे किया जाए, जबकि अनअवलोकनीय शासन चरों (regime variables) पर निर्भर रहने के बजाय, यह सुनिश्चित किया जाए कि चयन प्रक्रिया मजबूत, भविष्योन्मुखी और परिचालन रूप से स्थिर हो।

कार्यप्रणाली: DOSS
लेखक DOSS (Dynamic Objective Selection with Safeguards) का प्रस्ताव करते हैं, जो एक लर्निंग-आधारित ढांचा है जो उद्देश्य चयन को एक पॉलिसी समस्या के रूप में मानता है। यह विधि उम्मीदवारों के एक सीमित, पूर्व-निर्धारित सेट $\mathcal{O}$ (जैसे, रिटर्न-सीकिंग, लॉस-अवर्स, रिस्क-एडजस्टेड) पर कार्य करती है और मध्यवर्ती गुप्त शासन चरों को पेश करने से बचती है।

यह ढांचा चार प्रमुख घटकों से बना है:

रोलिंग-विंडो ऑब्जेक्टिव सेलेक्टर: सिस्टम उद्देश्य चयन को एक वर्गीकरण (classification) समस्या के रूप में तैयार करता है। यह हालिया रिटर्न के व्याख्या योग्य सांख्यिकीय सारांशों को इनपुट फीचर्स ( $x_t$ ) के रूप में उपयोग करता है ताकि उम्मीदवार सेट में सर्वश्रेष्ठ उद्देश्य की भविष्यवाणी की जा सके। टेम्पोरल लीकेज (temporal leakage) को रोकने और कॉन्सेप्ट ड्रिफ्ट के अनुकूल होने के लिए, सेलेक्टर को "परिपक्व" डेटा के रोलिंग विंडो पर प्रशिक्षित किया जाता है। समय $i$ के लिए एक लेबल केवल समय $t$ पर उपलब्ध होता है यदि मूल्यांकन क्षितिज (evaluation horizon) $H$ पूरी तरह से साकार हो चुका हो ( $i + H \leq t$ )। मॉडल एक लीनियर सॉफ्टमैक्स क्लासिफायर है जिसे इस रोलिंग डेटासेट पर रेगुलराइज्ड क्रॉस-एन्ट्रॉपी के माध्यम से प्रशिक्षित किया गया है।
कॉन्फिडेंस-अवेयर सेफगार्ड्स: गलत चयन और अत्यधिक स्विचिंग को कम करने के लिए, DOSS एक कॉन्फिडेंस गेटिंग तंत्र का उपयोग करता है। यह एक कॉन्फिडेंस स्कोर ( $c_t$ ) की गणना करता है जो शीर्ष-1 और शीर्ष-2 अनुमानित उद्देश्यों के बीच का संभाव्यता अंतर (probability gap) है। यदि $c_t$ एक थ्रेशोल्ड $\tau$ से नीचे गिर जाता है, तो सिस्टम कच्चे प्रस्ताव को एक रूढ़िवादी डिफॉल्ट उद्देश्य ( $o_{def}$ ) के साथ ओवरराइड कर देता है। इसके अतिरिक्त, एक वैकल्पिक स्विचिंग-फ्रीक्वेंसी कंट्रोल पिछले विंडो के भीतर उद्देश्यों के परिवर्तनों की संख्या को सीमित करता है ताकि परिचालन संबंधी उथल-पुथल को रोका जा सके।
LLM ओवरसाइट (गवर्नेंस): नए उद्देश्य उत्पन्न करने के लिए लार्ज लैंग्वेज मॉडल (LLM) का उपयोग करने के बजाय, DOSS एक LLM को एक सीमित ऑडिटर के रूप में स्थापित करता है। LLM प्रस्तावित उद्देश्य, इनपुट फीचर्स और कॉन्फिडेंस स्कोर प्राप्त करता है, और इसे प्रस्तावित प्रस्ताव को ACCEPT (स्वीकार) करने या पूर्व-निर्धारित सुरक्षित डिफॉल्ट पर OVERRIDE (ओवरराइड) करने तक ही सीमित रखा जाता है। यह सुनिश्चित करता है कि निर्णय स्थान (decision space) सीमित रहे और निर्णय लेने की प्रक्रिया का एक ऑडिट योग्य ट्रेल प्रदान करे।
डाउनस्ट्रीम निष्पादन: एक बार उद्देश्य का चयन हो जाने के बाद (और संभावित रूप से गेटिंग/ऑडिट के बाद), एक निश्चित डाउनस्ट्रीम निर्णय मॉड्यूल चुने गए उद्देश्य के आधार पर अनुकूलन (जैसे, पोर्टफोलियो वेट की गणना) निष्पादित करता है।

प्रमुख योगदान

पॉलिसी फॉर्मूलेशन: पेपर वित्तीय क्षेत्र में उद्देश्य-फंक्शन स्विचिंग को एक प्रत्यक्ष पॉलिसी समस्या के रूप में पुनर्गठित करता है, जो गुप्त शासन (latent regimes) का अनुमान लगाने के बजाय प्रत्येक समय चरण पर अवलोकनीय विशेषताओं से उद्देश्यों का चयन करता है।
DOSS फ्रेमवर्क: एक लर्निंग-आधारित सेलेक्टर का परिचय जो टेम्पोरल लीकेज के बिना भविष्योन्मुखी चयन के लिए रोलिंग-विंडो अपडेट का उपयोग करता है, और व्याख्या योग्य सांख्यिकीय विशेषताओं पर कार्य करता है।
सेफगार्ड्स और गवर्नेंस: एक रूढ़िवादी डिफॉल्ट की ओर कॉन्फिडेंस-अवेयर गेटिंग और एक वैकल्पिक, सीमित LLM ऑडिटर का एकीकरण। ये तंत्र गलत चयन और अत्यधिक स्विचिंग को नियंत्रित करने के लिए डिज़ाइन किए गए हैं, जिससे तैनाती-उन्मुख सेटिंग्स में जवाबदेही और स्थिरता सुनिश्चित होती है।

प्रायोगिक परिणाम
लेखकों ने 61 निर्णय समय बिंदुओं पर रोलिंग इवैल्यूएशन प्रोटोकॉल के साथ FAR-Trans बेंचमार्क पर DOSS का मूल्यांकन किया। उम्मीदवार सेट में तीन उद्देश्य शामिल थे: RETURN, DOWNSIDERISK, और SHARPELIKE|

प्रदर्शन: कॉन्फिडेंस गेटिंग (थ्रेशोल्ड $\tau=0.2$ ) के साथ DOSS ने 0.5626 की हिट परसेंटेज एक्यूरेसी (HPA) प्राप्त की, जिसने सबसे मजबूत स्टैटिक बेसलाइन (Static(DOWNSIDERISK), HPA 0.5235) को लगभग 7.5% सापेक्ष सुधार के साथ पीछे छोड़ दिया। इसने सीधे LLM-आधारित सेलेक्टर (GPT-4.1-mini) को भी पछाड़ दिया जिसकी HPA 0.5173 थी।
स्थिरता: जबकि हिंडसाइट ऑरेकल (ऊपरी सीमा) ने उच्चतम HPA (0.6150) प्राप्त किया, इसमें उच्च स्विच दर (0.8197) देखी गई। DOSS ने ऑरेकल और सीधे LLM सेलेक्टर (0.5902) की तुलना में काफी कम स्विच दर (0.4590) हासिल की, जो अनुकूलन क्षमता और परिचालन स्थिरता के बीच संतुलन प्रदर्शित करता है।
सेंसिटिविटी एनालिसिस: $\tau$ के कॉन्फिडेंस थ्रेशोल्ड के स्वीप ने एक "U-आकार" का ट्रेड-ऑफ दिखाया। गेटिंग को अक्षम करने ( $\tau=0$ ) से प्रदर्शन कम हो गया, जबकि अत्यधिक रूढ़िवादी गेटिंग ( $\tau=0.4$ ) ने सिस्टम को एक स्टैटिक स्ट्रैटेजी की ओर ढकेल दिया। एक मध्यम थ्रेशोल्ड ( $\tau=0.2$ ) ने इष्टतम परिणाम दिए, जो पुष्टि करता है कि कम-कॉन्फिडेंस वाले स्विचों का चयनात्मक अस्वीकरण समग्र सटीकता में सुधार करता है।
सांख्यिकीय विश्वसनीयता: समय बिंदुओं पर बूटस्ट्रैप विश्लेषण ने पुष्टि की कि स्टैटिक बेसलाइन पर DOSS का सुधार मजबूत है, जिसमें 95% कॉन्फिडेंस इंटरवल $[0.0118, 0.0706]$ और सकारात्मक सुधार की संभावना 0.9986 है।

महत्व और दावे
पेपर का दावा है कि DOSS वित्तीय तैनाती के लिए एक व्यावहारिक मध्य मार्ग प्रदान करता है। यह एक आदर्श हिंडसाइट ऑरेकल द्वारा उपलब्ध प्रदर्शन की एक महत्वपूर्ण हिस्से को कैप्चर करता है और साथ ही रूढ़िवादी फॉलबैक तंत्र के माध्यम से परिचालन अस्थिरता को स्पष्ट रूप से नियंत्रित करता है। LLM को जेनेरेटिव भूमिका के बजाय 'एक्सेप्ट/ओवरराइड' भूमिका तक सीमित करके, यह ढांचा एक सीमित निर्णय स्थान बनाए रखता है, जिससे ट्रेसबिलिटी और गवर्नेंस आवश्यकताओं के साथ संरेखण सुनिश्चित होता है। परिणाम बताते हैं कि डायनेमिक ऑब्जेक्टिव सिलेक्शन, जब कॉन्फिडेंस-अवेयर सेफगार्ड्स के साथ जोड़ा जाता है, तो अत्यधिक स्विचिंग की लागत के बिना स्टैटिक रणनीतियों और सीधे LLM दृष्टिकोणों से बेहतर प्रदर्शन कर सकता है।