💰 quantitative finance

Generating Financial Time Series by Matching Random Convolutional Features

यह शोध पत्र SOCK को प्रस्तुत करता है, जो एक पूर्णतः अवकलनीय (differentiable) रैंडम कनवोल्यूशनल फीचर मैप है जो फीचर रिप्रेजेंटेशन को मैच करके जनरेटिव मॉडल्स को यथार्थवादी वित्तीय टाइम सीरीज़ उत्पन्न करने में सक्षम बनाता है, जिससे यह छोटे-नमूना परिदृश्यों (small-sample scenarios) में मौजूदा सिग्नेचर-आधारित और डिफ्यूजन बेसलाइन्स से बेहतर प्रदर्शन करता है।

मूल लेखक: Konrad J. Mueller, Nikita Zozoulenko, Ben Wood, Thomas Cass, Lukas Gonon

प्रकाशित 2026-06-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Konrad J. Mueller, Nikita Zozoulenko, Ben Wood, Thomas Cass, Lukas Gonon

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 मास्टर शेफ हैं जो एक रोबोट को एक बेहतरीन व्यंजन बनाना सिखाने की कोशिश कर रहे हैं। समस्या क्या है? आपके पास केवल एक ही रेसिपी और दिखाने के लिए एक ही प्लेट भोजन है। आपके पास रोबोट को सिखाने के लिए हजारों व्यंजनों का पुस्तकालय नहीं है।

यदि आप रोबोट को केवल यह कहकर सिखाने की कोशिश करते हैं, "इसे बिल्कुल इस एक प्लेट की तरह बनाओ," तो रोबोट केवल उस विशिष्ट प्लेट को याद कर लेगा। वह स्वाद या बनावट को नहीं सीख पाएगा; वह केवल तस्वीर की नकल करेगा। इसे "ओवरफिटिंग" (overfitting) कहा जाता है, और वित्त (finance) की दुनिया में, यह एक आपदा है। यदि कोई रोबोट शेयर बाजार के एक दिन के इतिहास को याद करना सीख जाता है, तो वह यह अनुमान नहीं लगा सकता कि कल क्या हो सकता है।

यह शोध पत्र आपको रोबोट को सिखाने का एक नया तरीका पेश करता है: SOCK।

समस्या: "सिग्नेचर" का जाल

पहले, वैज्ञानिक रोबोट को "सिग्नेचर" (Signatures) नामक विधि का उपयोग करके सिखाने की कोशिश करते थे। सिग्नेचर को भोजन के इतिहास के एक बहुत विस्तृत, गणितीय फिंगरप्रिंट के रूप में समझें। यह ट्रैक करता है कि सामग्री ने हर मोड़ और घुमाव कैसे लिया।

समस्या: केवल भोजन की एक प्लेट के साथ, सिग्नेचर विधि बहुत भ्रमित हो जाती है। यह स्वाद सीखने के बजाय प्लेट पर मौजूद विशिष्ट कणों (crumbs) को याद करने की कोशिश करती है। यह किसी व्यक्ति के चेहरे को केवल एक फोटो में मौजूद हर तिल को गिनकर पहचानने की कोशिश करने जैसा है; यदि रोशनी बदल जाती है, तो आप उसे पहचान नहीं पाएंगे।

समाधान: "SOCK" विधि

लेखकों ने SOCK (SOft Competing Kernels) नामक एक नया टूल बनाया है। इसे समझने के लिए, आइए एक नए उदाहरण का उपयोग करें: ब्लाइंड टेस्ट ऑफ फ्लेवर (अंधा स्वाद परीक्षण)।

रोबोट को पूरा व्यंजन याद करने के लिए कहने के बजाय, लेखक रोबोट को रैंडम, ब्लाइंड टेस्टर्स (ये "रैंडम कन्वेल्शनल फीचर्स" हैं) का एक सेट देते हैं।

रैंडम टेस्टर्स: कल्पना कीजिए कि आपके पास 1,000 अलग-अलग, रैंडम फ्लेवर प्रोब्स (स्वाद जांचने वाले यंत्रों) का एक बैग है। कुछ "तीखेपन" के लिए स्वाद लेते हैं, कुछ "मिठास" के लिए, कुछ "कुरकुरेपन" के लिए, लेकिन वे सभी थोड़े अलग और रैंडम हैं।
प्रतियोगिता: आप वास्तविक व्यंजन (वास्तविक शेयर बाजार डेटा) और रोबोट के नकली व्यंजन को इन टेस्टर्स को खिलाते हैं। टेस्टर्स केवल "अच्छा" या "बुरा" नहीं कहते। इसके बजाय, वे प्रतिस्पर्धा करते हैं। वे पूछते हैं, "कौन सा व्यंजन इस विशिष्ट रैंडम फ्लेवर जैसा अधिक स्वाद देता है?"
"सॉफ्ट" वोट: पुराने तरीकों में, टेस्टर्स चिल्लाकर "विजेता!" (एक हार्ड निर्णय) घोषित करते थे। यह एक रेफरी द्वारा अचानक दिए गए फैसले जैसा है जिससे रोबमा कुछ सीख नहीं पाता। SOCK एक "सॉफ्ट" वोट का उपयोग करता है। यह टेस्टर्स द्वारा यह कहने जैसा है कि "असली व्यंजन 80% तीखा था, और रोबोट का व्यंजन 75% तीखा था।" क्योंकि यह एक सुचारू, क्रमिक संख्या है, रोबोट ठीक से सीख सकता है कि असली के करीब आने के लिए अपनी रेसिपी में कैसे बदलाव करना है।

"SOCK" क्यों विशेष है?

पेपर का दावा है कि SOCK तीन कारणों से एक "सुपरपावर" है:

यह डिफरेंशिएबल है (एक सुचारू मार्ग): पुराने रैंडम टेस्टर्स (जैसे "रॉकेट" विधि) एक लाइट स्विच की तरह थे: ऑन या ऑफ। आप उस आधार पर रोबोट के खाना बनाने को सुचारू रूप से एडजस्ट नहीं कर सकते थे। SOCK एक डिमर स्विच की तरह है। यह एक सुचारू संकेत देता है जो रोबोट को बताता है कि अपने अगले कदम को कैसे ट्यून करना है ताकि नकली डेटा असली दिखने लगे।
यह रैंडम है लेकिन विश्वसनीय है: क्योंकि टेस्टर्स रैंडम हैं, रोबोट केवल एक विशिष्ट टेस्ट को याद नहीं कर सकता। उसे किसी भी रैंडम टेस्ट को पास करने के लिए डेटा के वास्तविक सार को सीखना होगा। पेपर दिखाता है कि प्रशिक्षण के दौरान टेस्टर्स को लगातार बदलते रहने से, रोबोट बहुत बेहतर सीखता है।
यह "वन-शॉट" डेटा पर काम करता है: यह सबसे बड़ी जीत है। पेपर का परीक्षण वित्तीय डेटा पर किया गया जहाँ उनके पास केवल एक एकल ऐतिहासिक पथ (जैसे 8 साल के दैनिक स्टॉक मूल्य) था। इस बहुत कम डेटा के साथ भी, SOCK-प्रशिक्षित रोबोट पुराने "सिग्नेचर" तरीकों या नए "डिफ्यूजन" तरीकों की तुलना में अधिक यथार्थवादी भविष्य के परिदृश्य उत्पन्न करने में बेहतर था।

परिणाम: उन्होंने क्या पाया?

लेखकों ने दो प्रकार की चुनौतियों पर अपने तरीके का परीक्षण किया:

नकली डेटा बनाना (कुकिंग टेस्ट):
- उन्होंने रोबोट को अतीत के आधार पर भविष्य के स्टॉक मूल्यों की भविष्यवाणी करने के लिए कहा।
- परिणाम: SOCK रोबोट ने ऐसे नकली स्टॉक पाथ बनाए जो लगभग असली वाले जैसे ही दिखते और व्यवहार करते थे। इसने प्रतियोगिता की तुलना में "उतार-चढ़ाव" (wiggles), "स्पाइक्स" (spikes), और "लॉन्ग टेल्स" (दुर्लभ, चरम घटनाएं) को बहुत बेहतर तरीके से पकड़ा।
- उपमा: यदि वास्तविक शेयर बाजार एक ऊबड़-खाबड़ रोलरकोस्टर है, तो पुराने रोबोटों ने एक चिकनी, उबाऊ स्लाइड बनाई। SOCK रोबोट ने एक ऐसा रोलरकोस्टर बनाया जो असली चीज़ जितना ही रोमांचक और अप्रत्याशित महसूस होता है।
असली और नकली के बीच अंतर बताना (डिटेक्टिव टेस्ट):
- उन्होंने यह भी परीक्षण किया कि क्या SOCK असली और नकली डेटा के बीच अंतर करने में अच्छा है (एक कार्य जिसे "क्लासिफिकेशन" कहा जाता है)।
- परिणाम: SOCK एक शीर्ष स्तर का जासूस था। यह लगभग किसी भी अन्य मौजूदा विधि की तुलना में वास्तविक टाइम सीरीज़ को नकली से अलग करने में बेहतर था, भले ही इसे मुख्य रूप से नकली डेटा बनाने के लिए डिज़ाइन किया गया था।

निचोड़

पेपर का तर्क है कि जब आपके पास बहुत कम डेटा होता है (जैसे शेयर की कीमतों का एक एकल इतिहास), तो आपको डेटा को याद करने की कोशिश नहीं करनी चाहिए। इसके बजाय, आपको SOCK का उपयोग करना चाहिए: एक ऐसी प्रणाली जो सत्य की ओर जेनरेटर को धीरे से निर्देशित करने के लिए लगातार बदलते, रैंडम "फ्लेवर प्रोब्स" का उपयोग करती है।

यह एक बच्चे को घोड़े का चित्र बनाने के लिए एक आदर्श चित्र की नकल करने के बजाय, उसे हजार अलग-अलग, थोड़े धुंधले स्केच देने और उनसे उन सभी में सामान्य "घोड़ेपन" को खोजने के लिए कहने जैसा है। परिणाम एक ऐसा रोबोट है जो डेटा के पिक्सेल को नहीं, बल्कि उसकी आत्मा को समझता है।

तकनीकी सारांश: रैंडम कॉन्वोल्यूशनल फीचर्स को मैच करके वित्तीय समय श्रृंखला (Financial Time Series) उत्पन्न करना

समस्या विवरण (Problem Statement)
यथार्थवादी वित्तीय समय श्रृंखलाओं का सृजन मौलिक रूप से डेटा की कमी के कारण चुनौतीपूर्ण है। कई वित्तीय अनुप्रयोगों में, जैसे कि जोखिम अनुमान (risk estimation) या नीति अनुकूलन (policy optimization), प्रशिक्षण डेटा अक्सर एक एकल ऐतिहासिक पथ तक ही सीमित होता है (उदाहरण के लिए, आठ वर्षों के दैनिक व्यापारिक डेटा से लगभग 2,000 बिंदु प्राप्त होते हैं)। ऐसी बाधाओं के तहत, एडवरसैरियल ट्रेनिंग विधियाँ (जैसे GANs) ओवरफिटिंग के कारण अक्सर विफल हो जाती हैं, जहाँ डिस्क्रिमिनेटर सीमित प्रशिक्षण नमूनों को सीखने के बजाय उन्हें याद कर लेता है। जबकि हालिया गैर-एडवरसैरियल दृष्टिकोण वास्तविक और उत्पन्न डेटा के फीचर रिप्रजेंटेशन के बीच विसंगति को कम करने के लिए जनरेटर को प्रशिक्षित करते हैं, मौजूदा विधियाँ पाथ सिग्नेचर (path signatures) पर निर्भर करती हैं। हालांकि ये रफ पाथ थ्योरी (rough path theory) में सैद्धांतिक रूप से स्थापित हैं, लेकिन ट्रंकेटेड सिग्नेचर (truncated signatures) व्यावहारिक गहराई पर प्रासंगिक टाइम सीरीज़ गुणों को पकड़ने में विफल रहते हैं, विशेष रूप से छोटे-नमूना वर्गीकरण कार्यों पर जहाँ रैंडम कॉन्वोल्यूशनल फीचर्स (जैसे Rocket, Hydra) ने अनुभवजन्य रूप से उन्हें पीछे छोड़ दिया है। इसके अलावा, मौजूदा रैंडम कॉन्वोल्यूशनल फीचर मैप्स नॉन-डिफरेंशिएबल (non-differentiable) हैं, जो ग्रेडिएंट डिसेंट के माध्यम से जनरेटिव मॉडल ट्रेनिंग को सीधे सुपरवाइज करने में सक्षम नहीं हैं।

कार्यप्रणाली (Methodology)
लेखक एक कंडीशनल टाइम सीरीज़ जनरेशन फ्रेमवर्क का प्रस्ताव करते हैं जहाँ एक जनरेटर हाल के $q$ अवलोकनों के आधार पर भविष्य के पथ (future paths) उत्पन्न करता है। मुख्य कार्यप्रणाली वास्तविक और उत्पन्न पथों के बीच रैंडम कॉवेल्यूशनल फीचर्स के अपेक्षित सांख्यिकी (expected statistics) को मैच करने के माध्यम से जनरेटर को प्रशिक्षित करने में निहित है।

ऑब्जेक्टिव फंक्शन (Objective Function): एक निश्चित फीचर मैप के बजाय, जनरेटर को वास्तविक पथों और उत्पन्न पथों के अपेक्षित फीचर वेक्टर्स के बीच मीन स्क्वेर्ड एरर (mean squared error) को कम करने के लिए प्रशिक्षित किया जाता है, जिसे रैंडम फीचर मैप्स के वितरण पर औसत निकाला जाता है:
$\min_\theta \mathbb{E}_{\psi \sim \Pi} \left[ \left\| \mathbb{E}_t [f_\psi(x^-_t \oplus x^+_t)] - \mathbb{E}_{t, \hat{x}^+_t \sim p_\theta} [f_\psi(x^-_t \oplus \hat{x}^+_t)] \right\|^2_2 \right]$
यहाँ $x^-$ कंडीशनिंग हिस्ट्री है, $x^+$ realized फ्यूचर है, और $\hat{x}^+$ जनरेटेड फ्यूचर है। जनरेटर को एक एकल निश्चित रिप्रजेंटेशन का फायदा उठाने से रोकने के लिए प्रशिक्षण के दौरान फीचर मैप $f_\psi$ को रीसैंपल किया जाता है।
SOCK (SOft Competing Kernels): इस दृष्टिकोण को सक्षम करने के लिए, लेखक SOCK पेश करते हैं, जो एक पूर्णतः डिफरेंशिएबल (fully differentiable) रैंडम कॉन्वोल्यूशनल फीचर मैप है। SOCK "Hydra" आर्किटेक्चर को अनुकूलित करता है लेकिन इसे जनरेटिव मॉडलिंग के लिए संशोधित करता है:
- प्रीप्रोसेसिंग (Preprocessing): इनपुट पाथ को ऑगमेंट किया जाता है (जैसे, इंटीग्रेटेड या डिफरेंस्ड पाथ के साथ), नॉर्मलाइज़ किया जाता है, और रैंडमली प्रोजेक्ट किया जाता है।
- ग्रुपेड रैंडम कॉन्वोल्यूशंस (Grouped Random Convolutions): पाथ को ग्रुपेड चैनल्स के माध्यम से रैंडम कर्नेल्स के साथ कॉन्वॉल्व किया जाता है। Hydra के चैनल-वाइज़ कर्नेल्स के विपरीत, SOCK इंटर-चैनल डिपेंडेंसी को कैप्चर करने के लिए $W=2$ के ग्रुप विड्थ का उपयोग करता है।
- डिफरेंशिएबल पूलिंग (Differentiable Pooling): मानक Hydra प्रत्येक टाइम स्टेप पर कर्नेल "विन्स" (wins) को गिनने के लिए नॉन-डिफरेंशिएबल ऑपरेशन्स (argmax/argmin) का उपयोग करता है। SOCK इन विन्स की संभावनाओं पर सॉफ्टमैक्स फंक्शन का उपयोग करके सॉफ्ट कॉम्पिटिशन्स (soft competitions) के माध्यम से इसे बदल देता है। अंतिम फीचर्स इन विन प्रोबेबिलिटीज (win probabilities) के टेम्पोरल स्टैटिस्टिक्स (जैसे, 'सॉफ्ट-डेविएशन' के रूप में जानी जाने वाली विन प्रोबेबिलिटी का स्टैंडर्ड डेविएशन) से प्राप्त किए जाते हैं, जिससे यह सुनिश्चित होता है कि पूरी पाइपलाइन इनपुट पाथ के सापेक्ष डिफरेंशिएबल है।

प्रमुख योगदान (Key Contributions)

कंडीशनल जनरेशन के लिए रैंडम कॉन्वोल्यूशनल फीचर मैचिंग: यह पेपर प्रदर्शित करता है कि रैंडम कॉन्वोल्यूशनल फीचर्स को मैच करना लो-डेटा रिजीम में कंडीशनल जनरेटर्स को प्रशिक्षित करने के लिए एक व्यवहार्य और प्रभावी रणनीति है, जो सिग्नेचर-आधारित मैचिंग का एक विकल्प प्रदान करती है।
डिफरेंशिएबल रैंडम फीचर्स (SOCK): SOCK का परिचय, जो रैंडम कॉन्वोल्यूशनल फीचर्स की उच्च अभिव्यक्ति (expressiveness) और ग्रेडिएंट-आधारित जनरेटिव ट्रेनिंग की आवश्यकताओं के बीच के अंतर को पाटता है।
अनुभवजन्य सत्यापन (Empirical Validation): लेखक सिंथेटिक और वास्तविक वित्तीय डेटासेट पर व्यापक मूल्यांकन प्रदान करते हैं, जो दिखाते हैं कि SOCK-आधारित जनरेटर्स लगातार सिग्नेचर-आधारित और डिफ्यूजन-आधारित बेसलाइन्स से बेहतर प्रदर्शन करते हैं।

परिणाम (Results)
लेखकों ने अपने मेथड का मूल्यांकन पांच सिंथेटिक डेटासेट (ऑटोरेग्रेसिव, स्क्यूड, हेवी-टेल्ड और लॉन्ग-मेमोरी प्रक्रियाओं को कवर करते हुए) और सात वास्तविक वित्तीय डेटासेट (इक्विटीज, इंडिसेस, FX और क्रिप्टो को कवर करते हुए) पर किया।

जनरेटिव फिडेलिटी (Generative Fidelity): SOCK फीचर्स के साथ प्रशिक्षित जनरेटर्स ने सभी डेटासेट-मेट्रिक पेयर्स में सर्वश्रेष्ठ औसत रैंक (1.49) प्राप्त की, जिसने रैंडमाइज्ड सिग्नेचर्स (rSig, रैंक 2.80), ट्रंकेटेड सिग्नेचर्स (Sig), और डिफ्यूजन-TS (DTS) को पीछे छोड़ दिया।
विशिष्ट मेट्रिक्स (Specific Metrics): SOCK मार्जिनल डिस्ट्रीब्यूशन (CVM), ऑटोकोरिलेशन स्ट्रक्चर (ऑसिलेटरी और एंटी-पर्सिस्टेंट पैटर्न सहित), और टेल-रिस्क सिनेरियो (PnL tails) को पुनरुत्पादित करने में उत्कृष्ट रहा। विशेष रूप से, TGH डेटासेट (हेवी टेल्स) और FGN (लॉन्ग मेमोरी) पर, SOCK ने बेसलाइन्स से काफी बेहतर प्रदर्शन किया।
डिस्क्रिमिनेटिव टास्क (Discriminative Tasks): टू-सैंपल हाइपोथेसिस टेस्टिंग और टाइम सीरीज़ क्लासिफिकेशन (UCR रिपॉजिटरी) में, SOCK ने मौजूदा स्टेट-ऑफ-द-आर्ट फीचर मैप्स (हाइड्रा और मल्टीरॉकेट सहित) के बराबर या उनसे बेहतर प्रदर्शन किया, जो एक फीचर एक्सट्रैक्टर के रूप में इसकी अभिव्यक्ति की पुष्टि करता है।

महत्व और दावे (Significance and Claims)
पेपर का दावा है कि SOCK, डेटा-दुर्लभ वित्तीय वातावरण में जनरेटिव मॉडल को प्रशिक्षित करने के लिए पाथ सिग्नेचर का एक मजबूत, डिफरेंशिएबल विकल्प प्रदान करता है। रैंडम कॉन्वोल्यूशनल फीचर्स की उच्च अभिव्यक्ति का लाभ उठाकर और सॉफ्ट कॉम्पिटिशन्स के माध्यम से उन्हें जनरेशन के लिए अनुकूलित करके, यह विधि एडवरसैरियल ट्रेनिंग के ओवरफिटिंग खतरों और ट्रंकेटेड सिग्नेचर की रिप्रजेंटेशनल सीमाओं से बचती है। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण विशेष रूप से उन व्यावहारिक वित्तीय अनुप्रयोगों के लिए उपयुक्त है जहाँ प्रशिक्षण के लिए केवल एक ऐतिहासिक पथ उपलब्ध है, और हाल के अवलोकनों पर भविष्य के पथों को कंडिशनली जेनरेट किया जाना चाहिए। वे नोट करते हैं कि हालांकि उपयोग किया गया जनरेटर आर्किटेक्चर जानबूझकर सरल रखा गया था, सुधार मुख्य रूप से फीचर मैचिंग स्ट्रैटेजी से आते हैं। यह कार्य सुझाव देता है कि रैंडम कॉन्वोल्यूशनल फीचर मैचिंग जनरेटिव मॉडलिंग और डिस्क्रिमिनेटिव टाइम सीरीज़ विश्लेषण दोनों के लिए एक आशाजनक दिशा है।

समस्या: "सिग्नेचर" का जाल

समाधान: "SOCK" विधि

"SOCK" क्यों विशेष है?

परिणाम: उन्होंने क्या पाया?

निचोड़

इसी तरह के और पेपर