Interpretable Factor Decomposition for Decision Intelligence in Large-Scale Financial Markets: Evidence from China's A-Share Market
यह शोध पत्र चीन के ए-शेयर बाजार पर लागू एक व्याख्यात्मक XGBoost पाइपलाइन प्रस्तुत करता है जो मुख्य रूप से व्यवहारिक संकेतों (behavioral signals) द्वारा संचालित महत्वपूर्ण भविष्य कहनेवाला अल्फा प्राप्त करता है, जबकि यह प्रदर्शित करता है कि कैसे SHAP एट्रिब्यूशन को एब्लेशन विश्लेषण (ablation analysis) के साथ संयोजित करना उन महत्वपूर्ण फीचर प्रतिस्थापन संरचनाओं (feature substitutability structures) को प्रकट करता है जो अकेले किसी भी विधि द्वारा अदृश्य रहती हैं।
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
द ग्रेट स्टॉक मार्केट डिटेक्टिव गेम (महान शेयर बाजार जासूसी खेल)
कल्पना कीजिए कि शेयर बाजार एक विशाल, अराजक महासागर है जहाँ हर दिन लाखों नावें (स्टॉक्स) चल रही हैं। कुछ नावें तेजी से आगे निकल जाती हैं, जबकि अन्य धीरे-धीरे बहती रहती हैं या डूब जाती हैं। दशकों से, निवेशकों ने यह अनुमान लगाने के लिए एक "क्रिस्टल बॉल" बनाने की कोशिश की है कि कौन सी नावें जीतेंगी। उन्होंने पुराने मानचित्रों (पिछले मूल्य), कार्गो के वजन (कंपनी का लाभ) की जाँच की और यहाँ तक कि यह भी गिना कि कितनी लोग नावों की ओर हाथ हिला रहे हैं (ट्रेडिंग वॉल्यूम)। अध्ययन के इस क्षेत्र को एसेट प्राइसिंग (परिसंपत्ति मूल्य निर्धारण) कहा जाता है, और यह मूल रूप से एक विशाल पहेली है: जब आप उन सभी संकेतों को एक साथ देखते हैं, तो वास्तव में कौन से संकेत मायने रखते हैं?
इसे हल करने के लिए, वैज्ञानिक मशीन लर्निंग का उपयोग करते हैं, जो एक सुपर-स्मार्ट रोबोट को डेटा में ऐसे पैटर्न पहचानने के लिए सिखाने जैसा है जिन्हें इंसान शायद मिस कर दें। लेकिन यहाँ एक पेच है: ये रोबोट अक्सर "ब्लैक बॉक्स" होते हैं। आप उन्हें डेटा देते हैं, और वे आपको एक उत्तर देते हैं, लेकिन वे यह नहीं बताते कि क्यों। यह एक शेफ की तरह है जो आपको एक स्वादिष्ट स्टू (सूप) परोसता है लेकिन रेसिपी बताने से मना कर देता है। यह पेपर उस ब्लैक बॉक्स को खोलने का एक नया तरीका पेश करता है, जिसमें SHAP (जो एक आवर्धक लेंस की तरह काम करता है ताकि यह देखा जा सके कि अंतिम स्वाद में प्रत्येक सामग्री का कितना योगदान था) और एब्लेशन (ablation) (जो एक समय में एक सामग्री को हटाने और यह देखने जैसा है कि क्या स्टू अभी भी अच्छा स्वाद देता है) नामक विधि का उपयोग किया गया है। लक्ष्य क्या है? यह पता लगाना कि बाजार को हराने का रहस्य उबाऊ गणित (जैसे कि एक स्टॉक कितना सस्ता है) में है या मानवीय व्यवहार (जैसे कि लोग खरीदने या बेचने के लिए कितने उत्साहित हैं) में है।
ए-शेयर मार्केट की कहानी
इस अध्ययन में, शोधकर्ताओं की एक टीम ने अपने "रेसिपी" का परीक्षण चीन के ए-शेयर मार्केट पर करने का निर्णय लिया, जो 3,600 से अधिक अलग-अलग स्टॉक्स वाला एक विशाल खेल का मैदान है। उन्होंने 2009 से 2019 तक एक विशाल मात्रा में डेटा एकत्र किया, जिसमें यह देखने से लेकर कि किसी कंपनी की कमाई की तुलना में उसका मूल्य कितना है, से लेकर लोग उसके शेयरों का कितनी तेजी से व्यापार कर रहे थे, सब कुछ शामिल था। उन्होंने भविष्य के महीने में कौन से स्टॉक औसत से बेहतर प्रदर्शन करेंगे, इसका अनुमान लगाने के लिए XGBoost नामक एक स्मार्ट कंप्यूटर मॉडल बनाया।
परिणाम आश्चर्यजनक रूप से स्पष्ट थे। कंप्यूटर मॉडल अपने काम में काफी अच्छा था, जिसने सिक्का उछालने (coin flip) की तुलना में बेहतर तरीके से स्टॉक्स को सही ढंग से रैंक किया। जब उन्होंने इसे उस डेटा पर टेस्ट किया जिसे उसने पहले कभी नहीं देखा था, तो मॉडल उन "टॉप 20%" स्टॉक्स को चुनने में सफल रहा जो औसतन "बॉटम 20%" से +2.38% प्रति माह बेहतर प्रदर्शन करते हैं। यह बहुत अधिक नहीं लग सकता है, लेकिन एक वर्ष में, यह एक विशाल बढ़त में बदल जाता है, जिसका "शार्प रेशियो" (एक स्कोर जो बताता है कि आप अपने इनाम के लिए कितना जोखिम लेते हैं) 2.23 है। वित्त की दुनिया में यह एक बहुत ही मजबूत स्कोर है।
लेकिन असली जादू तब हुआ जब उन्होंने मॉडल से पूछा, "आपने इन स्टॉक्स को क्यों चुना?"
आश्चर्य: व्यवहार (Behavior) वैल्यू (Value) को हरा देता है
लंबे समय से, कई निवेशकों का मानना था कि जीतने वाले स्टॉक्स खोजने का सबसे अच्छा तरीका "वैल्यू" खोजना है—ऐसी कंपनियां जो अपने मुनाफे की तुलना में सस्ती हैं (कम P/E या P/B अनुपात)। यह क्लासिक "कम खरीदें" (buy low) की रणनीति है। हालाँकि, जब शोधकर्ताओं ने उनके निर्णयों को तोड़ने के लिए अपने आवर्धक लेंस (SHAP) का उपयोग किया, तो उन्हें कुछ अलग मिला।
मॉडल को स्टॉक्स के "सस्तेपन" की ज्यादा परवाह नहीं थी। वास्तव में, वैल्यूएशन रेश्यो (वैल्यू वाले संकेत) केवल मॉडल की सफलता में 10.7% का योगदान देते थे। इसके बजाय, मॉडल बिहेवियरल सिग्नल्स (व्यवहार संबंधी संकेतों) के प्रति जुनूनी था। टर्नओवर (स्टॉक कितनी बार हाथों से बदला गया) और मोमेंटम (कीमत कितनी तेजी से बढ़ रही है) जैसे संकेत असली सितारे थे, जो 58.2% की भारी भविष्यवाणी शक्ति के लिए जिम्मेदार थे।
इसे ऐसे सोचें: यदि आप अनुमान लगाने की कोशिश कर रहे हैं कि कौन सी फिल्म हिट होगी, तो आप सोच सकते हैं कि स्क्रिप्ट का बजट (वैल्यू) महत्वपूर्ण है। लेकिन यह मॉडल सुझाव देता है कि यह देखना कि सोशल मीडिया पर इसके बारे में कितने लोग बात कर रहे हैं और टिकट कितनी तेजी से बिक रहे हैं (व्यवहार), वास्तव में एक बहुत बेहतर भविष्यवक्ता है। चीनी बाजार में, जहाँ कई व्यक्तिगत निवेशक सक्रिय रूप से व्यापार करते हैं, वहां "हाइप" और "उन्माद" कंपनियों के अंतर्निहित गणित की तुलना में कीमतों को अधिक संचालित करते हैं।
"प्रतिस्थापनीय" (Substitute) बनाम "अनिवार्य" (Essential) परीक्षण
शोधकर्ता वहीं नहीं रुके। वे जानना चाहते थे कि क्या ये संकेत एक-दूसरे के बदले में इस्तेमाल किए जा सकते हैं। उन्होंने एक दूसरा परीक्षण चलाया जिसे एब्लेशन (ablation) कहा जाता है, जहाँ उन्होंने मॉडल से विशिष्ट संकेतों को हटाया ताकि देखा जा सके कि क्या होता है।
उन्होंने दोनों विधियों के बीच एक दिलचस्प अंतर पाया:
- टर्नओवर (ट्रेडिंग वॉल्यूम) को आवर्धक लेंस (SHAP) द्वारा नंबर 1 सबसे महत्वपूर्ण संकेत के रूप में रैंक किया गया था। लेकिन जब उन्होंने इसे हटाया, तो मॉडल क्रैश नहीं हुआ; यह बस थोड़ा खराब हो गया। यह सुझाव देता है कि टर्नओवर एक "प्रतिस्थापनीय" (substitutable) संकेत है। यदि मॉडल ट्रेडिंग वॉल्यूम को नहीं देख पाता है, तो यह खाली जगह को भरने के लिए अन्य संकेतों (जैसे मोमेंटम) का उपयोग कर सकता है।
- साइज (कंपनी का कुल मूल्य) को आवर्धक लेंस द्वारा नंबर 2 रैंक किया गया था, लेकिन जब उन्होंने इसे हटाया, तो मॉडल के प्रदर्शन को भारी झटका लगा। इसका मतलब है कि साइज एक "लोड-बेयरिंग" (भार वहन करने वाला) संकेत है। यह अनिवार्य है। कोई भी अन्य संकेत इसकी जगह नहीं ले सकता।
यह अंतर घर बनाने जैसा है। आप घर को गिराए बिना पेंट का रंग (प्रतिस्थापनीय) बदल सकते हैं, लेकिन यदि आप नींव (अनिवार्य) को हटा देते हैं, तो पूरी संरचना ढह जाती है। शोधकर्ताओं ने पाया कि हालांकि दोनों विधियां महत्व के सामान्य क्रम पर सहमत थीं, लेकिन वे यह प्रकट करने के लिए पर्याप्त असहमत थीं कि "क्या बदला जा सकता है" बनाम "क्या बिल्कुल आवश्यक है" का छिपा हुआ ढांचा क्या है।
क्या यह हर जगह काम करता है?
टीम ने जांचा कि क्या यह "वैल्यू से अधिक व्यवहार" का नियम विभिन्न उद्योगों में काम करता है, फर्नीचर से लेकर रसायनों तक। उन्होंने पाया कि 50 में से 48 उद्योग समूहों में, यह पैटर्न सच साबित हुआ। "व्यवहार संबंधी" संकेत हमेशा सबसे मजबूत थे, और "वैल्यू" वाले संकेत हमेशा सबसे कमजोर थे। यह सुझाव देता है कि यह खोज केवल किसी एक विशेष प्रकार की कंपनी के लिए कोई इत्तेफाक नहीं है; यह इस बाजार के काम करने का एक सुसंगत लक्षण है।
निचोड़ (The Bottom Line)
यह पेपर यह दावा नहीं करता कि इसने धन की गारंटी देने वाली कोई जादुई मनी मशीन खोज ली है। मॉडल को अभी भी वास्तविक दुनिया की लागतों जैसे ट्रेडिंग फीस से निपटना होगा, और यदि ये शुल्क (प्रति ट्रेड 1.0% से ऊपर) बहुत अधिक हो जाते हैं, तो मुनाफा कम होने लगता है। हालाँकि, यह अध्ययन एक स्पष्ट, ऑडिट योग्य मानचित्र प्रदान करता है कि एक स्मार्ट कंप्यूटर मॉडल वास्तव में कैसे सोचता है। यह सुझाव देता है कि चीनी शेयर बाजार में, मानव व्यवहार को समझना—लोग कैसे व्यापार करते हैं और प्रतिक्रिया देते हैं—केवल यह देखने से कहीं अधिक शक्तिशाली है कि कोई स्टॉक कितना सस्ता है। यह निवेशकों को उनकी अपनी निर्णय प्रणालियों को समझने के लिए एक नया उपकरण भी देता है: यह जानना कि कौन से संकेत अनिवार्य हैं और कौन से केवल 'अच्छे-से-हैं' (nice-to-haves), अधिक विश्वसनीय और मजबूत निवेश रणनीतियाँ बनाने में मदद करता है।
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।