💻 computer science

Macroeconomic Message Passing for Anticipating Foreign Exchange Regime Changes: A Deep Logical Learning Approach using Graph Tsetlin Machines

यह शोध पत्र एक ग्राफ टसेटलिन मशीन (Graph Tsetlin Machine) ढांचे का प्रस्ताव करता है जो विदेशी मुद्रा शासन परिवर्तनों (foreign exchange regime changes) की भविष्यवाणी करने के लिए मैक्रोइकोनॉमिक और तकनीकी संकेतकों के हाइपरवेक्टराइज्ड निर्देशित मल्टीग्राफ (hypervectorized directed multigraphs) पर मैसेज पासिंग का उपयोग करता है, विशेष रूप से USD/JPY बाजार के बदलावों का पूर्वानुमान लगाने में इसकी प्रभावकारिता और व्याख्यात्मकता को प्रदर्शित करता है।

मूल लेखक: Christian Blakely, Melanie Gilmore

प्रकाशित 2026-07-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Christian Blakely, Melanie Gilmore

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 किसी विदेशी शहर के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन एक अकेले थर्मामीटर को देखने के बजाय, आप हवा, समुद्री धाराओं और पड़ोसी शहरों के तापमान के बीच होने वाली बातचीत को देखकर पूरे वातावरण को समझने की कोशिश कर रहे हैं।

यह मूल रूप से वही है जो यह शोध पत्र करता है, लेकिन मौसम के बजाय, यह US डॉलर बनाम जापानी येन (USD/JPY) मुद्रा बाजार के "मिजाज" (mood) की भविष्यवाणी कर रहा है।

यहाँ उनके दृष्टिकोण का रोजमर्रा के उपमाओं (analogies) का उपयोग करते हुए एक सरल विवरण दिया गया है:

1. समस्या: बाजार के "मिजाज" होते हैं

लेखकों का तर्क है कि मुद्रा बाजार केवल एक रैंडम वॉक नहीं है; इसके विशिष्ट "रेजीम" या मिजाज होते हैं। उन्होंने चार मुख्य मिजाज पहचाने हैं:

ठहराव (शांत अवस्था - The Calm): कीमतें शायद ही हिल रही हैं, जैसे बिना हवा के एक तालाब। यह उबाऊ और अनुमान लगाना कठिन है क्योंकि इसमें कोई स्पष्ट दिशा नहीं है।
स्थिर रुझान (क्रूज - The Cruise): कीमतें एक दिशा में धीरे-धीरे लेकिन मजबूती से बढ़ रही हैं, जैसे पटरी पर दौड़ती ट्रेन।
अस्थिरता (रोलरकोस्टर - The Choppy): कीमतें ऊपर-नीचे बहुत तेजी से कूद रही हैं लेकिन अंत में कहीं नहीं पहुँचतीं। यह उन निवेशकों के लिए खतरनाक है जो रुझान का पीछा करने की कोशिश करते हैं।
अत्यधिक उतार-चढ़ाव वाला रुझान (रॉकेट - The Volatile Trend): कीमतें किसी बड़ी आर्थिक घटना के कारण एक दिशा में बहुत तेजी से और बहुत दूर तक जा रही हैं।

चुनौती: पारंपरिक कंप्यूटर "ठहराव" वाले मिजाज को पहचानने में खराब होते हैं। वे शोर (noise) से भ्रमित हो जाते हैं। साथ ही, वे डेटा को अलग-थलग देखते हैं, जैसे रसोई या लिविंग रूम में क्या हो रहा है यह जाने बिना केवल एक कमरे के तापमान की जांच करना।

2. समाधान: डेटा के लिए एक "नेबरहुड वॉच" (पड़ोस की निगरानी)

लेखकों ने एक नए प्रकार का AI बनाया जिसे ग्राफ ट्सेलिन मशीन (Graph Tsetlin Machine - GraphTM) कहा जाता है।

ग्राफ (एक मानचित्र): एक मानचित्र की कल्पना करें जहाँ हर बिंदु सूचना का एक हिस्सा है। एक बिंदु येन की कीमत है, दूसरा अमेरिकी ब्याज दर है, तीसरा तेल की कीमत है, और चौथा यूरो की कीमत है।
एजेस (बातचीत): रेखाएं इन बिंदुओं को जोड़ती हैं। ये रेखाएं दर्शाती हैं कि वे एक-दूसरे को कैसे प्रभावित करती हैं। उदाहरण के लिए, यदि अमेरिकी ब्याज दरें बदलती हैं, तो एक संदेश 'येन कीमत' वाले बिंदु तक एक रेखा के माध्यम से यात्रा करता है।
"मैसेज पासिंग" (संदेशों का आदान-प्रदान): यही असली जादू है। केवल येन की कीमत को देखने के बजाय, AI अपने पड़ोसियों से पूछता है: "हे, क्या आप ब्याज दरों में कोई बदलाव देख रहे हैं? क्या तेल की कीमतों में हलचल है?" यह एक पूर्ण तस्वीर बनाने के लिए इन संदेशों को इकट्ठा करता है।

3. मस्तिष्क: गणित नहीं, तर्क (Logic)

अधिकांश आधुनिक AI (जैसे डीप लर्निंग) एक ब्लैक बॉक्स की तरह काम करते हैं जो उत्तर का अनुमान लगाने के लिए जटिल गणित का उपयोग करते हैं। यह शक्तिशाली है, लेकिन आप आसानी से यह नहीं पूछ सकते कि इसने एक अनुमान क्यों लगाया।

यह शोध पत्र त्सेलिन मशीनों (Tsetlin Machines) का उपयोग करता है, जो तर्क नियमों (logic rules) का उपयोग करने वाली जासूसों की एक टीम की तरह काम करती हैं।

उन्मूलन द्वारा तर्क (Reasoning by Elimination): यह कहने के लिए कि "यह एक रुझान है" एक जटिल पैटर्न खोजने के बजाय, AI यह कहने में बहुत अच्छा है कि, "यह एक रुझान नहीं है क्योंकि इसमें न तो अस्थिरता है, न ब्याज दर में बदलाव है, और न ही तेल की हलचल है।"
उपमा: एक शांत पुस्तकालय की पहचान करने की कल्पना करें। आपको किसी विशेष किताब के पढ़े जाने को सुनने की आवश्यकता नहीं है; आपको बस यह पुष्टि करने की आवश्यकता है कि कोई चिल्ला नहीं रहा है, कोई दौड़ नहीं रहा है, और कोई चीजें गिरा नहीं रहा है। यदि ये सभी चीजें अनुपस्थित हैं, तो आप जानते हैं कि वह एक शांत पुस्तकालय है। AI बाजार के डेटा के साथ यही करता है।

4. उन्होंने इसे कैसे प्रशिक्षित किया

उन्होंने AI को एक बार में 72 घंटे (3 दिन) का डेटा दिया।

उन्होंने केवल यह नहीं देखा कि अभी क्या हो रहा है। उन्होंने यह भी देखा कि अगले 3 दिनों में क्या हुआ ताकि यह देखा जा सके कि बाजार वास्तव में किस "मिजाज" में स्थिर हुआ।
उन्होंने एक "बहुमत वोट" (majority vote) प्रणाली का उपयोग किया। यदि बाजार 2 दिनों तक अस्थिर (choppy) रहा और फिर 1 दिन तक रुझान (trend) में रहा, तो उन्होंने पूरे कालखंड को प्रमुख मिजाज के आधार पर लेबल किया। इसने AI को छोटे, भ्रमित करने वाले उतार-चढ़ाव को अनदेखा करने और वास्तविक कहानी पर ध्यान केंद्रित करने में मदद की।

5. परिणाम: यह क्यों मायने रखता है

जब उन्होंने इसका परीक्षण अन्य प्रसिद्ध AI मॉडल (जैसे कि बड़े बैंकों या मानक मशीन लर्निंग टूल द्वारा उपयोग किए जाने वाले मॉडल) के मुकाबले किया:

उबाऊ चीजों में बेहतर: यह अन्य मॉडलों की तुलना में "ठहराव" (stagnant) वाले दौर को पहचानने में बहुत बेहतर था। यह महत्वपूर्ण है क्योंकि इसी समय अधिकांश अन्य मॉडल भ्रमित हो जाते हैं और पैसा गंवा देते हैं।
पड़ोसियों की शक्ति: जब उन्होंने "पड़ोसी" डेटा (जैसे तेल की कीमतें और अन्य मुद्राएं) को हटा दिया और केवल येन को ही देखा, तो AI बहुत खराब प्रदर्शन करने लगा। यह साबित करता है कि येन को समझने के लिए, आपको यह सुनना ही होगा कि शेष वैश्विक अर्थव्यवस्था क्या कह रही है।
जोखिम प्रबंधन: उन्होंने एक "जोखिम स्कोर" (Risk Score) बनाया। एक कार के डैशबोर्ड की कल्पना करें। यदि सड़क फिसलन भरी है (अस्थिर बाजार), तो डैशबोर्ड लाल रंग में चमकता है, जो ड्राइवर (ट्रेडर) को धीमा होने या रुकने का संकेत देता है। यदि सड़क साफ है (स्थिर रुझान), तो लाइट हरी होती है। यह प्रणाली सफलतापूर्वक चेतावनी देने में सफल रही जब 2020 के महामारी के दौरान बाजार अराजक होने वाला था।

सारांश

शोध पत्र का दावा है कि एक "नेबरहुड वॉच" प्रणाली बनाकर, जहाँ विभिन्न आर्थिक कारक एक-दूसरे से बात करते हैं, और तर्क-आधारित मस्तिष्क का उपयोग करके जो यह पहचानने में माहिर है कि क्या अनुपस्थित है (जैसे कि एक पुस्तकालय में शांति), वे पारंपरिक तरीकों की तुलना में मुद्रा बाजार के मिजाज की बेहतर भविष्यवाणी कर सकते हैं। यह व्यापारियों को यह जानने में मदद करता है कि कब आक्रामक होना है, कब सतर्क रहना है, और कब बाजार से पूरी तरह बाहर रहना है।

तकनीकी सारांश: विदेशी मुद्रा शासन परिवर्तन का पूर्वानुमान लगाने के लिए मैक्रोइकॉनोमिकिक मैसेज पासिंग

समस्या विवरण
विदेशी मुद्रा (FX) बाजार के शासन (regimes) की पहचान करना—जो विशिष्ट मैक्रोइकॉनोमिक स्थितियों द्वारा संचालित मूल्य कार्रवाई के अलग-अलग अवस्थाएं हैं—क्वांटिटेटिव फाइनेंस में एक महत्वपूर्ण चुनौती बनी हुई है। पारंपरिक पैरामीट्रिक मॉडल (जैसे हैमिल्टन 1989; क्रोलज़िग 1997) सख्त रैखिकता धारणाओं पर निर्भर करते हैं और उच्च-आयामी फीचर स्पेस में संघर्ष करते हैं। हालांकि अनसुपरवाइज्ड लर्निंग या शासन-परिवर्तन फ्रेमवर्क का उपयोग करने वाले आधुनिक मशीन लर्निंग दृष्टिकोणों ने अनुकूलन क्षमता में सुधार किया है, वे अक्सर लंबी समय अवधि पर कार्य करते हैं, जिससे अचानक होने वाले शासन झटकों (regime shocks) के प्रति तेजी से समायोजित होने की उनकी क्षमता सीमित हो जाती है। इसके अलावा, मानक टसेटलिन मशीनें (TM), जो व्याख्या योग्य लॉजिक-आधारित पैटर्न पहचान प्रदान करती हैं, बूलियन इनपुट रिप्रजेंटेशन और निश्चित-लंबाई वाली आर्किटेक्चर से बाधित होती हैं, जिनमें स्पष्ट रूप से इंजीनियर किए बिना पिछले राज्यों की अंतर्निहित स्मृति का अभाव होता है। इस शोध पत्र में संबोधित विशिष्ट चुनौती चार अलग-अलग FX शासनों का पूर्वानुमान लगाना है जो प्रति घंटा डेटा पर संचालित होते हैं, विशेष रूप से "वोलैटिलिटी ड्रौट्स" (स्थिर ब्याज दर नीतियों द्वारा संचालित कम भिन्नता) के दौरान जहाँ सिग्नल-टू-नॉइज़ अनुपात संकुचित हो जाता है।

कार्यप्रणाली
लेखक एक ग्राफ टसेटलिन मशीन (GraphTM) फ्रेमवर्क प्रस्तावित करते हैं जो एक संरचित, लॉजिक-आधारित लर्निंग सिस्टम में बहिर्जात (exogenous) मैक्रोइकॉनोमिक वेरिएबल्स को एकीकृत करता है।

ग्राफ प्रतिनिधित्व: बाजार को एक हाइपरवेक्टराइज्ड निर्देशित मल्टीग्राफ $G = (V, E, P, T)$ $G = (V, E, P, T)$ के रूप में मॉडल किया गया है।
- नोड्स ( $V$ ): बाजार के वेरिएबल्स का प्रतिनिधित्व करते हैं, जिसमें एक लक्षित मूल्य नोड ( $v_{UJ}$ - USD/JPY), वोलैटिलिटी ट्रेजेक्टरी नोड्स ( $v_{ra}$ ), एफिशिएंसी ट्रेजेक्टरी नोड्स ( $v_{le}$ ), और मैक्रोइकॉनोमिक ड्राइवर नोड्स ( $v_{ry}$ - अमेरिकी/जापानी बॉन्ड यील्ड और तेल की कीमतें) शामिल हैं।
- एजेस ( $E$ ): कारण संबंधी (causal) और सहसंबंधी संबंधों को परिभाषित करते हैं (जैसे, बॉन्ड यील्ड से FX कीमतों तक मौलिक निर्भरता, क्रॉस-मार्केट वोलैटिलिटी लिंक)।
- प्रॉपर्टीज ( $P$ ): स्पार्स बाइनरी हाइपरवेक्टर्स के रूप में एनकोड की गई हैं, जो वर्तमान और ऐतिहासिक अवस्थाओं (जैसे, सामान्यीकृत एवरेज ट्रू रेंज और एफिशिएंसी रेशियो) को कैप्चर करती हैं।
डीप लॉजिकल क्लॉज़ेस: मानक TMs के विपरीत, जो ग्लोबल फीचर वेक्टर्स को प्रोसेस करते हैं, GraphTM डीप कंजंक्टिव क्लॉज़ेस ( $C_j = C^0_j \land C^1_j \land \dots \land C^{D-1}_j$ $C_{j} = C_{j}^{0} \land C_{j}^{1} \land \dots \land C_{j}^{D - 1}$ ) का निर्माण करता है।
- लेयर 0 ( $C^0$ ): स्थानीय नोड प्रॉपर्टीज पर कार्य करता है (जैसे, वोलैटिलिटी विस्तार की अनुपस्थिति का पता लगाना)।
- मैसेज पासिंग: उच्च स्तर (higher layers) किनारों (edges) के माध्यम से नोड्स के बीच पास किए गए मैसेज सिम्बल्स ( $M$ ) का उपयोग करते हैं। यदि एक निचली-स्तरीय घटक 'ट्रू' (true) का मूल्यांकन करता है, तो यह पड़ोसियों को संकेत देता है। आगामी स्तर पड़ोसी नोड्स के संदर्भ के विरुद्ध स्थानीय अवस्थाओं को मान्य करने के लिए इन "इनबॉक्सेस" का निरीक्षण करते हैं (जैसे, एक स्थिर बॉन्ड यील्ड नोड के विरुद्ध एक स्थिर मूल्य नोड को सत्यापित करना)।
लर्निंग मैकेनिज्म: प्रणाली विकेंद्रीकृत टसेटलिन ऑटोमेटा (TA) का उपयोग करती है जो नोड्स और लेयर्स में वितरित है। लर्निंग दो प्रकार के फीडबैक के माध्यम से संचालित असतत अवस्था संक्रमणों (discrete state transitions) के माध्यम से होती है:
- टाइप I (जनरलाइजेशन): सही वर्गीकरण में योगदान देने वाले लिटरेल्स को सुदृढ़ करता है, जिससे स्थिर संरचनात्मक गुणों के समावेश को बढ़ावा मिलता है।
- टाइप II (डिस्क्रिमिनेशन): गलत सकारात्मक परिणामों (false positives) को दंडित करके, जो वर्तमान बाजार स्थिति के विपरीत लिटरेल्स को शामिल करने के लिए मजबूर करता है, प्रभावी रूप से उन क्लॉज़ेस को दबा देता है जो शासन को गलत वर्गीकृत करते हैं (जैसे, एक "ट्रेंड" के दौरान "स्थिर" क्लॉज को सक्रिय होने से रोकना)।
शासन परिभाषा: मॉडल चार शासनओं को लक्षित करता है जो सामान्यीकृत वोलैटिलिटी (ATR) और दिशात्मक एफिशिएंसी (एफिशिएंसी रेशियो) के प्रतिच्छेदन द्वारा परिभाषित हैं:
1. स्टैग्नेंट (Stagnant): कम वोलैटिलिटी / कम एफिशिएंसी।
2. स्टेडी ट्रेंड (Steady Trend): कम वोलैटिलिटी / उच्च एफिशिएंसी।
3. चॉपी/मीन-रिवर्टिंग (Choppy/Mean-Reverting): उच्च वोलैटिलिटी / कम एफिशिएंसी।
4. वोलटाइल ट्रेंड (Volatile Trend): उच्च वोलैटिलिटी / उच्च एफिशिएंसी।
लेबलिंग रणनीति: टेम्पोरल स्थिरता सुनिश्चित करने के लिए, लेबल फॉरवर्ड-लुकिंग विंडो पर एक 72-घंटे के मेजॉरिटी-वोट दृष्टिकोण का उपयोग करके उत्पन्न किए जाते हैं, जो क्षणिक प्रति घंटा शोर (transient hourly noise) को फ़िल्टर करता है।

प्रमुख योगदान

ग्राफ-थ्योरेटिक शासन पहचान: यह शोध पत्र FX बाजारों में GraphTM के अनुप्रयोग को पेश करता है, जो क्रॉस-एसेट डिपेंडेंसी और कॉज़ल रिलेशनशिप को कैप्चर करने के लिए मैक्रोइकॉनोमिक ड्राइवर्स और टेक्निकल इंडिकेटर्स को एक ग्राफ स्ट्रक्चर में मैप करता है।
उन्मूलन द्वारा तर्क (Reasoning by Elimination): आर्किटेक्चर गुणों की अनुपस्थिति (जैसे, वोलैटिलिटी विस्तार की कमी) को निर्दिष्ट करने की क्षमता का लाभ उठाता है, जो स्थिर अवस्थाओं को सटीक रूप से वर्गीकृत करने के लिए विशेष रूप से प्रभावी है।
हाइपरवेक्टर्स के माध्यम से शोर रोधकता: उच्च-आयामी हाइपरवेक्टर स्पेस में नोड प्रॉपर्टीज और मैसेज को एनकोड करके, मॉडल कम सिग्नल स्पष्टता वाले वातावरण में भविष्य कहनेवाला मजबूती बनाए रखता है।
असिमेट्रिक रिस्क मेट्रिक: लेखक एक असममित लागत मैट्रिक्स (asymmetric cost matrix) पर आधारित एक कस्टम "ट्रेडिंग रिस्क स्कोर" प्रस्तावित करते हैं। यह मेट्रिक कच्चे सांख्यिकीय सटीकता के बजाय चॉपी मार्केट्स में गलत ट्रेंड भविष्यवाणियों से होने वाले पूंजी क्षरण को न्यूनतम करने को प्राथमिकता देता है, जो मॉडल के अनुकूलन को व्यावहारिक एल्गोरिथमिक ट्रेडिंग बाधाओं के साथ संरेखित करता है।

परिणाम
अनुभवजन्य मूल्यांकन USD/JPY प्रति घंटा डेटा पर किया गया था, जिसे प्रशिक्षण (60%) और आउट-ऑफ-सैंपल (OOS) टेस्ट (40%) सेट में विभाजित किया गया था, जिसमें लीकेज को रोकने के लिए सख्त क्रोनोलॉजिकल ऑर्डरिंग और 72-घंटे का डेटा पज (purge) शामिल था।

प्रदर्शन: पूर्ण GraphTM ने 70.69% की समग्र OOS सटीकता प्राप्त की।
- क्लास 0 (Stagnant): 80.51% सटीकता।
- क्लास 2 (Choppy): 71.91% सटीकता।
- क्लास 1 (Steady Trend): 48.16% सटीकता।
- क्लास 3 (Volatile Trend): 11.24% सटीकता (नमूना आकार और अचानक आगमन के कारण सीमित)।
तुलनात्मक विश्लेषण: GraphTM ने ग्रेडिएंट बूस्टेड मशीन्स (62.54%), ग्राफ न्यूरल नेटवर्क (56.13%), और दो लैग्स के साथ मानक कन्वोल्यूशनल टसेटलिन मशीनों (CoTM) (58.76%) सहित बेंचमार्क को पीछे छोड़ दिया।
एब्लेशन स्टडी: बहिर्जात मैक्रोइकॉनोमिक नोड्स (बॉन्ड यील्ड, तेल, क्रॉस-पेयर वोलैटिलिटी) को हटाने से प्रदर्शन में महत्वपूर्ण गिरावट आई (समग्र सटीकता 48.01% तक गिर गई), विशेष रूप से क्लास 1 (Steady Trend, जो 9.93% तक गिर गया) के लिए। यह पुष्टि करता है कि केवल आंतरिक मोमेंटम संकेतक स्थिर रुझानों को साइडवेज कंसोलिडेशन से अलग करने के लिए पर्याप्त नहीं हैं।
रिस्क मेट्रिक्स: COVID-19 की उच्च-वोलैटिलिटी अवधि (2020) के दौरान, रोलिंग रिस्क मेट्रिक ने उच्च संरचनात्मक अनिश्चितता की सही पहचान की। इसके विपरीत, 2021-2022 की स्थिर ट्रेंड अवधि के दौरान, रिस्क मेट्रिक शून्य के करीब गिर गया, जो कम परिचालन जोखिम वाले दौर का पता लगाने में मॉडल की क्षमता को प्रदर्शित करता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि GraphTM मल्टी-मोडल मार्केट रेजिम्स को नेविगेट करने के लिए एक मजबूत, पारदर्शी और गणनात्मक रूप से कुशल प्रतिमान प्रदान करता है। इसका प्राथमिक महत्व संरचनात्मक ज्यामितीय लर्निंग और प्रतीकात्मक व्याख्यात्मकता (symbolic explainability) के बीच के अंतर को पाटने में निहित है। मैक्रोइकॉनोमिक संबंधों के ग्राफ पर मैसेज पासिंग का उपयोग करके, मॉडल पारंपरिक लॉन्ग-होरिजन मॉडलों की तुलना में शासन परिवर्तनों का तेजी से पूर्वानुमान लगा सकता है और साथ ही लॉजिकल क्लॉज़ के माध्यम से व्याख्यात्मकता बनाए रख सकता है। लेखक तर्क देते हैं कि यह दृष्टिकोण विशेष रूप से 'उन्मूलन द्वारा तर्क' के लिए मूल्यवान है, जो ब्लैक-बॉक्स डीप न्यूरल नेटवर्क के बिना क्रॉस-एसेट सहसंबंधों को एकीकृत करने की क्षमता रखता है। अध्ययन निष्कर्ष निकालता है कि ग्राफ-आधारित लॉजिकल लर्निंग वित्तीय पूर्वानुमान के लिए पारंपरिक मशीन लर्निंग का एक व्यवहार्य विकल्प प्रदान करती है, विशेष रूप से मैक्रोइकॉनोमिक संबंधों को ग्राफ संरचनाओं के रूप में स्पष्ट रूप से मॉडल करके।