A Comparative Analysis of Machine Learning Models for Long and Short-Term Forecasting of the Egyptian Stock Market: A Focus on EGX30

तकनीकी सारांश: मिस्र के शेयर बाजार के दीर्घकालिक और अल्पकालिक पूर्वानुमान के लिए मशीन लर्निंग मॉडलों का एक तुलनात्मक विश्लेषण

समस्या विवरण
मिस्र का शेयर बाजार, विशेष रूप से EGX30 इंडेक्स, एक गतिशील लेकिन कम शोधित उभरते वित्तीय क्षेत्र का प्रतिनिधित्व करता है। जबकि वैश्विक शेयर बाजारों पर व्यापक साहित्य मौजूद है, मिस्र जैसे विकासशील बाजारों की विशिष्ट प्रवृत्तियों और गतिशीलता को समझने में एक महत्वपूर्ण कमी है। इस क्षेत्र के निवेशक अक्सर तकनीकी विश्लेषण विशेषज्ञता की कमी और उच्च-रिटर्न वाले बाजारों के अंतर्निहित जोखिमों के कारण चुनौतियों का सामना करते हैं। इस अध्ययन का प्राथमिक उद्देश्य EGX30 के लिए सटीक भविष्य कहने वाले मॉडल विकसित और मूल्यांकन करके इस अंतर को पाटना है। यह शोध उन मजबूत उपकरणों की आवश्यकता को संबोधित करता है जो जोखिम प्रबंधन और निवेश रणनीति निर्माण में सहायता के लिए अल्पकालिक (एक सप्ताह तक) और दीर्घकालिक (दो महीने तक) बाजार रुझानों का पूर्वानुमान लगा सकें।

कार्यप्रणाली
यह अध्ययन ऐतिहासिक EGX30 डेटा का उपयोग करते हुए एक व्यापक तुलनात्मक ढांचे को नियोजित करता है। कार्यप्रणाली तीन मुख्य घटकों के इर्द-गिर्द संरचित है:

1. डेटा प्रीप्रोसेसिंग और फीचर इंजीनियरिंग:

   • डेटासेट को टेम्पोरल फीचर्स (सप्ताह का दिन, महीना, वर्ष, आदि) में विभाजित किया गया था, हालांकि सहसंबंध विश्लेषण (correlation analysis) ने खुलासा किया कि ये अकेले अपर्याप्त थे क्योंकि इनका स्टॉक कीमतों के साथ निम्न सहसंबंध था।
   • ऐतिहासिक संदर्भ और टेम्पोरल डिपेंडेंसी को कैप्चर करने के लिए, अध्ययन ने रोलिंग विंडो लैग फीचर्स (rolling window lag features) को पेश किया।
   • तकनीकी संकेतक (Technical Indicators) तैयार किए गए, जिनमें सिंपल मूविंग एवरेज (SMA), एक्सपोनेंशियल मूविंग एवरेज (EMA), बोलिंगर बैंड्स, रिलेटिव स्ट्रेंथ इंडेक्स (RSI), और कमोडिटी चैनल इंडेक्स (CCI) शामिल हैं।
   • वित्तीय डेटा की अंतर्निहित टेम्पोरल संरचना का सम्मान करते हुए, कई दिनों के रुझानों की अपेक्षा करने में सक्षम बनाने के लिए ऐतिहासिक डेटा पर एक लैग फंक्शन लागू किया गया।

2. मॉडल चयन:
   अनुसंधान ने सात विविध मशीन लर्निंग एल्गोरिदम और दो डीप लर्निंग आर्किटेक्चर का मूल्यांकन किया:

   • पारंपरिक ML: K-नेरेस्ट नेबर्स (KNN), डिसीजन ट्री रिग्रेसर, रैंडम फॉरेस्ट, एक्स्ट्रा ट्रीज़, एडाप्टिव बूस्टिंग (AdaBoost), लाइट ग्रेडिएंट बूस्टेड मशीन (LightGBM), और एक्सट्रीम ग्रेडिएंट बूस्टिंग (XGBoost)।
   • डीप लर्निंग: लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) और गेटेड रिकरेंट यूनिट (GRU)।
   • एन्सेम्बल दृष्टिकोण: शीर्ष प्रदर्शन करने वाले मॉडलों को मिलाकर एक एन्सेम्बल प्रेडिक्टर बनाने के लिए एक ब्लेंडिंग तकनीक लागू की गई, विशेष रूप से दीर्घकालिक क्षितिजों के लिए।

3. मूल्यांकन ढांचा:

   • समय क्षितिज (Time Horizons): मॉडलों का परीक्षण चार अलग-अलग भविष्यवाणी अंतराल पर किया गया: एक-दिवसीय, एक-साप्ताहिक, एक-मासिक, और दो-मासिक।
   • मेट्रिक्स: प्रदर्शन को रूट मीन स्क्वेर्ड एरर (RMSE), मीन एब्सोल्यूट परसेंटेज एरर (MAPE), और कोएफिशिएंट ऑफ डिटरमिनेशन ($R^2$) का उपयोग करके मात्रात्मक रूप से मापा गया।
   • अनुकूलन (Optimization): कुशल अभिसरण (convergence) के लिए डीप लर्निंग मॉडलों ने एडम ऑप्टिमाइज़र (Adam optimizer) का उपयोग किया।

प्रमुख परिणाम
प्रायोगिक परिणामों ने भविष्यवाणी के क्षितिज के आधार पर विशिष्ट प्रदर्शन विशेषताओं का खुलासा किया:

• एक-दिवसीय भविष्यवाणियाँ: XGBoost सर्वश्रेष्ठ मॉडल के रूप में उभरा, जिसने 0.0163 के RMSE और 0.993 के $R^2$ के साथ उच्चतम सटीकता प्राप्त की। LightGBM और रैंडम फॉरेस्ट ने भी मजबूत प्रदर्शन दिखाया, हालांकि XGBoost मामूली रूप से अधिक प्रभावी था।
• एक-साप्ताहिक भविष्यवाणियाँ: GRU मॉडल अन्य सभी से बेहतर रहा, जिसने सबसे कम RMSE (0.0406) और उच्चतम $R^2$ (0.961) प्राप्त किया। रैंडम फॉरेस्ट और एक्स्ट्रा ट्रीज़ ने भी अच्छा प्रदर्शन किया, लेकिन सीजनलिटी और जटिल संबंधों को कैप्चर करने की GRU की क्षमता निर्णायक साबित हुई।
• दीर्घकालिक भविष्यवाणियाँ (एक और दो महीने):
  • GRU ने उत्कृष्ट प्रदर्शन करना जारी रखा, जिसने एक-मासिक और दो-मासिक दोनों क्षितिजों में सर्वश्रेष्ठ RMSE और $R^2$ स्कोर बनाए रखा।
  • KNN ने एक आश्चर्यजनक परिणाम दिया, जिसने अपने अल्पकालिक परिणामों से काफी बेहतर प्रदर्शन करते हुए दीर्घकालिक पूर्वानुमानों में शीर्ष-स्तरीय प्रदर्शन करने वाला (एक-मासिक में तीसरे और दो-मासिक भविष्यवाणियों में दूसरे स्थान पर) बन गया।
  • एन्सेम्बल तकनीक: व्यक्तिगत रूप से सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडलों को मिलाने वाले एन्सेम्बल मॉडल ने दीर्घकालिक पूर्वानुमान में सबसे महत्वपूर्ण सुधार हासिल किया। विशेष रूप से, दो-मासिक भविष्यवाणी परिदृश्य में, एन्सेम्बल मॉडल का RMSE स्टैंडअलोन GRU मॉडल की तुलना में लगभग पाँच गुना कम था, जो विस्तारित क्षितिजों के लिए एन्सेम्बल विधियों की प्रभावकारिता को उजागर करता है।

महत्व और योगदान
अध्ययन उभरते बाजारों में वित्तीय पूर्वानुमान के क्षेत्र में कई महत्वपूर्ण योगदान का दावा करता है:

1. संदर्भ-विशिष्ट अंतर्दृष्टि: यह विशेष रूप से EGX30 के लिए ML और DL मॉडलों का पहला विस्तृत तुलनात्मक विश्लेषण प्रदान करता है, जो मिस्र के बाजार की अनूठी गतिशीलता को समझने वाले निवेशकों के लिए कार्रवाई योग्य अंतर्दढ़ प्रदान करता है।
2. क्षितिज-निर्भर मॉडल चयन: अनुसंधान यह स्थापित करता है कि कोई भी एकल मॉडल सार्वभौमिक रूप से इष्टतम नहीं है। यह प्रदर्शित करता है कि XGBoost उच्च-आवृत्ति, एक-दिवसीय भविष्यवाणियों के लिए सबसे उपयुक्त है, जबकि साप्ताहिक और मासिक रुझानों की जटिलताओं को पकड़ने के लिए GRU और एन्सेम्बल तकनीकें आवश्यक हैं।
3. KNN का पुनर्मूल्यांकन: यह अध्ययन KNN को केवल अल्पकालिक या सरल एल्गोरिदम के रूप में देखने के पारंपरिक दृष्टिकोण को चुनौती देता है, जो इस विशिष्ट बाजार संदर्भ में दीर्घकालिक रुझान भविष्यवाणी के लिए इसकी अप्रत्याशित और स्थायी प्रासंगिकता को प्रकट करता है।
4. एन्सेम्बल श्रेष्ठता: पेपर इस बात पर प्रकाश डालता है कि जबकि व्यक्तिगत डीप लर्निंग मॉडल शक्तिशाली हैं, एन्सेम्बल ब्लेंडिंग मजबूती और सटीकता को महत्वपूर्ण रूप से बढ़ाता है, विशेष रूप से दीर्घकालिक पूर्वानुमानों के लिए जहाँ व्यक्तिगत मॉडल उच्च त्रुटि दरों के साथ संघर्ष करते हैं।

सीमाएं और भविष्य की दिशाएं
लेखक स्वीकार करते हैं कि कई मॉडलों को फाइन-ट्यून करने के लिए पर्याप्त कम्प्यूटेशनल संसाधनों की आवश्यकता होती है, जो हाइपरपैरामीटर अनुकूलन की गहराई को सीमित कर सकता है। भविष्य के कार्य में निम्नलिखित प्रस्तावित है:

• ट्रांसफॉर्मर (Transformer) आर्किटेक्चर का एकीकरण, जिन्होंने समय-श्रृंखला भविष्यवाणी में आशाजनक परिणाम दिखाए हैं।
• वैश्विक/स्थानीय बिजनेस कैलेंडर, समाचार और सार्वजनिक हस्तियों के सोशल मीडिया पोस्ट से प्राप्त सेंटिमेंट एनालिसिस (Sentiment Analysis) को समृद्ध भविष्य कहने वाले फीचर्स के रूप में शामिल करना।

निष्कर्षतः, यह अध्ययन मिस्र के शेयर बाजार के लिए उन्नत मशीन लर्निंग और डीप लर्निंग तकनीकों की उपयोगिता की पुष्टि करता है, और इस बात पर जोर देता है कि मॉडल का चयन निवेश रणनीति के विशिष्ट समय क्षितिज के अनुरूप होना चाहिए।