Impact of Expert-Following Strategies in Financial Asset Recommendation

तकनीकी सारांश: वित्तीय परिसंपत्ति अनुशंसा में विशेषज्ञ-अनुसरण रणनीतियाँ (Expert-Following Strategies)

समस्या विवरण
वित्तीय परिसंपत्ति अनुशंसा (Financial Asset-Recommendation - FAR) दो प्रतिस्पर्धी उद्देश्यों के बीच एक मौलिक संतुलन (trade-off) का सामना करती है: वास्तविक निवेश रिटर्न (रिटर्न ऑन इन्वेस्टमेंट - ROI) को अधिकतम करना और निवेशक की प्राथमिकताओं के साथ संरेखण (normalized Discounted Cumulative Gain - nDCG द्वारा मापा गया) सुनिश्चित करना। मौजूदा दृष्टिकोण आमतौर पर केवल एक ही मीट्रिक के लिए अनुकूलन करते हैं। रिटर्न-आधारित रणनीतियाँ अक्सर व्यक्तिगत प्राथमिकताओं को अनदेखा कर देती हैं, जिससे प्रासंगिकता कम हो जाती है, जबकि प्राथमिकता-आधारित रणनीतियाँ (जैसे कि कोलाबोरेटिव फ़िल्टरिंग या लोकप्रियता मॉडल) बाजार के औसत के बराबर रिटर्न देती हैं और कोई महत्वपूर्ण अल्फा (alpha) उत्पन्न नहीं कर पाती हैं। पिछले शोध [2] ने पुष्टि की है कि कोई भी मौजूदा विधि ROI और nDCG दोनों में बेसलाइन से बेहतर प्रदर्शन नहीं कर पाती है, जिससे व्यवहार संबंधी संकेतों (behavioral signals) का उपयोग करके इन मानदंडों को संयुक्त रूप से अनुकूलित करने वाले एक ढांचे की आवश्यकता उत्पन्न होती है।

कार्यप्रणाली (Methodology)
यह शोध पत्र एक्सपर्ट-फॉलोइंग स्ट्रैटेजीज़ (Expert-Following Strategies) का प्रस्ताव करता है, जो उच्च प्रदर्शन करने वाले निवेशकों के लेनदेन इतिहास का लाभ उठाकर लाभप्रदता और प्रासंगिकता के बीच के अंतर को पाटने के लिए डिज़ाइन किया गया है। यह कार्यप्रणाली इस प्रकार संचालित होती है:

1. विशेषज्ञ पहचान (Expert Identification): सिस्टम प्रशिक्षण अवधि के दौरान ऐतिहासिक ROI के आधार पर "विशेषज्ञ" निवेशकों ($E_X$) के एक उपसमुच्चय की पहचान करता है। विशेष रूप से, शीर्ष $X\%$ निवेशकों का चयन किया जाता है (जहाँ $X \in \{5, 10, 15, 20\}$)। एक निवेशक का ROI प्रशिक्षण विंडो $[t_0, t]$ के दौरान पोर्टफोलियो रिटर्न के रूप में गणना किया जाता है, जिसमें शुद्ध शेयर होल्डिंग्स (खरीद माइनस बिक्री) पर विचार किया जाता है।
2. परिसंपत्ति स्कोरिंग (Asset Scoring): जटिल मॉडल लर्निंग के बजाय, यह ढांचा पहचाने गए विशेषज्ञों के सामूहिक व्यवहार के आधार पर परिसंपत्तियों को स्कोर करता है। प्रत्येक परिसंपत्ति $i$ के लिए, अनुशंसा स्कोर $S_i$ को ROI-भारित खरीद आवृत्तियों के योग के रूप में परिकलित किया जाता है:
   $$S_i = \sum_{u \in E_X} \max(\text{ROI}_u(t_0, t), 0) \cdot C_{u,i}$$
   यहाँ, $C_{u,i}$ उन बारों की संख्या है जब विशेषज्ञ $u$ ने परिसंपत्ति $i$ खरीदी थी। यह सूत्रीकरण सुनिश्चित करता है कि उच्च-प्रदर्शन करने वाले निवेशकों द्वारा बार-बार खरीदी जाने वाली परिसंपत्तियों को उच्च स्कोर प्राप्त हो, जो सामूहिक प्राथमिकता संकेतों को लाभप्रदता भार के साथ प्रभावी ढंग से जोड़ता है।
3. अनुशंसा (Recommendation): उच्चतम स्कोर वाली शीर्ष-$k$ परिसंपत्तियों (जहाँ $k=10$) की अनुशंसा की जाती है।

प्रायोगिक सेटअप (Experimental Setup)
अध्ययन FAR-Trans डेटासेट का उपयोग करता है, जो जनवरी 2018 से नवंबर 2022 तक के लेनदेन इतिहास को कवर करता है। मूल्यांकन एक मजबूत मल्टी-इंस्टेंस वॉक-फॉरवर्ड वैलिडेशन ढांचे का उपयोग करता है:

• वैलिडेशन: 10 स्लाइडिंग-विंडो इंस्टेंस जेनरेट किए गए, जिनमें से प्रत्येक की प्रशिक्षण अवधि लगभग 14 महीने और मूल्यांकन अवधि 10 महीने थी।
• मीट्रिक्स: प्रदर्शन का मूल्यांकन ROI@10 (औसत पोर्टफोलियो रिटर्न), SR@10 (वार्षिककृत शार्प रेशियो), और nDCG@10 (होल्डिंग अवधि के भीतर खरीदी गई वस्तुओं की प्रासंगिकता) का उपयोग करके किया गया।
• बेसलाइन्स: प्रस्तावित विधि की तुलना रिटर्न-आधारित रणनीतियों (शार्प रेशियो ऑप्टिमाइज़ेशन, रैंडम फॉरेस्ट), प्राथमिकता-आधारित रणनीतियों (पॉपुलैरिटी), और एक मार्केट एवरेज बेसलाइन से की गई।

प्रमुख परिणाम
प्रयोगों से पता चलता है कि एक्सपर्ट-फॉलोइंग स्ट्रैटेजीज़ ROI और nDCG के बीच के ट्रेड-ऑफ को सफलतापूर्वक हल करती हैं:

• सहवर्ती सुधार (Simultaneous Improvement): बेसलाइन्स के विपरीत जो एक मीट्रिक की कीमत पर दूसरे में उत्कृष्ट होते हैं (उदाहरण के लिए, रैंडम फॉरेस्ट ने उच्च ROI प्राप्त किया लेकिन नगण्य nDCG; पॉपुलैरिटी ने उच्च nDCG प्राप्त किया लेकिन कोई महत्वपूर्ण ROI लाभ नहीं), एक्सपर्ट-फॉलोइंग वेरिएंट्स ने सभी चार विशेषज्ञ थ्रेशोल्ड पर मार्केट एवरेज बेसलाइन की तुलना में दोनों ROI और nDCG में सांख्यिकीय रूप से महत्वपूर्ण सुधार हासिल किया।
• शीर्ष प्रदर्शन: टॉप-5% विशेषज्ञ वेरिएंट ने उच्चतम ROI (0.246) प्राप्त किया जबकि एक महत्वपूर्ण nDCG (0.176) बनाए रखा, जो प्रदर्शन परिदृश्य में उच्च-ROI/उच्च-nDCG क्षेत्र में स्थित है।
• सांख्यिकीय सार्थकता: सुधारों को बोनफेरोनी करेक्शन ($\alpha' \approx 0.0071$) के साथ पेयर्ड टी-टेस्ट (paired t-tests) और विल्कोक्सन साइन्ड-रैंक टेस्ट (Wilcoxon signed-rank tests) का उपयोग करके सत्यापित किया गया था।

महत्व और दावे
शोध पत्र का दावा है कि एक्सपर्ट-फॉलोइंग स्ट्रैटेजीज़ दोहरे-उद्देश्य अनुकूलन समस्या के लिए एक सरल लेकिन प्रभावी समाधान प्रदान करती हैं। इसकी मुख्य सार्थकता इस खोज में निहित है कि उच्च-प्रदर्शन करने वाले निवेशक स्वाभाविक रूप से ऐसे लेनदेन पैटर्न प्रदर्शित करते हैं जो लाभ-अधिकतम रणनीतियों और सामान्य निवेशक प्राथमिकताओं के साथ संरेखित वास्तविक खरीद व्यवहार दोनों को दर्शाते हैं। इन विशेषज्ञों की पहचान करके और उनका अनुसरण करके, यह ढांचा जटिल मॉडल प्रशिक्षण की आवश्यकता के बिना एक मजबूत संतुलन प्राप्त करता है। लेखक नोट करते हैं कि हालांकि यह दृष्टिकोण शून्य लेनदेन लागत मानकर चलता है (जो उच्च-टर्नओवर रणनीतियों के लिए ROI को बढ़ा-चढ़ाकर दिखा सकता है), यह वास्तविक शुल्क और ग्राफ-आधारित मॉडलों वाले भविष्य के कार्यों के लिए एक मजबूत अनुभवजन्य आधार प्रदान करता है।