Cross-Sectional Heterogeneity in LSTM Networks for Financial Time Series
यह शोध पत्र एक उन्नत एलएसटीएम (LSTM) आर्किटेक्चर प्रस्तावित करता है जो एसएंडपी 500 (S&P 500) रिटर्न में क्रॉस-सेक्शनल विषमता को प्रभावी ढंग से पकड़ने के लिए मैक्रो-वित्तीय सह-चरों (macro-financial covariates) और सीखने योग्य सेक्टर एम्बेडिंग्स (learnable sector embeddings) को एकीकृत करता है, जो शॉर्ट-टर्म रिवर्सल और इंडस्ट्री मोमेंटम कारकों द्वारा संचालित एक रणनीति के माध्यम से मानक बेंचमार्क की तुलना में बेहतर भविष्य कहनेवाला प्रदर्शन और व्याख्यात्मकता प्रदर्शित करता है।
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 मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन बादलों को देखने के बजाय, आप शेयर बाजार को देख रहे हैं। यह वित्तीय समय श्रृंखला भविष्यवाणी (financial time series prediction) की दुनिया है, जहाँ वैज्ञानिक यह अनुमान लगाने की कोशिश करते हैं कि कल किसी स्टॉक की कीमत ऊपर जाएगी या नीचे, उसके इतिहास के आधार पर। यह एक बेहद कठिन खेल है। शेयर बाजार को एक विशाल, शोर भरे महासागर के रूप में सोचें। "सिग्नल" (संकेत) वह वास्तविक हवा की दिशा है जो आपको बताती है कि लहरें कहाँ जा रही हैं, लेकिन "नॉइज़" (शोर) वह छपाछप, समुद्री पक्षियों का चिल्लाना और यादृच्छिक लहरें हैं जो वास्तविक पैटर्न को देखना कठिन बना देती हैं। क्योंकि बाजार इतना कुशल है—जिसका अर्थ है कि हर कोई खबर को तुरंत जान जाता है—एक विश्वसनीय पैटर्न खोजना तूफान में एक फुसफुसाहट सुनने जैसा है।
इससे निपटने के लिए, शोधकर्ता मशीन लर्निंग का उपयोग करते हैं, विशेष रूप से एक प्रकार का कंप्यूटर मस्तिष्क जिसे LSTM (लॉन्ग शॉर्ट-टर्म मेमोरी) कहा जाता है। आप एक LSTM को एक अत्यंत व्यवस्थित लाइब्रेरियन (पुस्तकालयाध्यक्ष) के रूप में देख सकते हैं जो स्टॉक की कीमत के इतिहास को दिन-प्रतिदिन पढ़ता है, महत्वपूर्ण हिस्सों को याद रखता है और शोर को भूल जाता है, ताकि भविष्य के बारे में एक अनुमान लगा सके। लंबे समय तक, इन लाइब्रेरियन को इस तरह प्रशिक्षित किया गया था कि वे प्रत्येक स्टॉक के साथ ऐसा व्यवहार करें जैसे वह एक ही व्यक्ति हो, बस उसने अलग टोपी पहनी हो। उन्होंने एप्पल (Apple) के इतिहास और एक उपयोगिता कंपनी (utility company) के इतिहास को बिल्कुल एक ही तरह से देखा। लेकिन वास्तविक दुनिया में, एक टेक कंपनी और एक बिजली कंपनी समाचारों पर बहुत अलग तरह से प्रतिक्रिया करती हैं। यह शोध पत्र एक सरल प्रश्न पूछता है: क्या होगा यदि हम अपने लाइब्रेरियन को यह पहचानना सिखाएं कि स्टॉक अलग-अलग "पड़ोसों" (सेक्टर्स) से संबंधित हैं और इन पड़ोसों के अपने अनूठे व्यक्तित्व होते हैं?
द ग्रेट स्टॉक मार्केट सॉर्टिंग हैट (द महान स्टॉक मार्केट छँटनी टोपी)
इस अध्ययन में, लेखक, जूलियस डॉबलेत (Julius Döbelt), मानक LSTM लाइब्रेरियन को अपग्रेड करने का निर्णय लेते हैं। पुराना संस्करण अच्छा था, लेकिन यह थोड़ा अनाड़ी था क्योंकि इसने एक ऊँची उड़ान भरने वाले तकनीकी स्टॉक और एक स्थिर उपयोगिता स्टॉक के साथ बिल्कुल एक जैसा व्यवहार किया। डॉबलेत एक नया तरीका पेश करते हैं: सेक्टर एम्बेडिंग्स (Sector Embeddings)।
कल्पना कीजिए कि आप सैकड़ों मेहमानों के साथ एक विशाल पार्टी में हैं। पुराना लाइब्रेरियन हर मेहमान को देखेगा और केवल इस आधार पर अनुमान लगाने की कोशिश करेगा कि अगला कौन नाचेगा कि पिछले एक घंटे में वे कैसे चले थे। लेकिन डॉबलेते का नया लाइब्रेरियन एक विशेष "सॉर्टिंग हैट" (छँटनी टोपी) प्राप्त करता है। लाइब्रेरियन के नृत्य देखने से पहले ही, टोपी तुरंत प्रत्येक मेहमान को उनके समूह के साथ टैग कर देती है: "टेक," "हेल्थकेयर," "एनर्जी," और इसी तरह। लाइब्रेरियन सीख जाता है कि "टेक" मेहमान एक विशिष्ट लय में नाचने के आदी होते हैं, जबकि "एनर्जी" मेहमानों की शैली बिल्कुल अलग होती है। इन "सेक्टर टैग्स" को एक विशेष इनपुट के रूप में कंप्यूटर को देकर, मॉडल अंततः समझ सकता है कि किसी स्टॉक का पिछला प्रदर्शन केवल उसके अपने इतिहास पर निर्भर नहीं करता है, बल्कि उसके पूरे पड़ोस के मिजाज (vibe) पर भी निर्भर करता है।
प्रयोग: 30 साल की समय यात्रा
इस विचार का परीक्षण करने के लिए, डॉबलेत ने एक टाइम मशीन बनाई। उन्होंने 1995 से 2024 तक के S&P 500 (अमेरिका की 500 सबसे बड़ी कंपनियां) के डेटा को लिया। उन्होंने केवल एक वर्ष नहीं देखा; उन्होंने एक सिमुलेशन चलाया जहाँ उन्होंने तीन साल के इतिहास पर मॉडल को प्रशिक्षित किया और फिर अगले ही वर्ष का परीक्षण किया, और इस प्रक्रिया को 27 बार दोहराया। यह एक छात्र को तीन साल तक प्रशिक्षित करने और फिर उन्हें एक नए स्कूल वर्ष पर टेस्ट करने जैसा है, बार-बार, यह देखने के लिए कि क्या वे वास्तव में सीख सकते हैं या उन्होंने केवल उत्तर रट लिए हैं।
उन्होंने अपने नए "सेक्टर LSTM" की तुलना तीन अन्य प्रतिस्पर्धियों से की:
- बेसिक LSTM: पुराना लाइब्रेरियन जो पड़ोसों को अनदेखा करता है।
- रैंडम फॉरेस्ट (Random Forest): एक अलग प्रकार का कंप्यूटर मस्तिष्क जो कई छोटे प्रश्नों को पूछकर निर्णय लेता है (जैसे विशेषज्ञों की एक समिति)।
- बाय-एंड-होल्ड स्ट्रैटेजी (Buy-and-Hold Strategy): वह निवेशक जो बस पूरे बाजार को खरीद लेता है और इंतजार करता है।
परिणाम: पड़ोस का जादू जीत गया (ज्यादातर)
परिणाम स्पष्ट और रोमांचक थे। नया सेक्टर LSTM लगातार दूसरों से बेहतर प्रदर्शन करता रहा। जब मॉडल ने सेक्टर टैग का उपयोग किया, तो इसने उन स्टॉक्स के बारे में अधिक सही भविष्यवाणियां कीं जो औसत से बेहतर प्रदर्शन करेंगे और जो हार जाएंगे।
- विजेता: सेक्टर LSTM ने पैसा कमाने और कम जोखिम लेने के बीच का सबसे अच्छा संतुलन बनाया। इसने शार्प रेशियो (Sharpe ratio) (एक स्कोर जो मापता है कि आप जोखिम के बदले कितना लाभ कमाते हैं) 0.69 प्राप्त किया, जो बेसिक LSTM (0.39) और रैंडम फॉरेस्ट (0.53) की तुलना में काफी बेहतर था।
- हारने वाला: दिलचस्प बात यह है कि अतिरिक्त "मैक्रो-फाइनेंशियल" डेटा जोड़ने से—जैसे तेल की कीमतें, सोने के वायदा और ब्याज दरें—कोई मदद नहीं मिली। वास्तव में, वह मॉडल जिसने इस अतिरिक्त आर्थिक समाचार का उपयोग करने की कोशिश की, सबसे खराब प्रदर्शन करने वाला रहा। ऐसा लगता है कि इस विशिष्ट दैनिक भविष्यवाणी कार्य के लिए, वैश्विक मौसम रिपोर्ट जानने की तुलना में अपने पड़ोस (सेक्टर) को जानना कहीं अधिक महत्वपूर्ण था।
"ब्लैक बॉक्स" खुला
AI के बारे में सबसे बड़ी शिकायतों में से एक यह है कि यह एक "ब्लैक बॉक्स" है—हम जानते हैं कि यह काम करता है, लेकिन हमें यह नहीं पता कि क्यों। डॉबलेत ने बॉक्स के अंदर झांकने का फैसला किया। उन्होंने पाया कि मॉडल ने गुप्त रूप से शेयर बाजार के दो प्रसिद्ध नियमों को बिना किसी के बताए सीख लिया था:
- इंडस्ट्री मोमेंटम (उद्योग गतिशीलता): मॉडल ने सीखा कि यदि एक पूरा पड़ोस (जैसे टेक्नोलॉजी) पिछले कुछ महीनों से अच्छा प्रदर्शन कर रहा है, तो वह कुछ समय तक अच्छा प्रदर्शन करना जारी रखता है। "सेक्टर टैग्स" ने मोमेंटम बूस्टर के रूप में कार्य किया, जिससे मॉडल जीतने वाले पड़ोसों पर दांव लगाने के लिए प्रेरित हुआ।
- शॉर्ट-टर्म रिवर्सल (अल्पकालिक वापसी): मॉडल ने यह भी सीखा कि यदि किसी एकल स्टॉक में कल बड़ी उछाल आई थी, तो इसकी संभावना है कि आज वह एक छोटा कदम पीछे लेगा। यह एक रबर बैंड के वापस खिंचने जैसा है।
हालाँकि, पेपर में एक पकड़ भी मिली। यह "पड़ोस मोमेंटम" वाला तरीका स्थिर समय में बहुत अच्छा काम करता है, जैसे कि 2007 में, जहाँ मॉडल ने विजेताओं पर सही दांव लगाया। लेकिन अराजकता के समय में, जैसे कि 2000 के डॉट-कॉम क्रैश या 2020 की महामारी के ठीक बाद, यह तरीका उल्टा पड़ गया। जब बाजार घबराया, तो पिछले वर्ष के "हारने वाले" अचानक "विजेता" बन गए, और मॉडल की पड़ोस के रुझानों पर निर्भरता के कारण गलत घोड़ों पर दांव लगाने की गलती हुई। यह सुझाव देता है कि हालांकि मॉडल स्मार्ट है, लेकिन यह जादुई नहीं है; यह अभी भी संघर्ष करता है जब बाजार के नियम अचानक बदल जाते हैं।
निष्कर्ष
यह शोध पत्र सुझाव देता है कि AI को यह पहचानना सिखाना कि "एक स्टॉक केवल एक नंबर नहीं है; वह एक टीम का हिस्सा है," भविष्यवाणियों को बेहतर बनाने का एक शक्तिशाली तरीका है। "सेक्टर टैग्स" जोड़कर, मॉडल शोर भरे शेयर बाजार में नेविगेट करने में बेहतर हो गया। लेकिन लेखक हमें चेतावनी भी देते हैं कि आसान, भारी मुनाफे के दिन संभवतः समाप्त हो गए हैं। मॉडल की सफलता मामूली है, और यह इस बात पर निर्भर करती है कि बाजार सामान्य व्यवहार करे। यह एक ठोस कदम है, जो यह साबित करता है कि एक शोर भरे महासागर में भी, आप किस नाव पर सवार हैं, यह जानना बहुत बड़ा अंतर पैदा 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।