Financial Numerical Prediction and Allocation as Token Generation
यह शोध पत्र FinATOM को प्रस्तुत करता है, जो एक एकीकृत, हेड-फ्री फ्रेमवर्क है जो वित्तीय पूर्वानुमान और गतिशील परिसंपत्ति आवंटन को सीधे करने के लिए कॉज़ल लैंग्वेज मॉडल्स में बाधित टोकन जनरेशन का लाभ उठाता है, जो पारंपरिक रिग्रेशन या रैंकिंग दृष्टिकोणों की तुलना में ETF और टेक्स्ट-आधारित निवेश कार्यों में बेहतर जोखिम-समायोजित रिटर्न 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
डिजिटल ओरेकल की नई आवाज़
एक ऐसी दुनिया की कल्पना करें जहाँ कंप्यूटर केवल कहानियाँ ही नहीं पढ़ते, बल्कि वे गणित भी कर सकते हैं, भविष्यवाणियाँ भी कर सकते हैं और पैसे खर्च करने का निर्णय भी ले सकते हैं, और यह सब उसी "भाषा" का उपयोग करके करते हैं जिसका उपयोग वे हमसे चैट करने के लिए करते हैं। यह आर्टिफिशियल इंटेलिजेंस (AI) का क्षेत्र है, विशेष रूप से एक प्रकार जिसे लार्ज लैंग्वेज मॉडल्स (LLMs) कहा जाता है। इन मॉडल्स को ऐसे सुपर-स्मार्ट तोतों के रूप में सोचें जिन्होंने इंटरनेट पर मौजूद लगभग सब कुछ पढ़ लिया है। वे एक वाक्य में अगले शब्द का अनुमान लगाने में अद्भुत हैं, जैसे कि किसी दोस्त के चुटकुले को पूरा करना। लेकिन आमतौर पर, जब हम उनसे कुछ सटीक करने के लिए कहते हैं, जैसे स्टॉक की कीमतों की भविष्यवाणी करना या पोर्टफोलियो का प्रबंधन करना, तो हमें उनके मस्तिष्क से एक विशेष, अलग कैलकुलेटर (एक "हेड") जोड़ना पड़ता है ताकि वे संख्याओं को संभाल सकें। यह एक कवि से भौतिकी का समीकरण हल करने के लिए कहने जैसा है, उन्हें एक अलग अबैकस (abacus) थमाकर।
बड़ा सवाल जो वैज्ञानिक पूछ रहे हैं वह यह है: क्या कवि स्वयं गणित कर सकता है? क्या कंप्यूटर सीधे संख्याओं की भाषा बोलना सीख सकता है, ठीक वैसे ही जैसे वह शब्दों को बोलता है, बिना उस अतिरिक्त कैलकुलेटर की आवश्यकता के? यह महत्वपूर्ण है क्योंकि यदि एक ही मस्तिष्क किसी कंपनी के बारे में समाचार पढ़ सकता है और तुरंत यह निर्णय ले सकता है कि उसमें कितना पैसा निवेश करना है, तो पूरी प्रक्रिया तेज़, स्वच्छ और जाँचने में आसान हो जाती है। यह एक ऐसे शेफ की तरह है जो सूप का स्वाद चख सकता है और तुरंत जान सकता है कि उसमें कितना नमक डालना है, बजाय इसके कि वह स्वाद ले, संख्या लिख दे, और फिर उस नोट को दूसरा शेफ देने के लिए हाथ में दे दे जो नमक डालेगा।
पेपर की कहानी: एक रोबोट को "पैसा" बोलना सिखाना
यह पेपर FinATOM नामक एक नई प्रणाली पेश करता है, जो एक भाषा मॉडल को केवल अपनी मूल शब्दावली का उपयोग करके वित्तीय पूर्वानुमान और धन प्रबंधन करना सिखाने का प्रयास करती है। एक विशेष कैलकुलेटर जोड़ने के बजाय, शोधकर्ताओं ने AI को "टोकन" (टेक्स्ट के टुकड़े) उत्पन्न करने दिया जो संख्याओं का प्रतिनिधित्व करते हैं। यह ऐसा है जैसे AI एक गुप्त कोड सीख रहा हो जहाँ शब्द "apple" का अर्थ "5 डॉलर" हो सकता है और "banana" का अर्थ "10 डॉलर" हो सकता है, जिससे यह अपने वित्तीय निर्णयों को ठीक वैसे ही लिख पाता है जैसे वह एक कहानी लिखता है।
शोधकर्ताओं ने इसे दो मुख्य कार्यों पर परखा। पहले, उन्होंने AI से पूछा कि अगले तीन दिनों में शेयर की कीमतें कितनी ऊपर या नीचे जाएँगी। दूसरे, उन्होंने उससे पूछा कि पांच अलग-अलग निवेश फंडों (ETFs) के बीच पैसा कैसे विभाजित किया जाए। इसे काम करने के योग्य बनाने के लिए, उन्हें बहुत सावधान रहना पड़ा। उन्होंने AI को एक ऐसे "शिक्षक" का उपयोग करके सिखाया जो केवल वही जानता था जो उस क्षण दृश्यमान था (जैसे अभी कार के स्पीडोमीटर को देखना, न कि यह जानना कि एक घंटे में वह कहाँ होगी)। इसने यह सुनिश्चित किया कि AI भविष्य के उत्तरों तक न पहुँच सके।
उन्होंने क्या पाया:
परिणाम बताते हैं कि यह "हेड-फ्री" (बिना अतिरिक्त कैलकुलेटर वाला) दृष्टिकोण वास्तव में काम करता है। जब AI को शुरू में सिखाया गया था (एक चरण जिसे सुपरवाइज्ड फाइन-ट्यूनिंग कहा जाता है), तो इसने एक ठीक-ठाक काम किया। लेकिन जब उन्होंने इसे अपने ही गलतियों से सीखने और अभ्यास करने दिया (जिसे DAPO-augmented GRPO कहा जाता है), तो यह और भी बेहतर हो गया।
- निवेश कार्य के लिए: AI की रणनीति ने 2023 से 2025 के डेटा को देखते हुए, जोखिम-समायोजित रिटर्न (एक स्कोर जिसे शार्प रेशियो कहा जाता है) को 1.428 से बढ़ाकर 1.529 कर दिया। छोटे शुल्क (प्रति ट्रेड 5 बेसिस पॉइंट्स) को ध्यान में रखने के बाद भी, यह स्कोर 1.394 से बढ़कर 1.494 हो गया।
- स्टॉक भविष्यवाणी कार्य के लिए: FinTexTS नामक एक विशिष्ट डेटासेट पर, AI की रणनीति ने 73.52% का संचयी रिटर्न (cumulative return) और 2.68 का शार्प रेशियो प्राप्त किया। अतिरिक्त अभ्यास के बाद, ये संख्याएँ थोड़ी बढ़कर 73.72% और 2.69 हो गईं।
पेपर ने यह भी खोजा कि AI तब सबसे अच्छा काम करता है जब उसे कच्चे नंबर (जैसे पिछले स्टॉक मूल्य) और समाचार कहानियाँ (जैसे अर्थव्यवस्था पर रिपोर्ट) दोनों एक साथ मिलते हैं। 2025 में, समाचार जोड़ने से बहुत बड़ा अंतर आया, जिससे केवल नंबरों को देखने की तुलना में प्रदर्शन में काफी वृद्धि हुई। हालाँकि, अन्य वर्षों में, केवल नंबर भी लगभग उतने ही अच्छे थे।
पेपर क्या खारिज करता है:
लेखक सावधानी बरतते हुए कहते हैं कि यह सभी वित्तीय समस्याओं को हल करने वाला कोई जादुई समाधान नहीं है। वे स्पष्ट रूप से इस विचार को खारिज करते हैं कि AI केवल उत्तरों को याद कर रहा है। उन्होंने जांचा कि 2024 और 2025 के परीक्षणों के लिए उपयोग किया गया डेटा मूल रूप से AI के प्रशिक्षित होने के बाद का था, इसलिए AI भविष्य को "याद" नहीं कर सका। उन्होंने यह भी नोट किया कि AI केवल अधिक बार व्यापार करके बेहतर नहीं हुआ; वास्तव में, ट्रेडों की संख्या लगभग समान रही, जिसका अर्थ है कि सुधार अधिक निर्णय लेने से नहीं, बल्कि बेहतर निर्णय लेने से आया।
वे कितने आश्वस्त हैं?
पेपर सुझाव देता है कि यह एक बहुत ही आशाजनक प्रूफ ऑफ कॉन्सेप्ट (concept की प्रमाणिकता) है, लेकिन यह इसे एक सार्वभौमिक विजेता कहने से पीछे हटता है। परिणाम पांच फंडों और शेयरों के एक सीमित सेट के साथ विशिष्ट परीक्षणों पर आधारित हैं। लेखक स्वीकार करते हैं कि जबकि यह विधि इन सिमुलेशन में काम करती है, हम अभी तक यह नहीं जानते कि क्या यह हर बाजार स्थिति या प्रत्येक प्रकार की संपत्ति के साथ पूरी तरह से काम करेगी। वे निष्कर्षों को "व्यवहार्यता" (feasibility) के प्रमाण के रूप में वर्णित करते हैं—अर्थात यह किया जा सकता है—न कि इस गारंटी के रूप में कि यह हमेशा पैसा बनाने का सबसे अच्छा तरीका होगा। निवेश कार्य में सुधार 2024 और 2025 में स्पष्ट था, लेकिन 2023 में, उन्नत प्रशिक्षण से बहुत अधिक अंतर नहीं आया, जो दर्शाता है कि सफलता विशिष्ट बाजार स्थितियों पर निर्भर करती है।
संक्षेप में, FinATOM दिखाता है कि एक भाषा मॉडल सीधे वित्त की भाषा बोलना सीख सकता है, जिससे समाचार और नंबरों को बिना किसी अलग कैलकुलेटर के निवेश निर्णयों में बदला जा सकता है। यह ऐसे AI की ओर एक छोटा लेकिन रोमांचक कदम है जो केवल पैसे के बारे में बात नहीं करता, बल्कि वास्तव में इसे प्रबंधित करना भी समझता 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।