Forecasting Global Volatility Across Asynchronous Markets: Incremental Accuracy from Constrained Cross-Market Attention
यह शोध पत्र PGA-Trans-HAR को प्रस्तुत करता है, जो एक नवीन पूर्वानुमान ढांचा है जो ओरिजिन-एडमिसिबल क्रॉस-मार्केट अटेंशन को बाधित स्थानिक प्रतिबंधों के साथ जोड़ता है ताकि विषम बाजारों में वैश्विक अस्थिरता के पूर्वानुमानों में महत्वपूर्ण सुधार किया जा सके, विशेष रूप से मध्यम-से-दीर्घ क्षितिज पर, बंद एक्सचेंजों से उत्पन्न होने वाले भ्रामक संकेतों को प्रभावी ढंग से फ़िल्टर करके।
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
शेयर बाजार की कीमतों में कितना उतार-चढ़ाव आएगा, इसका पूर्वानुमान लगाना वित्त के सबसे महत्वपूर्ण कार्यों में से एक है। निवेशक, बैंक और बीमा कंपनियां यह तय करने के लिए इन पूर्वानुमानों पर निर्भर करती हैं कि वे कितना जोखिम ले सकती हैं, जटिल अनुबंधों की कीमत कैसे तय करें, और अपनी बचत की रक्षा कैसे करें। दशकों से, इस काम के लिए एक मानक उपकरण का उपयोग किया जाता रहा है जो एक ही बाजार के अपने इतिहास को देखता है, यह मानते हुए कि आज की अस्थिरता काफी हद तक कल, पिछले सप्ताह और पिछले महीने की उथल-पुथल का प्रतिबिंब है। यह दृष्टिकोण अच्छी तरह काम करता है क्योंकि शेयर बाजार 'चिपचिपे' (sticky) होते हैं; एक बार जब वे हिलना शुरू करते हैं, तो वे अक्सर कुछ समय तक हिलते रहते हैं। हालांकि, दुनिया आपस में जुड़ी हुई है। जब न्यूयॉर्क में कोई प्रमुख बाजार गिरता है, तो यह अक्सर लंदन, टोक्यो और सिडनी तक झटके भेजता है। पूर्वानुमान लगाने वालों के लिए चुनौती यह रही है कि वे इन वैश्विक संकेतों का उपयोग कैसे करें बिना इस बात से भ्रमित हुए कि दुनिया एक ही, सिंक्रोनाइज्ड घड़ी पर व्यापार नहीं करती है।
समस्या यह है कि अंतर्राष्ट्रीय शेयर बाजार अलग-अलग समय सारणी पर चलते हैं। जब न्यूयॉर्क स्टॉक एक्सचेंज किसी छुट्टी के कारण बंद होता है, तब टोक्यो बाजार खुला हो सकता है, या लंदन का बाजार जल्दी बंद हो रहा हो सकता है। यदि कोई कंप्यूटर मॉडल एक साथ इन सभी बाजारों को देखने की कोशिश करता है, तो उसे एक भ्रमित करने वाला अंतर (gap) सामना करना पड़ता है: कुछ डेटा बिंदु गायब होते हैं क्योंकि एक्सचेंज बंद था, न कि इसलिए कि बाजार शांत था। यदि मॉडल एक बंद बाजार को शून्य गतिविधि मान लेता है, तो वह गलत जानकारी बना देता है। यदि वह बंद दिनों को पूरी तरह से अनदेखा कर देता है, तो वह टाइमलाइन को तोड़ देता है और मूल्यवान संदर्भ खो देता है। यह एक मौलिक पहेली पैदा करता है: आप एक ऐसा मॉडल कैसे बना सकते हैं जो दुनिया के बाकी हिस्सों से सीख सके, लेकिन गलती से भविष्य में झाँक ले या किसी छुट्टी को शांति के क्षण के रूप में गलत न समझ ले?
शोधकर्ताओं की एक टीम ने इन समय के अंतरों का सम्मान करते हुए और यह सावधानी से तय करते हुए कि कौन से वैश्विक संकेत वास्तव में उपयोगी हैं, एक नया पूर्वानुमान प्रणाली बनाने के लिए इस पहेली को हल करने का प्रयास किया। उन्होंने स्थापित, सरल तरीकों को एक विशाल, जटिल आर्टिफिशियल इंटेलिजेंस से बदलने की कोशिश नहीं की जो सब कुछ शून्य से अनुमान लगाता है। इसके बजाय, उन्होंने एक हाइब्रिड सिस्टम बनाया जो एक सिद्ध, सरल मॉडल को एक ठोस आधार के रूप में उपयोग करता है और फिर उसके ऊपर वैश्विक जानकारी की एक बहुत ही विशिष्ट, अनुशासित परत जोड़ता है। उनका लक्ष्य यह देखना था कि क्या दूसरे देशों को देखना मदद करता है, लेकिन केवल तभी जब उस देखने का कार्य समय के नियमों के भीतर सख्ती से किया जाए।
शोधकर्ताओं ने अपने सिस्टम का परीक्षण दुनिया भर के आठ प्रमुख शेयर सूचकांकों (जिसमें संयुक्त राज्य अमेरिका, जर्मनी, जापान और चीन शामिल हैं) के दैनिक डेटा का उपयोग करके किया, जो 2006 से 2022 की अवधि को कवर करता है। इस डेटासेट में स्थिर विकास से लेकर गंभीर वित्तीय संकटों तक, कई अलग-अलग बाजार स्थितियां शामिल थीं। उन्होंने अपने नए तरीके की तुलना मानक एकल-बाजार दृष्टिकोण और कई अन्य जटिल मॉडलों से की जो सख्त नियमों के बिना वैश्विक डेटा से सीखने की कोशिश करते हैं। परिणामों ने दिखाया कि उनका अनुशासित दृष्टिकोण मानक पद्धति से बेहतर था। बंद बाजारों के शोर को सावधानीपूर्वक छानकर और केवल उस जानकारी का उपयोग करके जो भविष्यवाणी के समय वास्तव में उपलब्ध थी, उनके सिस्टम ने अपने पूर्वानुमानों में त्रुटि को कम कर दिया। यह सुधार लगभग सभी बाजारों में निरंतर रहा, विशेष रूप से एक दिन, पांच दिन और बाईस दिन आगे देखते समय।
इस प्रणाली को सफल बनाने वाली चीज़ केवल अन्य देशों को देखने की उसकी क्षमता नहीं थी, बल्कि यह था कि उसने क्या देखना है, इसका निर्णय कैसे लिया। शोधकर्ताओं ने प्रत्येक बाजार के लिए एक "गेट" (gate) बनाया जो यह सीखता था कि वैश्विक संकेतों को बनाम अपने स्वयं के इतिहास को कितना वजन देना है। उन्होंने पाया कि अल्पकालिक भविष्यवाणियों के लिए, जैसे कि एक दिन आगे देखना, सिस्टम तब सबसे अच्छा काम करता था जब वह अपने बाजार के हालिया इतिहास पर भारी निर्भर रहता था और वैश्विक जानकारी का केवल एक छोटा सा हिस्सा उपयोग करता था। हालांकि, जैसे-जैसे भविष्यवाणी की अवधि एक सप्ताह या एक महीने तक बढ़ती गई, सिस्टम ने विभिन्न देशों के बीच के संबंधों पर अधिक भरोसा करना सीख लिया। यह सुझाव देता है कि जबकि अगले दिन के लिए बाजार की अपनी गति (momentum) सबसे मजबूत चालक है, लंबी अवधि की तस्वीर समझने के लिए वैश्विक रुझानों का प्रभाव अधिक महत्वपूर्ण हो जाता है।
अध्ययन ने यह भी खुलासा किया कि केवल जटिलता बढ़ाने से हमेशा बेहतर परिणाम नहीं मिलते हैं। जब उन्होंने एक ऐसे संस्करण का परीक्षण किया जिसने बिना किसी सख्त नियम या "गेट" के वैश्विक डेटा से सीखने की कोशिश की, तो इसने बिना किसी नियम वाले जटिल संस्करण की तुलना में खराब प्रदर्शन किया। जटिल मॉडल डेटा के शोर से भ्रमित होने लगा, और यादृच्छिक उतार-चढ़ाव को सार्थक पैटर्न समझने की गलती करने लगा। शोधकर्ताओं ने पाया कि सबसे अच्छा दृष्टिकोण कोर भविष्यवाणी को एक विश्वसनीय, सरल आधार (baseline) से बांधे रखना था और वैश्विक जानकारी को केवल छोटे, नियंत्रित समायोजन करने की अनुमति देना था। इस दृष्टिकोण ने मॉडल को अस्थायी शोर के प्रति अति-प्रतिक्रिया करने से रोका, जबकि एक-दूसरे को प्रभावित करने वाले बाजारों के वास्तविक तरीकों को भी पकड़ा।
सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि वैश्विक डेटा से होने वाला सुधार एक समान नहीं था। सिस्टम हर एक बाजार के लिए हर एक दिन के लिए एक आदर्श भविष्यवक्ता नहीं बन गया। कुछ मामलों में, मानक पद्धति उतनी ही अच्छी बनी रही, और कुछ विशिष्ट उदाहरणों में, नया सिस्टम थोड़ा कम सटीक था। हालांकि, सभी आठ बाजारों और सभी समय सीमाओं में औसत प्रदर्शन को देखते हुए, नए सिस्टम ने मानक पद्धति की तुलना में लगातार अधिक सटीक पूर्वानुमान दिए और अन्य जटिल मॉडलों को भी पीछे छोड़ दिया। सांख्यिकीय परीक्षणों ने पुष्टि की कि ये सुधार केवल भाग्यशाली अनुमान नहीं थे बल्कि वास्तविक भविष्य बताने की शक्ति के वास्तविक लाभ थे।
शोधकर्ताओं ने यह भी खोजा कि बंद बाजारों से लापता डेटा को संभालने का तरीका अत्यंत महत्वपूर्ण था। एक बंद बाजार को "शून्य" के बजाय "लापता" (missing) के रूप में मानकर, और यह सुनिश्चित करके कि मॉडल कभी भी भविष्य की जानकारी का उपयोग न करे, उन्होंने उस सामान्य खामी से बचने में सफलता पाई जो कई पूर्वानुमान प्रयासों को प्रभावित करती है। समय के नियमों के इस सख्त पालन का अर्थ था कि मॉडल अतीत से इस तरह सीख रहा था जिसका उपयोग वास्तव में भविष्य की भविष्यवाणी करने के लिए किया जा सकता है। अध्ययन निष्कर्ष निकालता है कि वित्त की शोरभरी, अराजक दुनिया में, सबसे प्रभावी उपकरण अक्सर सबसे जटिल वाले नहीं होते, बल्कि वे होते हैं जो उपलब्ध जानकारी की सीमाओं का सम्मान करने के लिए सावधानीपूर्वक सीमित किए गए हों। एक ठोस, सरल आधार को दुनिया के बाकी हिस्सों के अनुशासित, नियम-आधारित दृष्टिकोण के साथ जोड़कर, भविष्य को थोड़ा अधिक स्पष्ट रूप से देखा जा सकता 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।