Asymptotically-informed neural networks for Black-Scholes implied volatility computation
यह शोध पत्र 'एसिम्प्टोटिकली-इन्फॉर्म्ड न्यूरल नेटवर्क्स' के एक नवीन परिवार को प्रस्तुत करता है जो प्राइस-लॉग-मोनीनेस डोमेन को विभाजित करने और विशिष्ट स्थानीय सन्निकटन (लोकल एप्रोक्सीमेशन) को संयोजित करने के लिए गेटिंग फंक्शन्स का उपयोग करते हैं, जो सटीकता में मानक मॉडलों से काफी बेहतर प्रदर्शन करते हैं और मशीन-प्रिसिजन के निकट ब्लैक-स्कोल्स इम्प्लाइड वोलैटिलिटी गणना के लिए अत्यधिक प्रभावी प्रारंभिक अनुमान प्रदान करते हैं।
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
वित्त की दुनिया में, ऑप्शंस (options) ऐसे अनुबंध होते हैं जो एक निवेशक को एक निश्चित तिथि तक एक विशिष्ट कीमत पर संपत्ति खरीदने या बेचने का अधिकार देते हैं, लेकिन यह उनकी बाध्यता नहीं है। यह निर्धारित करने के लिए कि इन अनुबंधों का मूल्य कितना है, व्यापारी दशकों पहले विकसित एक प्रसिद्ध गणितीय ढांचे पर भरोसा करते हैं। इस ढांचे के लिए कई इनपुट की आवश्यकता होती है, जिनमें से अधिकांश को खोजना आसान है: संपत्ति की वर्तमान कीमत, भविष्य के लेनदेन के लिए तय की गई कीमत, अनुबंध समाप्त होने तक का समय और प्रचलित ब्याज दर। हालांकि, इसमें एक महत्वपूर्ण घटक है जिसे सीधे देखा नहीं जा सकता: अपेक्षित अस्थिरता (expected volatility), या वह माप कि संपत्ति की कीमत कितनी तेजी से उतार-चढ़ाव कर सकती है। चूंकि यह संख्या छिपी हुई होती है, इसलिए व्यापारी पीछे की ओर काम करते हैं। वे बाजार में ट्रेड हो रहे ऑप्शन की वास्तविक कीमत देखते हैं और उस गणितीय सूत्र का उपयोग करते हैं जिससे यह पता चल सके कि उस कीमत को उत्पन्न करने के लिए अस्थिरता क्या होनी चाहिए। इस गणना की गई संख्या को 'इम्प्लाइड वोलेटिलिटी' (implied volatility) कहा जाता है, और यह विभिन्न ऑप्शंस की तुलना करने, जोखिम प्रबंधन करने और जटिल वित्तीय मॉडलों को कैलिब्रेट करने के लिए एक सार्वभौमिक भाषा के रूप में कार्य करती है।
कठिनाई तब आती है जब गणित अपनी सीमाओं तक पहुँच जाता है। जब कोई ऑप्शन अत्यधिक सस्ता, अत्यधिक महंगा, या बहुत कम या बहुत लंबे समय के लिए शेष होता है, तो कीमत और अस्थिरता के बीच का संबंध अविश्वसनीय रूप से संवेदनशील हो जाता है। इन चरम स्थितियों में, कीमत में एक मामूली त्रुटि गणना की गई अस्थिरता में एक बड़ी, भ्रामक त्रुटि पैदा कर सकती है। यह खतरनाक है क्योंकि पोर्टफोलियो को हेज करने से लेकर नए उत्पादों की कीमत तय करने तक के वित्तीय निर्णय, इस संख्या को सही प्राप्त करने पर निर्भर करते हैं। यदि इन कठिन क्षेत्रों में गणना थोड़ी भी गलत होती है, तो यह वहां लाभ का भ्रम पैदा कर सकती है जहां वास्तव में कोई लाभ नहीं है, या गलत जोखिम मूल्यांकन की ओर ले जा सकती है। वर्षों से, गणितज्ञों और कंप्यूटर वैज्ञानिकों ने मानक संख्यात्मक विधियों का उपयोग करके या उत्तर का अनुमान लगाने के लिए आर्टिफिशियल इंटेलिजेंस को प्रशिक्षित करके इस उलटी समस्या (inversion problem) को हल करने की कोशिश की है, लेकिन ये दृष्टिकोण अक्सर तब संघर्ष करते हैं जब डेटा बहुत अधिक चरम हो जाता है।
शोधकर्ताओं की एक टीम ने अब कंप्यूटर को इस समस्या को हल करने के तरीके को सिखाने का एक नया तरीका पेश किया है, जो वित्तीय परिदृश्य के अनूठे आकार का सम्मान करता है। एक मानक कंप्यूटर प्रोग्राम को पूरे संबंध को एक बड़े, समान कार्य के रूप में सीखने के लिए कहने के बजाय, उन्होंने एक ऐसी प्रणाली डिजाइन की जो पहचान करती है कि समस्या के अलग-अलग क्षेत्रों में अलग-अलग व्यवहार होते हैं। उन्होंने महसूस किया कि गणितीय संबंध कुछ क्षेत्रों में एक सीधी रेखा की तरह, कुछ में एक तीव्र ढलान की तरह और कुछ में एक वक्र (curve) की तरह व्यवहार करता है। इसे संभालने के लिए, उन्होंने एक विशेष प्रकार का न्यूरल नेटवर्क बनाया, जो आर्टिफिशियल इंटेलिजेंस का एक रूप है, जो विशेषज्ञों की एक टीम की तरह कार्य करता है। यह प्रणाली आंतरिक स्विचों के एक सेट का उपयोग करती है जो स्वचालित रूप से यह पता लगाती है कि वह समस्या के किस हिस्से का सामना कर रही है—चाहे वह बहुत कम कीमत, बहुत उच्च कीमत, या मध्यम स्तर से निपट रही हो—और फिर गणना को एक विशिष्ट उप-नेटवर्क (sub-network) को सौंप देती है जिसे ठीक उसी परिदृश्य को संभालने के लिए प्रशिक्षित किया गया है।
शोधकर्ताओं ने सामान्य बाजार स्थितियों से लेकर सबसे चरम, कठिन मामलों तक, विविध परिदृश्यों में इस दृष्टिकोण का पारंपरिक विधियों और मानक न्यूरल नेटवर्क के विरुद्ध परीक्षण किया। परिणाम आश्चर्यजनक थे। नया सिस्टम मानक दृष्टिकोणों की तुलना में लगातार बेहतर प्रदर्शन करता रहा, और अक्सर त्रुटि को हजारों गुना कम कर देता है। सबसे चुनौतीपूर्ण क्षेत्रों में जहाँ अन्य विधियाँ विफल हो गईं या अस्थिर हो गईं, वहां इस नए आर्किटेक्चर ने उच्च सटीकता बनाए रखी। इसके अलावा, शोधकर्ताओं ने पाया कि उनके न्यूरल नेटवर्क का आउटपुट इतना सटीक था कि वह अंतिम, तीव्र गणना के लिए एक लगभग आदर्श शुरुआती बिंदु के रूप में काम कर सकता है। नेटवर्क के अनुमान को एक मानक परिशोधन चरण (refinement step) में फीड करके, वे सटीकता के उस स्तर को प्राप्त कर सके जो अनिवार्य रूप से एक कंप्यूटर द्वारा गणना की जा सकने वाली सीमा है, और यह सब केवल दो त्वरित चरणों में किया गया।
यह कार्य प्रदर्शित करता है कि मशीन को जटिल वित्तीय समस्या को हल करने के लिए सिखाने का सबसे प्रभावी तरीका उसे सब कुछ शुरू से सीखने देना नहीं है, बल्कि समस्या की अंतर्निहित संरचना के साथ उसका मार्गदर्शन करना है। कंप्यूटर प्रोग्राम के डिजाइन में बाजार के ज्ञात व्यवहारों को सीधे शामिल करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो पिछले तरीकों की तुलना में तेज़, अधिक सटीक और अधिक विश्वसनीय है। यह विशेष रूप से वित्तीय उद्योग के लिए महत्वपूर्ण है, जहाँ चरम बाजार स्थितियों में ऑप्शंस की सटीक कीमत तय करने की क्षमता स्थिरता के लिए आवश्यक है। अध्ययन सुझाव देता है कि मशीन लर्निंग की गति को गणितीय विश्लेषण के संरचनात्मक अंतर्दृष्टि के साथ जोड़ना एक शक्तिशाली मार्ग प्रदान करता है, जो एक कुख्यात रूप से कठिन संख्यात्मक समस्या को मशीन जैसी सटीकता के साथ किए जाने वाले एक नियमित गणना में बदल देता 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।