VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion
VertiFuseX एक हल्का, हाइब्रिड LSTM आर्किटेक्चर है जो मल्टी-स्केल टेम्पोरल रिप्रेजेंटेशन्स के एक नवीन पेनल्टीमेट-लेयर वर्टिकल फ्यूजन को नियोजित करके वित्तीय पूर्वानुमान में बेहतर सामान्यीकरण और सटीकता प्राप्त करता है, जो विविध वैश्विक बाजारों में मौजूदा बेसलाइन्स से काफी बेहतर प्रदर्शन करते हुए तैनाती-योग्य दक्षता बनाए रखता 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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
शेयरों की भविष्य की कीमत का अनुमान लगाना वित्त के सबसे कठिन चुनौतियों में से एक है। बाजार कोई स्थिर, अनुमानित मशीन नहीं है; यह एक अराजक, शोर भरा तंत्र है जो लगातार बदलता रहता है। कीमतें सीधी रेखाओं में नहीं चलतीं, बल्कि तत्काल समाचारों, दीर्घकालिक रुझानों और लाखों निवेशकों के बदलते मिजाज के मिश्रण के आधार पर ऊपर-नीचे होती हैं। क्योंकि डेटा बहुत अव्यवस्थित है और इतनी तेजी से बदलता है, मानक कंप्यूटर प्रोग्राम अक्सर शोर के भीतर छिपे वास्तविक संकेत को खोजने में संघर्ष करते हैं। वे या तो पिछली गलतियों को याद कर लेते हैं या जब बाजार अचानक एक नए पैटर्न में बदल जाता है, तो भ्रमित हो जाते हैं। दशकों से, शोधकर्ताओं ने बेहतर उपकरण बनाने की कोशिश की है, जटिल गणितीय मॉडल का उपयोग करके यह अनुमान लगाने के लिए कि कीमतें आगे कहाँ जाएँगी, इस उम्मीद में कि उन अनुमानों को विश्वसनीय पूर्वानुमानों में बदला जा सके जो निवेशकों को जोखिम प्रबंधन में मदद कर सकें।
भारतीय प्रौद्योगिकी संस्थान जोधपुर के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए 'VertiFuseX' नामक एक नया दृष्टिकोण प्रस्तावित किया है। कंप्यूटर को अतीत को देखने के एक एकल, कठोर तरीके को सीखने के लिए मजबूर करने के बजाय, उन्होंने एक ऐसा सिस्टम बनाया है जो बाजार की तीन अलग-अलग "आवाजों" को एक साथ सुनता है। कल्पना कीजिए कि तीन अलग-अलग लोगों को सुनकर एक जटिल कहानी को समझने की कोशिश करना: एक जो घटनाओं के सटीक क्रम को याद रखता है, एक जो शुरुआत से अंत तक पूरी कहानी के संदर्भ को समझता है, और एक जो यह देखता है कि समय के साथ कथानक कैसे विकसित हुआ है। शोधकर्ताओं ने इन तीन दृष्टिकोणों को एक एकल, एकीकृत मॉडल में मिला दिया। उन्होंने पाया कि भविष्य का अंतिम अनुमान लगाने से पहले अतीत के इन विभिन्न दृश्यों को मिलाने से, सिस्टम उन पैटर्न को देख सका जिन्हें अन्य चूक गए थे, जिससे काफी अधिक सटीक पूर्वानुमान प्राप्त हुए।
उनकी खोज का मुख्य आधार यह है कि उन्होंने इन विभिन्न दृष्टिकोणों को कैसे जोड़ा। पिछले कई प्रयासों में, शोधकर्ता प्रत्येक कंप्यूटर मॉडल को अपना स्वयं का अनुमान लगाने देते थे और फिर केवल परिणामों का औसत निकाल लेते थे, जैसे कि वोट लेना। नया अध्ययन तर्क देता है कि यह विधि बहुत सारी मूल्यवान जानकारी को नष्ट कर देती है। इसके बजाय, शोधकर्ताओं ने निर्णय लिया कि वे डेटा को प्रोसेस करते समय मॉडलों के आंतरिक "विचारों" को जोड़ेंगे, इससे पहले कि उन्हें एक अंतिम संख्या के लिए प्रतिबद्ध होना पड़े। उन्होंने अपने तीन अलग-अलग मॉडलों से प्राप्त मध्यवर्ती निरूपण (intermediate representations) लिए—एक जो अल्पकालिक स्मृति को ट्रैक करता है, एक जो एक विशिष्ट विंडो के भीतर भूत और भविष्य को देखता है, और एक जो गहरे, स्तरित रुझानों को समझता है—और उन्हें आपस में मिला दिया। इसने सिस्टम को बाजार के इतिहास की समृद्ध, विस्तृत बनावट को बनाए रखने की अनुमति दी, न कि इसे केवल एक संकुचित अनुमान तक सीमित कर दिया।
यह विचार काम करता है या नहीं, इसकी जांच करने के लिए, शोधकर्ताओं ने दुनिया भर के दस प्रमुख शेयर बाजारों (जिनमें संयुक्त राज्य अमेरिका, यूरोप और एशिया शामिल हैं) के पंद्रह वर्षों के दैनिक समापन मूल्यों पर अपने सिस्टम को प्रशिक्षित किया। उन्होंने एक सख्त परीक्षण पद्धति का उपयोग किया जहाँ मॉडल को अतीत पर प्रशिक्षित किया गया और फिर उसे भविष्य की भविष्यवाणी करने के लिए कहा गया, बिना पहले से टेस्ट डेटा देखे, जिससे यह सुनिश्चित हुआ कि परिणाम केवल भाग्यशाली अनुमान नहीं थे। परिणाम चौंकाने वाले थे। नए सिस्टम ने पुराने, मानक मॉडलों की तुलना में भविष्यवाणी त्रुटियों को 30 से 54 प्रतिशत तक कम कर दिया। इसने ब्लू-चिप शेयरों से लेकर तेजी से बदलने वाले तकनीकी-प्रधान बाजारों तक, विभिन्न प्रकार के बाजारों में लगातार अच्छा प्रदर्शन किया। सिस्टम आश्चर्यजनक रूप से कुशल भी था, जिसे बहुत कम कंप्यूटर मेमोरी की आवश्यकता थी और यह दो मिलीसेकंड से भी कम समय में भविष्यवाणी कर सकता था, जो वास्तविक समय के व्यापार (real-time trading) के लिए पर्याप्त तेज़ है।
शोधकर्ताओं ने यह समझने के लिए कि उनका सिस्टम वास्तव में क्या सीख रहा है, यह भी देखा कि वह अपने निर्णय कैसे लेता है। यह विश्लेषण करके कि मॉडल ने अतीत के किन दिनों पर सबसे अधिक ध्यान दिया, उन्होंने पाया कि इसने लगातार समय के एक विशिष्ट अंतराल पर ध्यान केंद्रित किया, जो लगभग नौ से पंद्रह दिन पहले का था। यह सुझाव देता है कि मॉडल ने डेटा में एक ऐसा "स्वीट स्पॉट" ढूंढ लिया था जहाँ संकेत इतना मजबूत था कि वह उपयोगी हो सके लेकिन इतना पुराना नहीं कि अप्रासंगिक हो जाए। यह अंतर्दृष्टि मूल्यवान है क्योंकि यह दिखाती है कि सिस्टम ने पिछले एक या दो दिन के तत्काल, अराजक शोर और महीनों पुराने, फीके पड़ चुके पैटर्न को अनदेखा करना सीख लिया है, और इसके बजाय उन मध्यवर्ती रुझानों पर ध्यान केंद्रित किया है जो अक्सर मूल्य आंदोलनों को संचालित करते हैं।
यह देखने के लिए कि क्या उनके बेहतर अनुमान वास्तव में वास्तविक दुनिया में मायने रखते हैं, टीम ने मॉडल के पूर्वानुमानों का उपयोग करके एक ट्रेडिंग रणनीति का अनुकरण किया। उन्होंने हाल के वित्तीय इतिहास की दो सबसे तनावपूर्ण अवधियों के दौरान सिस्टम के प्रदर्शन का परीक्षण किया: 2020 में महामारी के कारण आया बाजार क्रैश और 2022 का बेयर मार्केट। दोनों मामलों में, सिस्टम ने केवल स्टॉक को थामे रखने की तुलना में पूंजी की बेहतर सुरक्षा की। इसने मंदी के दौरान होने वाले अधिकतम नुकसान को कम किया और जोखिम के सापेक्ष बेहतर रिटर्न प्राप्त किया। हालांकि यह कुल लाभ में हमेशा बाजार को नहीं हरा सका, लेकिन इसने कम अस्थिरता और कम तीव्र गिरावट के साथ ऐसा किया, जो यह दर्शाता है कि मॉडल चरम स्थितियों में भी बिना टूटे अनुकूलित हो सकता है।
अध्ययन यह निष्कर्ष निकालता है कि विभिन्न प्रकार की स्मृति को एक मध्यवर्ती चरण पर जोड़ने की यह नई विधि वित्तीय बाजारों की जटिलता को संभालने का एक शक्तिशाली तरीका है। यह सुझाव देता है कि बेहतर पूर्वानुमान की कुंजी केवल मॉडलों को गहरा या अधिक जटिल बनाना नहीं है, बल्कि उन्हें अतीत को देखने के अपने विभिन्न तरीकों को साझा करने और संयोजित करने के बारे में सिखाना है। सिस्टम हल्का, तेज़ और विभिन्न देशों और बाजार स्थितियों में मजबूत साबित हुआ, जो वास्तविक दुनिया के वित्तीय सिस्टम में तैनात किया जा सकने वाला एक व्यावहारिक उपकरण है। हालांकि शोधकर्ता स्वीकार करते हैं कि कोई भी मॉडल पूर्ण निश्चितता के साथ भविष्य की भविष्यवाणी नहीं कर सकता, विशेष रूप से अचानक वैश्विक झटकों के दौरान, लेकिन उनका कार्य अनिश्चित शेयर बाजार की लहरों के बीच नेविगेट करने का एक स्पष्ट और अधिक विश्वसनीय तरीका प्रदान 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।