Data Driven Options Pricing using ANN: Evidence from the CRR Model

वित्त की दुनिया में, 'ऑप्शन' नामक एक अनुबंध अपने स्वामी को एक निश्चित तिथि तक एक विशिष्ट मूल्य पर किसी संपत्ति को खरीदने या बेचने का अधिकार देता है, लेकिन यह उसकी बाध्यता नहीं है। ये उपकरण जोखिम प्रबंधन और बाजार की गतिविधियों पर दांव लगाने के लिए महत्वपूर्ण हैं, लेकिन इनका उचित मूल्य निर्धारित करना अत्यंत कठिन है। इसकी कीमत कारकों के एक बदलते जाल पर निर्भर करती है: संपत्ति की वर्तमान लागत, सहमति दिया गया स्ट्राइक प्राइस, शेष बचा हुआ समय, अर्थव्यवस्था में ब्याज दरें, और संपत्ति की कीमत कितनी तेजी से उतार-चढ़ाव कर सकती है इसका एक माप, जिसे अस्थिरता (volatility) कहा जाता है। दशकों से, इन मूल्यों की गणना करने का मानक तरीका जटिल गणितीय मॉडलों पर निर्भर रहा है जो संपत्ति के हजारों संभावित भविष्य के पथों का अनुकरण करते हैं। सटीक होने के बावजूद, ये गणनाएँ धीमी और गणनात्मक रूप से भारी होती हैं, जिन्हें अक्सर केवल एक एकल मूल्य प्राप्त करने के लिए संख्याओं को संसाधित करने हेतु शक्तिशाली कंप्यूटरों की आवश्यकता होती है। जब बाजार तेजी से चलते हैं, तो गणना पूरी होने का इंतजार करना एक बड़ी कमी बन सकता है।

भारतीय प्रौद्योगिकी संस्थान रोपड़ के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए 'आर्टिफिशियल न्यूरल नेटवर्क' नामक एक प्रकार के कंप्यूटर प्रोग्राम का उपयोग करके एक अलग मार्ग अपनाया है। हर बार जब किसी कीमत की आवश्यकता होती है, तो शून्य से एक नया सिमुलेशन बनाने के बजाय, उन्होंने एक 'डिजिटल मस्तिष्क' को पारंपरिक, धीमी मॉडलों के भीतर छिपे पैटर्न को पहचानने के लिए प्रशिक्षित किया है। शोधकर्ताओं ने नेटवर्क को कॉक्स-रोस-रूबिनस्टीन मॉडल (Cox-Ross-Rubinstein model) द्वारा उत्पन्न ऑप्शन कीमतों के लाखों उदाहरण दिए, जो एक संपत्ति कैसे आगे बढ़ सकती है, इसका अनुमान लगाने के लिए समय को छोटे चरणों में विभाजित करता है। एक बार जब नेटवर्क ने इनपुट कारकों और अंतिम मूल्य के बीच के संबंध को सीख लिया, तो यह एक बिजली की तरह तेज 'सरोगेट' बन गया। अध्ययन यह प्रदर्शित करता है कि यह प्रशिक्षित नेटवर्क विभिन्न प्रकार के विकल्पों के मूल्य की भविष्यवाणी लगभग तुरंत कर सकता है, जिसमें सटीकता का स्तर बहुत धीमी, पारंपरिक गणनाओं के काफी करीब होता है।

शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण कई अलग-अलग प्रकार के वित्तीय अनुबंधों पर किया। उन्होंने मानक यूरोपीय विकल्पों (European options) से शुरुआत की, जिन्हें केवल उनके जीवन के अंत में ही प्रयोग किया जा सकता है, और अमेरिकी विकल्पों (American options) से, जिन्हें किसी भी समय प्रयोग किया जा सकता है। उन्होंने एशियाई विकल्पों (Asian options) जैसे अधिक जटिल उपकरणों पर भी काम किया, जहाँ अंतिम भुगतान केवल अंत में कीमत के बजाय एक अवधि के दौरान संपत्ति की औसत कीमत पर निर्भर करता है, और बैरियर विकल्पों (barrier options) पर भी, जो केवल तभी अस्तित्व में होते हैं या भुगतान करते हैं जब संपत्ति की कीमत उनके जीवनकाल के दौरान एक विशिष्ट सीमा को पार करती है। मानक और एशियाई विकल्पों के लिए, न्यूरल नेटवर्क ने उल्लेखनीय सटीकता के साथ प्रदर्शन किया। इसने न केवल कीमत की भविष्यवाणी की, बल्कि "ग्रीक्स" (Greeks) की भी गणना की, जो संवेदनशील माप हैं कि बाजार में छोटे बदलावों के प्रति कीमत कैसे प्रतिक्रिया करेगी। इन मामलों में, नेटवर्क के उत्तर पारंपरिक विधि के लगभग समान थे, फिर भी इसने उन्हें एक सेकंड के बहुत छोटे हिस्से में वितरित किया।

गति का अंतर स्पष्ट है। बीस हजार अलग-अलग परिदृश्यों वाले परीक्षणों में, पारंपरिक विधि को यूरोपीय विकल्पों की कीमत बताने में एक मिनट से अधिक समय लगा और अमेरिकी पुट्स (American puts) के लिए लगभग दो मिनट लगे। हालाँकि, न्यूरल नेटवर्क ने वही कार्य लगभग डेढ़ सेकंड में पूरा कर लिया। अधिक जटिल एशियाई विकल्पों के लिए, जहाँ पारंपरिक विधि मेमोरी की कमी से जूझ रही थी और उसे सत्रह मिनट से अधिक का समय लगा, नेटवर्क ने केवल एक सेकंड से थोड़ा अधिक समय में काम पूरा कर लिया। यह दक्षता बताती है कि एक बार प्रशिक्षित होने के बाद, ऐसा सिस्टम वास्तविक समय के व्यापार (real-time trading) और जोखिम प्रबंधन के लिए अमूल्य हो सकता है, जिससे ट्रेडर भारी गणनाओं का इंतजार किए बिना तुरंत कीमतें और जोखिम देख सकते हैं।

हालाँकि, अध्ययन ने इस तकनीक की सीमाओं को भी उजागर किया। जब शोधकर्ताओं ने नेटवर्क को बैरियर विकल्पों पर लागू किया, तो परिणाम कम विश्वसनीय थे। इन विकल्पों में एक "क्लिफ एज" (ढलान वाली चट्टान) जैसा गुण होता है; यदि संपत्ति की कीमत एक विशिष्ट बाधा को छू लेती है, तो अनुबंध का मूल्य तुरंत शून्य हो सकता है। न्यूरल नेटवर्क, जो सुचारू और निरंतर पैटर्न सीखने में उत्कृष्ट है, इन तीव्र, अचानक परिवर्तनों के साथ संघर्ष करता है। अन्य अनुबंधों की तुलना में इनकी मूल्य निर्धारण और संवेदनशीलता माप में त्रुटियां स्पष्ट रूप से अधिक थीं। यह निष्कर्ष महत्वपूर्ण है क्योंकि यह दिखाता है कि हालांकि यह विधि शक्तिशाली है, लेकिन यह हर प्रकार के वित्तीय उपकरण के लिए सार्वभौमिक समाधान नहीं है। नेटवर्क तब सबसे अच्छा काम करता है जब अंतर्निहित गणित सुचारू होता है, लेकिन यह तब लड़खड़ा जाता है जब खेल के नियम अचानक, असंतत बदलावों से जुड़े होते हैं।

केवल मूल्य निर्धारण के अलावा, शोधकर्ताओं ने दिखाया कि यह दृष्टिकोण "वोलेटिलिटी सरफेस" (volatility surface) को भी मैप कर सकता है, जो एक जटिल त्रि-आयामी मानचित्र है जिसका उपयोग वित्तीय संस्थान यह समझने के लिए करते हैं कि विभिन्न कीमतों और समय के अनुसार जोखिम की बाजार अपेक्षाएं कैसे बदलती हैं। प्रमुख भारतीय कंपनियों के वास्तविक बाजार डेटा का उपयोग करते हुए, उन्होंने प्रदर्शित किया कि न्यूरल नेटवर्क इन सतहों को पारंपरिक मॉडलों की तुलना में बहुत तेजी से पुनर्गठित कर सकता है। पारंपरिक विधि, जिसे प्रत्येक गणना के लिए संभावनाओं का एक नया पेड़ बनाने की आवश्यकता होती है, डेटा को संसाधित करने में दर्जनों सेकंड लेती थी। न्यूरल नेटवर्क ने वही काम एक सेकंड के दसवें हिस्से से भी कम समय में कर दिया। यह क्षमता बताती है कि भविष्य में, वित्तीय फर्म वास्तविक समय में अपने जोखिम मॉडल और मूल्य निर्धारण रणनीतियों को अपडेट करने के लिए इन प्रशिक्षित नेटवर्कों का उपयोग कर सकते हैं, जिससे वे बाजार के बदलावों के बाद के बजाय उनके होते ही प्रतिक्रिया दे सकें।

यह कार्य पुराने मॉडलों को पूरी तरह से बदलने का दावा नहीं करता है, बल्कि एक अत्यधिक कुशल उपकरण के रूप में उनके साथ काम करने का सुझाव देता है। न्यूरल नेटवर्क कोई जादुई भविष्यवक्ता नहीं है; यह एक छात्र है जिसने पारंपरिक मॉडल के पाठों को याद कर लिया है और उत्तरों को तुरंत सुनाना सीख लिया है। यह मूल ढांचे के तर्क को विरासत में लेता है लेकिन गणनात्मक बोझ को हटा देता है। अधिकांश सामान्य विकल्पों के लिए, अध्ययन पुष्टि करता है कि यह डेटा-संचालित दृष्टिकोण इतना सटीक है कि इस पर भरोसा किया जा सके, जो आधुनिक वित्त की जटिलताओं को एक ऐसी गति के साथ नेविगेट करने का तरीका प्रदान करता है जो पहले असंभव थी। एकमात्र चेतावनी बैरियर विकल्पों का ऊबड़-खाबड़ परिदृश्य है, जहाँ नेटवर्क की सुचारू सीख वास्तविकता के तीखे किनारों से टकराती है।