Ensemble learning for time series forecasting using metaheuristic optimisation

भविष्य की भविष्यवाणी करना एक मानवीय प्रवृत्ति है, लेकिन संख्याओं के भविष्य की भविष्यवाणी करना एक अत्यंत कठिन विज्ञान है। वित्त की दुनिया में, टाइम सीरीज़ फोरकास्टिंग (समय श्रृंखला पूर्वानुमान) इस बात का अनुमान लगाने का प्रयास है कि कल किसी स्टॉक की कीमत क्या होगी, इस आधार पर कि वह कल, पिछले सप्ताह और पिछले वर्ष क्या थी। डेटा शायद ही कभी एक सीधी रेखा में होता है; यह ऊबड़-खाबड़, शोर भरा और निरंतर बदलता रहता है, ठीक वैसे ही जैसे किसी तूफान में मौसम का पूर्वानुमान लगाने की कोशिश करना। क्योंकि बाजार इतना अस्थिर और अप्रत्याशित है, इसलिए भविष्यवाणी करने के लिए केवल एक विधि पर भरोसा करना अक्सर एक ही दिशा-सूचक यंत्र (कम्पास) के साथ जहाज चलाने की कोशिश करने जैसा है। यदि वह कम्पास थोड़ा भी गलत है, तो पूरी यात्रा संकट में पड़ सकती है। यही कारण है कि शोधकर्ताओं ने "एंसेम्बल लर्निंग" (समूह शिक्षण) की ओर रुख किया है, जो एक ऐसी रणनीति है जहाँ कई अलग-अलग भविष्यवाणा मॉडल बनाए जाते हैं और फिर उन्हें संयोजित किया जाता है। एक विशेषज्ञ पर भरोसा करने के बजाय, यह प्रणाली विशेषज्ञों के एक पैनल की बात सुनती है, इस उम्मीद में कि उनका सामूहिक ज्ञान व्यक्तिगत गलतियों को दूर कर सके और भविष्य का एक स्पष्ट मार्ग दिखा सके।

हालाँकि, चुनौती यह है कि इन विशेषज्ञों को कैसे जोड़ा जाए। यदि आप केवल प्रत्येक मॉडल से अनुमान लगाने के लिए कहते हैं और उनका औसत ले लेते हैं, तो आप इस तथ्य को अनदेखा कर सकते हैं कि एक मॉडल वर्तमान में शानदार प्रदर्शन कर रहा है जबकि दूसरा संघर्ष कर रहा है। असली तरकीब यह पता लगाना है कि किसी दिए गए क्षण में, किन मॉडलों पर अधिक भरोसा किया जाना चाहिए और किन्हें कम सुना जाना चाहिए। यह वही विशिष्ट समस्या है जिसे भारत के शोधकर्ताओं की एक टीम ने हल किया है जिन्होंने इन भविष्यवाणा मॉडलों के समूहों को प्रबंधित करने का एक नया तरीका विकसित किया है। उन्होंने दो अलग-अलग प्रणालियाँ बनाईं, एक जो पक्षियों के झुंड के तरीके से प्रेरित है और दूसरी जो अनिश्चितता को संभालने के गणितीय दृष्टिकोण पर आधारित है, ताकि यह गतिशील रूप से तय किया जा सके कि प्रत्येक मॉडल को कितना महत्व (वेट) दिया जाए। उनका लक्ष्य एक ऐसी प्रणाली बनाना था जो वास्तविक समय में अनुकूलित हो सके, और बाजार की स्थितियाँ बदलने के साथ सबसे विश्वसनीय भविष्यवक्ताओं पर अपना ध्यान केंद्रित कर सके।

अपने विचारों का परीक्षण करने के लिए, शोधकर्ताओं ने भारतीय शेयर बाजार की ओर रुख किया, जो एक विशाल और जटिल वित्तीय पारिस्थितिकी तंत्र है जिसने पिछले पंद्रह वर्षों में प्रमुख आर्थिक सुधारों और वैश्विक महामारी सहित नाटकीय बदलाव देखे हैं। उन्होंने सात अलग-अलग संस्थाओं के लिए ऐतिहासिक डेटा एकत्र किया: दो प्रमुख बाजार सूचकांक (इंडेक्स) जो अर्थव्यवस्था के समग्र स्वास्थ्य को ट्रैक करते हैं, और एक्सचेंज में सूचीबद्ध पांच सबसे बड़ी कंपनियाँ। वे केवल एक प्रकार के भविष्यवाणा इंजन पर निर्भर नहीं थे। इसके बजाय, उन्होंने तीन अलग-अलग आर्टिफिशियल इंटेलिजेंस मॉडलों का एक "पैनल" बनाया, जिनमें से प्रत्येक की अपनी ताकत है। एक मॉडल को स्थिर डेटा में पैटर्न खोजने के लिए डिज़ाइन किया गया था, दूसरा समय के साथ दीर्घकालिक रुझानों को याद रखने के लिए बनाया गया था, और तीसरा उसी स्मृति-आधारित मॉडल का एक संक्षिप्त संस्करण था, जिसे तेज़ होने के लिए डिज़ाइन किया गया था। इन तीनों मॉडलों को अगले दिन की समापन कीमत की भविष्यवाणी करने के लिए पिछले पंद्रह वर्षों के डेटा पर प्रशिक्षित किया गया था।

एक बार जब ये तीन मॉडल तैयार हो गए, तो शोधकर्ताओं ने उनके भविष्यवाणाओं को संयोजित करने के लिए अपनी दो नई प्रबंधन प्रणालियों को लागू किया। पहली प्रणाली, जिसे उन्होंने 'एंसेम्बल पीएसओ' (Ensemble PSO) कहा, एक कणों के झुंड (swarm of particles) द्वारा सर्वोत्तम समाधान की खोज करने के अनुकरण के माध्यम से कार्य करती है। कल्पना कीजिए कि पक्षियों का एक समूह एक साथ उड़ रहा है; प्रत्येक पक्षी को अपनी सर्वोत्तम स्थिति और पूरे झुंड द्वारा खोजी गई सर्वोत्तम स्थिति का पता होता है। वे सर्वोत्तम स्थान की ओर बढ़ने के लिए लगातार अपने उड़ान पथ को समायोजित करते हैं। इस कंप्यूटर प्रणाली में, "पक्षी" तीन मॉडलों को दिए गए भार (weights) के विभिन्न संयोजन हैं। यह प्रणाली हजारों सिमुलेशन चलाती है, और तब तक मिश्रण को लगातार समायोजित करती रहती है जब तक कि वह सटीक संतुलन न मिल जाए जो अनुमानित कीमत और वास्तविक कीमत के बीच के अंतर को न्यूनतम कर दे। दूसरी प्रणाली, 'एंसेम्बल एआरओ' (Ensemble ARO), एक अलग दृष्टिकोण अपनाती है। यह बाजार की अनिश्चितता को एक गणितीय चर (variable) के रूप में मानती है, जिससे भार का एक ऐसा सेट मिलता है जो मजबूत बना रहे, भले ही बाजार अप्रत्याशित व्यवहार करे। यह अनिवार्य रूप से पूछती है, "इन भविष्यवाणियों को संयोजित करने का सबसे सुरक्षित तरीका क्या है ताकि हम अचानक संकट में न फंसें?"

शोधकर्ताओं ने इन दो नई प्रणालियों की तुलना व्यक्तिगत मॉडलों, तीनों के सरल औसत और अतीत में उपयोग की जाने वाली अन्य उन्नत पूर्वानुमान विधियों के साथ की। सभी सात अलग-अलग डेटासेट्स में निष्पक्ष तुलना करने के लिए, उन्होंने परिणामों को स्कोर करने का एक नया तरीका विकसित किया। केवल एक संख्या देखने के बजाय, जैसे कि औसत रूप से भविष्यवाणी कितनी दूर थी, उन्होंने सटीकता के चार अलग-अलग मापों को देखा और उन्हें एक एकल, व्यापक स्कोर में संयोजित किया। इसने उन्हें न केवल एक डेटासेट पर, बल्कि सात अलग-अलग शेयरों और सूचकांकों के पूरे बोर्ड में मॉडलों को रैंक करने की अनुमति दी।

परिणाम स्पष्ट और सुसंगत थे। स्वार्म-आधारित अनुकूलन का उपयोग करने वाली प्रणाली, 'एंसेम्बल पीएसओ', ने हर अन्य विधि को, जिसमें व्यक्तिगत मॉडल और अन्य एंसेम्बल तकनीकें भी शामिल थीं, लगातार पीछे छोड़ दिया। यह परीक्षण किए गए विभिन्न बाजार स्थितियों और समय अवधियों में सबसे विश्वसनीय भविष्यवक्ता साबित हुई। दूसरा सबसे अच्छा प्रदर्शन करने वाला सिस्टम, मजबूत अनुकूलन दृष्टिकोण का उपयोग करने वाली प्रणाली, 'एंसेम्बल एआरओ' था, जिसने भी मानक मॉडलों की तुलना में काफी बेहतर प्रदर्शन किया। अध्ययन में पाया गया कि जबकि व्यक्तिगत मॉडल जैसे कि लॉन्ग-टर्म मेमोरी नेटवर्क अपने विशिष्ट कार्यों में अच्छे थे, वे अक्सर तब संघर्ष करते थे जब बाजार बहुत अधिक अस्थिर या अप्रत्याशित हो जाता था। भार को गतिशील रूप से समायोजित करके, नए एंसेम्बल सिस्टम उस मॉडल पर निर्भर करने में सक्षम थे जो उस विशिष्ट क्षण में सबसे अच्छा प्रदर्शन कर रहा था, जिससे त्रुटियों को प्रभावी ढंग से कम किया जा सका और एक अधिक सटीक पूर्वानुमान प्राप्त हुआ।

शोधकर्ताओं ने निष्कर्ष निकाला कि उनका दृष्टिकोण वित्तीय पूर्वानुमान के लिए एक शक्तिशाली उपकरण प्रदान करता है। विभिन्न मॉडलों के भार को प्रबंधित करने के लिए मेटाहेयुरिस्टिक ऑप्टिमाइज़ेशन (metaheuristic optimization) का उपयोग करके, उन्होंने एक ऐसी प्रणाली बनाई जो एक एकल एल्गोरिदम या एक साधारण औसत पर निर्भर रहने की तुलना में अधिक अनुकूलनीय और सटीक है। निष्कर्ष बताते हैं कि शोर भरे और बदलते डेटा की दुनिया में, भविष्य की भविष्यवाणी करने का सबसे अच्छा तरीका एक एकल पूर्ण मॉडल खोजना नहीं है, बल्कि मॉडलों की एक लचीली टीम बनाना है जिसे एक बुद्धिमान प्रणाली द्वारा मिलकर काम करने के लिए निर्देशित किया जा सके। यह कार्य इस दिशा में एक ठोस कदम है कि हम शेयर बाजार की जटिलताओं को समझने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग कैसे कर सकते हैं, जो एक ऐसी विधि प्रदान करता है जो स्केलेबल और वित्तीय डेटा की वास्तविक अनिश्चितता को संभालने के लिए पर्याप्त मजबूत है।