Network-incorporated Portfolio Optimization with Graph Machine Learning
यह शोध पत्र एक हाइब्रिड ग्राफ मशीन लर्निंग फ्रेमवर्क प्रस्तावित करता है जो मल्टीस्केल टोपोलॉजिकल डिपेंडेंसीज का लाभ उठाने के लिए डायनेमिक स्टॉक कोरिलेशन नेटवर्क्स को ट्रांसफॉर्मर्स के साथ एकीकृत करता है, जिसके परिणामस्वरूप चीनी और अमेरिकी दोनों बाजारों में बेहतर जोखिम-समायोजित रिटर्न और व्याख्या योग्य आवंटन संकेत प्राप्त होते हैं।
मूल पेपर CC BY 4.0 (https://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
वित्तीय बाजार अलग-थलग द्वीपों का संग्रह नहीं हैं; वे विशाल, परिवर्तनशील पारिस्थितिकी तंत्र हैं जहाँ एक कंपनी का भाग्य अक्सर दूसरी कंपनी की किस्मत से जुड़ा होता है। जब कोई प्रमुख बैंक लड़खड़ाता है, तो इसके प्रभाव तकनीकी फर्मों, ऊर्जा उत्पादकों और खुदरा विक्रेताओं तक महसूस किए जा सकते हैं, जो कारण और प्रभाव का एक जटिल जाल बनाते हैं जिसे पारंपरिक निवेश उपकरण अक्सर चूक जाते हैं। दशकों से, पोर्टफोलियो प्रबंधकों ने इन संबंधों के स्थिर मानचित्रों पर भरोसा किया है, जिसमें शेयरों के बीच के संबंधों को ग्राफ पर अपरिवर्तनीय रेखाओं के रूप में माना जाता है। हालाँकि, ये संबंध जीवित हैं, जो समाचार आने और कीमतें बदलने के साथ हर दिन विकसित होते हैं। आधुनिक वित्त के लिए केंद्रीय चुनौती इस जीवित मानचित्र को वास्तविक समय में पढ़ने का तरीका खोजने में रही है—यह समझने में नहीं कि कौन से स्टॉक जुड़े हुए हैं, बल्कि यह कि उन कनेक्शनों का आकार पोर्टफोलियो बनाने के सर्वोत्तम तरीके को कैसे बदल देता है।
चीन और संयुक्त राज्य अमेरिका के विभिन्न विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने इस समस्या का समाधान इस प्रकार किया कि उन्होंने शेयर बाजार को एक गतिशील नेटवर्क के रूप में देखा और ऐसे नए प्रकार के कृत्रिम बुद्धिमत्ता (AI) को लागू किया जिसे ऐसी संरचनाओं को पढ़ने के लिए डिज़ाइन किया गया है। उन्होंने केवल यह नहीं देखा कि एक स्टॉक के हिलने पर दूसरा कितना हिलता है; उन्होंने पूरे बाजार का एक डिजिटल प्रतिनिधित्व बनाया, जहाँ प्रत्येक स्टॉक एक बिंदु है और उनके संबंध की मजबूती उन्हें जोड़ने वाली एक रेखा है। एक ऐसी विधि का उपयोग करके जो शोर (noise) को छानकर केवल सबसे सार्थक कनेक्शनों को रखती है, उन्होंने बाजार की वास्तविक संरचना का एक दैनिक स्नैपशॉट तैयार किया। फिर उन्होंने इस स्नैपशॉट को एक हाइब्रिड कंप्यूटर मॉडल में डाला जो दो शक्तिशाली तरीकों के संयोजन से बना है: एक जो किसी स्टॉक के तत्काल पड़ोसियों पर ध्यान केंद्रित करता है, और दूसरा जो दूरगामी, वैश्विक पैटर्न का पता लगाने के लिए पूरे बाजार का एक साथ स्कैन करता है।
शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण दुनिया के दो सबसे बड़े बाजारों: चीन के CSI 300 और संयुक्त राज्य अमेरिका के S&P 500 पर किया। उन्होंने अपने नए तरीके की तुलना उसी मॉडल के दो सरल संस्करणों और स्वयं बाजार के औसत से की। परिणामों ने एक स्पष्ट पदानुक्रम दिखाया। वह मॉडल जिसने नेटवर्क संरचना को अनदेखा किया और केवल व्यक्तिगत स्टॉक विशेषताओं को देखा, उसने ठीक-ठाक प्रदर्शन किया। वह मॉडल जिसने स्टॉक की तत्काल पड़ोसी जानकारी को जोड़ा, बेहतर प्रदर्शन कर गया। लेकिन सबसे सफल संस्करण वह था जिसने स्थानीय विवरणों को पूरे बाजार के वैश्विक आकार के दृष्टिकोण के साथ जोड़ा। चीनी बाजार में, इस उन्नत मॉडल ने परीक्षण अवधि के दौरान 103.6 प्रतिशत का संचयी रिटर्न दिया, जो 27.0 प्रतिशत के बाजार बेंचमार्क से काफी अधिक था। अमेरिकी बाजार में, इसने 16.4 प्रतिशत के बेंचमार्क की तुलना में 41.4 प्रतिशत का रिटर्न प्राप्त किया। महत्वपूर्ण रूप से, ये उच्च रिटर्न जोखिम भरे तरीके से नहीं आए; मॉडल ने दोनों क्षेत्रों में इनाम और जोखिम के बीच एक बेहतर संतुलन, जिसे शार्प रेशियो (Sharpe ratio) कहा जाता है, बनाए रखा।
इन परिणामों को जो बात विशेष रूप से उल्लेखनीय बनाती है, वह यह है कि मॉडल ने इन्हें कैसे हासिल किया। कोई अनुमान लगा सकता है कि एक अधिक शक्तिशाली AI केवल कुछ "विजेता" स्टॉक चुनेगा और उन पर सब कुछ दांव लगा देगा, या यह प्रौद्योगिकी या वित्त जैसे विशिष्ट उद्योगों का पक्ष लेगा। इसके बजाय, मॉडल अपने विकल्पों में अधिक चयनात्मक हो गया जबकि उसने विभिन्न क्षेत्रों में अपने दांव फैलाए। जैसे-जैसे मॉडल को नेटवर्क की अधिक परतों तक पहुंच मिली, उसने कम शेयरों में अपना पैसा केंद्रित किया, लेकिन वे शेयर कई अलग-अलग उद्योगों से लिए गए थे। यह सुझाव देता है कि मॉडल सेक्टर ट्रेंड्स का अनुमान नहीं लगा रहा था, बल्कि उन विशिष्ट कंपनियों की पहचान कर रहा था जो बाजार की दैनिक संरचना के भीतर अद्वितीय स्थिति रखती थीं। उसने व्यापक आर्थिक श्रेणियों के बजाय नेटवर्क के विशिष्ट आकार में मूल्य पाया।
मॉडल ने जो चुनाव किए, उन्हें समझने के लिए, शोधकर्ताओं ने एक नैदानिक उपकरण (diagnostic tool) का उपयोग किया जो एक स्पॉटलाइट की तरह कार्य करता है, यह प्रकट करता है कि नेटवर्क की कौन सी विशेषताएं प्रत्येक निर्णय के लिए सबसे महत्वपूर्ण थीं। उन्होंने पाया कि मॉडल डेटा की परिवर्तनशीलता (variability) पर भारी निर्भर था। वे विशेषताएं जो बार-बार बदलती थीं और विभिन्न स्टॉक्स के बीच मूल्यों की एक विस्तृत श्रृंखला प्रदान करती थीं, वे ही निवेश निर्णयों को संचालित करने वाली मुख्य कारक थीं। इसके विपरीत, जो विशेषताएं लगभग हर स्टॉक के लिए स्थिर बनी रहीं, जैसे कि सबसे मजबूती से जुड़े कंपनियों के सबसे बड़े समूह का आकार, उन्हें काफी हद तक अनदेखा कर दिया गया। यह इंगट करता है कि मॉडल ने स्थिर, अपरिवमानशील तथ्यों को अनदेखा करना सीखा और उन गतिशील, बदलते संकेतों पर ध्यान केंद्रित किया जो वास्तव में भविष्य के प्रदर्शन की भविष्यवाणी करते हैं।
अध्ययन ने दो बाजारों के बीच एक सूक्ष्म अंतर भी प्रकट किया। चीन में, मॉडल ने नेटवर्क की स्थानीय संरचना पर अधिक वजन दिया, यानी एक स्टॉक के तत्काल पड़ोसियों पर बारीकी से ध्यान दिया। संयुक्त राज्य अमेरिका में, मॉडल ने पहुंच (reachability) के वैश्विक मापों पर अधिक भरोसा किया, यह देखते हुए कि एक स्टॉक पूरे नेटवर्क में दूसरों से कितनी दूर है। यह सुझाव देता है कि किसी बाजार का "व्यक्तित्व" यह निर्धारित करता है कि किस प्रकार की नेटवर्क जानकारी सबसे मूल्यवान है। शोधकर्ताओं ने पाया कि जैसे-जैसे उन्होंने अपने मॉडल में नेटवर्क सूचना की अधिक परतें जोड़ीं, उनके द्वारा विभिन्न विशेषताओं के उपयोग का तरीका पूरी तरह से बदल गया। इसने केवल उन संकेतों को बढ़ाया जिन्हें वह पहले से जानता था; बल्कि इसने अपनी समझ को पुनर्गठित किया, और अपने अंतिम निर्णय लेने के लिए नेटवर्क के व्यापक और विविध संरचनात्मक सुरागों का उपयोग किया।
अंततः, यह कार्य प्रदर्शित करता है कि वित्तीय नेटवर्क का आकार उस कार्रवाई योग्य जानकारी को समाहित करता है जिसे पारंपरिक तरीके अनदेखा कर देते हैं। बाजार की जटिल, विकसित होती ज्यामिति को निवेश निर्णयों में अनुवादित करके, शोधकर्ताओं ने दिखाया कि मशीन लर्निंग प्रभावी रूप से सूचना के कई स्तरों को एकीकृत कर सकती है, जो एक एकल स्टॉक के स्थानीय पड़ोस से लेकर पूरे बाजार की वैश्विक निर्भरता तक विस्तृत है। निष्कर्ष बताते हैं कि सबसे सफल पोर्टफोलियो केवल स्टॉक्स को अलग-थोगी दृष्टि से देखकर या स्थिर नियमों का पालन करके नहीं, बल्कि बाजार के जीवित, सांस लेते मानचित्र को निरंतर पढ़कर बनाए जा सकते हैं।
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।