An Inter-variable Relationship-Aware Mixture-of-Experts Model for Stock Closing-Price Prediction
यह शोधपत्र IR-MoE का प्रस्ताव करता है, जो एक इंटर-वेरिएबल रिलेशनशिप-अवेयर मिक्स्चर-ऑफ-एक्सपर्ट्स ट्रांसफार्मर है, जो ट्रेडिंग वेरिएबल्स के बीच गतिशील निर्भरता को स्पष्ट रूप से मॉडल करता है और विविध वैश्विक शेयर बाजारों में बेहतर पूर्वानुमान सटीकता और ज़ीरो-शॉट सामान्यीकरण प्राप्त करने के लिए स्टॉक-वाइज शफ़ल्ड ट्रेनिंग रणनीति के साथ स्पार्स रूटिंग का उपयोग करता है।
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
शेयर के भविष्य के मूल्य की भविष्यवाणी करना वित्त के सबसे निरंतर चुनौतियों में से एक है। बाजार एक अराजक स्थान है, जो वैश्विक समाचारों और सरकारी नीतियों से लेकर लाखों निवेशकों के सामूहिक मूड तक, हर चीज़ से प्रभावित होता है। इस कारण, शेयर की कीमतें सरल, सीधी रेखाओं में नहीं चलतीं; वे शोर भरी, अनिश्चित और लगातार बदलती रहती हैं। दशकों से, विशेषज्ञों ने इस अराजकता में पैटर्न खोजने की कोशिश की है, अक्सर पांच दैनिक संख्याओं के एक मानक सेट को देखते हुए: वह कीमत जब बाजार खुलता है (ओपन), उच्चतम स्तर (हाई), निम्नतम स्तर (लो), वह कीमत जब बाजार बंद होता है (क्लोज), और कारोबार किए गए शेयरों की कुल मात्रा (वॉल्यूम)। कठिनाई केवल समय के साथ इन नंबरों को ट्रैक करने में नहीं है, बल्कि यह समझने में है कि वे एक-दूसरे से कैसे बात करते हैं। भारी ट्रेडिंग वॉल्यूम के साथ कीमतों में उछाल एक अलग कहानी बताता है तुलनात्मक रूप से कम वॉल्यूम के साथ उछाल के, फिर भी कई कंप्यूटर मॉडल इन पांच नंबरों को अलग, असंबद्ध डेटा स्ट्रीम के रूप में मानते हैं।
मुख्य प्रश्न जो शोधकर्ता सामना करते हैं वह यह है कि क्या एक एकल कंप्यूटर प्रोग्राम शेयर बाजार के जटिल, बदलते नियमों को इतनी अच्छी तरह सीख सकता है कि वह बिना दोबारा प्रशिक्षित हुए नए, अनदेखे शेयरों पर उन्हें लागू कर सके। पारंपरिक तरीके अक्सर यहाँ संघर्ष करते हैं, या तो कीमत और वॉल्यूम के बीच सूक्ष्म संबंधों को पकड़ने में विफल रहते हैं या किसी विशिष्ट कंपनी के लिए इतने विशिष्ट हो जाते हैं कि वे दूसरी कंपनी के अनुकूल नहीं हो पाते। यह सीमा निवेश विश्लेषण के लिए एक सार्वभौमिक उपकरण बनाने को कठिन बनाती है जो विभिन्न देशों और बाजार की स्थितियों में काम कर सके।
बीजिंग इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण प्रस्तावित करते हुए एक अध्ययन में एक नया तरीका विकसित किया। उन्होंने IR-MoE नामक एक प्रणाली विकसित की, जिसका अर्थ है 'इंटर-वेरिएबल रिलेशनशिप-अवेयर मिक्स्चर-ऑफ-एक्सपर्ट्स'। इसका नाम ठीक वही बताता है जो यह प्रणाली करती है: इसे यह जानने के लिए डिज़ाइन किया गया है कि विभिन्न ट्रेडिंग वेरिएबल्स एक-दूसरे से कैसे संबंधित हैं, और यह भविष्यवाणी करने के लिए "मिक्स्चर-ऑफ-एक्सपर्ट्स" का उपयोग करता है। कंप्यूटर को सभी शेयरों के लिए एक एकल, कठोर नियम सीखने के लिए मजबूर करने के बजाय, यह प्रणाली मॉडल के विभिन्न हिस्सों को विभिन्न बाजार स्थितियों में विशेषज्ञता हासिल करने की अनुमति देती है। यह इस विचार पर आधारित है कि हालांकि हर शेयर अद्वितीय है, लेकिन जिस तरह से कीमत और वॉल्यूम परस्पर क्रिया करते हैं, वह अक्सर पहचाने जाने योग्य पैटर्न का पालन करता है जिसे सीखा और स्थानांतरित किया जा सकता है।
शोधकर्ताओं ने चार अलग-अलग वित्तीय बाजारों से भारी मात्रा में ऐतिहासिक डेटा एकत्र करके शुरुआत की: चीनी ए-शेयर बाजार, संयुक्त राज्य अमेरिका, हांगकांग और जापान। उन्होंने इन क्षेत्रों से सैकड़ों प्रतिनिधि शेयरों को चुना, जिसमें उद्योगों और बाजार व्यवहारों की एक विस्तृत श्रृंखला शामिल थी। प्रत्येक सैकड़ों शेयरों के लिए एक अलग मॉडल प्रशिक्षित करने के बजाय, उन्होंने सारा डेटा एक ही, एकीकृत प्रणाली में डाला। इस "यूनियन ट्रेनिंग" रणनीति ने मॉडल को साझा बाजार गतिशीलता को सीखने की अनुमति दी, जैसे कि ट्रेडिंग वॉल्यूम में उछाल अक्सर कीमत की दिशा में बदलाव का संकेत देता है, चाहे वह शेयर शंघाई का हो या न्यूयॉर्क का।
उनके सिस्टम का केंद्र एक दो-भाग वाली वास्तुकला (आर्किटेक्चर) है। पहला भाग पांच दैनिक नंबरों के बीच संबंधों को समझने पर केंद्रित है। शोधकर्ताओं ने प्रत्येक नंबर—ओपन, हाई, लो, क्लोज और वॉल्यूम—को सूचना के एक अलग टुकड़े, या 'टोकन' के रूप में माना, और उन्हें एक-दूसरे के साथ बातचीत करने देने के लिए आधुनिक भाषा मॉडलों से प्रेरित एक तंत्र का उपयोग किया। इसने सिस्टम को स्पष्ट रूप से यह सीखने की अनुमति दी, उदाहरण के लिए, कि क्लोजिंग प्राइस उस दिन के ट्रेडिंग वॉल्यूम से अत्यधिक प्रभावित होती है। इन अंतःक्रियाओं को विज़ुअलाइज़ करके, शोधकर्ताओं ने पाया कि मॉडल कीमत के उतार-चढ़ाव को समझने के प्रयास में वॉल्यूम पर लगातार ध्यान देता है। यह ध्यान यादृच्छिक नहीं था; यह उच्च अस्थिरता की अवधि के दौरान अधिक मजबूत था, जिससे पता चलता है कि मॉडल ने सीख लिया है कि जब बाजार अशांत होता है, तो वॉल्यूम एक अधिक महत्वपूर्ण सुराग बन जाता है।
सिस्टम का दूसरा भाग "मिक्स्चर-ऑफ-एक्सपर्ट्स" है। विशेषज्ञों की एक टीम की कल्पना करें, प्रत्येक विशेषज्ञ एक विशिष्ट प्रकार के बाजार व्यवहार में विशेषज्ञ है, जैसे कि एक स्थिर ऊपर की ओर रुझान, अचानक गिरावट, या एक शांत, अगल-बगल की गति। जब सिस्टम को किसी नए शेयर के लिए डेटा प्राप्त होता है, तो यह हर विशेषज्ञ से राय नहीं मांगता है। इसके बजाय, एक रूटिंग तंत्र वर्तमान बाजार स्थितियों को देखता है और भविष्यवाणी करने के लिए केवल सबसे प्रासंगिक विशेषज्ञों में से कुछ को चुनता है। यह सिस्टम को विभिन्न स्थितियों के अनुकूल तुरंत ढलने की अनुमति देता है। यदि बाजार अनियमित व्यवहार कर रहा है, तो यह उच्च-अस्थिरता पैटर्न पर प्रशिक्षित विशेषज्ञों को बुला सकता है; यदि बाजार शांत है, तो यह उन विशेषज्ञों पर भरोसा कर सकता है जो स्थिर रुझानों पर प्रशिक्षित हैं। यह लचीलापन ही है जो मॉडल को वैश्विक शेयर बाजारों की विविध और परिवर्तनशील प्रकृति को संभालने की अनुमति देता है।
अध्ययन के परिणामों का परीक्षण सभी चार बाजारों में किया गया था, जिसमें एक कठोर परीक्षण भी शामिल था जहाँ मॉडल को उन शेयरों के लिए कीमतों की भविष्यवाणी करने के लिए कहा गया जिन्हें उसने पहले कभी नहीं देखा था, बिना किसी अतिरिक्त प्रशिक्षण के। इन "जीरो-शॉट" परीक्षणों में, नई प्रणाली ने कई मौजूदा तरीकों को पछाड़ दिया, जिसमें जटिल मॉडल जो डेटा को छोटे टुकड़ों में विभाजित करते हैं और टाइम-सीरीज फोरकास्टिंग के लिए डिज़ाइन किए गए अन्य उन्नत आर्टिफिशियल इंटेलिजेंस सिस्टम भी शामिल हैं। चीनी ए-शेयर बाजार पर, मॉडल ने लगभग 1.10 प्रतिशत की भविष्यवाणी त्रुटि दर हासिल की, जबकि अमेरिकी बाजार पर, इसने लगभग 1.32 प्रतिशत की त्रुटि दर तक पहुँच बनाई। ये आंकड़े अध्ययन में सर्वश्रेष्ठ प्रदर्शन करने वाले विकल्पों की तुलना में लगातार बेहतर थे।
शायद सबसे महत्वपूर्ण बात यह है कि मॉडल ने सीमाओं के पार अपने ज्ञान को स्थानांतरित करने की क्षमता सिद्ध की। जब सिस्टम को चीनी शेयरों के डेटा पर प्रशिक्षित किया गया और सीधे अमेरिका, हांगकांग और जापान के अनदेखे शेयरों पर लागू किया गया, तो इसने उच्च सटीकता बनाए रखी। यह सुझाव देता है कि कीमत और वॉल्यूम के बीच मौलिक संबंध इतने सार्वभौमिक हैं कि उन्हें एक बार सीखा जा सकता है और कहीं भी लागू किया जा सकता है। शोधकर्ताओं ने यह भी पाया कि सिस्टम तब सबसे अच्छा काम करता है जब इसे विविध लेकिन प्रबंधनीय संख्या में शेयरों पर प्रशिक्षित किया जाता है। अधिक डेटा जोड़ने से शुरू में मदद मिली, लेकिन एक निश्चित बिंदु के बाद, लाभ कम होने लगे, जो यह दर्शाता है कि कुंजी केवल सिस्टम को अधिक नंबर खिलाना नहीं था, बल्कि बाजार व्यवहारों की एक विस्तृत विविधता को कवर करना था।
यह सुनिश्चित करने के लिए कि सिस्टम सही ढंग से काम कर रहा है, शोधकर्ताओं ने यह भी जांचा कि "विशेषज्ञों" का उपयोग कैसे किया जा रहा है। उन्होंने पाया कि एक विशिष्ट संतुलन तंत्र के बिना, सिस्टम कुछ ही विशेषज्ञों पर बहुत अधिक निर्भर रहने लगता है, जिससे अन्य निष्क्रिय रह जाते हैं। एक ऐसा नियम जोड़कर जिसने सिस्टम को काम को अधिक समान रूप से वितरित करने के लिए मजबूर किया, उन्होंने यह सुनिश्चित किया कि मॉडल के सभी विशेष हिस्से सक्रिय हों और सीख रहे हों। प्रशिक्षण प्रक्रिया में इस बारीकी पर ध्यान देना सिस्टम की स्थिरता और प्रदर्शन के लिए महत्वपूर्ण था।
अध्ययन निष्कर्ष निकालता है कि ट्रेडिंग वेरिएबल्स की अंतःक्रिया को स्पष्ट रूप से मॉडल करके और विशेष भविष्यवक्ताओं की एक लचीली टीम का उपयोग करके, स्टॉक पूर्वानुमान के लिए अधिक मजबूत और अनुकूलनीय उपकरण बनाना संभव है। शोधकर्ता सुझाव देते हैं कि उनका दृष्टिकोण वित्तीय विश्लेषण के लिए एक आशाजनक मार्ग प्रदान करता है, जो कठोर, एकल-उद्देश्य वाले मॉडलों से हटकर ऐसे सिस्टम की ओर बढ़ता है जो बाजार की जटिल, बदलती भाषा को समझ सकते हैं। हालांकि अध्ययन यह दावा नहीं करता है कि उसने शेयर बाजार के रहस्य को सुलझा लिया है, लेकिन यह प्रदर्शित करता है कि दैनिक ट्रेडिंग डेटा के बीच के संबंधों की गहरी समझ अधिक सटीक और सामान्यीकरण योग्य भविष्यवाणियों की ओर ले जा सकती है। यह कार्य भविष्य के अनुसंधान के लिए द्वार खोलता है जो समाचार रिपोर्टों या इंट्राडे ट्रेडिंग विवरणों जैसे और भी प्रकार के डेटा को शामिल कर सकता है, जिससे वित्तीय दुनिया में नेविगेट करने की हमारी क्षमता को और अधिक परिष्कृत किया जा सके।
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।