Adaptive Position Rebalancing via Regime-Conditioned Contextual Bandits for Pre-Market Trading Optimization
यह शोध पत्र भारतीय शेयर बाजार के लिए एक अनुकूलन योग्य प्री-मार्केट पोर्टफोलियो प्रबंधन ढांचे का प्रस्ताव करता है जो अनसुपरवाइज्ड मार्केट रिजीम डिटेक्शन को चार कॉन्टेक्स्टुअल बैंडिट मॉडलों के एक एंसेम्बल के साथ जोड़कर गतिशील रूप से बाय (Buy), सेल (Sell) या होल्ड (Hold) क्रियाओं का चयन करता है, जो अस्थिर परिस्थितियों में बेसलाइन दृष्टिकोणों की तुलना में बेहतर प्रदर्शन प्रदर्शित 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
वित्त की दुनिया में, सबसे कठिन चुनौती भविष्य की भविष्यवाणी करना नहीं है, बल्कि वर्तमान को पहचानना है। बाजार स्थिर परिदृश्य नहीं हैं; वे जीवित वातावरण हैं जो अलग-अलग मनोदशाओं के बीच बदलते रहते हैं। कभी-कभी वे आशावादी और बढ़ते हुए होते हैं, एक ऐसी स्थिति जिसे व्यापारी "बुलिश" (bullish) कहते हैं। अन्य समय में, डर हावी हो जाता है, और कीमतें "बेयरिश" (bearish) मंदी में गिर जाती हैं। इनके बीच में, बाजार अक्सर एक तटस्थ अवस्था में रहता है, बिना किसी स्पष्ट दिशा के अगल-बगल चलता रहता है। पारंपरिक कंप्यूटर मॉडल इस वास्तविकता के साथ संघर्ष करते हैं क्योंकि वे सभी स्थितियों के लिए नियमों का एक ही सेट लागू करने की प्रवृत्ति रखते हैं, जैसे कि एक ड्राइवर सड़क सूखी, बर्फीली या कीचड़ से ढकी होने पर भी एक ही स्टीयरिंग तकनीक का उपयोग करता है। जब वातावरण बदलता है, तो एक कठोर मॉडल तेजी से अनुकूलित होने में विफल रहता है, जिससे महंगी गलतियाँ होती हैं। यह विशेष रूप से शेयर बाजार खुलने से ठीक पहले के संक्षिप्त समय के लिए सत्य है, एक ऐसा समय जब व्यापारियों को नवीनतम जानकारी के आधार पर यह निर्णय लेना होता है कि अधिक शेयर खरीदने हैं, जो उनके पास हैं उन्हें बेचना है, या कुछ भी नहीं करना है।
भारत के शोधकर्ताओं की एक टीम ने कंप्यूटर को निर्णय लेने से पहले बाजार के वर्तमान मूड को पहचानने के लिए प्रशिक्षित करके इस अस्थिरता को संभालने का एक नया तरीका प्रस्तावित किया है। उनका काम भारतीय शेयर बाजार के प्री-मार्केट सत्र पर केंद्रित है, जो सुबह 9:00 बजे से 9:08 बजे के बीच आठ मिनट का एक छोटा सा अंतराल है जहाँ व्यापारी नियमित व्यापार शुरू होने से पहले अपने पोर्टफोलियो को समायोजित करते हैं। एक विशाल, सर्व-उद्देश्यीय एल्गोरिदम पर निर्भर रहने के बजाय, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो पहले यह पहचानता है कि बाजार बुलिश, बेयरिश या न्यूट्रल शासन (regime) में है। एक बार मूड की पहचान हो जाने के बाद, सिस्टम चार अलग-अलग निर्णय लेने वाले उपकरणों की एक विशेष टीम पर स्विच करता है, जिनमें से प्रत्येक को विशेष रूप से उस प्रकार के वातावरण के लिए प्रशिक्षित किया गया है। ये उपकरण प्रत्येक स्टॉक के लिए सर्वोत्तम कार्रवाई पर मतदान करने के लिए मिलकर काम करते हैं, यह सुनिश्चित करते हुए कि रणनीति बदलती दुनिया पर एक एकल रणनीति थोपने के बजाय वर्तमान परिस्थितियों के अनुकूल हो।
शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण पांच प्रमुख भारतीय कंपनियों के ऐतिहासिक डेटा का उपयोग करके किया, जिसमें बैंकिंग, प्रौद्योगिकी और ऑटोमोटिव क्षेत्रों सहित विभिन्न उद्योग शामिल थे, जो 2015 से 2025 तक के एक दशक के बाजार इतिहास को कवर करते हैं। उन्होंने अपने नए "रेजीम-कंडीशन्ड" (regime-conditioned) सिस्टम की तुलना उन मानक मॉडलों से की जो बाजार के मूड के बीच अंतर नहीं करते हैं। परिणामों ने अनुकूल दृष्टिकोण के लिए एक स्पष्ट लाभ दिखाया। सिमुलेशन में, नए सिस्टम ने विभिन्न शेयरों में सही कार्रवाई—चाहे खरीदना हो, बेचना हो या होल्ड करना हो—लगभग 54 से 61 प्रतिशत समय सही ढंग से की। इसके विपरीत, मानक मॉडलों ने, जो बाजार की स्थितियों की परवाह किए बिना एक ही तर्क का उपयोग करते थे, केवल 34 से 52 प्रतिशत की सटीकता दर हासिल की। अनुकूलित प्रणाली ने समय के साथ अधिक कुल लाभ भी कमाया और एक आदर्श रणनीति की तुलना में कम महंगी गलतियाँ कीं, जो यह सुझाव देता है कि विशिष्ट बाजार वातावरण के अनुसार निर्णयों को तैयार करना प्रदर्शन में काफी सुधार करता है।
इस सफलता का मूल आधार "विभाजित करो और जीतो" (divide and conquer) की क्षमता में निहित है। शोधकर्ताओं ने अतीत के बाजार के दिनों को कीमतों और ट्रेडिंग वॉल्यूम के व्यवहार के आधार पर तीन श्रेणियों में समूहित करने के लिए "क्लस्टरिंग" नामक पद्धति का उपयोग किया। जब एक नया दिन आता है, तो सिस्टम वर्तमान बाजार डेटा की इन समूहों के साथ जांच करता है ताकि शासन (regum) निर्धारित किया जा सके। यदि बाजार ऊपर की ओर बढ़ रहा है, तो सिस्टम बुलिश स्थितियों के लिए डिज़ाइन किए गए चार निर्णय इंजनों का एक विशिष्ट सेट सक्रिय करता है। यदि बाजार गिर रहा है, तो यह बेयरिश स्थितियों के लिए प्रशिक्षित इंजनों के एक अलग सेट पर स्विच करता है। इन इंजनों में लीनियर मॉडल (linear models) शामिल हैं, जो सरल पैटर्न देखते हैं, और न्यूरल मॉडल (neural models) भी, जो जटिल, गैर-रेखीय संबंधों का पता लगा सकते हैं। प्रत्येक मूड के लिए एक समर्पित टीम होने से, सिस्टम उस भ्रम से बच जाता है जो अक्सर एकल-मॉडल दृष्टिकोणों को तब घेर लेता है जब बाजार अचानक शांत से अराजक हो जाता है।
इन निर्णयों को लेने के लिए, सिस्टम व्यापक तकनीकी संकेतों को देखता है, जैसे कि हाल ही में एक स्टॉक की कीमत कितनी बदली है, पिछले कुछ हफ्तों की औसत कीमत, और ट्रेड किए जा रहे शेयरों का वॉल्यूम। यह कल के स्टॉक की सटीक कीमत की भविष्यवाणी करने की कोशिश नहीं करता है। इसके बजाय, यह एक सरल, अधिक व्यावहारिक प्रश्न पूछता है: वर्तमान बाजार मूड और स्टॉक के हालिया व्यवहार को देखते हुए, क्या स्थिति बढ़ाना, कम करना या समान रखना बेहतर है? सिस्टम एक निरंतर लूप में अपनी गलतियों से सीखता है। प्रत्येक ट्रेडिंग दिन के बाद, यह देखता है कि स्टॉक ने वास्तव में कैसा प्रदर्शन किया और अगली बार बेहतर करने के लिए अपने आंतरिक नियमों को अपडेट करता है। यह सिस्टम को आने वाली नई जानकारी के अनुसार अनुकूलित होने की अनुमति देता है, न कि महीनों पहले बनाए गए स्थिर योजना पर निर्भर रहने की।
अध्ययन इस दृष्टिकोण की सीमाओं को भी रेखांकित करता है। सिस्टम पूरी तरह से ऐतिहासिक मूल्य और वॉल्यूम डेटा पर निर्भर करता है, जिसका अर्थ है कि यह अचानक, अप्रत्याशित समाचार घटनाओं जैसे कि भू-राजनीतिक संकट या आश्चर्यजनक कॉर्पोरेट घोषणा को ध्यान में नहीं रख सकता है जो बाजार खुलने पर स्टॉक की कीमत में भारी उछाल या गिरावट ला सकती है। इसके अतिरिक्त, सिमुलेशन ने यह माना कि ट्रेड बिना किसी शुल्क या देरी के तुरंत निष्पादित किए जा सकते हैं, जो वास्तविक दुनिया में हमेशा ऐसा नहीं होता है। इन बाधाओं के बावजूद, निष्कर्ष बताते हैं कि बाजार की स्थितियों को एक निरंतर प्रवाह के बजाय अलग-अलग शासन (regimes) के रूप में मानना पोर्टफोलियो प्रबंधित करने का एक अधिक मजबूत तरीका प्रदान करता है। यह स्वीकार करके कि खेल के नियम वातावरण के आधार पर बदलते हैं, शोधकर्ताओं ने एक अधिक स्थिर और प्रभावी ट्रेडिंग रणनीति की ओर एक मार्ग प्रदर्शित किया है, विशेष रूप से बाजार खुलने से पहले के महत्वपूर्ण क्षणों में।
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।