Forecasting accuracy to portfolio value: Model risk and regime dependence in an emerging equity market
यह अध्ययन मॉस्को एक्सचेंज इक्विटीज़ का विश्लेषण करता है ताकि यह प्रदर्शित किया जा सके कि जहाँ CatBoost सर्वोत्तम सांख्यिकीय पूर्वानुमान सटीकता प्रदान करता है, वहीं PatchTST बेहतर पोर्टफोलियो प्रदर्शन देता है, और कोई भी मॉडल चयन या रिजीम-स्विचिंग रणनीति उभरते बाजारों में पूर्वानुमान परिशुद्धता और क्रॉस-सेक्शनल रैंकिंग क्षमता के बीच मौलिक विच्छेद को विश्वसनीय रूप से दूर नहीं कर सकती 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
बड़े पैमाने पर धन का प्रबंधन करने वाले निवेशक एक निरंतर, शांत दुविधा का सामना करते हैं: उन्हें यह अनुमान लगाना होता है कि कौन से शेयर बढ़ेंगे और कौन से गिरेंगे, लेकिन वे कभी भी निश्चित नहीं हो सकते कि उनके अनुमान लगाने का तरीका सही है या नहीं। यह केवल दुर्भाग्य की बात नहीं है; यह अनिश्चितता की एक मौलिक समस्या है। एक स्तर पर, एक निवेशक को चिंता होती है कि किसी स्टॉक के भविष्य के रिटर्न का उसका अनुमान गलत है। एक गहरे स्तर पर, उन्हें इस बात की चिंता होती है कि वह पूरा गणितीय ढांचा जिसका वे उस अनुमान को लगाने के लिए उपयोग कर रहे हैं, वह त्रुटिपूर्ण हो सकता है। स्थिर समय में, सरल नियम अक्सर अच्छी तरह काम करते हैं, लेकिन जब आर्थिक वातावरण बदल जाता है—जब मुद्रास्फीति बढ़ती है, बाजार अस्थिर होते हैं, या कीमतें गिरती हैं—तो वे समान नियम विफल हो सकते हैं। प्रश्न यह उठता है कि क्या एक अधिक जटिल, लचीला तरीका बदलती परिस्थितियों के अनुकूल होने के लिए एक सीधे और सरल तरीके की तुलना में बेहतर हो सकता है, और क्या एक ऐसा तरीका जो संख्याओं के पूर्वानुमान में सांख्यिकीय रूप से सटीक है, वास्तव में बेहतर निवेश परिणाम देता है।
शोधकर्ताओं की एक टीम ने इन प्रश्नों का परीक्षण करने के लिए रूसी शेयर बाजार में प्रयास किया, जो एक ऐसी जगह है जहाँ पिछले दशक में आर्थिक स्थितियाँ नाटकीय रूप से बदली हैं। उन्होंने मॉस्को एक्सचेंज पर कारोबार करने वाली लगभग तीन सौ कंपनियों का डेटा एकत्र किया, जिसमें 2016 के अंत से 2025 तक की अवधि शामिल थी। इस समयावधि में निरंतर मुद्रास्फीति, महामारी का वैश्विक झटका, और तीव्र भू-राजनीतिक तनाव एवं मौद्रिक सख्ती का दौर शामिल था। शोधकर्ता यह देखना चाहते थे कि क्या किसी कंपनी की विशेषताओं और उसके भविष्य के रिटर्न के बीच का संबंध इस बात पर निर्भर करता है कि बाजार शांत है या तनावपूर्ण। इसके लिए, उन्होंने एक नियंत्रित प्रयोग बनाया जहाँ आठ अलग-अलग पूर्वानुमान विधियों ने एक-दूसरे के साथ प्रतिस्पर्धा की। ये विधियाँ सरल रैखिक समीकरणों (linear equations) से लेकर, जो कारकों और रिटर्न के बीच एक स्थिर संबंध मानती हैं, लेकर परिष्कृत मशीन लर्निंग एल्गोरिदम तक थीं, जो जटिल, गैर-रैखिक पैटर्न का पता लगाने और नए डेटा के अनुकूल होने में सक्षम हैं।
शोधकर्ताओं ने सभी आठ मॉडलों को बिल्कुल एक ही जानकारी दी: कंपनी के आकार, मूल्य (value), मोमेंटम और लिक्विडिटी का डेटा, साथ ही उच्च मुद्रास्फीति और कीमतों में भारी गिरावट जैसे बाजार के तनाव के संकेतक। फिर उन्होंने प्रत्येक मॉडल से अगले तीन महीनों के शेयरों के रिटर्न की भविष्यवाणी करने को कहा। महत्वपूर्ण रूप से, उन्होंने मॉडलों को एक मुक्त प्रतिस्पर्धा (free-for-all) में नहीं छोड़ा; इसके बजाय, उन्होंने प्रत्येक मॉडल को पोर्टफोलियो बनाने के लिए समान नियमों का उपयोग करने के लिए मजबूर किया। उन्होंने उच्चतम अनुमानित रिटर्न वाले शीर्ष पच्चीस शेयरों का चयन किया, किसी एक स्टॉक में निवेश की गई राशि की सीमा तय की, और जोखिम का प्रबंधन भी एक समान तरीके से किया। इसने यह सुनिश्चित किया कि अंतिम परिणामों में कोई भी अंतर केवल पूर्वानुमानों की गुणवत्ता के कारण आया, न कि धन के आवंटन के तरीके के कारण।
परिणामों ने सांख्यिकीय सटीकता और वास्तविक दुनिया के मूल्य के बीच एक आश्चर्यजनक विच्छेद को प्रकट किया। CatBoost नामक एक अत्यंत उन्नत मशीन लर्निंग मॉडल ने रिटर्न की भविष्यवाणी करने में सबसे कम औसत त्रुटियां उत्पन्न कीं। यह संख्याओं का अनुमान लगाने में सबसे सटीक था। हालाँकि, जब शोधकर्ताओं ने यह देखा कि क्या मॉडल सबसे अच्छे शेयरों को सबसे खराब शेयरों के मुकाबले सही ढंग से रैंक कर सकते हैं, तो सभी आठ विधियाँ खराब प्रदर्शन करती दिखीं। उनमें से कोई भी यादृच्छिक संयोग (random chance) से बेहतर लगातार शीर्ष प्रदर्शन करने वालों की पहचान नहीं कर सका। यह निष्कर्ष बताता है कि यहाँ तक कि सबसे परिष्कृत एल्गोरिदम भी उभरते बाजार के शोर में एक विश्वसनीय संकेत खोजने के लिए संघर्ष करते हैं, विशेष रूप से तब जब वह बाजार तेजी से संरचनात्मक परिवर्तनों से गुजर रहा हो।
इससे भी महत्वपूर्ण बात यह है कि अध्ययन में पाया गया कि सबसे सटीक सांख्यिकीय मॉडल ने सबसे अच्छा निवेश पोर्टफोलियो तैयार नहीं किया। एक अलग मॉडल, जो PatchTST नामक एक अनुक्रम-सीखने (sequence-learning) आर्किटेक्चर पर आधारित था, उसके भविष्यवाणियों की समग्र सटीकता अपेक्षाकृत खराब थी। फिर भी, जब उसके पूर्वानुमानों का उपयोग पोर्टफोलियो बनाने के लिए किया गया, तो उसने प्रतिस्पर्धी जोखिम-समायोजित रिटर्न प्रदान किए और बाजार में गिरावट के दौरान कम नुकसान झेला। यह परिणाम एक महत्वपूर्ण सबक देता है: एक मॉडल को हर संख्या की भविष्यवाणी करने में पूर्ण होने की आवश्यकता नहीं है ताकि वह निवेश के लिए उपयोगी हो सके। उसे केवल उन विशिष्ट शेयरों की पहचान करने में अच्छा होना चाहिए जो अच्छा प्रदर्शन करेंगे, भले ही वह शेष बाजार को गलत समझ ले।
शोधकर्ताओं ने यह भी परीक्षण किया कि क्या वर्तमान बाजार स्थितियों के आधार पर मॉडलों के बीच स्विच करना संभव है, जैसे कि उच्च मुद्रास्फीति के दौरान एक मॉडल और बाजार में गिरावट के दौरान दूसरा मॉडल उपयोग करना। उन्होंने एक नियम बनाया जो हाल के परिणामों या अर्थव्यवस्था की वर्तमान स्थिति के आधार पर सबसे अच्छा प्रदर्शन करने वाले मॉडल को स्वचालित रूप से चुन लेगा। हालांकि इस स्विचिंग नियम ने अपने बैकटेस्ट में उच्चतम नाममात्र रिटर्न (nominal returns) दिए, लेकिन यह लाभ सांख्यिकीय रूप से विश्वसनीय नहीं था। परिणाम निश्चित रणनीतियों के इतने करीब थे कि अंतर आसानी से संयोग के कारण हो सकता था। इसके अलावा, क्योंकि नियम डेटा देखने के बाद बनाया गया था, इसलिए इसे भविष्य के लिए एक सिद्ध रणनीति नहीं माना जा सकता है। अध्ययन सुझाव देता है कि हालांकि यह जानना कि बाजार तनावपूर्ण है, यह समझने के लिए उपयोगी है कि पूर्वानुमान कब अविश्वसनीय हो सकते हैं, यह इस बारे में कोई स्पष्ट, स्वचालित संकेत प्रदान नहीं करता है कि किस गणितीय उपकरण का उपयोग किया जाए।
अंततः, यह शोध पत्र निष्कर्ष निकालता है कि उभरते बाजार में स्टॉक रिटर्न की भविष्यवाणी करने के लिए कोई एक "सर्वश्रेष्ठ" मॉडल नहीं है। सबसे लचीले और जटिल मॉडल स्वचालित रूप से सरल मॉडलों से बेहतर प्रदर्शन नहीं करते हैं, और वह मॉडल जो सांख्यिकीय प्रतियोगिता में जीतता है, वह आवश्यक रूप से वह नहीं होता है जो सबसे लाभदायक पोर्टफोलियो बनाता है। निवेशक जिस अनिश्चितता का सामना करते हैं वह दोहरी है: उन्हें भविष्य की भविष्यवाणी करने की अंतर्निहित कठिनाई से निपटना होगा, और उन्हें यह भी स्वीकार करना होगा कि वे निश्चित रूप से यह नहीं जान सकते कि उस क्षण के लिए भविष्यवाणी करने का सही तरीका कौन सा है। इस वातावरण में, सबसे मजबूत दृष्टिकोण एक पूर्ण पूर्वानुमान मशीन की खोज करना नहीं है, बल्कि यह पहचानना है कि सभी मॉडल जोखिम रखते हैं और एक मॉडल का मूल्य उसकी औसत सटीकता में नहीं, बल्कि दबाव में ठोस निवेश निर्णय लेने की क्षमता में निहित है।
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।