Does Complexity Improve Forecasting Accuracy? Evidence from Single and Multi-Layer LSTM Models for the BIST 100 Index
यह अध्ययन दर्शाता है कि तकनीकी और व्यापक आर्थिक चरों का उपयोग करके BIST 100 सूचकांक के पूर्वानुमान के लिए, सरल सिंगल-लेयर LSTM आर्किटेक्चर अधिक जटिल मल्टी-लेयर मॉडलों से बेहतर प्रदर्शन करते हैं, जो यह सुझाव देता है कि वित्तीय पूर्वानुमान में सरलता सामान्यीकरण (जनरलाइजेशन) को बढ़ाती 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, स्टॉक मार्केट इंडेक्स की भविष्य की गतिविधियों की भविष्यवाणी करना एक ऐसा कार्य है जिसने लंबे समय से अर्थशास्त्रियों और निवेशकों दोनों को मंत्रमुग्ध किया है। यह एक ऐसी चुनौती है जो इस विश्वास में निहित है कि हालांकि बाजार अराजक हैं, वे पूरी तरह से यादृच्छिक (random) नहीं हैं; पिछले मूल्यों, आर्थिक रिपोर्टों और वैश्विक धारणाओं के भीतर छिपे पैटर्न भविष्य की एक झलक दे सकते हैं। दशकों से, शोधकर्ता इन पैटर्नों को खोजने के लिए सांख्यिकीय मॉडलों पर भरोसा करते रहे हैं, लेकिन शक्तिशाली कंप्यूटरों के उदय ने एक नया उपकरण पेश किया है: आर्टिफिशियल इंटेलिजेंस। विशेष रूप से, न्यूरल नेटवर्क नामक एक प्रकार का कंप्यूटर प्रोग्राम, जिसे मानव मस्तिष्क द्वारा सूचना के अनुक्रमों को संसाधित करने के तरीके की नकल करने के लिए डिज़ाइन किया गया है, इस कार्य के लिए एक लोकप्रिय विकल्प बन गया है। इस क्षेत्र में प्रचलित धारणा अक्सर यह रही है कि इन कार्यक्रमों के अधिक जटिल संस्करण, जिनमें प्रसंस्करण के गहरे स्तर होते हैं, स्वाभाविक रूप से बेहतर भविष्यवाणियां करने चाहिए। आखिरकार, यदि एक सरल मॉडल थोड़ा सीख सकता है, तो एक अधिक जटिल मॉडल बहुत अधिक सीखना चाहिए।
हालाँकि, बोर्सा इस्तांबुल 100 इंडेक्स, जो तुर्की शेयर बाजार के प्राथमिक बेंचमार्क के रूप में कार्य करता है, पर केंद्रित एक हालिया अध्ययन इस धारणा को चुनौती देता है। शोधकर्ताओं, फातिह मंगिर, मेटेहन ओरटाकार्पुज़ और अब्दुल-रज़ाक बावा युसिफ ने यह परीक्षण करने के लिए प्रयास किया कि क्या इन भविष्यवाणी मॉडलों में जटिलता के अधिक स्तर जोड़ने से वास्तव में उनकी सटीकता में सुधार होता है। उन्होंने 2016 की शुरुआत से लेकर 2025 के अंत तक के दो हजार पाँच सौ से अधिक दिनों के ट्रेडिंग डेटा को एकत्र किया, जिसमें महत्वपूर्ण वैश्विक और स्थानीय आर्थिक बदलाव शामिल थे। अपने मॉडलों को प्रशिक्षित करने के लिए, वे केवल मूल्य इतिहास पर निर्भर नहीं रहे। इसके बजाय, उन्होंने दैनिक समापन कीमतों को अन्य सूचनाओं के एक समृद्ध मिश्रण के साथ जोड़ा, जिसमें मार्केट मोमेंटम को मापने वाले तकनीकी संकेतक, वैश्विक भय के स्तर, अमेरिकी डॉलर की मजबूती और ब्याज दरों एवं बेरोजगारी जैसे स्थानीय आर्थिक कारक शामिल थे। अपने मॉडलों को प्रशिक्षित करने से पहले, उन्होंने डेटा में मौजूद शोर और अनियमित उतार-चढ़ाव को सुचारू बनाने के लिए एक गणितीय तकनीक का उपयोग किया, जिससे यह सुनिश्चित हुआ कि कंप्यूटर यादृच्छिक शोर के बजाय अंतर्निहित संकेत (signal) से सीख रहा है।
इसके बाद टीम ने यह देखने के लिए दो अलग-अलग मॉडलों के परिवार बनाए कि कौन बेहतर प्रदर्शन करेगा। पहले परिवार में सरल, एकल-परत (single-layer) नेटवर्क शामिल थे, जबकि दूसरे परिवार में बहु-स्तरीय प्रसंस्करण वाले अधिक जटिल, बहु-परत संरचनाएं शामिल थीं। उन्होंने अगले दिन की समापन कीमत की भविष्यवाणी करने के लिए इन मॉडलों को प्रशिक्षित किया, और यह सुनिश्चित करने के लिए कि परिणाम केवल एक भाग्यशाली संयोग नहीं हैं, प्रत्येक कॉन्फ़िगरेशन के लिए प्रयोग को तीस बार चलाया। निष्कर्ष स्पष्ट और कुछ हद तक विरोधाभासी थे: सरल मॉडलों ने लगातार जटिल मॉडलों से बेहतर प्रदर्शन किया। केवल दस प्रोसेसिंग इकाइयों वाले एकल-परत मॉडल ने सबसे कम औसत त्रुटि प्राप्त की, जबकि सबसे जटिल मॉडल, जिनमें तीन परतें भी शामिल थीं, मुकाबला करने में संघर्ष करते रहे। वास्तव में, सबसे विस्तृत आर्किटेक्चर ने सबसे खराब परिणाम दिए, जो काफी बड़े अंतर से लक्ष्य से चूक गया।
यह परिणाम सुझाव देता है कि इस उभरते बाजार इंडेक्स के विशिष्ट संदर्भ में, न्यूरल नेटवर्क में गहराई जोड़ने से इसे बेहतर सीखने में मदद नहीं मिली; इसके बजाय, इसने मॉडल को कार्य को अत्यधिक जटिल बनाने पर मजबूर कर दिया होगा। डेटा, भले ही उसे साफ किया गया हो और वैश्विक एवं स्थानीय चरों के साथ समृद्ध किया गया हो, एक ऐसी संरचना वाला था जिसे एक सीधे दृष्टिकोण द्वारा सबसे अच्छी तरह से पकड़ा जा सकता था। जटिल मॉडल उन पैटर्नों को सीखने की कोशिश करते प्रतीत हुए जो अस्तित्व में ही नहीं थे, जिससे वे बाजार की वास्तविक लय के बजाय उसके शोर को याद करने लगे। अध्ययन इंगित करता है कि इस प्रकार के वित्तीय पूर्वानुमान के लिए, एक मितव्ययी (parsimonious) दृष्टिकोण—जो डेटा को समझने के लिए आवश्यक न्यूनतम जटिलता का उपयोग करता है—श्रेष्ठ है। सबसे सटीक भविष्यवाणियां सबसे शक्तिशाली मशीन से नहीं, बल्कि उस मशीन से आईं जो उपलब्ध जानकारी के साथ पूरी तरह मेल खाने के लिए पर्याप्त जटिल थी।
शोधकर्ताओं ने अपने परिणामों में एक दिलचस्प ट्रेड-ऑफ (trade-off) भी नोट किया। जबकि सबसे सरल मॉडल औसतन सबसे सटीक था, पचास इकाइयों वाले थोड़े बड़े एकल-परत मॉडल ने एक अलग प्रकार का लाभ प्रदान किया: स्थिरता। इस संस्करण ने लगभग उतनी ही सटीक परिणाम दिए लेकिन विभिन्न प्रशिक्षण दौरों में कहीं अधिक सुसंगत रहा, जो यह सुझाव देता है कि व्यावहारिक निवेश निर्णयों के लिए, एक मॉडल जो सटीक और विश्वसनीय दोनों हो, वह आदर्श विकल्प हो सकता है। अंततः, यह अध्ययन एक अनुस्मारक के रूप में कार्य करता है कि वित्तीय भविष्यवाणी के क्षेत्र में, अधिक होना हमेशा बेहतर नहीं होता है। सबसे अच्छा उपकरण अनिवार्य रूप से सबसे परिष्कृत वाला नहीं है, बल्कि वह है जो उस डेटा की प्रकृति के साथ पूरी तरह से संरेखित है जिसे वह समझने की कोशिश कर रहा 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।