Fitness Function Selection in PSO-VMD Decomposition: Implications for LSTM-Based Oil Price Forecasting
यह अध्ययन कच्चे तेल की कीमत के पूर्वानुमान के लिए एक हाइब्रिड PSO-VMD-LSTM ढांचे का प्रस्ताव करता है और यह प्रदर्शित करता है कि VMD मापदंडों को अनुकूलित करने के लिए 'रिकंस्ट्रक्शन एरर' (Reconstruction Error) का उपयोग करना, एंट्रॉपी-आधारित विकल्पों की तुलना में बेहतर भविष्य कहनेवाला सटीकता प्रदान 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
कच्चे तेल की कीमत का पूर्वानुमान लगाना आधुनिक अर्थशास्त्र के सबसे कठिन कार्यों में से एक है। बाजार सीधी रेखाओं या अनुमानित पैटर्न में नहीं चलता; इसके बजाय, यह एक अराजक तूफान की तरह व्यवहार करता है, जो आर्थिक डेटा, राजनीतिक घटनाओं और आपूर्ति एवं मांग के अचानक बदलावों के मिश्रण से संचालित होता है। क्योंकि इसकी कीमत इतनी अनिश्चित और उतार-चढ़ाव भरी होती है, पारंपरिक गणितीय उपकरण अक्सर इसके वास्तविक स्वरूप को समझने में विफल रहते हैं। इस अराजकता को समझने के लिए, शोधकर्ताओं ने 'डिकंपोजिशन' (विघटन) नामक रणनीति की ओर रुख किया है। एक जटिल गीत को एक साथ पूरे ऑर्केस्ट्रा को सुनकर समझने की कोशिश करने की कल्पना करें; पूरी ऑर्केस्ट्रा को सुनना लगभग असंभव है। हालांकि, यदि आप वाद्ययंत्रों को अलग कर सकें ताकि आप स्ट्रिंग्स, फिर ब्रास और फिर पर्कशन को व्यक्तिगत रूप से सुन सकें, तो संगीत की संरचना स्पष्ट हो जाएगी। डेटा की दुनिया में, इसका अर्थ है संख्याओं के एक एकल, अव्यवस्थित प्रवाह को छोटे, सरल टुकड़ों में तोड़ना जो अध्ययन करने में आसान हों। एक बार जब इन टुकड़ों को समझ लिया जाता है, तो उन्हें आगे क्या हो सकता है, इसका एक बहुत स्पष्ट चित्र बनाने के लिए फिर से जोड़ा जा सकता है।
शोधकर्ता अब्देलकादर औआर का एक हालिया अध्ययन इस डिकंपोजिशन रणनीति के भीतर एक विशिष्ट समस्या पर काम करता है। यह शोध 'वेरिएशनल मोड डिकंपोजिशन' (VMD) नामक एक विधि पर केंद्रित है, जो टाइम सीरीज़ डेटा को उन सरल टुकड़ों में विभाजित करने का एक परिष्कृत तरीका है। हालांकि VMD शक्तिशाली है, लेकिन इसे काम करने के लिए इससे पहले दो महत्वपूर्ण सेटिंग्स को सही ढंग से समायोजित करने की आवश्यकता होती है: डेटा को कितने टुकड़ों में काटा जाना चाहिए, और एक कारक जो यह नियंत्रित करता है कि टुकड़े कितनी सख्ती से अलग किए जाते हैं। यदि ये सेटिंग्स गलत हैं, तो डेटा को बहुत कम टुकड़ों में काटा जा सकता है, जिससे महत्वपूर्ण विवरण छिप जाते हैं, या बहुत अधिक टुकड़ों में, जिससे अनावश्यक शोर (नॉइज़) पैदा हो जाता है। अतीत में, वैज्ञानिकों ने सर्वोत्तम सेटिंग्स को स्वचालित रूप से खोजने के लिए कंप्यूटर एल्गोरिदम का उपयोग किया है, लेकिन वे यह तय करने के लिए कि "सर्वश्रेष्ठ" क्या है, एक विशिष्ट नियम पर भरोसा करते रहे हैं। यह नियम, जिसे 'एनवेलप एंट्रॉपी' (envelope entropy) कहा जाता है, मूल रूप से मशीन के पुर्जों में दोष खोजने के लिए डिज़ाइन किया गया था, जैसे कि इंजन में एक टूटा हुआ बेयरिंग। क्योंकि यह नियम मशीनों के लिए अच्छा काम करता था, कई शोधकर्ताओं ने मान लिया कि यह तेल की कीमतों के लिए भी अच्छा काम करेगा। औआर का अध्ययन इस धारणा को चुनौती देता है और एक सरल प्रश्न पूछता है: क्या टूटे हुए गियर के लिए बनाया गया नियम वास्तव में तेल की कीमत बताने में मदद करता है?
इसका उत्तर देने के लिए, शोधकर्ता ने एक हाइब्रिड पूर्वानुमान प्रणाली बनाई है जो तीन अलग-अलग उपकरणों को जोड़ती है। सबसे पहले, प्रणाली 'पार्टिकल स्वार्म ऑप्टिमाइजेशन' (PSO) नामक एक अनुकूलन एल्गोरिदम का उपयोग करती है, जो इस तरह की नकल करता है जैसे पक्षियों का एक झुंड भोजन की तलाश करता है, ताकि VMD टूल के हजारों विभिन्न सेटिंग्स का स्वचालित रूप से परीक्षण किया जा सके। दूसरा, यह VMD पद्धति का उपयोग करके दैनिक तेल की कीमतों को उनके घटक भागों में तोड़ता है। तीसरा, यह इन भागों को 'लॉन्ग शॉर्ट-टर्म मेमोरी' (LSTM) नामक एक प्रकार के आर्टिफिशियल इंटेलिजेंस में फीड करता है, जो समय के साथ पैटर्न को याद रखने में उत्कृष्ट है। प्रयोग का महत्वपूर्ण हिस्सा स्वयं उपकरण नहीं थे, बल्कि वह नियम था जिसका उपयोग कंप्यूटर को यह बताने के लिए किया गया था कि कौन सी सेटिंग्स सबसे अच्छी हैं। अध्ययन ने चार अलग-अलग नियमों का परीक्षण किया: तीन जो डेटा की जटिलता या अनियमितता को मापते हैं (जिन्हें सैंपल एंट्रॉपी, परम्यूटेशन एंट्रॉपी और एनवेलप एंट्रॉपी कहा जाता है) और एक जो केवल यह मापता है कि डेटा को तोड़ने और वापस जोड़ने पर कितनी जानकारी नष्ट होती है (जिसे रिकंस्ट्रक्शन एरर कहा जाता है)।
प्रयोग के परिणाम चौंकाने वाले थे और मशीन-दोष वाले नियम के उपयोग की प्रचलित आदत को उलट देते हैं। जब शोधकर्ताओं ने एनवेलप एंट्रॉपी नियम का उपयोग किया, जो कई पिछले अध्ययनों में मानक विकल्प रहा था, तो मॉडल का प्रदर्शन खराब रहा, जिससे कोएफिशिएंट ऑफ डिटरमिनेशन (R²) का मान -0.3519 आया। यह नकारात्मक मान इंगित करता है कि मॉडल के पूर्वानुमान केवल औसत कीमत का उपयोग करने वाले आधार रेखा से भी कम सटीक थे, जो अन्य तरीकों की तुलना में एक महत्वपूर्ण प्रदर्शन गिरावट है। अन्य दो जटिलता-आधारित नियमों ने बेहतर प्रदर्शन किया लेकिन फिर भी वे लक्ष्य तक नहीं पहुँच सके। स्पष्ट विजेता 'रिकंस्ट्रक्शन एरर' नियम था। यह नियम, जो मूल जानकारी को बरकरार रखने पर ध्यान केंद्रित करता है न कि सिग्नल को "साफ" या "स्पार्स" बनाने पर, इसने मॉडल को एक ऐसे स्तर की सटीकता प्राप्त करने की अनुमति दी जो अन्य सभी से कहीं बेहतर थी। इस नियम का उपयोग करने वाला अंतिम पूर्वानुमान मॉडल केवल 1.37 प्रतिशत की त्रुटि दर के साथ तेल की कीमतों का पूर्वानुमान लगाने में सक्षम था, जो वास्तविक मूल्यों के बेहद करीब है। इसके विपरीत, अन्य नियमों का उपयोग करने वाले मॉडलों की त्रुटि दर कई गुना अधिक थी।
अध्ययन ने यह भी खुलासा किया कि विजेता नियम इतना अच्छा क्यों काम कर रहा था। जब कंप्यूटर को सूचना के नुकसान को कम करने के लिए कहा गया, तो उसने तेल की कीमत के डेटा को नौ अलग-अलग टुकड़ों में तोड़ने का विकल्प चुना। इसने सिस्टम को दीर्घकालिक रुझानों, मध्यम-अवधि के चक्रों और अल्पकालिक उछालों को एक साथ पकड़ने की अनुमति दी। इसके विपरीत, जटिलता पर आधारित नियमों ने कंप्यूटर को डेटा को केवल दो टुकड़ों में तोड़ने के लिए कहा, जो बाजार की पूरी कहानी को समझने के लिए बहुत सरल था। इसके अलावा, विजेता नियम ने एक ऐसी सेटिंग चुनी जिसने डेटा के टुकड़ों को उनके मूल आकार को अधिक बनाए रखने की अनुमति दी, जबकि अन्य नियमों ने डेटा को एक अधिक सुचारू, कठोर रूप में बदलने के लिए मजबूर किया जिससे मूल्यवान विवरण छप गए। निष्कर्ष बताते हैं कि वित्तीय बाजारों के लिए, जो अपनी अस्थिरता और अचानक उछाल से परिभाषित होते हैं, लक्ष्य सबसे सरल संभव सिग्नल खोजना नहीं है, बल्कि मूल, अव्यवस्थित वास्तविकता को यथासंभव सुरक्षित रखना है।
यह शोध केवल एक एकल भविष्यवाणी मॉडल को सुधारने से कहीं अधिक है; यह इस बात पर प्रकाश डालता है कि कई वैज्ञानिक अध्ययन कैसे किए जाते हैं, इसमें एक गंभीर खामी है। वर्षों से, शोधकर्ता एक क्षेत्र के नियमों को दूसरे क्षेत्र, जैसे कि वित्त, पर बिना यह परीक्षण किए लागू करते आए हैं कि क्या वे नियम वास्तव में फिट बैठते हैं। यह अध्ययन सिद्ध करता है कि जो काम एक कंपन करती हुई मशीन के पुर्जे के लिए करता है, वह आवश्यक रूप से तेल के एक बैरल की कीमत के लिए नहीं करता है। विभिन्न नियमों का ठीक समान परिस्थितियों में व्यवस्थित रूप से परीक्षण करके, शोधकर्ता ने दिखाया कि मूल्यांकन नियम का चयन स्वयं कंप्यूटर एल्गोरिदम जितना ही महत्वपूर्ण है। अध्ययन निष्कर्ष निकालता है कि जटिल वित्तीय डेटा के पूर्वानुमान के लिए, सबसे प्रभावी रणनीति मूल जानकारी को बरकरार रखने को प्राथमिकता देना है, न कि डेटा को एक पूर्व-निर्धारित धारणा में बदलने की कोशिश करना कि एक "साफ" सिग्नल कैसा दिखना चाहिए। यह अंतर्दृष्टि उन सभी के लिए आगे बढ़ने का एक नया मार्ग प्रदान करती है जो वैश्विक बाजारों की अप्रत्याशित लय को समझने की कोशिश कर रहे 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।