Adaptive Model Selection in Agricultural Finance: A Training-Free Framework for Forecasting in Corn Futures Markets

कल्पना कीजिए कि एक किसान खेत में खड़ा है, और आसमान की ओर देख रहा है जो अनिश्चित हो गया है। पीढ़ियों से, बुवाई और कटाई की लय मौसम के स्थिर चक्र और मौसम के विश्वसनीय पैटर्न पर टिकी हुई थी। लेकिन आज, वह लय टूट गई है। जलवायु परिवर्तन अचानक सूखे की स्थिति लाता है, जबकि महामारी या युद्ध जैसी वैश्विक घटनाएं कुछ ही हफ्तों में मक्के की कीमतों को आसमान पर पहुंचा सकती हैं या गिरा सकती हैं। जो लोग हमारा भोजन उगाते हैं और जो बैंक उन्हें ऋण देते हैं, उनके लिए यह अस्थिरता एक खतरनाक खेल है। उन्हें न केवल यह जानने की आवश्यकता है कि मौसम कैसा होगा, बल्कि यह भी कि बाजार उस पर कैसी प्रतिक्रिया देगा। समस्या यह है कि इन बाजारों की भविष्यवाणी करने के लिए उपयोग किए जाने वाले उपकरण अक्सर स्थितियां बदलने पर विफल हो जाते हैं। एक मॉडल जो शांत वर्ष के दौरान अच्छा काम करता है, वह सूखे के दौरान ढह सकता है, और यह जानना आसान नहीं है कि कब उपकरण बदल दिया जाए।

यह एक स्वतंत्र शोधकर्ता द्वारा येरेवन (Yerevan) में किए गए एक नए अध्ययन द्वारा हल किया जाने वाला लक्ष्य है। शोधकर्ता ने एक सरल लेकिन कठिन प्रश्न पूछा: क्या हम एक ऐसा सिस्टम बना सकते हैं जो बिना नए डेटा पर घंटों प्रशिक्षण दिए, वर्तमान क्षण के लिए सही भविष्यवाणी उपकरण को स्वचालित रूप से चुन सके? इसका उत्तर "अनुकूली मॉडल चयन" (adaptive model selection) नामक एक पद्धति में निहित है। कंप्यूटर विज्ञान की दुनिया में, भविष्य का पूर्वानुमान लगाने के कई अलग-अलग तरीके हैं। कुछ सरल मानचित्रों की तरह हैं, जो सीधी सड़कों के लिए अच्छे हैं लेकिन घुमावदार रास्तों के लिए बेकार हैं। अन्य जटिल 3D सिम्युलेटर की तरह हैं, जो शक्तिशाली हैं लेकिन धीमे और समझने में कठिन हैं। आमतौर पर, विशेषज्ञ यह देखने के लिए हर एक उपकरण को एक डेटासेट पर आजमाते हैं कि कौन सा सबसे अच्छा काम करता है, जो बहुत अधिक समय और कंप्यूटिंग शक्ति लेने वाली प्रक्रिया है। यह अध्ययन एक शॉर्टकट प्रस्तावित करता है: एक "प्रशिक्षण-मुक्त" (training-free) ढांचा जो वर्तमान डेटा को देखता है—कि वह कितना शोर भरा (noisy) है, उसमें कितनी मात्रा है, और वह कितना जटिल दिखता है—और तुरंत काम के लिए सबसे अच्छा उपकरण सुझाता है। यह एक ऐसे मैकेनिक की तरह है जो कार के इंजन को देख सकता है और बिना इंजन को खोलने के तुरंत जान सकता है कि कौन सा रिंच (wrench) इस्तेमाल करना है।

इस विचार का परीक्षण करने के लिए, शोधकर्ता ने मक्के के वायदा बाजार (corn futures market) की ओर रुख किया, विशेष रूप से दो दशक (2010 से 2024 तक) की अवधि के दौरान आयोवा से मक्के की दैनिक कीमतों को देखा। इस समय सीमा को इसलिए चुना गया क्योंकि इसमें वास्तविक दुनिया की विभिन्न अराजकताएं शामिल हैं: 2012 का भीषण सूखा, 2020 की महामारी का आर्थिक झटका, और 2022 में यूक्रेन के युद्ध के कारण बाजार की उथल-पुथल। शोधकर्ता ने इस लंबे इतिहास को सैकड़ों ओवरलैपिंग तीन-महीने की खिड़कियों (windows) में विभाजित किया। प्रत्येक विंडो के लिए, सिस्टम ने मक्के की कीमतों के सांख्यिकीय व्यवहार और स्थानीय मौसम, जैसे तापमान और वर्षा का विश्लेषण किया। इसके बाद इसने विभिन्न स्थितियों के विरुद्ध पांच अलग-अलग पूर्वानुमान मॉडलों की तुलना की। सिस्टम ने इनमें से किसी भी मॉडल को प्रशिक्षित नहीं किया; इसने केवल यह जांचा कि उस विशिष्ट विंडो के डेटा की "व्यक्तित्व" (personality) के लिए कौन सा सैद्धांतिक रूप से सबसे उपयुक्त है।

परिणामों ने दिखाया कि यह सिस्टम काम करता है। परीक्षण किए गए लगभग 70 प्रतिशत तीन-महीने की अवधियों में, ढांचे द्वारा चुना गया मॉडल अगले सबसे अच्छे विकल्प की तुलना में बेहतर प्रदर्शन करता है। इससे भी महत्वपूर्ण बात यह है कि सिस्टम ने ठीक उसी समय का पता लगाया जब बाजार ने अपना स्वरूप बदला। शोधकर्ता ने उन बयालीस (42) क्षणों की पहचान की जहाँ सबसे अच्छे भविष्यवाणी उपकरण को एक अलग उपकरण से बदलने की आवश्यकता थी। इनमें से छह क्षणों की उच्च विश्वास के साथ पहचान की गई थी, और वे सभी ऊपर बताए गए प्रमुख वैश्विक झटकों के आसपास ही हुए थे। जब 2012 का सूखा आया, या जब महामारी ने आपूर्ति श्रृंखलाओं को बाधित किया, तो सिस्टम ने सही संकेत दिया कि पुराने नियम अब लागू नहीं होते और एक अधिक मजबूत, जटिल मॉडल की ओर स्विच कर गया जो अराजकता को संभालने में सक्षम था। यह सुझाव देता है कि बाजार हमेशा एक जैसा व्यवहार नहीं करता है; यह विभिन्न "शासन" (regimes) के बीच बदलता रहता है, और इसकी भविष्यवाणी करने का सही तरीका उन बदलावों के साथ बदल जाता है।

अध्ययन ने यह समझने के लिए भी गहराई से जांच की कि वास्तव में ये बदलाव क्या संचालित करते हैं। शोधकर्ता ने यह देखने के लिए एक अलग विश्लेषण बनाया कि क्या दैनिक मौसम के पैटर्न यह समझा सकते हैं कि बाजार एक शासन से दूसरे में क्यों गया। उन्होंने अधिकतम और न्यूनतम तापमान, वर्षा और मौसमों के हजारों दैनिक रिकॉर्ड देखे। निष्कर्ष बहुत ही स्पष्ट करने वाले थे। सिस्टम ने निर्धारित किया कि तापमान मुख्य चालक था, जो बाजार परिवर्तनों की भविष्यवाणी करने में मदद करने वाले सिग्नल के आधे से अधिक हिस्से के लिए जिम्मेदार था। मौसमी पैटर्न ने भी महत्वपूर्ण भूमिका निभाई। हालांकि, वर्षा को बहुत कम महत्वपूर्ण पाया गया, जो सिग्नल का केवल एक छोटा सा हिस्सा लेकर चलती थी। आश्चर्यजनक रूप से, अध्ययन में पाया गया कि बाजार के बदलाव से पहले के दिनों का मौसम बिल्कुल सामान्य दिनों के मौसम जैसा ही दिखता था। इसका मतलब है कि दैनिक मौसम स्वयं बाजार परिवर्तनों को ट्रिगर नहीं करता है। इसके बजाय, बदलाव संभवतः किसी और चीज के कारण होता है, शायद इस बात के कारण कि समय के साथ मौसम के प्रति कीमतें कैसे प्रतिक्रिया करती हैं, या बाहरी आर्थिक कारक जो दैनिक मौसम डेटा देख नहीं पाता है।

इस कार्य का सबसे व्यावहारिक परिणाम कठिन समय में किस उपकरण का उपयोग करना है, इसकी पहचान करना है। अध्ययन में पाया गया कि स्थिर समय के दौरान, सरल मॉडल ठीक चलते हैं। लेकिन जब बाजार संकट का सामना करता है—जैसे सूखा या युद्ध—तो सिस्टम लगातार एक विशिष्ट प्रकार के जटिल मॉडल की सिफारिश करता है जिसे "रैंडम फॉरेस्ट" (Random Forest) के रूप में जाना जाता है। यह मॉडल संकट के साथ आने वाले अव्यवस्थित, अप्रत्याशित डेटा को संभालने में बेहतर है। तथ्य यह है कि सिस्टम बड़े झटकों के दौरान स्वचालित रूप से इस उपकरण पर स्विच हो जाता है, यह पुष्टि करता है कि यह केवल अनुमान नहीं लगा रहा है; यह बाजार में वास्तविक संरचनात्मक परिवर्तनों के प्रति प्रतिक्रिया दे रहा है।

शोध यह दावा नहीं करता है कि उसने भविष्य की भविष्यवाणी करने की समस्या को हल कर लिया है। यह सिस्टम अभी भी मजबूत मूल्य वृद्धि की भविष्यवाणी करने में संघर्ष करता है, और अक्सर उन्हें स्थिर अवधि समझ लेता है। यह एक एकल क्षेत्र, आयोवा, के डेटा पर निर्भर है, इसलिए यह अभी स्पष्ट नहीं है कि क्या यह दुनिया के अन्य हिस्सों में भी ठीक उसी तरह काम करेगा। हालांकि, अध्ययन यह सिद्ध करता है कि एक प्रशिक्षण-मुक्त ढांचा कृषि वित्त परिदृश्य में सफलतापूर्वक नेविगेट कर सकता है। यह किसानों और वित्तीय संस्थानों को हर स्थिति के लिए एक एकल, कठोर भविष्यवाणी उपकरण का उपयोग करने के बजाय एक वैकल्पिक तरीका प्रदान करता है। इसके बजाय, वे एक ऐसे सिस्टम का उपयोग कर सकते हैं जो मौसम और बाजार के अनुकूल हो सके, यह जानते हुए कि कब एक सरल पूर्वानुमान पर भरोसा करना है और कब एक अधिक जटिल एक पर स्विच करना है। एक ऐसी दुनिया में जहाँ जलवायु और भू-राजनीति कृषि को अधिक अस्थिर बना रही है, एक ऐसा उपकरण होना जो यह जानता हो कि कब अपना विचार बदलना है, एक सफल फसल और वित्तीय नुकसान के बीच का अंतर हो सकता है।