Historical-Memory Equity Selection: A Comparative Study of Retrieval, Neural Prediction, and Adaptive Mixing
यह अध्ययन छह बाजारों में मध्य-क्षितिज इक्विटी चयन के लिए एक स्मृति-केंद्रित ढांचे का मूल्यांकन करता है और पाता है कि जबकि यह दृष्टिकोण पुनर्प्राप्ति (रिट्रीवल) को अपघटनीय बनाता है, समानता-आधारित स्मृति चयन यादृच्छिक पूर्ववृत्तों या ऐतिहासिक बेंचमार्क से बेहतर प्रदर्शन करने में विफल रहता है, जो अंततः निष्क्रिय रणनीतियों की तुलना में पोर्टफोलियो प्रदर्शन में कोई सांख्यिकीय रूप से महत्वपूर्ण सुधार नहीं दिखाता 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
शेयर बाजार में निवेश करना अक्सर ऐसा महसूस होता है जैसे तूफान के बीच में खड़े होकर मौसम की भविष्यवाणी करने की कोशिश की जा रही हो। निवेशक पिछले पैटर्न को देखते हैं, इस उम्मीद में कि इतिहास खुद को दोहराएगा, लेकिन वित्तीय दुनिया बहुत जटिल है। कीमतें जटिल तरीकों से चलती हैं, जो वैश्विक घटनाओं, मानवीय भावनाओं और जोखिम के प्रति लोगों की धारणा में अचानक आए बदलावों से प्रभावित होती हैं। दशकों से, वित्तीय विशेषज्ञ इस अराजकता से निपटने के लिए बेहतर उपकरण बनाने का प्रयास कर रहे हैं। एक आशाजनक विचार यह रहा है कि शक्तिशाली कंप्यूटर प्रोग्रामों का उपयोग किया जाए, विशेष रूप से वे जो डेटा के लंबे अनुक्रमों (sequences) को समझने के लिए डिज़ाइन किए गए हैं, ताकि उन पैटर्नों को पहचाना जा सके जिन्हें इंसान चूक सकते हैं। एक अन्य विचार इन कंप्यूटरों के लिए एक "स्मृति" (memory) बनाना है—एक ऐसा तरीका जिससे वे आज जैसी दिखने वाली विशिष्ट पिछली स्थितियों को देख सकें और यह देख सकें कि उसके बाद क्या हुआ था। उम्मीद यह है कि इन आधुनिक उपकरणों को अतीत के निर्णयों के एक स्पष्ट, निरीक्षण योग्य रिकॉर्ड के साथ जोड़कर, हम यह चुनने के बारे में बेहतर निर्णय ले सकते हैं कि किन शेयरों को खरीदना चाहिए और कुछ महीनों के लिए उन्हें अपने पास रखना चाहिए।
शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए एक अध्ययन किया कि क्या उन्नत कंप्यूटर मॉडलों और एक सख्त ऐतिहासिक स्मृति का यह संयोजन वास्तव में सरल, पारंपरिक तरीकों की तुलना में बेहतर काम करता है। उन्होंने एक ऐसा सिस्टम बनाया जो अमेरिका, भारत और यूनाइटेड किंगडम सहित छह अलग-अलग देशों के हजारों शेयरों को 2020 से 2025 तक की छह साल की अवधि के दौरान देख सकता था। उनका लक्ष्य यह देखना था कि क्या एक कंप्यूटर उन शेयरों का समूह चुन सकता है जो एक यादृच्छिक (random) चयन या सब कुछ समान रूप से खरीदने की बुनियादी रणनीति की तुलना में बेहतर मूल्य वृद्धि करेंगे। इसे करने के लिए, उन्होंने एक ऐसा ढांचा तैयार किया जहाँ कंप्यूटर या तो अपनी सीख के आधार पर भविष्यवाणी कर सकता था, या वर्तमान स्थिति के समान दिखने वाले पच्चीस पिछले उदाहरणों को देख सकता था, या इन दोनों दृष्टिकोणों को मिला सकता था। महत्वपूर्ण रूप से, उन्होंने "स्मृति" वाले हिस्से को इस तरह से डिज़ाइन किया कि प्रत्येक निर्णय को विशिष्ट पिछले रिकॉर्ड के माध्यम से ट्रैक किया जा सके, जिससे यह प्रक्रिया पारदर्शी और जांचने में आसान बन गई।
शोधकर्ताओं ने एक सौ से अधिक शेयरों और चालीस लाख से अधिक पॉलिसी भविष्यवाणियों वाले एक कठोर सिमुलेशन के माध्यम से अपने सिस्टम का परीक्षण किया। उन्होंने सोलह अलग-अलग रणनीतियों की तुलना की, जिनमें साधारण मोमेंटम नियम से लेकर जटिल न्यूरल नेटवर्क और उनका नया मेमोरी-आधारित सिस्टम शामिल था। उन्होंने सफलता को केवल इस आधार पर नहीं मापा कि कंप्यूटर ने भविष्य का कितनी अच्छी तरह से अनुमान लगाया, बल्कि इस आधार पर भी कि ट्रेडिंग लागत और जोखिमों को ध्यान में रखने के बाद एक पोर्टफोलियो ने वास्तव में कितना पैसा कमाया। परिणाम आश्चर्यजनक और कुछ हद तक विनम्र करने वाले थे। जो रणनीति सबसे अच्छा प्रदर्शन करने वाली थी, वह उच्च-तकनीकी मेमोरी सिस्टम या उन्नत न्यूरल नेटवर्क नहीं थी। इसके बजाय, सबसे सरल दृष्टिकोण जीत गया: प्रत्येक शेयर को समान मात्रा में खरीदने और उन्हें थामे रखने की एक निष्क्रिय (passive) रणनीति। इस सरल पद्धति ने किसी भी जटिल मॉडल की तुलना में उच्च रिटर्न और बेहतर जोखिम-समायोजित स्कोर प्राप्त किया।
विशिष्ट मेमोरी सिस्टम जिसे शोधकर्ताओं ने बनाया था, जिसने भविष्य के निर्णयों को निर्देशित करने के लिए सर्वोत्तम पिछले उदाहरणों को खोजने का प्रयास किया था, वास्तव में उम्मीद से कम प्रदर्शन कर गया। इसने एक ऐसे सिस्टम की तुलना में कम रिटर्न कमाया जो केवल यादृच्छिक रूप से पिछले उदाहरणों को चुनता है। इसने एक बुनियादी रणनीति को भी नहीं हरा पाया जो केवल पूरे बाजार के औसत रिटर्न का उपयोग एक मार्गदर्शक के रूप में करती है। शोधकर्ताओं ने पाया कि कंप्यूटर द्वारा "समान" पिछली स्थितियों को खोजने के प्रयास से बेहतर निवेश निर्णय नहीं मिल सके। वास्तव में, हर बार जब उन्होंने मेमोरी सिस्टम की तुलना एक सरल नियंत्रण समूह (control group) से की, तो मेमोरी सिस्टम गलत दिशा में आगे निकल गया, जो प्रदर्शन में नकारात्मक अंतर को दर्शाता है। यहाँ तक कि जब उन्होंने कंप्यूटर को यह तय करने की अनुमति दी कि उसे स्मृति का उपयोग कब करना है और अपनी भविष्यवाणियों का कब उपयोग करना है, तो परिणाम केवल सरल तरीकों पर टिके रहने से बेहतर नहीं था।
यह अध्ययन यह सिद्ध नहीं करता है कि कंप्यूटर निवेश में मदद नहीं कर सकते, लेकिन यह स्पष्ट करता है कि केवल ऐतिहासिक स्मृति जोड़ना या जटिल पैटर्न-मैचिंग टूल का उपयोग करना अपने आप में एक रणनीति को अधिक लाभदायक नहीं बनाता है। शोधकर्ताओं ने इस बात पर जोर दिया कि जबकि उनके सिस्टम ने निर्णय लेने की प्रक्रिया को बहुत स्पष्ट और ऑडिट करने में आसान बना दिया—जिससे कोई भी देख सकता था कि चुनाव करने के लिए किन पिछले रिकॉर्डों का उपयोग किया गया था—इस पारदर्शिता का अतिरिक्त धन में कोई अनुवाद नहीं हुआ। कंप्यूटर द्वारा खोजे गए "समान" पिछले हालात वास्तव में बेहतर भविष्यवक्ता नहीं थे। शोधकर्ताओं का सुझाव है कि वित्तीय बाजार बहुत जटिल या बहुत परिवर्तनशील हो सकते हैं, जिससे इस प्रकार के ऐतिहासिक उपमाओं (analogies) का उपयोग करना कठिन हो जाता है, कम से कम उस छह साल की अवधि के दौरान जिसका उन्होंने परीक्षण किया।
अंततः, यह कार्य वित्त में आर्टिफिशियल इंटेलिजेंस के इर्द-गिर्द चल रहे उत्साह पर एक सावधानीपूर्ण जांच के रूप में कार्य करता है। यह प्रदर्शित करता है कि इतिहास को देखने और अपने तर्क को समझाने में सक्षम होने वाला उपकरण यह समझने के लिए मूल्यवान है कि एक मॉडल कैसे काम करता है, लेकिन यह गारंटी नहीं देता कि मॉडल सही होगा। शोधकर्ताओं ने निष्कर्ष निकाला कि पिछले रिकॉर्डों के समान आधार पर स्टॉक चुनने की उनकी विशिष्ट पद्धति ने कुछ भी विशेष न करने की तुलना में कोई अतिरिक्त मूल्य नहीं जोड़ा। निवेशकों और डेवलपर्स दोनों के लिए सबक यह है कि अतीत में एक पैटर्न खोजना भविष्य के लाभ के मार्ग को खोजने के समान नहीं है, और कभी-कभी सबसे सरल दृष्टिकोण ही सबसे प्रभावी रहता 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।