Regime Dependent Machine Learning and the Limits of Algorithmic Trading in the Dhaka Stock Exchange

वित्त की दुनिया में, यह एक निरंतर विश्वास है कि यदि कोई पर्याप्त डेटा एकत्र करे और सही गणितीय उपकरणों का उपयोग करे, तो स्टॉक की भविष्य की कीमत का अनुमान लगाया जा सकता है। यह विचार इस अवधारणा पर आधारित है कि बाजार पूरी तरह से यादृच्छिक (रैंडम) नहीं हैं; बल्कि, वे विशिष्ट पैटर्न या "रेजीम" (regimes) में चलते हैं, जो शांति, उच्च अस्थिरता और तनाव के कालखंडों के बीच बदलते रहते हैं। यदि कोई निवेशक इन बदलावों को होते हुए पहचान सके, तो तर्क यह है कि वे अपनी रणनीति को समायोजित कर सकते हैं—यानी जब बाजार शांत हो तो खरीदने के लिए और जब बाजार अराजक हो तो बेचने के लिए—जिससे वे औसत प्रतिभागी से अधिक चतुर बन सकते हैं। यह दृष्टिकोण आधुनिक एल्गोरिदम ट्रेडिंग का एक आधार स्तंभ बन गया है, जहाँ कंप्यूटर भारी मात्रा में ऐतिहासिक डेटा को स्कैन करने के लिए जटिल मशीन लर्निंग का उपयोग करते हैं, ताकि उन संकेतों को खोजा जा सके जिन्हें मानव व्यापारी शायद अनदेखा कर दें। वह प्रश्न जो इस शोध के बड़े हिस्से को संचालित करता है, यह है कि क्या ये परिष्कृत प्रणालियाँ वास्तव में उन संकेतों को वास्तविक, स्थायी लाभ में बदल सकती हैं, विशेष रूप से उन बाजारों में जो पश्चिम के बाजारों की तुलना में कम विकसित और अधिक अप्रत्याशित हैं।

हाल ही में ढाका स्टॉक एक्सचेंज, बांग्लादेश पर केंद्रित एक अध्ययन ने कठोर सटीकता के साथ इस प्रश्न का उत्तर देने का प्रयास किया। शोधकर्ता, मो. शकील सिकदर ने केवल कुछ कंपनियों पर एक एकल मॉडल का परीक्षण नहीं किया। इसके बजाय, उन्होंने यह सुनिश्चित करने के लिए कि परिणाम कोई संयोग न हों, शेयरों के तीन अलग-अलग समूह बनाए। एक समूह में लेखक द्वारा सावधानीपूर्वक चुने गए बारह प्रसिद्ध, तरल (लिक्विड) कंपनियाँ शामिल थीं। दूसरा समूह छह कंपनियों का एक यादृच्छिक चयन था, जिसे मानवीय पूर्वाग्रह को हटाने के लिए कंप्यूटर द्वारा चुना गया था। तीसरा, बहुत बड़ा समूह जिसमें सत्ताईस अतिरिक्त स्टॉक बाद में जोड़े गए ताकि यह देखा जा सके कि क्या निष्कर्ष विभिन्न उद्योगों के व्यापक दायरे में सत्य सिद्ध होते हैं, जिससे अंततः सत्रह विभिन्न क्षेत्रों के बयालीस प्रतिभूतियों को कवर किया गया। लक्ष्य यह देखना था कि क्या एक विशिष्ट प्रकार की मशीन लर्निंग, जो वर्तमान बाजार "रेजीम" के आधार पर अपने पूर्वानुमान लगाती है, एक सरल, बेसलाइन रणनीति (यह मानकर कि बाजार हाल के औसत से अधिक कुछ नहीं करेगा) को लगातार मात दे सकती है।

अध्ययन में पांच अलग-अलग पूर्वानुमान मॉडलों का उपयोग किया गया, जो बुनियादी सांख्यिकीय विधियों से लेकर न्यूरल नेटवर्क जैसी उन्नत आर्टिफिशियल इंटेलिजेंस प्रणालियों तक विस्तृत थे। इन मॉडलों को तेरह विभिन्न तकनीकी संकेतक दिए गए, जैसे कि पिछले मूल्य उतार-चढ़ाव, ट्रेडिंग वॉल्यूम और मोमेंटम, साथ ही एक संकेत कि बाजार सामान्य, उच्च-अस्थिरता, या तनावपूर्ण स्थिति में था। शोधकर्ताओं ने 'वॉक-फॉरवर्ड वैलिडेशन' नामक एक सख्त परीक्षण पद्धति का उपयोग किया, जो वास्तविक समय के व्यापार का अनुकरण करती है—अर्थात मॉडल को पिछले डेटा पर प्रशिक्षित करना और फिर उसे भविष्य के उस डेटा पर परीक्षण करना जिसे उसने पहले कभी नहीं देखा, जिससे यह सुनिश्चित होता है कि भविष्य की कोई भी जानकारी अतीत में लीक न हो जाए। उन्होंने बांग्लादेश में व्यापार की विशिष्ट लागतों को भी ध्यान में रखा, जिसमें ब्रोकरेज शुल्क, कर और वह 'स्लिपेज' शामिल है जो बड़ी मात्रा में स्टॉक खरीदने या बेचने के दौरान खुद के विरुद्ध कीमत को प्रभावित किए बिना होता है।

परिणाम तीनों समूहों के शेयरों में स्पष्ट और सुसंगत थे। कोई भी परिष्कृत मशीन लर्निंग मॉडल सरल बेंचमार्क से बेहतर प्रदर्शन करने में सफल नहीं रहा। वास्तव में, सबसे जटिल मॉडल, जिसे ग्रेडिएंट-बूस्टेड ट्री एल्गोरिदम 'लाइटजीबीएम' (LightGBM) के रूप में जाना जाता है, प्रत्येक पैनल पर बेसलाइन दृष्टिकोण से काफी खराब प्रदर्शन कर गया। जब शोधकर्ताओं ने व्यापार संबंधी निर्णयों का मार्गदर्शन करने के लिए रेजीम की जानकारी का उपयोग करने का प्रयास किया, तो रणनीतियाँ कोई लाभ उत्पन्न करने में विफल रहीं। इसके बजाय, ट्रेडिंग रणनीतियों ने अपनी शुरुआती पूंजी का एक बड़ा हिस्सा खो दिया। अध्ययन में पाया गया कि जिस सिग्नल का मॉडल लाभ उठाने की कोशिश कर रहा था, वह वास्तव में अस्तित्व में ही नहीं था जिसे लागतों को ध्यान में रखने के बाद पैसे में बदला जा सके। यहाँ तक कि जब शोधकर्ताओं ने फीस से बचने के लिए ट्रेडों की संख्या कम करने का प्रयास किया, तब भी शेष रिटर्न नकारात्मक ही रहा, जो यह दर्शाता है कि समस्या केवल व्यापार की लागत नहीं थी, बल्कि एक वास्तविक भविष्य कहने वाले संकेत का अभाव था।

एक विशेष रूप से खुलासा करने वाला निष्कर्ष ढाका स्टॉक एक्सचेंज की अनूठी कार्यप्रणाली की व्याख्या करता है। इस एक्सचेंज में एक नियामक तंत्र है जो एक 'फ्लोर प्राइस' (न्यूनतम मूल्य) निर्धारित करता है, जो शेयरों को एक निश्चित स्तर से नीचे गिरने से रोकता है। अत्यधिक तनाव के दौरों के दौरान, यह तंत्र ट्रेडिंग को रोक सकता है या कीमतों को लंबे समय तक स्थिर रख सकता है। अध्ययन ने पाया कि मशीन लर्निंग मॉडल, जो बाजार के तनाव का पता लगाने के लिए अस्थिरता (वोलैटिलिटी) पर निर्भर करते हैं, इन स्थिर-मूल्य वाली स्थितियों को गलत समझते हैं। क्योंकि कीमत में कोई हलचल नहीं होती थी, इसलिए मॉडलों ने शून्य अस्थिरता की गणना की और इन खतरनाक अवधियों को "कम जोखिम" या "सामान्य" के रूप में लेबल किया। इस त्रुटि का अर्थ था कि मॉडल उन समयों में निवेशकों की रक्षा करने में विफल रहे जब उनकी सबसे अधिक आवश्यकता थी। शोधकर्ताओं ने ट्रेडिंग से इन 'फ्रीज' (स्थिर) दिनों को बाहर करने के नियम का परीक्षण किया, लेकिन इस समायोजन ने प्रदर्शन को और भी खराब कर दिया, क्योंकि पोर्टफोलियो को पुनर्संतुलित करने की लागत ने किसी भी संभावित लाभ को खत्म कर दिया।

अध्ययन ने वित्तीय अनुसंधान के एक सामान्य दोष को भी संबोधित किया: वह अंतर जो एक मॉडल को घटना के बाद पता चलता है और जो उसे वास्तविक समय में पता चलता है। शोधकर्ताओं ने पाया कि डेटा के पूरे इतिहास को देखने के बाद बाजार के रेजीम को पहचानने की कंप्यूटर की क्षमता, वास्तविक समय में उन रेजीमों की पहचान करने की उसकी क्षमता से बहुत भिन्न थी। पीछे मुड़कर देखने पर, मॉडल किसी दिन को तनावपूर्ण के रूप में सही ढंग से लेबल कर सकता था, लेकिन वास्तविक समय में निर्णय लेते समय, वह आधे से अधिक समय गलत था। अतीत और वास्तविक समय के पूर्वानुमान के बीच का यह अंतर एक महत्वपूर्ण कारण है कि क्यों बैकटेस्ट की गई रणनीतियाँ लाइव बाजारों में लागू होने पर विफल हो जाती हैं। अध्ययन ने पुष्टि की कि उन्नत सांख्यिकीय सुधारों और सत्यापन की कई परतों के बावजूद, रणनीतियों ने कोई भी ऐसा कौशल प्रदर्शित नहीं किया जिसे केवल संयोग (रैंडम चांस) के रूप में समझाया जा सके।

अंततः, यह शोध सुझाव देता है कि ढाका स्टॉक एक्सचेंज के लिए, बाजार इस विचार के अनुरूप व्यवहार करता है जो 'वीक-फॉर्म एफिशिएंसी' (weak-form efficiency) का है। इसका अर्थ है कि पिछले मूल्य उतार-चढ़ाव और ट्रेडिंग वॉल्यूम भविष्य के लाभ के लिए एक विश्वसनीय मार्ग प्रदान नहीं करते हैं, कम से कम उस तरह से नहीं जिसे वर्तमान मशीन लर्निंग तकनीकों द्वारा भुनाया जा सके। अध्ययन निष्कर्ष निकालता है कि यह धारणा कि 'रेजीम-अवेयर' मशीन लर्निंग को अद्वितीय नियामक विशेषताओं वाले फ्रंटियर मार्केट्स में आसानी से स्थानांतरित किया जा सकता है, त्रुटिपूर्ण है। अस्थिरता-आधारित पहचान और फ्लोर-प्राइस तंत्र के बीच की विशिष्ट अंतःक्रिया एक ऐसा 'ब्लाइंड स्पॉट' बनाती है जिसे एल्गोरिदम आसानी से पार नहीं कर सकते। ये निष्कर्ष अभ्यासकर्ताओं और शोधकर्ताओं के लिए एक चेतावनी के रूप में कार्य करते हैं, जो प्रदर्शित करते हैं कि कम तरलता और विशिष्ट नियामक बाधाओं वाले बाजारों में, सबसे परिष्कृत उपकरण भी वहां लाभ खोजने में असमर्थ हो सकते जहां कोई लाभ मौजूद ही नहीं है। साक्ष्य एक ऐसे बाजार की ओर संकेत करते हैं जहाँ, सांख्यिकीय रूप से बोलने पर, एकमात्र विश्वसनीय रणनीति लंबी अवधि के लिए स्टॉक को थामे रखने की निष्क्रिय (पैसिव) रणनीति बनी हुई है, न कि जटिल एल्गोरिदम के साथ बाजार के समय का अनुमान लगाने की।