Optimization of dynamic crypto portfolios via deep reinforcement learning against supervised learning under transaction costs
यह शोध पत्र यह प्रदर्शित करता है कि PPO का उपयोग करने वाला एक डीप रिइन्फोर्समेंट लर्निंग दृष्टिकोण लेनदेन लागतों के तहत एक गतिशील क्रिप्टोकरेंसी पोर्टफोलियो को अनुकूलित करने में LSTM, रैंडम फॉरेस्ट और XGBoost जैसे सुपरवाइज्ड लर्निंग मॉडलों की तुलना में काफी बेहतर प्रदर्शन करता है, जो दिशात्मक सटीकता के बजाय ट्रेडिंग दक्षता को प्राथमिकता देकर श्रेष्ठ जोखिम-समायोजित रिटर्न और बाजार तटस्थता प्राप्त 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
डिजिटल मुद्रा की दुनिया गति के एक ऐसे पैमाने पर काम करती है जो पारंपरिक वित्तीय अंतर्ज्ञान को चुनौती देती है। स्टॉक या बॉन्ड के अपेक्षाकृत स्थिर बाजारों के विपरीत, क्रिप्टोकरेंसी का परिदृश्य अत्यधिक अस्थिरता से परिभाषित है, जहाँ कीमतें एक ही दिन में तेजी से बदल सकती हैं, और उन कीमतों को नियंत्रित करने वाले नियम बिना किसी चेतावनी के बदल जाते हैं। दशकों से, निवेशकों ने उन गणितीय मॉडलों पर भरोसा किया है जो जोखिम और प्रतिफल (रिवॉर्ड) को संतुलित करने के लिए डिज़ाइन किए गए हैं, लेकिन ये क्लासिक उपकरण अक्सर उन संपत्तियों पर लागू होने में विफल रहते हैं जो सामान्य आर्थिक वस्तुओं की तरह व्यवहार नहीं करती हैं। वे यह मान लेते हैं कि बाजार के पैटर्न खुद को दोहराते हैं और विभिन्न संपत्तियों के बीच संबंध स्थिर रहते हैं, ऐसी धारणाएं जो डिजिटल वित्त के अराजक वातावरण में ढह जाती हैं। इस उथल-पुथल से निपटने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) की ओर रुख किया है, इस उम्मीद में कि वे ऐसे सिस्टम बना सकें जो भविष्य की सटीक भविष्यवाणी करने के बजाय शोर (नॉइज़) से सीख सकें। मुख्य चुनौती केवल एक लाभदायक ट्रेड खोजना नहीं है, बल्कि ट्रेडिंग की छिपी हुई लागतों, जैसे कि फीस, के कारण होने वाले नुकसान से बचते हुए ऐसा करना है जो हर बार पोर्टफोलियो में बदलाव करने पर मुनाफे को कम कर देती है।
हाल ही में एक अध्ययन में, मोरक्को के विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने दस प्रमुख क्रिप्टोकरेंसी के पोर्टफोलियो को प्रबंधित करने के एक नए दृष्टिकोण का परीक्षण करके इस विशिष्ट समस्या का समाधान किया। उन्होंने यह देखने के लिए प्रयास किया कि क्या 'डीप रीइन्फोर्समेंट लर्निंग' नामक आर्टिफिशियल इंटेलिजेंस का एक प्रकार स्थापित मशीन लर्निंग विधियों से बेहतर प्रदर्शन कर सकता है जो वर्षों से मानक रहे हैं। शोधकर्ताओं ने एक डिजिटल वातावरण बनाया जहाँ एक कृत्रिम एजेंट (एजेंट) को बिटकॉइन, एथेरियम और अन्य सहित दस अलग-अलग सिक्कों के बीच अपने पैसे को विभाजित करने के बारे में दैनिक निर्णय लेने थे, जबकि एक हिस्सा सुरक्षित, शून्य-जोखिम वाली संपत्ति (नकद के समान) में भी रखना था। महत्वपूर्ण रूप से, हर बार जब एजेंट एक सिक्के से दूसरे सिक्के में पैसा स्थानांतरित करने का निर्णय लेता, तो उसे एक छोटी सी फीस देनी पड़ती थी, जो वास्तविक दुनिया की ट्रेडिंग लागत की नकल करती थी। लक्ष्य यह देखना था कि कौन सी विधि पोर्टफोलियो के मूल्य को सबसे अधिक बढ़ा सकती है और साथ ही अपरिहार्य बाजार गिरावटों से बचते हुए और अत्यधिक ट्रेडिंग (ओवर-ट्रेडिंग) के जाल से बचते हुए जीवित रह सकती है।
टीम ने अपने नए दृष्टिकोण की तुलना तीन प्रसिद्ध 'सुपरवाइज्ड लर्निंग' मॉडलों के विरुद्ध की, जो पहले किसी संपत्ति की भविष्य की कीमत बताने की कोशिश करते हैं और फिर उस भविष्यवाणी के आधार पर तय करते हैं कि क्या खरीदना है। इन पारंपरिक मॉडलों में 'लॉन्ग शॉर्ट-टर्म मेमोरी' नेटवर्क शामिल थे, जो पिछले पैटर्न को याद रखने में अच्छे हैं; 'रैंडम फॉरेस्ट', जो उत्तर खोजने के लिए कई निर्णय वृक्षों (डिसीजन ट्री) का उपयोग करते हैं; और 'XGBoost', जो डेटा में जटिल संबंधों को पहचानने का एक शक्तिशाली उपकरण है। शोधकर्ताओं ने पाया कि लेनदेन शुल्क (ट्रांजैक्शन फीस) पेश किए जाने पर ये पारंपरिक तरीके काफी संघर्ष करते हैं। क्योंकि ये मॉडल कीमत की सटीक दिशा की भविष्यवाणी करने पर ध्यान केंद्रित करते हैं, इसलिए उनकी भविष्यवाणी में एक मामूली त्रुटि भी उन्हें बहुत अधिक बार व्यापार करने के लिए प्रेरित करती है। यह निरंतर खरीदना और बेचना, जो मामूली गलत गणनाओं से प्रेरित होता है, इसका अर्थ था कि फीस ने तेजी से मुनाफे को खा लिया, जिससे पोर्टफोलियो स्थिर हो गया या घाटे में चला गया। एक पारंपरिक मॉडल ने वास्तव में पैसा खो दिया, जो उसके द्वारा किए गए ट्रेडों की लागत को भी पूरा करने में विफल रहा।
इसके विपरीत, डीप रीइन्फोर्समेंट लर्निंग एजेंट, जिसे 'प्रॉक्सिमल पॉलिसी ऑप्टिमाइजेशन' नामक पद्धति का उपयोग करके प्रशिक्षित किया गया था, ने एक मौलिक रूप से भिन्न दृष्टिकोण अपनाया। अगली कीमत का अनुमान लगाने के बजाय, इस एजेंट ने सीधे अपने कार्यों के परिणामों से सीखा। इसे पैसा बनाने के लिए पुरस्कृत किया गया लेकिन अनावश्यक रूप से पैसा इधर-उधर करने के लिए भारी दंड दिया गया। इसने एजेंट को एक महत्वपूर्ण सबक सिखाया: यदि अपेक्षित लाभ शुल्क को उचित ठहराने के लिए पर्याप्त बड़ा नहीं है, तो स्थिर रहना अधिक बेहतर है। जब बाजार खतरनाक हो गया, तो इसने अपनी पूंजी को बचाने के लिए सुरक्षित नकद स्थिति में पीछे हटना सीखा। जब बाजार शांत था, तो इसने विकास को भुनाने के लिए निवेश बनाए रखा। इस रणनीति ने इसे 2021 से 2024 की अस्थिर अवधि को उल्लेखनीय दक्षता के साथ पार करने की अनुमति दी।
प्रयोग के परिणाम स्पष्ट थे। डीप रीइन्फोर्समेंट लर्निंग एजेंट ने 37.22 प्रतिशत का वार्षिक रिटर्न प्राप्त किया, जो अन्य तरीकों से कहीं अधिक था। जबकि पारंपरिक मॉडल 6.75 प्रतिशत के मामूली रिटर्न से लेकर -1.48 प्रतिशत के नकारात्मक रिटर्न तक संघर्ष करते रहे, नए एजेंट ने न केवल पोर्टफोलियो को बढ़ाया बल्कि जोखिम का प्रभावी ढंग से प्रबंधन भी किया। बाजार की सबसे खराब गिरावट के दौरान इसे अधिकतम 28.74 प्रतिशत का नुकसान हुआ, जो अन्य रणनीतियों द्वारा अनुभव किए गए नुकसान से कम गंभीर था। शायद सबसे महत्वपूर्ण बात यह है कि एजेंट 'मार्केट न्यूट्रल' साबित हुआ, जिसका अर्थ है कि इसकी सफलता सामान्य बाजार के ऊपर या नीचे जाने पर निर्भर नहीं थी। इसने एक विशिष्ट मूल्य उत्पन्न किया जिसे 'अल्फा' कहा जाता है, जो सामान्य बाजार रुझान से स्वतंत्र होकर रणनीति के स्वयं के कौशल को दर्शाता है। इसकी तुलना में, पारंपरिक मॉडल बाजार की दिशा से अत्यधिक जुड़े हुए थे और इस अतिरिक्त मूल्य को उत्पन्न करने में विफल रहे, बल्कि अक्सर धन बनाने के बजाय उसे नष्ट करने का काम किया।
यह अध्ययन सुझाव देता है कि अस्थिर डिजिटल संपत्तियों के प्रबंधन का भविष्य उन प्रणालियों में निहित हो सकता है जो केवल पुरस्कार के वादे को ही नहीं, बल्कि कार्रवाई की लागत को भी समझते हैं। लेनदेन शुल्क की वास्तविकता को सीधे सीखने की प्रक्रिया में शामिल करके, शोधकर्ताओं ने एक ऐसा एजेंट बनाया जो एक प्रतिक्रियाशील मशीन के बजाय एक विवेकपूर्ण मानव निवेशक की तरह व्यवहार करता है। इसने सीखा कि निरंतर गतिविधि की तुलना में धैर्य और अनुशासन अक्सर अधिक लाभदायक होते हैं। हालांकि यह अध्ययन ऐतिहासिक डेटा और सिमुलेशन का उपयोग करके किया गया था, लेकिन इसके निष्कर्ष सरल भविष्यवाणी मॉडलों से हटकर उन प्रणालियों की ओर बढ़ने का एक ठोस तर्क देते हैं जो बाजार के घर्षण (फ्रिक्शन) सहित संपूर्ण ट्रेडिंग अनुभव के लिए अनुकूलित (ऑप्टिमाइज़) करती हैं। इस दृष्टिकोण की सफलता इस बात को रेखांकित करती है कि एक अराजक वित्तीय दुनिया में, यह जानना कि कब व्यापार नहीं करना है, उतना ही मूल्यवान है जितना कि यह जानना कि कब खरीदना 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।