Macroeconomic Predictability and Machine Learning in REIT Returns: Out-of-Sample Evidence and Property-Sector Heterogeneity
यह अध्ययन पाता है कि जहाँ नॉनलीनियर मशीन लर्निंग मॉडल मध्यम-अवधि के अमेरिकी REIT रिटर्न के लिए आर्थिक रूप से सार्थक आउट-ऑफ-सैंपल पूर्वानुमान लाभ प्रदान करते हैं—विशेष रूप से स्वास्थ्य सेवा क्षेत्र में और मैक्रोइकॉनॉमिक कारकों द्वारा संचालित—वहीं वे मल्टीपल-टेस्टिंग समायोजनों के बाद लीनियर बेंचमार्क पर सांख्यिकीय रूप से महत्वपूर्ण समग्र श्रेष्ठता प्राप्त नहीं करते हैं, क्योंकि पूर्वानुमान संबंधी संकेत क्रॉस-सेक्शनल चयन के बजाय सामान्य टाइम-सीरीज घटकों में केंद्रित हैं।
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
निवेश की दुनिया में, कुछ संपत्तियां शेयरों की तरह व्यवहार करती हैं, जबकि अन्य बॉन्ड या भौतिक इमारतों की तरह कार्य करती हैं। रियल एस्टेट इन्वेस्टमेंट ट्रस्ट्स (REITs), जिन्हें 'रीट्स' के रूप में जाना जाता है, इस विभाजन के बिल्कुल बीच में स्थित हैं। ये ऐसी कंपनियां हैं जो शॉपिंग मॉल, अपार्टमेंट कॉम्प्लेक्स और अस्पतालों जैसी आय-उत्पादक संपत्तियों का स्वामित्व रखती हैं, और वे किसी भी अन्य कंपनी की तरह शेयर बाजार में कारोबार करती हैं। क्योंकि इनका मूल्य शेयर बाजार के स्वास्थ्य और अर्थव्यवस्था की भौतिक वास्तविकता (जैसे ब्याज दरें, रोजगार वृद्धि और मुद्रास्फीति) दोनों पर निर्भर करता है, इसलिए इनके भविष्य के प्रदर्शन की भविष्यवाणी करना एक जटिल पहेली है। दशकों से, निवेशकों और अर्थशास्त्रियों ने सरल, सीधी गणित का उपयोग करके इस पहेली को हल करने की कोशिश की है, यह मानते हुए कि यदि अर्थव्यवस्था ऊपर जाती है, तो ये शेयर एक अनुमानित तरीके से ऊपर जाएंगे। लेकिन अर्थव्यवस्था शायद ही कभी एक सीधी रेखा होती है; यह मुड़ती और घूमती है, और मंदी, ब्याज दरों में उछाल और किसी संपत्ति के मूल्य के बीच का संबंध संदर्भ के आधार पर बदल सकता है। यहीं पर आधुनिक कंप्यूटर विज्ञान की भूमिका आती है, जो ऐसे उपकरण प्रदान करता है जो डेटा में जटिल, छिपे हुए पैटर्न की तलाश कर सकते हैं जिन्हें पारंपरिक गणित शायद छोड़ दे।
एक शोधकर्ता ने यह परीक्षण करने के लिए हाथ आजमाया कि क्या ये उन्नत कंप्यूटर उपकरण, जिन्हें मशीन लर्निंग कहा जाता है, वास्तव में पारंपरिक तरीकों की तुलना में रीट्स के भविष्य के रिटर्न की बेहतर भविष्यवाणी कर सकते हैं। उन्होंने दो दशकों से अधिक (वर्ष 2000 से 2023 तक) के विशाल ऐतिहासिक डेटा को एकत्र किया, जिसमें 383 विभिन्न रियल एस्टेट कंपनियों को ट्रैक किया गया। यह अवधि आधुनिक इतिहास के सबसे नाटकीय आर्थिक बदलावों को कवर करती है, जिसमें वैश्विक वित्तीय संकट, बहुत कम ब्याज दरों का एक लंबा दौर, महामारी का अचानक आया झटका और उसके बाद आई तीव्र मुद्रास्फीति शामिल है। शोधकर्ता ने कंप्यूटर मॉडल को संकेतों का एक विशिष्ट सेट दिया: वर्तमान ब्याज दरें, बेरोजगारी के आंकड़े, मुद्रास्फीति का डेटा, अर्थव्यवस्था कितनी तेजी से बढ़ रही है, और व्यापक शेयर बाजार कैसा प्रदर्शन कर रहा है। फिर उन्होंने कंप्यूटर से पूछा कि अगले कुछ महीनों में रीट रिटर्न के साथ क्या होगा। परीक्षण को निष्पक्ष बनाने के लिए, उन्होंने कंप्यूटर को पिछले डेटा पर प्रशिक्षित किया और फिर उसे बिना पहले से उत्तर देखे भविष्य की भविष्यवाणी करने के लिए कहा।
परिणामों ने एक कहानी को उजागर किया जो केवल नई तकनीक की सरल जीत से कहीं अधिक सूक्ष्म थी। जब शोधकर्ता ने कंप्यूटर से बहुत निकट भविष्य—एक, दो, या तीन महीने आगे—की भविष्यवाणी करने के लिए कहा, तो मशीन लर्निंग मॉडल पिछले औसत प्रदर्शन पर आधारित एक साधारण अनुमान से बेहतर प्रदर्शन नहीं कर सके। वास्तव में, इन अल्पकालिक समयसीमाओं के लिए, कंप्यूटर मॉडल बुनियादी बेंचमार्क से थोड़े खराब रहे। हालांकि, कहानी तब बदल गई जब शोधकर्ता ने मध्यम अवधि के क्षितिज को देखा, विशेष रूप से छह महीने की अवधि में संचयी रिटर्न (cumulative returns) की भविष्यवाणी करने के लिए कंप्यूटर से पूछा। यहाँ, उन्नत मॉडल अपनी ताकत दिखाने लगे। सबसे परिष्कृत एल्गोरिदम, जो जटिल पैटर्न खोजने के लिए कई छोटे निर्णय वृक्षों (decision trees) का निर्माण करते हैं, वे पारंपरिक रैखिक विधियों की तुलना में अपनी भविष्यवाणी त्रुटियों को काफी कम करने में सक्षम थे। उन्होंने छह महीने के रिटर्न में होने वाले उतार-चढ़ाव का लगभग 9.3 प्रतिशत हिस्सा पकड़ा, जो पारंपरिक दृष्टिकोण की तुलना में एक सार्थक सुधार था, जो वास्तव में एक साधारण ऐतिहासिक औसत से थोड़ा खराब प्रदर्शन करता है।
इस सटीकता में सुधार के बावजूद, शोधकर्ता इस बात पर ज़ोर देने में सावधानी बरत रहे थे कि इसे पूर्ण विजय घोषित न किया जाए। जब उन्होंने यह देखने के लिए सख्त सांख्यिकीय परीक्षण लागू किए कि क्या कंप्यूटर की सफलता एक वास्तविक सफलता थी या केवल एक भाग्यशाली संयोग, तो परिणाम कम निर्णायक थे। सुधार, हालांकि आर्थिक रूप से ध्यान देने योग्य थे, लेकिन सांख्यिकीय रूप से इतने मजबूत नहीं थे कि यह पूरी तरह से निश्चितता के साथ सिद्ध किया जा सके कि मशीन लर्निंग मॉडल हर मामले में पुराने तरीकों से श्रेष्ठ थे। अध्ययन बताता है कि कंप्यूटर मॉडल कोई ऐसा जादुई फॉर्मूला नहीं खोज रहे हैं जो हर एक संपत्ति या हर एक महीने के लिए काम करता हो। इसके बजाय, वे एक विशिष्ट प्रकार के संकेत को पकड़ रहे हैं: संपूर्ण अर्थव्यवस्था द्वारा संचालित पूरे रियल एस्टेट बाजार की व्यापक, साझा गतिविधि। मॉडल सामान्य बाजार के समय (timing) को समझने में अच्छे हैं, यह महसूस करने में कि ब्याज दरों और रोजगार की लहर कब मुड़ने वाली है, लेकिन वे विभिन्न कंपनियों के बीच व्यक्तिगत विजेता और हारने वालों को चुनने में अच्छे नहीं हैं।
शोधकर्ता ने यह भी पाया कि इन उपकरणों की उपयोगिता विश्लेषण किए जा जाने वाले संपत्ति के प्रकार पर बहुत अधिक निर्भर करती है। मशीन लर्निंग मॉडल स्वास्थ्य-देखभाल (health-care) से जुड़े रीट्स के लिए सबसे अच्छा काम करते थे, जहाँ भविष्यवाणियाँ न केवल सटीक थीं, बल्कि कठोर परीक्षण के बाद सांख्यिकीय रूप से भी महत्वपूर्ण थीं। रिटेल संपत्तियों ने भी संभावना दिखाई, जबकि आवासीय और विविध रियल एस्टेट कंपनियां सरल, पारंपरिक तरीकों द्वारा बेहतर ढंग से अनुमानित की गईं। यह निष्कर्ष दर्शाता है कि अर्थव्यवस्था विभिन्न प्रकार की इमारतों को अलग-अलग तरह से प्रभावित करती है, और एक 'वन-साइज-फिट्स-ऑल' कंप्यूटर मॉडल हर बारीकी को नहीं पकड़ सकता। इसके अलावा, अध्ययन ने दिखाया कि कंप्यूटर मॉडल केवल अतीत को याद नहीं कर रहे थे; वे विभिन्न आर्थिक कारकों, जैसे कि बेरोजगारी या ब्याज दरों में बदलाव एक-दूसरे के साथ कैसे परस्पर क्रिया करते हैं, को तौलना सीख रहे थे, ताकि भविष्य की एक अधिक पूर्ण तस्वीर बनाई जा सके।
अंततः, यह शोध वित्त में आर्टिफिशियल इंटेलिजेंस की भूमिका के बारे में एक स्पष्ट और यथार्थवादी दृष्टिकोण प्रदान करता है। यह प्रदर्शित करता है कि हालांकि मशीन लर्निंग यह समझने में मूल्यवान पैटर्न खोज सकती है कि अर्थव्यवस्था रियल एस्टेट को कैसे प्रभावित करती है, लेकिन यह कोई 'क्रिस्टल बॉल' (भविभक) नहीं है। यह तकनीक मध्यम अवधि के रुझानों और विशिष्ट क्षेत्रों को देखने पर चमकती है, लेकिन यह सावधानीपूर्वक सांख्यिकीय जांच या इस समझ की जगह नहीं लेती कि अर्थव्यवस्था एक बदलता हुआ परिदृश्य है। अध्ययन निष्कर्ष निकालता है कि इन उन्नत उपकरणों का मूल्य वास्तविक है लेकिन सशर्त है; वे बाजार की सामान्य दिशा को समझने के लिए शक्तिशाली उपकरण हैं, बशर्ते कि उनका उपयोग सही अपेक्षाओं और सही प्रकार की संपत्तियों के लिए किया जाए।
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।