Multi-objective Portfolio Optimization Via Gradient Descent

कल्पना कीजिए कि आप एक विशाल जहाज के कप्तान हैं, लेकिन आप पानी पर नहीं, बल्कि पूरी तरह से पैसे से बने समुद्र में यात्रा कर रहे हैं। आपका लक्ष्य अधिक से अधिक खजाना लेकर बिंदु A से बिंदु B तक पहुँचना है, लेकिन इसमें एक पेंच है: समुद्र तूफानों (जोखिम) से भरा है और आपके पास एक सख्त मानचित्र (नियम) है जो कहता है कि आप एक ही संदूक में बहुत अधिक सोना नहीं रख सकते, और आपको एक विशिष्ट लाइटहाउस (बेंचमार्क इंडेक्स) के करीब रहना चाहिए। यह पोर्टफोलियो ऑप्टिमाइजेशन (Portfolio Optimization) की दुनिया है। दशकों तक, इस जहाज को चलाने का मानक तरीका एक कठोर, गणितीय दिशा-सूचक यंत्र जिसे "मॉडर्न पोर्टफोलियो थ्योरी" कहा जाता था, का उपयोग करना था। यह शांत पानी में अच्छा काम करता था, लेकिन जब समुद्र जटिल नियमों या परस्पर विरोधी लक्ष्यों के साथ उथल-पुथल भरा होता था—जैसे कि अधिकतम खजाना और न्यूनतम जोखिम और सख्त सुरक्षा सीमाएँ चाहते हों—तो पुराना दिशा-सूचक यंत्र अक्सर अटक जाता था या टूट जाता था।

यहाँ एक नया प्रकार का नेविगेशन टूल आता है: ग्रेडिएंट डिसेंट (Gradient Descent)। इसे एक कठोर मानचित्र के बजाय, एक ऐसे हाइकर (पर्वतारोही) के रूप में सोचें जो कोहरे से भरे पहाड़ में अपना रास्ता महसूस करते हुए आगे बढ़ रहा है। हाइकर (कंप्यूटर) छोटे कदम उठाता है, लगातार यह जाँचता है कि सबसे तीव्र ढलान किस ओर है (कम जोखिम या अधिक लाभ की ओर) और अपने पथ को समायोजित करता है। आमतौर पर, इस "हाइकिंग" पद्धति का उपयोग कंप्यूटर को यह सिखाने के लिए किया जाता है कि तस्वीरों में बिल्लियों को कैसे पहचाना जाए या कारें कैसे चलाई जाएं। लेकिन क्या होगा अगर हम कंप्यूटर को वित्तीय पहाड़ों में हाइकिंग करना सिखा दें? यही वह चीज़ है जिसे यह शोध पत्र तलाशता है। शोधकर्ताओं ने एक नया ढांचा बनाया है जो इस "हाइकिंग" तकनीक का उपयोग करता है, जो आधुनिक एआई (AI) उपकरणों द्वारा संचालित है, ताकि निवेश की उन जटिल, बहु-लक्ष्य वाली समस्याओं को हल किया जा सके जिनसे पुराने तरीके संघर्ष करते हैं। वे यह देखना चाहते थे कि क्या यह लचीला, चरण-दर-चरण दृष्टिकोण पारंपरिक, कठोर कैलकुलेटरों की तुलना में एक बेहतर, सुरक्षित और अधिक नियम-अनुपालक खजाना संदूक बना सकता है।

शोध पत्र की यात्रा: वित्तीय पहाड़ों पर हाइकिंग

लेखक, जो ऑटोनॉमस यूनिवर्सिटी ऑफ मैड्रिड और मार्च एसेट मैनेजमेंट की एक टीम है, ने यह परीक्षण करने के लिए प्रयास किया कि क्या यह "हाइकिंग" पद्धति (ग्रेडिएंट डिसेंट) मल्टी-ऑब्जेक्टिव पोर्टफोलियो ऑप्टिमाइजेशन (MPO) के जटिल कार्य को संभाल सकती है। वास्तविक दुनिया में, निवेशक केवल "उच्च रिटर्न" नहीं चाहते। वे उच्च रिटर्न चाहते हैं जबकि जोखिम को कम रखना चाहते हैं, जबकि सख्त कानूनों (जैसे यूरोपीय UCITS नियमों) का पालन करना चाहते हैं, जबकि यह सुनिश्चित करना चाहते हैं कि वे अपने सभी अंडे एक ही टोकरी में न रखें, और जबकि एक विशिष्ट मार्केट इंडेक्स को करीब से ट्रैक करना चाहते हैं। पारंपरिक उपकरण अक्सर तब संघर्ष करते हैं जब आप उन्हें एक साथ इतने सारे काम करने के लिए कहते हैं, खासकर यदि नियम पेचीदा हों या डेटा बहुत बड़ा हो।

शोधकर्ताओं ने S&P 500 (लगभग 500 सबसे बड़ी अमेरिकी कंपनियों की एक सूची) के डेटा का उपयोग करके एक डिजिटल खेल का मैदान बनाया। उन्होंने केवल एक परीक्षण नहीं बनाया; उन्होंने छह अलग-अलग परिदृश्य बनाए, जो सरल "सर्वश्रेष्ठ पथ खोजें" वाले कार्यों से लेकर अविश्वसनीय रूप से जटिल "पथ खोजें जबकि चट्टानों से बचें, गति सीमा के भीतर रहें और एक विशिष्ट वजन ले जाएँ" जैसी चुनौतियों तक विस्तृत थे।

सरल परीक्षण: सीधी रेखा पर चलना
सबसे पहले, उन्होंने बुनियादी बातों का परीक्षण किया। एक परिदृश्य में, उन्होंने कंप्यूटर को केवल जोखिम और पुरस्कार के बीच सबसे अच्छे संतुलन वाला पथ खोजने के लिए कहा (जिसे "शार्प रेशियो" को अधिकतम करना कहा जाता है)। उन्होंने अपने नए "हाइकिंग" पद्धति की तुलना CVXPY नामक एक प्रसिद्ध, कठोर गणितीय सॉल्वर से की। परिणाम? हाइकर और कठोर कैलकुलेटर लगभग एक ही स्थान पर पहुँचे। संपत्तियों के भार (प्रत्येक स्टॉक में कितना पैसा गया) लगभग समान थे, जो छठे दशमलव स्थान तक ही भिन्न थे। इसने सिद्ध किया कि नया तरीका सरल कार्यों के लिए पुराने, भरोसेमंद उपकरणों जितना ही सटीक है।

दूसरे परीक्षण में, उन्होंने कंप्यूटर को "अत्यधिक नुकसान" (एक अवधारणा जिसे CVaR कहा जाता है) को कम करने के लिए कहा। उन्होंने इसकी तुलना SKFOLIO नामक एक अन्य उपकरण से की। यहाँ, "हाइकर" ने कठोर कैलकुलेटर की तुलना में थोड़ा अलग रास्ता लिया, अलग स्टॉक चुने और उन्हें थोड़े अलग भार दिए। हालाँकि, जब उन्होंने अंतिम परिणाम की जाँच की—वास्तविक अत्यधिक नुकसान जो टाला गया—तो दोनों विधियाँ व्यावहारिक रूप से जुड़वां थीं। अंतर इतना सूक्ष्म था (पाँचवें दशमलव स्थान तक) कि व्यावहारिक उद्देश्यों के लिए, हाइकर ने केवल एक पूर्व-निर्धारित मानचित्र का पालन करने के बजाय जमीन को महसूस करके वही मंजिल पा ली थी। यह एक बड़ी बात थी क्योंकि "अत्यधिक नुकसान" की समस्या गणितीय रूप से बहुत उलझी हुई है और कठोर उपकरणों के लिए इसे पूरी तरह से हल करना कठिन है; हाइकर ने इसे आसानी से संभाल लिया।

जटिल परीक्षण: करतब और बाधा दौड़
फिर, चीजें रोमांचक हो गईं। शोधकर्ताओं ने वीडियो गेम में नए स्तर जोड़ने की तरह जटिलता की परतें जोड़ दीं।

• नियम का पालन करने वाला: उन्होंने कंप्यूटर को अत्यधिक नुकसान को कम करने के लिए कहा, जबकि UCITS नियमों का पालन करना अनिवार्य था। ये सख्त यूरोपीय नियम हैं जो, उदाहरण के लिए, कहते हैं कि "कोई भी एकल स्टॉक आपके पोर्टफोलियो का 10% से अधिक नहीं हो सकता," और "आपके बड़े दांव (5% से अधिक) का कुल योग 40% से अधिक नहीं हो सकता।" पारंपरिक उपकरण अक्सर इन नियमों पर अटक जाते हैं क्योंकि ये गणित को "नॉन-कॉन्वेक्स" (एक फैंसी तरीका कहने का कि मानचित्र में छेद और चट्टानें हैं जो कठोर कैलकुलेटरों को तोड़ देती हैं) बना देते हैं। लेकिन हाइकर? वह बस चलता रहा, अपने कदमों को समायोजित करता रहा जब तक कि उसने एक ऐसा पथ नहीं खोज लिया जो सीमाओं के भीतर रहा। परिणाम एक ऐसा पोर्टफोलियो था जिसने नियमों का पूरी तरह से पालन किया और फिर भी जोखिम को कम रखा।

• रस्सी पर चलने वाला (Tightrope Walker): एक अन्य परीक्षण में, उन्होंने एक ट्रैकिंग एरर (Tracking Error) प्रतिबंध जोड़ा। इसका अर्थ है कि पोर्टफोलियो का प्रदर्शन S&P 500 इंडेक्स के बहुत करीब रहना चाहिए (जैसे रस्सी पर चलने वाला व्यक्ति तार पर टिका रहता है)। हाइकर ने अत्यधिक नुकसान को कम करने और इंडेक्स से चिपके रहने में सफलता पाई, जिससे यह सिद्ध हुआ कि वह गिर बिना परस्पर विरोधी लक्ष्यों को संतुलित कर सकता है।

• अंतिम चुनौती: अंतिम और सबसे जटिल परीक्षण में कंप्यूटर को सब कुछ एक साथ करने के लिए कहा गया: रिटर्न को अधिकतम करना, अत्यधिक नुकसान को कम करना, UCITS नियमों का पालन करना, शेयरों की न्यूनतम संख्या रखना, यह सुनिश्चित करना कि कोई शेयर बहुत छोटा न हो, और इंडेक्स के करीब रहना। कंप्यूटर ने इस अराजक बाधा दौड़ को सफलतापूर्वक पार कर लिया। उसने 23 स्टॉक चुने, प्रत्येक को 1% से अधिक का भार दिया, यह सुनिश्चित किया कि "बड़े दांव" 40% की सीमा के नीचे रहें, और एक ऐसा पोर्टफोलियो दिया जिसने जोखिम-समायोजित रिटर्न में मानक इंडेक्स से बेहतर प्रदर्शन किया।

"मास्क" का रहस्य
एक अंतिम, रचनात्मक परीक्षण में, शोधकर्ताओं ने "मास्क" बनाए—स्टॉक्स के समूह जिन्हें एक निश्चित कुल भार के तहत रहना था (जैसे यह कहना कि "टेक ग्रुप में आपके पैसे का 27% से अधिक नहीं हो सकता")। हाइकर ने सफलतापूर्वक धन का वितरण किया ताकि कोई भी समूह अपनी सीमा न तोड़े, और साथ ही पोर्टफोलियो के समग्र जोखिम को कम किया। इसने दिखाया कि यह पद्धति कस्टम, मनमाने नियमों को संभाल सकती है जो पुराने सॉफ़्टवेयर के लिए एक दुःस्वप्न होंगे।

भविष्य के लिए इसका क्या अर्थ है

यह शोध पत्र यह दावा नहीं करता है कि इसने कोई "जादुई समाधान" खोज लिया है जो गारंटी देता है कि आप अमीर बन जाएंगे। इसके बजाय, यह कुछ अधिक व्यावहारिक सुझाव देता है: लचीलापन। लेखक बताते हैं कि 'ऑटोमैटिक डिफरेंशिएशन' (एक उपकरण जो कंप्यूटर को ढलान तुरंत गणना करने की अनुमति देता है) के साथ ग्रेडिएंट डिसेंट का उपयोग करना उन निवेश समस्याओं को हल करने का एक शक्तिशाली, स्केलेबल तरीका है जो पारंपरिक गणित के लिए बहुत जटिल हैं।

मुख्य निष्कर्ष यह है कि यह विधि सरल कार्यों के लिए मौजूदा सर्वोत्तम उपकरणों के साथ प्रतिस्पर्धी है लेकिन जटिल, बहु-नियम वाले परिदृश्यों के लिए बेहतर है। यह केवल एक उत्तर नहीं ढूंढता; यह एक अच्छा उत्तर ढूंढता है जो उन सभी वास्तविक, जटिल बाधाओं का सम्मान करता है जिनका सामना निवेशक वास्तव में करते हैं। शोधकर्ता इस बात पर जोर देते हैं कि "हाइकर" को सही "वेट्स" (यह तय करने के लिए कि जोखिम बनाम पुरस्कार को कितना महत्व दिया जाए) सेट करने के लिए एक मार्गदर्शक (उपयोगकर्ता) की आवश्यकता होती है, लेकिन एक बार ये सेटिंग्स चुनने के बाद, कंप्यूटर दर्जनों परस्पर विरोधी लक्ष्यों को एक साथ संतुलित करने का भारी काम संभाल सकता है।

अंत में, यह शोध पत्र एक नए प्रकार के वित्तीय उपकरण के द्वार खोलता—एक ऐसा जो एक मानव हाइकर की तरह अनुकूलनीय है, जो आधुनिक निवेश के कोहरे और चट्टानी रास्तों में नेविगेट करने में सक्षम है जहाँ कठोर मानचित्र विफल हो जाते हैं। यह सुझाव देता है कि आर्टिफिशियल इंटेलिजेंस की दुनिया की तकनीकों को उधार लेकर, हम ऐसे पोर्टफोलियो बना सकते हैं जो न केवल गणितीय रूप से सुदृढ़ हैं, बल्कि व्यावहारिक रूप से भी मजबूत और वास्तविक दुनिया के लिए तैयार हैं।