Hybrid VARIMA–Machine Learning Models for Multivariate Macroeconomic and Energy Forecasting
यह शोध पत्र एक हाइब्रिड पूर्वानुमान ढांचे का प्रस्ताव करता है जो रैखिक गतिकी और गैर-रैखिक अवशेषों (residuals) दोनों को पकड़ने के लिए VARIMA मॉडलों की व्याख्यात्मकता को मशीन लर्निंग के लचीलेपन के साथ जोड़ता है, जो विशेष रूप से आर्थिक तनाव की अवधि के दौरान बहुभिन्नरूपी मैक्रोइकॉनोमिक और ऊर्जा पूर्वानुमान में बेहतर सटीकता और मजबूती प्रदर्शित 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
पैसे, ऊर्जा और वैश्विक अर्थव्यवस्था के भविष्य की भविष्यवाणी करना एक ऐसा कार्य है जो एक ऐसे जहाज को तूफान के बीच से ले जाने जैसा महसूस होता है जहाँ नक्शा लगातार बदलता रहता है। अर्थशास्त्री और नीति निर्माता ब्याज दरों, निवेश और ऊर्जा आपूर्ति के बारे में निर्णय लेने के लिए पूर्वानुमानों पर भरोसा करते हैं, लेकिन वे प्रणालियाँ जिनका वे अध्ययन करते हैं, बहुत जटिल होती हैं। वे अचानक लगने वाले झटकों, विभिन्न बाजारों के बीच जटिल संबंधों और ऐसे व्यवहारों से भरी होती हैं जो सरल, सीधी रेखाओं का पालन नहीं करते। दशकों से, इस काम के लिए मानक उपकरण एक प्रकार का सांख्यिकीय मॉडल रहा है जो यह मानता है कि दुनिया अनुमानित, रैखिक (linear) पैटर्न में चलती है। इसे एक नियम पुस्तिका की तरह समझें जो कहती है कि यदि एक चीज़ बढ़ती है, तो दूसरी एक निश्चित मात्रा में कम हो जाएगी। हालाँकि ये नियम शांत मौसम में अच्छी तरह काम करते हैं, लेकिन जब अर्थव्यवस्था संकट, युद्ध या महामारी का सामना करती है, तो ये अक्सर विफल हो जाते हैं, क्योंकि वास्तविक दुनिया का डेटा 'हेवी टेल्स' (heavy tails), अचानक उछाल और छिपे हुए संबंधों से भरा होता है जिसे एक सरल नियम पुस्तिका देख नहीं पाती।
शोधकर्ता इमैनुएल ग्नांडी, जूल सडेफो कामडेम और फ्रेडी पोकू द्वारा किया गया एक नया अध्ययन इस समस्या को हल करने के लिए एक पूर्वानुमान इंजन (forecasting engine) बनाकर इस समस्या से निपटता है जो दो दुनियाओं के सर्वश्रेष्ठ गुणों को जोड़ता है: पारंपरिक अर्थशास्त्र की अनुशासित संरचना और आधुनिक आर्टिफिशियल इंटेलिजेंस की लचीली सीखने की शक्ति। टीम ने केवल डेटा पर एक कंप्यूटर एल्गोरिदम नहीं फेंका और बेहतर होने की उम्मीद नहीं की। इसके बजाय, उन्होंने एक ऐसी प्रणाली डिजाइन की जहाँ एक पारंपरिक आर्थिक मॉडल एक पहले फिल्टर के रूप में कार्य करता है, जो बाजार की बुनियादी, अनुमानित गतिविधियों को पकड़ता है। फिर, एक मशीन लर्निंग मॉडल उस गलती का अध्ययन करने के लिए कदम रखता है जो पहले मॉडल ने की थी, उन छिपे हुए, गैर-रैखिक (non-linear) पैटर्न की तलाश करता है जिन्हें नियमों ने छोड़ दिया था। कंप्यूटर को केवल पारंपरिक मॉडल द्वारा छोड़ी गई त्रुटियों को ठीक करने के लिए प्रशिक्षित करके, शोधकर्ताओं ने एक हाइब्रिड प्रणाली बनाई जो अकेले किसी भी अन्य विधि की तुलना में अधिक सटीक और अधिक विश्वसनीय है, विशेष रूप से आर्थिक तनाव के समय में।
शोधकर्ताओं ने अपने विचार का परीक्षण सात मासिक चरों (variables) के एक जटिल सेट का उपयोग करके किया जो वैश्विक अर्थव्यवस्था और ऊर्जा बाजारों की धड़कन का प्रतिनिधित्व करते हैं। इनमें दीर्घकालिक ब्याज दरें, उपभोक्ता विश्वास, वैश्विक नीति अनिश्चितता, औद्योगिक उत्पादन, मुद्रा विनिमय दरें, बिजली की कीमतें और ब्रेंट क्रूड ऑयल की कीमत शामिल थीं। डेटा जनवरी 1999 से अगस्त 2025 तक फैला हुआ था, जिसमें कई वित्तीय संकट, महामारी और भू-राजनीतिक संघर्ष शामिल थे। अपना नया मॉडल बनाने से पहले, टीम ने इस डेटा पर पारंपरिक आर्थिक मॉडल चलाया ताकि यह देखा जा सके कि यह अकेले कैसा प्रदर्शन करता है। उन्होंने पाया कि जबकि मॉडल सामान्य रुझानों को पकड़ सकता था, लेकिन इसने अपनी त्रुटियों में एक महत्वपूर्ण मात्रा में अस्पष्ट संरचना छोड़ दी थी। गलतियाँ यादृच्छिक शोर (random noise) नहीं थीं; वे अस्थिरता, हेवी टेल्स और गैर-रैखिक निर्भरताओं के स्पष्ट पैटर्न दिखा रही थीं, जिससे यह सिद्ध हुआ कि सरल रैखिक नियम दबाव में अर्थव्यवस्था के व्यवहार के बारे में महत्वपूर्ण जानकारी को मिस कर रहे थे।
इसे हल करने के लिए, टीम ने दो चरणों वाली प्रक्रिया विकसित की। पहले चरण में, VARIMA नामक पारंपरिक मॉडल ने रैखिक संबंधों के आधार पर पूर्वानुमान उत्पन्न करने के लिए डेटा को प्रोसेस किया। इस मॉडल ने एक स्थिर आधार (baseline) के रूप में कार्य किया, जिसने विभिन्न आर्थिक चरों के बीच मानक, अनुमानित अंतःक्रियाओं को संभाला। दूसरे चरण में उस पहले पूर्वानुमान से बची हुई त्रुटियों, या अवशेषों (residuals) को लेना और उन्हें एक मशीन लर्निंग एल्गोरिदम में फीड करना शामिल था। इन एल्गोरिदम में ग्रेडिएंट बूस्टिंग और रैंडम फॉरेस्ट जैसी तकनीकें शामिल थीं, जिन्हें विशेष रूप से उन त्रुटियों में छिपे जटिल, गैर-रैखिक पैटर्न को पहचानने के लिए प्रशिक्षित किया गया था। अंतिम भविष्यवाणी पारंपरिक मॉडल के पूर्वानुमान और मशीन लर्निंग मॉडल के सुधार का योग थी। इस दृष्टिकोण ने यह सुनिश्चित किया कि कंप्यूटर को बुनियादी आर्थिक नियमों को फिर से सीखने की आवश्यकता न पड़े, जिससे वह पूरी तरह से उन अनियमित व्यवहारों पर ध्यान केंद्रित कर सके जो पारंपरिक मॉडलों को विफल करते हैं।
इस प्रयोग के परिणाम चौंकाने वाले थे। जब शोधकर्ताओं ने अपने हाइब्रिड मॉडल का परीक्षण पारंपरिक मॉडल और शुद्ध मशीन लर्निंग मॉडल (जो शून्य से डेटा की भविष्यवाणी करने की कोशिश करते हैं) के विरुद्ध किया, तो हाइब्रिड दृष्टिकोण लगातार विजेता रहा। मार्च 2023 से अगस्त 2025 की अवधि को कवर करने वाले एक कठोर परीक्षण में, हाइब्रिड मॉडलों ने सटीकता के सभी पैमानों पर काफी कम त्रुटियां प्रदर्शित कीं। पारंपरिक मॉडल अकेले अशांत समय के दौरान संघर्ष करता था, अक्सर वास्तविक दुनिया के बदलावों से पीछे रह जाता था, जबकि शुद्ध मशीन लर्निंग मॉडल कभी-कभी बहुत संवेदनशील थे, जिससे शोर भरे और अस्थिर पूर्वानुमान उत्पन्न होते थे। हालाँकि, हाइब्रिड प्रणाली ने एक आदर्श संतुलन बनाए रखा। इसने आर्थिक नियमों की स्थिरता को बरकरार रखा और साथ ही अचानक बदलावों के अनुकूल होने की चपलता भी प्राप्त की। उनके सिस्टम के सबसे सफल संस्करण ने पारंपरिक मॉडल की त्रुटियों को ठीक करने के लिए ग्रेडिएंट बूस्टिंग नामक एक विशिष्ट मशीन लर्निंग का उपयोग किया, जिसने उन जटिल डीप लर्निंग नेटवर्क को भी पछाड़ दिया जिन्हें अक्सर अन्य क्षेत्रों में पसंद किया जाता है।
यह निष्कर्ष विशेष रूप से महत्वपूर्ण है कि केवल आंकड़े बेहतर नहीं हैं, बल्कि सुधार सबसे अधिक तब दिखाई देता है जब इसकी सबसे अधिक आवश्यकता होती है: उच्च अनिश्चितता और बाजार के तनाव के दौरान। अध्ययन ने दिखाया कि हाइब्रिड मॉडल अन्य तरीकों की तुलना में अत्यधिक त्रुटियों से बचने में कहीं अधिक बेहतर था। वित्त और ऊर्जा की दुनिया में, एक बड़ी गलती कई छोटी गलतियों की तुलना में कहीं अधिक हानिकारक हो सकती है। शोधकर्ताओं ने पाया कि उनका हाइब्रिड दृष्टिकोण प्रभावी रूप से इन चरम विचलन को कम करता है, जिससे अर्थव्यवस्था के अनियमित व्यवहार करने पर भी पूर्वानुमान स्थिर रहता है। यह सुझाव देता है कि यह पद्धति केवल एक गणितीय चाल नहीं है, बल्कि लगातार बदलती दुनिया की वास्तविकता को संभालने का एक मजबूत तरीका है। यह स्वीकार करते हुए कि अर्थव्यवस्था में एक रैखिक रीढ़ और एक गैर-रैखिक आत्मा दोनों हैं, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो अधिक आत्मविश्वास के साथ शांत और तूफान दोनों में नेविगेट कर सकता है।
अध्ययन ने यह भी स्पष्ट किया कि यह विशिष्ट संयोजन इतना अच्छा क्यों काम करता है। पारंपरिक मॉडल ने चरों के बीच व्यापक, रैखिक संबंधों को सफलतापूर्वक पकड़ा, जैसे कि ब्याज दरों में बदलाव कैसे धीरे-धीरे औद्योगिक उत्पादन को प्रभावित कर सकता है। इसने मशीन लर्निंग मॉडल के लिए एक बहुत सरल काम छोड़ दिया: केवल उन विशिष्ट, गैर-रैखिक समायनों को सीखना जो तब होते हैं जब वे मानक नियम टूट जाते हैं। श्रम के इस विभाजन ने कंप्यूटर को भ्रमित होने या डेटा के प्रति ओवरफिटिंग (overfitting) करने से रोका, जो एक आम समस्या है जब एल्गोरिदम एक साथ सब कुछ सीखने की कोशिश करते हैं। शोधकर्ताओं ने नोट किया कि जबकि डीप लर्निंग नेटवर्क शक्तिशाली होते हैं, उन्हें ठीक से काम करने के लिए भारी मात्रा में स्थिर डेटा की आवश्यकता होती है, जो अर्थशास्त्र में दुर्लभ है। पारंपरिक मॉडल को रैखिक कार्य का भारी बोझ उठाने देकर, हाइब्रिड प्रणाली ने सरल, अधिक स्थिर मशीन लर्निंग तकनीकों को चमकने का अवसर दिया।
अंत में, यह शोध आर्थिक पूर्वानुमान के बारे में सोचने का एक नया तरीका प्रदान करता है। यह सुझाव देता है कि भविष्यवाणी का भविष्य पुराने-स्कूल के अर्थशास्त्र और नए-स्कूल की आर्टिफिशियल इंटेलिजेंस के बीच चयन करने में नहीं है, बल्कि उन्हें एक साथ काम करने का तरीका खोजने में है। अध्ययन यह प्रदर्शित करता है कि आर्थिक सिद्धांत की संरचनात्मक अनुशासन का सम्मान करके और मशीन लर्निंग का उपयोग केवल उसकी कमियों को सुधारने के लिए करके, हम ऐसे मॉडल बना सकते हैं जो व्याख्या योग्य (interpretable) और अत्यधिक सटीक दोनों हों। यह उन नीति निर्माताओं और निवेशकों के लिए एक महत्वपूर्ण अंतर है जिन्हें न केवल यह समझने की आवश्यकता है कि पूर्वानुमान क्या है, बल्कि यह भी कि यह क्यों हो रहा है। हाइब्रिड मॉडल एक स्पष्ट मार्ग प्रदान करता है, जो दिखाता है कि जब हम आर्थिक सिद्धांत के स्थिर हाथ को मशीन लर्निंग की अनुकूलन क्षमता के साथ जोड़ते हैं, तो हम वैश्विक अर्थव्यवस्था के जटिल, अक्सर अप्रत्याशित भविष्य का बेहतर अनुमान लगा सकते हैं।
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।