Decomposition-Based Preprocessing Versus Architectural Complexity in Neural Forecasting of Economic and Financial Time Series: A Comparative Empirical Study

पैसे और बाजारों के भविष्य की भविष्यवाणी करना विज्ञान की सबसे कठिन चुनौतियों में से एक है। अर्थशास्त्री और वित्तीय विश्लेषक लंबे समय से सांख्यिकीय उपकरणों पर निर्भर रहे हैं ताकि वे अनुमान लगा सकें कि कीमतें आगे कहाँ जाएँगी, चाहे वह किसी एकल स्टॉक के लिए हो, तेल के एक बैरल के लिए, या प्राकृतिक गैस की एक इकाई के लिए। ये उपकरण तब अच्छी तरह काम करते हैं जब अतीत एक सीधी, अनुमानित रेखा में चलता है, लेकिन वास्तविक दुनिया शायद ही कभी इतनी सरल होती है। वित्तीय बाजार अव्यवस्थायुक्त, परिवर्तनशील और अचानक होने वाले उछालों से भरे होते हैं जो किसी स्पष्ट पैटर्न का पालन नहीं करते। इस अव्यवस्था को संभालने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस की ओर रुख किया है, विशेष रूप से एक प्रकार के कंप्यूटर प्रोग्राम जिसे न्यूरल नेटवर्क कहा जाता है। ये प्रोग्राम डेटा से सीखने के लिए डिज़ाइन किए गए हैं, जो उन छिपे हुए पैटर्न को खोजते हैं जिन्हें मानवीय आँखें मिस कर सकती हैं। हालाँकि, इसमें एक पेंच है: इन प्रोग्रामों को अराजक बाजारों को समझने के लिए पर्याप्त स्मार्ट बनाने के लिए, वैज्ञानिकों को अक्सर उन्हें अविश्वसनीय रूप से जटिल बनाना पड़ता है, जिसमें हजारों आंतरिक भाग एक साथ काम करते हैं। यह जटिलता इन प्रोग्रामों को धीमा, महंगा और प्रबंधित करने में कठिन बनाती है। शोधकर्ताओं के लिए केंद्रीय प्रश्न यह रहा है कि क्या बेहतर भविष्यवाणी पाने का एकमात्र तरीका एक बड़ी, अधिक जटिल मशीन बनाना है, या डेटा को उसमें डालने से पहले उसे तैयार करने का कोई स्मार्ट तरीका है।

शोधकर्ताओं की एक टीम ने इसी सटीक ट्रेड-ऑफ (सौदा) का परीक्षण करने के लिए हाथ आगे बढ़ाया। वे यह देखना चाहते थे कि क्या कंप्यूटर प्रोग्राम को देने से पहले कच्चे डेटा को साफ करने से वही काम किया जा सकता है जो प्रोग्राम को अधिक शक्तिशाली बनाने से होता है। ऐसा करने के लिए, उन्होंने तीन बहुत अलग प्रकार के वित्तीय डेटा एकत्र किए: एप्पल स्टॉक की दैनिक कीमत, ब्रेंट क्रूड ऑयल की कीमत, और प्राकृतिक गैस की कीमत। इन्हें इसलिए चुना गया क्योंकि ये अनूठे तरीकों से व्यवहार करते हैं; एप्पल स्टॉक दशकों से लगातार बढ़ा है, तेल की कीमतें वैश्विक घटनाओं के साथ तेजी से बदलती हैं, और प्राकृतिक गैस की कीमतें अत्यधिक अस्थिरता के साथ ऊपर-नीचे होती हैं। शोधकर्ताओं ने इन कच्चे नंबरों को लिया और तीन अलग-अलग प्रकार के न्यूरल नेटवर्क का उपयोग करके अगले दिन की कीमत की भविष्यवाणी करने की कोशिश की। पहला एक बुनियादी, सीधा मॉडल था। दूसरा एक अधिक उन्नत मॉडल था जो पिछली घटनाओं को बेहतर ढंग से याद रखता है। तीसरा सबसे जटिल था, जो गहरे संबंधों को खोजने के लिए डेटा को अतीत और भविष्य दोनों दृष्टिकोणों से देखने में सक्षम है।

कच्चे नंबरों को सीधे इन मॉडलों में डालने के बजाय, शोधकर्ताओं ने एक अलग दृष्टिकोण भी आजमाया। कंप्यूटर द्वारा डेटा देखे जाने से पहले, उन्होंने गणितीय तकनीकों का उपयोग करके अव्यवस्थित मूल्य इतिहास को छोटे, सरल टुकड़ों में तोड़ने का प्रयास किया। एक जटिल गीत की कल्पना करें जिसे गाना कठिन है क्योंकि इसमें एक साथ बहुत सारे स्वर बज रहे हैं। यदि आप मेलोडी (धुन) को बैकग्राउंड रिदम और बेस लाइन से अलग कर सकें, तो प्रत्येक भाग को अपने आप में गाना बहुत आसान होगा। शोधकर्ताओं ने वित्तीय डेटा के साथ कुछ ऐसा ही किया। उन्होंने मूल्य इतिहास को अलग-अलग घटकों, जैसे कि दीर्घकालिक रुझान, अल्पकालिक उतार-चढ़ाव और यादृच्छिक शोर (रैंडम नॉइज़) में विभाजित करने के लिए पांच अलग-अलग विधियों का उपयोग किया। फिर उन्होंने कंप्यूटर को इन सरल टुकड़ों में से प्रत्येक की अलग से भविष्यवाणी करना सिखाया और अंतिम पूर्वानुमान प्राप्त करने के लिए परिणामों को वापस जोड़ दिया।

इस प्रयोग के परिणाम चौंकाने वाले थे। शोधकर्ताओं ने पाया कि डेटा को सरल टुकड़ों में तोड़ने से कंप्यूटर मॉडल बहुत बेहतर प्रदर्शन करने लगे, भले ही वे मॉडल स्वयं छोटे और सरल रखे गए हों। वास्तव में, डेटा को साफ करने के लिए सबसे प्रभावी विधि 'वेरिएशनल मोड डीकंपोजिशन' नामक तकनीक थी। जब इस विधि का उपयोग किया गया, तो मॉडलों ने कच्चे डेटा के मुकाबले काफी अधिक सटीक भविष्यवाणियां कीं। शायद इससे भी महत्वपूर्ण बात यह है कि इन परिणामों को प्राप्त करने के लिए मॉडलों को बहुत जटिल होने की आवश्यकता नहीं थी। सबसे उन्नत कंप्यूटर मॉडलों के लिए, जिन्हें कच्चे डेटा पर अच्छी तरह काम करने के लिए सैकड़ों आंतरिक भागों की आवश्यकता होती है, शोधकर्ताओं ने पाया कि डेटा को प्रीप्रोसेस (पूर्व-प्रसंस्कृत) करने पर वे इन भागों की संख्या को दस गुना या उससे अधिक कम कर सकते हैं। उदाहरण के लिए, एक मॉडल जिसे तेल की कीमतों की सटीक भविष्यवाणी करने के लिए एक सौ आंतरिक भागों की आवश्यकता थी, वह डेटा को साफ करने के बाद केवल पांच भागों के साथ समान या बेहतर परिणाम प्राप्त कर सकता था।

यह खोज बताती है कि वित्तीय बाजारों की अल्पकालिक भविष्यवाणियों के लिए, सफलता का रहस्य एक विशाल, जटिल मशीन बनाने में कम और डेटा को सही ढंग से तैयार करने में अधिक है। अध्ययन ने दिखाया कि साफ डेटा के साथ एक सरल मॉडल अक्सर गंदे डेटा वाले जटिल मॉडल से बेहतर प्रदर्शन करता है। यह उन लोगों के लिए एक महत्वपूर्ण खोज है जो इन भविष्यवाणियों पर भरोसा करते हैं, चाहे वे ट्रेडर हों या नीति निर्माता। इसका अर्थ है कि सटीकता से समझौता किए बिना भविष्यवाणियों के सिस्टम को तेज़, सस्ता और अधिक कुशल बनाया जा सकता है। बड़े न्यूरल नेटवर्क बनाने पर संसाधन खर्च करने के बजाय, ध्यान स्वयं डेटा को समझने और व्यवस्थित करने पर केंद्रित किया जा सकता है। शोधकर्ताओं ने निष्कर्ष निकाला कि आर्थिक टाइम सीरीज़ की अराजक और परिवर्तनशील प्रकृति के लिए, एक अच्छी तरह से तैयार किया गया सिग्नल एक गहरे और जटिल आर्किटेक्चर से अधिक शक्तिशाली होता है। यह दृष्टिकोण भविष्यवाणियों के उपकरण बनाने के लिए एक व्यावहारिक मार्ग प्रदान करता है जो न केवल सटीक हैं बल्कि वास्तविक दुनिया के तेज़-तर्रार वातावरण में उपयोग के लिए पर्याप्त कुशल भी हैं।