Machine Learning for Predicting Market Volatility: A Computational Economics Approach

वित्तीय बाजारों को अक्सर जीवित, सांस लेते हुए निकायों के रूप में वर्णित किया जाता है, लेकिन जो लोग इनका प्रबंधन करते हैं, उनके लिए ये मौलिक रूप से अनिश्चितता का एक परिदृश्य हैं। इस अनिश्चितता के केंद्र में 'वोलेटिलिटी' (volatility) नामक एक अवधारणा निहित है। सरल शब्दों में, वोलेटिलिटी यह मापने का एक तरीका है कि एक स्टॉक की कीमत कम समय में कितनी तीव्रता से ऊपर और नीचे बदलती है। जब वोलेटिलिटी कम होती है, तो कीमतें एक स्थिर, अनुमानित लय में चलती हैं। जब यह अधिक होती है, तो कीमतें बिना किसी चेतावनी के तेजी से बढ़ सकती हैं या गिर सकती हैं। निवेशकों, बैंकों और नीति निर्माताओं के लिए, इस लय को समझना केवल एक शैक्षणिक अभ्यास नहीं है; यह अस्तित्व का मामला है। यह निर्धारित करता है कि वे कितना जोखिम ले सकते हैं, वे अपने पैसे की रक्षा कैसे करते हैं, और वे भविष्य के लिए कैसे योजना बनाते हैं। दशकों से, विशेषज्ञ उन गणितीय सूत्रों पर भरोसा करते आए हैं जो इस धारणा पर आधारित हैं कि बाजार कुछ हद तक व्यवस्थित, रैखिक (linear) तरीके से व्यवहार करते हैं। ये पारंपरिक उपकरण तब तो अच्छा काम करते हैं जब दुनिया शांत होती है, लेकिन जब बाजार अनियंत्रित व्यवहार करता है, तो वे अक्सर लड़खड़ा जाते हैं, और अचानक होने वाले मूल्य परिवर्तनों को चलाने वाले जटिल, घुमावदार पैटर्न को पकड़ने में विफल रहते हैं।

जी. नारायणम्मा इंस्टीट्यूट ऑफ टेक्नोलॉजी एंड साइंस की वसुंधरा एस का एक नया अध्ययन सुझाव देता है कि इन बाजार के उतार-चढ़ाव की भविष्यवाणी करने के तरीके को एक मौलिक अपग्रेड की आवश्यकता है। शोधकर्ता ने पुराने, कठोर सूत्रों को छोड़कर इसके बजाय कंप्यूटर प्रणालियों को डेटा से खुद सीखने के लिए प्रशिक्षित किया, ठीक वैसे ही जैसे एक छात्र किसी पाठ्यपुस्तक के बजाय अनुभव से सीखता है। उन्नत मशीन लर्निंग सिस्टम में ऐतिहासिक स्टॉक मार्केट डेटा की विशाल मात्रा फीड करके, अध्ययन का उद्देश्य यह देखना था कि क्या ये कंप्यूटर उन छिपे हुए, गैर-रैखिक (non-linear) संबंधों को पहचान सकते हैं जिन्हें पारंपरिक गणित छोड़ देता है। लक्ष्य एक ऐसी प्रणाली बनाना था जो न केवल अगले मूल्य परिवर्तन का अनुमान लगाए, बल्कि उन अंतर्निहित ताकतों को भी समझे जो बाजार में हलचल या उछाल पैदा करती हैं।

शोधकर्ता ने ऐतिहासिक स्टॉक मार्केट डेटा पर ध्यान केंद्रित किया, जिसमें ट्रेडिंग तिथियां, ओपनिंग प्राइस, उच्चतम और निम्नतम सत्र मूल्य, क्लोजिंग प्राइस, एडजस्टेड क्लोज प्राइस और ट्रेडिंग वॉल्यूम जैसे गुणों का उपयोग किया गया। इस कच्चे डेटा को कंप्यूटर के लिए उपयोगी बनाने के लिए, टीम ने पहले इसे साफ किया, किसी भी छूटे हुए हिस्से को भरा और संख्याओं को व्यवस्थित किया ताकि उनकी निष्पक्ष रूप से तुलना की जा सके। फिर उन्होंने नए सुराग, या "फीचर्स" (features) बनाए, जिसमें यह गणना की गई कि एक दिन से दूसरे दिन के बीच कीमत में कितना बदलाव आया और समय के साथ ट्रेडिंग वॉल्यूम कैसे बदला। इन प्रोसेस्ड सुरागों को विभिन्न प्रकार के कंप्यूटर मॉडलों में डाला गया। कुछ स्थापित सांख्यिकीय विधियों पर आधारित थे, जबकि अन्य डीप लर्निंग सिस्टम थे जिन्हें मानव मस्तिष्क द्वारा समय के साथ सूचनाओं के अनुक्रमों (sequences) को संसाधित करने के तरीके की नकल करने के लिए डिज़ाइन किया गया था।

इनकी तुलना के परिणाम स्पष्ट और निर्णायक थे। पारंपरिक मॉडल, जो वर्षों से वित्त के क्षेत्र में मानक रहे हैं, तालमेल बिठाने में संघर्ष करते रहे। एक पुरानी विधि, जिसे GARCH के रूप में जाना जाता है, लगभग 58 प्रतिशत समय बाजार की दिशा को सही ढंग से बताने में सफल रही। एक अन्य मानक दृष्टिकोण, ARIMA, थोड़ा बेहतर रहा, जिसने 60 प्रतिशत सटीकता प्राप्त की। हालांकि, मशीन लर्निंग मॉडलों ने इन्हें पीछे छोड़ दिया। 'रैंडम फॉरेस्ट' (Random Forest) नामक एक मॉडल ने सटीकता को लगभग 65 प्रतिशत तक सुधारा, जबकि 'XGBoost' नामक एक अधिक परिष्कृत प्रणाली ने उस संख्या को 71 प्रतिशत तक पहुंचा दिया। सबसे सफल उपकरण एक डीप लर्निंग मॉडल था जो 'ट्रांसफॉर्मर आर्किटेक्चर' (Transformer architecture) पर आधारित था, जो एक प्रकार का सिस्टम है जिसका उपयोग अक्सर भाषा प्रसंस्करण (language processing) के लिए किया जाता है। इस मॉडल ने 74.2 प्रतिशत की दिशात्मक सटीकता प्राप्त की, जिसका अर्थ है कि इसने लगभग तीन-चौथाई समय सही ढंग से भविष्यवाणी की कि बाजार ऊपर जाएगा या नीचे। इसने सबसे कम त्रुटि दर भी प्रदर्शित की, जिससे पता चलता है कि इसकी भविष्यवाणियां न केवल अक्सर सही थीं, बल्कि वास्तविक मूल्यों के भी करीब थीं।

इस निष्कर्ष को जो बात विशेष रूप से महत्वपूर्ण बनाती है वह केवल उच्च स्कोर नहीं है, बल्कि इन नए मॉडलों की वास्तविक दुनिया के वित्त की अव्यवस्थित, अप्रत्याशित प्रकृति को संभालने की क्षमता है। अध्ययन ने दिखाया कि पुराने तरीके बाजार की जटिल, गैर-रैखिक गतिशीलता को संभालने के लिए पर्याप्त सुसज्जित नहीं थे। उन्होंने एक ऐसे क्रम की धारणा बनाई जो वास्तव में बहुत कम मौजूद होता है। इसके विपरीत, मशीन लर्निंग मॉडल इस जटिलता पर फले-फूले, उन्होंने डेटा में ऐसे पैटर्न खोजे जिन्हें मानव-निर्मित सूत्र नहीं देख सके। यह सुनिश्चित करने के लिए कि ये परिणाम केवल एक भाग्यशाली अनुमान नहीं थे, शोधकर्ता ने SHAP नामक एक विधि का भी उपयोग किया, जो एक स्पॉटलाइट की तरह कार्य करता है और दिखाता है कि कौन से कारक भविष्यवाणियों को संचालित कर रहे थे। इसने खुलासा किया कि मॉडल यादृच्छिक शोर (noise) के बजाय विशिष्ट, तार्किक आर्थिक संकेतकों पर निर्भर थे, जिससे परिणामों में विश्वास का एक स्तर जुड़ गया।

अध्ययन निष्कर्ष निकालता है कि वित्तीय पूर्वानुमान का भविष्य इन्हीं कम्प्यूटेशनल दृष्टिकोणों में निहित है। मशीन लर्निंग की कच्ची शक्ति को स्पष्ट, समझने योग्य तर्क की आवश्यकता के साथ जोड़कर, ऐसे उपकरण बनाना संभव है जो वर्तमान में उपयोग किए जा रहे उपकरणों की तुलना में अधिक सटीक और अधिक विश्वसनीय हों। अनुसंधान यह दावा नहीं करता है कि इसने बाजार के रहस्य को पूरी तरह से सुलझा लिया है, लेकिन इसने प्रदर्शित किया है कि पुराने नियम अब पर्याप्त नहीं हैं। डेटा बताता है कि जब हम कंप्यूटरों को मूल्य आंदोलनों के इतिहास से सीधे सीखने की अनुमति देते हैं, तो वे वित्तीय दुनिया की उथल-पुथल के बीच उस सटीकता के साथ आगे बढ़ सकते हैं जो पहले पहुंच से बाहर थी। यह बदलाव उन सभी के लिए एक आशाजनक मार्ग प्रदान करता है जो जोखिम का प्रबंधन करने और निरंतर बदलते वित्तीय परिदृश्य को समझने का प्रयास कर रहे हैं।