हाल ही में, Dr. Hugo Bowne-Anderson (DataCamp) और Dr. Yves Hilpisch (The Python Quants) ने चर्चा की कि वित्त में AI का उपयोग कैसे किया जा सकता है, यह पारंपरिक तरीकों से कैसे तुलना करता है, और क्यों डेटा साइंटिस्ट अब वित्त में प्रमुख भूमिका निभा रहे हैं। उन्होंने अनिश्चितता और जोखिम पर भी बात की, और यह कि बाज़ार गिरावट, ब्लैक स्वान घटनाओं और अस्थिर बाज़ारों में AI और मशीन लर्निंग कितने उपयोगी हो सकते हैं। वेबिनार ऑन-डिमांड देखें या कुछ प्रमुख निष्कर्षों के लिए आगे पढ़ें।
AI क्या है और इसके निहितार्थ क्या हैं?
Yves आर्टिफिशियल इंटेलिजेंस को उन सभी क्षेत्रों के समुच्चय के रूप में परिभाषित करते हैं जो मनुष्यों की क्षमताओं की नकल करने और उन्हें बेहतर करने का प्रयास करते हैं। इस अर्थ में, शतरंज में AI मनुष्यों से बेहतर शतरंज खेलने की कोशिश करता है, और वित्त में AI का अर्थ ऐसे बॉट बनाना और प्रशिक्षित करना हो सकता है जो मनुष्यों से बेहतर ट्रेड कर सकें।
"AI वह है जहाँ सॉफ़्टवेयर वह हासिल करता है जिसे हम एक बुद्धिमान कृत्य मानेंगे। और बुद्धिमत्ता को किसी निश्चित लक्ष्य को साधने की क्षमता के रूप में परिभाषित किया जा सकता है।" —Dr. Yves Hilpisch
मशीनें वैज्ञानिक पद्धति का पालन मनुष्यों की तुलना में कहीं अधिक दक्षता से कर सकती हैं। वे डेटा को देखकर और यह ट्रैक करके कि लोग वास्तव में क्या करते हैं, उनकी वास्तविक वरीयताओं को पहचान लेती हैं। और वहीं से वे अंतर्दृष्टियाँ निकालती हैं। वे इन अंतर्दृष्टियों को बनाने के लिए लाखों डेटा बिंदुओं का उपयोग करती हैं, जो अंततः सैद्धांतिक मॉडलों की तुलना में कहीं अधिक सटीक होती हैं।
तो वैज्ञानिक पद्धति क्या है?
"आप एक प्रयोग स्थापित करते हैं, डेटा एकत्र करते हैं, और फिर आप या तो परिकल्पना के समर्थन के प्रमाण खोजने की कोशिश करते हैं, या आपको ऐसा डेटा मिलता है जो परिकल्पना का खंडन करता है। फिर अगला कदम आपकी परिकल्पना, आपकी धारणाओं को समायोजित करना या शायद परिकल्पना को पूरी तरह वापस लेना होगा। वैज्ञानिक पद्धति की इस प्रक्रिया की मशीनें सेकंडों में लाखों बार नकल कर सकती हैं।" —Dr. Yves Hilpisch
पिछले 20 वर्षों में AI ने बड़ा प्रतिस्पर्धी लाभ प्रदान किया है
वित्त में AI का उद्देश्य वही है जो किसी अन्य क्षेत्र में होता है: प्रतिस्पर्धी बढ़त हासिल करना। वित्त में इसकी शुरुआत 1950 के दशक में हुई, जब Markowitz ने पहले क्वांटिटेटिव फाइनेंस मॉडल के साथ राह दिखाई। यह वैरिएंस पोर्टफोलियो थ्योरी का पहला मॉडल था जिसे व्यापक स्वीकृति मिली। आज भी, इसका उपयोग खरबों डॉलर के प्रबंधन में होता है। लेकिन यह नॉर्मेटिव थ्योरी का उपयोग करता है जो प्रतिभूतियों के विभिन्न संभावित पोर्टफोलियो का विश्लेषण करने पर आधारित है—यह प्रिस्क्रिप्टिव नहीं है क्योंकि यह संभावित कार्य-योजना का सुझाव नहीं देता। इसलिए यह डेटा पर नहीं, बल्कि व्यवहारिक डेटा या बाज़ार डेटा पर आधारित है।
पिछले 20 वर्षों में, डेटा पहले से कहीं अधिक आसानी से उपलब्ध हो गया है—कुंजी है इसका उचित उपयोग। Gregory Zuckerman की The Man Who Solved the Market बताती है कि हेज फंड Renaissance Technologies ने वित्तीय लाभ के लिए डेटा एकत्र करने में कैसे नेतृत्व किया। आज, लगभग हर उद्योग ने गणितीय मॉडल बनाने और डेटा प्रोसेस करने की उनकी रणनीति को अपनाया है—और परिणामस्वरूप अधिक इष्टतम निर्णय लेने में सक्षम हो गए हैं।
क्वांटिटेटिव फाइनेंस के आधुनिक उपयोग‑मामले और श्रेष्ठ तरीक़े
वित्तीय बाज़ारों में AI का तेजी से विकास हुआ है। उदाहरण के लिए, आज उपलब्ध विशाल डेटा का उपयोग करके, सुपर्वाइज़्ड लर्निंग मॉडल ऋणदाताओं या उपभोक्ताओं के व्यवहार की उच्च सटीकता से भविष्यवाणी कर सकते हैं। एल्गोरिदमिक ट्रेडिंग भी रिइनफ़ोर्समेंट लर्निंग का लाभ उठाती है, जिसमें ट्रेडिंग बॉट्स को उनके द्वारा कमाए या गंवाए गए धन के आधार पर पुरस्कृत या दंडित किया जाता है।
"अब हमारे पास लाखों-करोड़ों डेटा बिंदु हैं जिनका उपयोग हम लोगों के व्यवहार का विश्लेषण करने के लिए कर सकते हैं। और नई तकनीकों के साथ, बैंक और संस्थान [जैसे] फिनटेक स्टार्टअप्स उपभोक्ता व्यवहार, ऋणदाता व्यवहार आदि की भविष्यवाणी करने में वित्त के प्रोफेसरों द्वारा अब तक विकसित हर थ्योरी से दस गुना, सौ गुना बेहतर हैं।" —Dr. Yves Hilpisch
लेकिन ऐसे समय में जब बाज़ार में उच्च अस्थिरता हो, यह स्पष्ट है कि वित्त में AI के लिए सुरक्षा सावधानियाँ आवश्यक हैं। सुपर्वाइज़्ड लर्निंग ऐतिहासिक डेटा पर निर्भर करती है और यह मानती है कि अतीत में जो हुआ है, वही भविष्य का प्रतिनिधि होगा। बाज़ार की अस्थिरता के समय यह तर्क त्रुटिपूर्ण है। इसलिए बुरे ट्रेडिंग निर्णयों को रोकने के लिए नियम होना ज़रूरी है, जैसे एल्गोरिदम पर स्टॉप लॉस लगाना—जो उस कीमत को निर्दिष्ट करता है जिस पर कोई प्रतिभूति या कमोडिटी बेची जाएगी। यह तर्क असहनीय बड़े नुकसान को सीमित करता है और फुटपाथ पर पैदल यात्रियों को टक्कर से बचाने के लिए सेल्फ-ड्राइविंग कार में सुरक्षा तंत्र लगाने जैसा है। वर्तमान घटनाओं और उनके बाज़ार पर प्रभाव से उत्पन्न जोखिम को कम करने में AI उपयोगी है। ब्लैक स्वान घटनाओं में, सुपर्वाइज़्ड लर्निंग रणनीतियों की सावधानीपूर्वक निगरानी आवश्यक है, और नए बाज़ार हालात के आधार पर मॉडलों को फिर से प्रशिक्षित करने के लिए रिइनफ़ोर्समेंट लर्निंग का उपयोग किया जा सकता है। निकट भविष्य में मानव हस्तक्षेप और लागू एल्गोरिदम की सतर्क निगरानी की आवश्यकता बनी रहेगी।
सरल, पुनरुत्पाद्य, स्केलेबल टूल्स की आवश्यकता
कम्प्यूटेशनल फाइनेंस में, Monte Carlo सिमुलेशन एक अग्रदृष्टि वाला दृष्टिकोण है जो समय के एक निश्चित बिंदु से शुरू होकर भविष्य की ओर सिमुलेट करता है। Python इसके लिए शानदार टूल है। आज का Python डेटा स्टैक इंटरऑपरेबल पैकेजों का एक सेट है जो आपको डेटा इन्गेस्ट करने, उसे pandas से ट्रांसफॉर्म करने, सांख्यिकीय मॉडलिंग करने और मशीन लर्निंग एल्गोरिदम बनाने की अनुमति देता है। Python यह सब बड़े पैमाने पर संभव बनाता है। आज, एल्गोरिदमिक ट्रेडिंग सही टूलिंग पर निर्भर करती है। और इस उद्योग में नौकरी पाने के लिए इन टूल्स—विशेषतः Python और R—में एक निश्चित दक्षता आवश्यक है। Python पैकेज pandas और TensorFlow व Keras जैसे फ्रेमवर्क ने बहुत से लोगों के लिए वह संभव कर दिया है जो पहले असंभव था।
प्रवेश‑बाधाएँ कम करना
इन टूल्स का उपयोग करना सीखना एक बड़ा निवेश है, और पहले से कहीं अधिक कंपनियाँ और व्यक्ति यह निवेश कर रहे हैं। DataCamp और The Python Quants जैसी शैक्षणिक पेशकशें सीखने की प्रक्रिया का लोकतंत्रीकरण कर सकती हैं। शिक्षार्थी डेटा साइंस और मशीन लर्निंग की अवधारणाओं से परिचित होते हैं और कोडिंग वातावरण में स्वतंत्र रूप से एल्गोरिदम बनाना सीखकर सहज हो जाते हैं। वे यह भी सीखते हैं कि सर्वर पर काम करने के लिए उपयुक्त वातावरण और टूल चेन कैसे स्थापित करें—जिससे वे क्लाउड में एल्गोरिदम तैनात करने में सक्षम होते हैं।
