1. ट्रेडिंग पर आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग का सामान्य प्रभाव
आर्टिफिशियल इंटेलिजेंस (AI) मशीनों को इंसानों की जगह लेने में सक्षम बनाती है। 1980 के दशक में AI रिसर्च में एक्सपर्ट सिस्टम और फ़ज़ी लॉजिक सबसे आगे थे। कंप्यूटिंग पावर की घटती लागत के साथ, बड़े पैमाने की ऑप्टिमाइज़ेशन समस्याओं को हल करने के लिए मशीनों का इस्तेमाल आर्थिक रूप से संभव हो गया। हार्डवेयर और सॉफ्टवेयर में प्रगति के चलते AI अब न्यूरल नेटवर्क और अन्य लर्निंग तरीकों पर केंद्रित है, जिनसे ऐसे प्रेडिक्टर्स — जिन्हें फीचर्स या फैक्टर्स भी कहा जाता है — की पहचान और विश्लेषण किया जाता है, जिनमें आर्थिक मूल्य होता है और जिन्हें क्लासिफायर्स के साथ मिलाकर मुनाफ़ेदार मॉडल बनाए जा सकते हैं। AI के इस तरह के इस्तेमाल को अक्सर मशीन लर्निंग (ML) कहा जाता है।
छोटे टाइम-फ्रेम में ट्रेडिंग और लंबी अवधि के निवेश, दोनों के लिए AI आधारित ट्रेडिंग रणनीतियाँ बनाने की पद्धतियाँ लोकप्रिय हो रही हैं, और कुछ हेज फंड इस क्षेत्र में खासे सक्रिय हैं। लेकिन कई कारणों से इस नई तकनीक को व्यापक रूप से अपनाने की रफ्तार धीमी है, जिनमें सबसे अहम यह है कि AI के लिए नए टूल्स और मानवीय विशेषज्ञता में निवेश करना पड़ता है। ज़्यादातर फंड फंडामेंटल एनालिसिस का इस्तेमाल करते हैं, क्योंकि मैनेजर अपनी MBA पढ़ाई में यही सीखते हैं। पूरी तरह आर्टिफिशियल इंटेलिजेंस पर निर्भर हेज फंड बहुत कम हैं। हालांकि रिटेल में AI का इस्तेमाल बढ़ रहा है, फिर भी ज़्यादातर ट्रेडर बीसवीं सदी के मध्य में आए तरीकों — जैसे क्लासिक टेक्निकल एनालिसिस — पर ही भरोसा करते हैं, क्योंकि वे समझने और इस्तेमाल करने में आसान हैं।
यह ध्यान रखना ज़रूरी है कि AI और ML का इस्तेमाल ट्रेडिंग रणनीति बनाने के अलावा दूसरे क्षेत्रों में भी होता है, जैसे लिक्विडिटी खोजने वाले एल्गोरिद्म बनाना और ग्राहकों को पोर्टफोलियो सुझाना। नतीजतन, जैसे-जैसे AI एप्लिकेशन बढ़ते हैं, ट्रेडिंग और निवेश के फ़ैसलों में शामिल लोगों की संख्या घटती जाती है, जिसका असर बाज़ारों और कीमतों की चाल पर पड़ता है। इस नई तकनीक के उद्योग पर कुल प्रभाव के बारे में अटकलें लगाना अभी जल्दबाज़ी होगी, लेकिन AI का व्यापक इस्तेमाल ऐसे ज़्यादा कुशल बाज़ार ला सकता है जहाँ लंबे समय तक वोलैटिलिटी कम रहे और फिर बाज़ार व्यवस्था (रिजीम) बदलने पर समय-समय पर वोलैटिलिटी के झटके आएँ। यह संभव है, क्योंकि जानकारी की व्यक्तिपरक मानवीय व्याख्या का प्रभाव घटेगा और उसके साथ जुड़ा शोर भी। हालांकि, इसे व्यवहार में साबित होना अभी बाकी है।
2. अल्फा जनरेशन पर AI और मशीन लर्निंग का प्रभाव
जो लोग AI तकनीक को समझते हैं और उसके खतरों को संभालना जानते हैं, उनके पास इसे अपनाने के शुरुआती दौर में एक अवसर होगा। AI आधारित ट्रेडिंग तरीकों की एक समस्या यह है कि वे रैंडम से भी बदतर मॉडल दे सकते हैं। मैं समझाने की कोशिश करता हूँ: पारंपरिक टेक्निकल एनालिसिस एक घाटे वाली ट्रेडिंग रणनीति है, क्योंकि चार्ट पैटर्न और इंडिकेटर्स पर आधारित तकनीकें अपना रिटर्न ऐसे वितरण से पाती हैं जिसका औसत, ट्रांज़ैक्शन लागत जोड़ने से पहले ही, शून्य होता है। कुछ ट्रेडर स्वाभाविक रूप से वितरण की दाईं पूँछ में होते हैं, जिससे यह गलत धारणा बनती है कि इन रणनीतियों में आर्थिक मूल्य है। फ्यूचर्स और फॉरेक्स बाज़ारों में, तरीका चाहे जो हो, लंबी अवधि में मुनाफ़ा कमाना मुश्किल है, क्योंकि ये बाज़ार मार्केट मेकर्स को फ़ायदा पहुँचाने के लिए बने हैं। फिर भी, किस्मत के चलते कुछ ट्रेडर लीवरेज वाले बाज़ारों में कम समय में बड़ा मुनाफ़ा कमा सकते हैं। और फिर ये ट्रेडर अपनी कामयाबी का श्रेय किस्मत को नहीं, बल्कि अपनी रणनीति और हुनर को देते हैं।
AI और ML के साथ कुछ और प्रभाव भी जुड़ते हैं, जैसे बायस-वेरिएंस ट्रेड-ऑफ। डेटा-माइनिंग बायस से ऐसे तरीके निकल सकते हैं जो पुराने डेटा पर ओवर-फिट होकर नए डेटा पर नाकाम हो जाते हैं, या ऐसी तकनीकें जो इतनी सरल होती हैं कि डेटा में मौजूद आर्थिक मूल्य वाले अहम संकेतों को पकड़ ही नहीं पातीं। यह ट्रेड-ऑफ रैंडम से बदतर रणनीतियाँ पैदा करता है और ट्रांज़ैक्शन लागत जोड़ने से पहले ही ऐसे ट्रेडर्स के रिटर्न वितरण में नेगेटिव स्क्यू ला देता है। क्वांटिटेटिव ईज़िंग के बाद के दौर में, यह बड़े फंडों और निवेशकों के लिए मुनाफ़े की संभावना बनाता है। लेकिन जब रैंडम से बदतर AI ट्रेडर बाज़ार से बाहर हो जाएँगे और सिर्फ़ मज़बूत मॉडल वाले बचेंगे, तब मुनाफ़े की होड़ और तेज़ हो जाएगी। इस मुक़ाबले में AI ट्रेडर जीतेंगे या बड़े निवेशक, यह कहना अभी बहुत जल्दबाज़ी होगी।
मैं इस क्षेत्र की एक आम गलतफ़हमी पर भी बात करना चाहूँगा: कुछ लोग मानते हैं कि असली मूल्य इस्तेमाल किए गए ML एल्गोरिद्म में है। यह सही नहीं है। असली मूल्य उन प्रेडिक्टर्स में है जिनका इस्तेमाल होता है, जिन्हें अक्सर फीचर्स या फैक्टर्स कहा जाता है। जहाँ सोना है ही नहीं, वहाँ ML एल्गोरिद्म सोना नहीं खोज सकते। एक समस्या यह है कि ज़्यादातर ML विशेषज्ञ एक जैसे प्रेडिक्टर्स इस्तेमाल करते हैं और बेहतरीन नतीजे पाने के लिए बार-बार दोहराव वाले तरीके से मॉडल बनाने की कोशिश करते हैं। यह तरीका डेटा-माइनिंग बायस से कमजोर पड़ता है और आख़िरकार नाकाम हो जाता है। संक्षेप में, डेटा-माइनिंग बायस उस जोखिम भरी आदत से पैदा होता है जिसमें एक ही डेटा को कई मॉडलों के साथ तब तक दोहराया जाता है जब तक ट्रेनिंग और टेस्टिंग सैंपल के नतीजे संतोषजनक न हो जाएँ। इस क्षेत्र में मेरे अध्ययन के अनुसार, अगर बाइनरी लॉजिस्टिक रिग्रेशन जैसा एक साधारण क्लासिफायर किसी दिए गए प्रेडिक्टर सेट के साथ ठीक से काम नहीं करता, तो पूरी संभावना है कि उसमें कोई आर्थिक मूल्य नहीं है। इसलिए सफलता फीचर इंजीनियरिंग पर टिकी है, जो विज्ञान भी है और कला भी — आर्थिक मूल्य वाले फीचर्स गढ़ने के लिए ज्ञान, अनुभव और सूझ चाहिए, और विशेषज्ञों का बहुत छोटा हिस्सा ही ऐसा कर पाता है।
3. टेक्निकल एनालिसिस पर आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग का प्रभाव
हमें पारंपरिक और क्वांटिटेटिव टेक्निकल एनालिसिस में फ़र्क़ करना होगा, क्योंकि कीमत और वॉल्यूम की सीरीज़ के विश्लेषण पर आधारित सभी तरीके इसी श्रेणी में आते हैं। पारंपरिक टेक्निकल एनालिसिस — चार्ट पैटर्न, बुनियादी इंडिकेटर्स, प्राइस एक्शन थ्योरी वगैरह — शुरू से ही बेअसर था। सीमित दायरे की कुछ अधूरी कोशिशों को छोड़ दें, तो इन तरीकों का गुणगान करने वाले प्रकाशन शायद ही कभी उनकी लंबी अवधि की सांख्यिकीय अपेक्षाएँ बताते थे; वे बस यह भरोसा दिलाते थे कि फ़लाँ नियम मानने पर मुनाफ़े की संभावना रहेगी। चूँकि बाज़ार के मुनाफ़े और नुक़सान एक सांख्यिकीय वितरण का पालन करते हैं, हमेशा कुछ लोग रहे हैं जिन्होंने अपनी खुशकिस्मती का श्रेय इन तरीकों को दिया। साथ ही, इन तरीकों के इर्द-गिर्द एक पूरा उद्योग खड़ा हो गया, क्योंकि इन्हें सीखना आसान था। अफ़सोस, बहुत से लोगों ने मान लिया कि वे उन्हीं दाँवपेचों को बाकियों से बेहतर आज़माकर कमा सकते हैं जो हर कोई इस्तेमाल कर रहा था, और नतीजा हुआ इन भोले ट्रेडर्स से मार्केट मेकर्स और दूसरे जानकार पेशेवरों की ओर संपत्ति का ज़बरदस्त हस्तांतरण।
1990 के दशक की शुरुआत में कुछ मार्केट विशेषज्ञों ने पाया कि बड़ी संख्या में रिटेल ट्रेडर इन साधारण दाँवपेचों से ट्रेड कर रहे हैं। कुछ ने ऐसे एल्गो और AI एक्सपर्ट सिस्टम बनाए जो पैटर्न बनने का अनुमान लगाकर उनके विरुद्ध ट्रेड करते थे, जिससे ऐसी वोलैटिलिटी पैदा होती थी जिसे रिटेल ट्रेडर — जिन्हें कभी-कभी 'कमज़ोर हाथ' कहा जाता है — झेल नहीं पाते थे। व्यापक अर्थ में, पारंपरिक टेक्निकल एनालिसिस की नाकामी की जड़ 1990 के दशक से बाज़ारों से मज़बूत सीरियल कोरिलेशन के ख़त्म होने में है। यही मज़बूत सीरियल कोरिलेशन मुख्य रूप से यह झूठा आभास देता था कि ये तरीके कारगर हैं। कुछ अपवादों को छोड़कर, आज के बाज़ार मीन-रिवर्टिंग हैं, जिससे साधारण टेक्निकल एनालिसिस टूल बेकार हो गए हैं। हालांकि, कुछ क्वांटिटेटिव टेक्निकल एनालिसिस टूल — जैसे मीन-रिवर्ज़न और स्टैटिस्टिकल आर्बिट्राज मॉडल, और आर्थिक मूल्य वाले फीचर्स का फ़ायदा उठाने वाले ML एल्गोरिद्म — अक्सर असरदार ढंग से काम करते हैं।
मॉडलों की विविधता और यह तथ्य कि इनमें से ज़्यादातर गोपनीय रखे जाते हैं, को देखते हुए AI और ML के मामले में इस तरह के आर्बिट्राज के दोहराए जाने की संभावना कम है। लेकिन इस नई तकनीक की बुनियादी चिंता पारंपरिक टेक्निकल एनालिसिस जैसा कन्फर्मेशन बायस नहीं, बल्कि डेटा-माइनिंग बायस है।
मेरी राय में, बाज़ार पर नज़र रखना और चार्ट देखते रहना पुराना पड़ता जा रहा है। ट्रेडिंग का भविष्य रियल-टाइम सूचना प्रोसेसिंग, मॉडल डेवलपमेंट और वैलिडेशन में है। भविष्य का हेज फंड चार्ट एनालिसिस पर निर्भर नहीं होगा। कुछ लोग अब भी ऐसा करते हैं, क्योंकि वे उस दोराहे पर खड़े हैं जहाँ पुराने रास्ते नए रास्तों से टकरा रहे हैं। AI से अनजान बहुत से ट्रेडर भविष्य में मुक़ाबला नहीं कर पाएँगे और मैदान छोड़ देंगे।
4. नई ट्रेडिंग तकनीक के विजेता और हारने वाले
आर्टिफिशियल इंटेलिजेंस का इस्तेमाल ट्रेडिंग में कई तरह से क्रांति लाएगा, और यह होना शुरू भी हो चुका है। निवेशक जल्द ही पा सकते हैं कि QE से बना मौजूदा ट्रेंड ख़त्म होते ही मध्यम अवधि के रिटर्न उम्मीद से कहीं कम रह जाएँगे। अगर ऐसा हुआ, तो निवेशकों को पारंपरिक तरीके की ओर लौटना पड़ेगा — यानी एक काबिल वित्तीय सलाहकार खोजना जो पोर्टफोलियो मिक्स सुझा सके और ऐसे शेयर चुन सके जिनकी क़ीमत बढ़े। कुछ मामलों में यह सलाहकार एक आर्टिफिशियल इंटेलिजेंस प्रोग्राम होगा और पूरी प्रक्रिया ऑनलाइन होगी।
ट्रेडर्स को इस नई तकनीक से परिचित होना ही होगा। ज़्यादातर ट्रेडर अब भी पुराने तरीकों से जूझ रहे हैं, इस उम्मीद में कि "गिरावट पर ख़रीदो" कुछ और साल कारगर रहेगा और मुनाफ़ा देता रहेगा।
एक समस्या वह नैतिक जोखिम (मोरल हैज़र्ड) है जिसे केंद्रीय बैंक ने पिछले आठ वर्षों में वित्तीय बाज़ारों को सीधी मदद देकर बढ़ावा दिया है। बहुत से ट्रेडर और निवेशक अब मानते हैं कि बेयर मार्केट आ ही नहीं सकता, क्योंकि केंद्रीय बैंक उनके नुक़सान बाकी सब पर डालने और उनके मुनाफ़े उन्हीं के पास रहने देने के लिए मौजूद रहेगा। नतीजतन, बाज़ार के ज़्यादातर खिलाड़ी अगली बड़ी मार्केट रिजीम शिफ्ट के लिए तैयार नहीं हैं और उन्हें विनाशकारी नुक़सान उठाना पड़ सकता है।
मशीन लर्निंग, आर्टिफिशियल इंटेलिजेंस और ट्रेडिंग सीखने के लिए ऑनलाइन कई संसाधन मौजूद हैं। सीखने का सबसे अच्छा तरीका है कुछ व्यावहारिक समस्याओं पर हाथ आज़माना। फिर भी, मेरा मानना है कि ज़्यादातर ट्रेडर खुद को ढाल नहीं पाएँगे। AI को समझने और इस्तेमाल करने के लिए जिस हुनर के मेल की ज़रूरत है, वह चार्ट पर लकीरें खींचने और मूविंग एवरेज देखने के आदी 95 प्रतिशत ट्रेडर्स को बाहर कर देता है।
निवेशकों को अपनी रिसर्च खुद करनी चाहिए और ऐसे पेशेवर वित्तीय सलाहकार की राय लेनी चाहिए जो इन नए घटनाक्रमों से वाक़िफ़ हो। हर निवेशक का जोखिम के प्रति रुझान अलग होता है, इसलिए सबके लिए एक जैसी सलाह देना मुमकिन नहीं। जल्द ही रोबो-एडवाइज़र्स की भरमार होगी, और अपनी ख़ास ज़रूरतों और लक्ष्यों के मुताबिक़ कोई एक चुनना मुश्किल साबित हो सकता है।
जो लोग ML और AI तथा ट्रेडिंग व निवेश में उनके इस्तेमाल से अनजान हैं, उनके लिए किताबें और लेख पढ़ने की राह पकड़ने से पहले इस क्षेत्र के जानकार पेशेवर से संपर्क करना ज़्यादा फ़ायदेमंद हो सकता है — पढ़ाई तो बुनियादी बातें समझ लेने के बाद भी की जा सकती है।