फॉरेक्स, स्टॉक, कमॉडिटी अथवा क्रिप्टोकरेंसी बाजारों पर ऑनलाइन ट्रेडिंग में सम्मिलित लगभग हर व्यक्ति ने न्यूरल नेटवर्क्स और रोबोट्स, जिसे एक्सपर्ट एडवाइजर्स (EAs) के रूप में भी जाना जाता है, के साथ ट्रेडिंग में उनके उपयोग के बारे में सुना है। तो वास्तव में न्यूरल नेटवर्क्स क्या हैं, उनमें क्या सामान्य है, और वे आर्टिफिशियल इंटेलीजेंस से कैसे अंतर रखते हैं? उनके लाभ और हानियाँ क्या हैं? और अंत में, क्या न्यूरल नेटवर्क्स प्रत्येक ट्रेडर के लिए एक विश्वसनीय टूल बन सकता है जो स्थिर लाभ सुनिश्चित करे?
एक न्यूरल नेटवर्क सजीवों के मस्तिष्कों की संरचना और परिचालनात्मक सिद्धांतों द्वारा प्रेरित एक लघुगणकीय रचना है। इसे अंतर्संबंधित नोड्स, जो न्यूरोनों के समान लगते हैं, के जटिल नेटवर्क्स द्वारा डेटा को संसाधित करने के लिए डिजाइन किया जाता है। ऐसे किसी नेटवर्क में प्रत्येक आर्टिफिशियल न्यूरोन अन्य न्यूरोनों से संकेत प्राप्त कर सकता है, संसाधित कर सकता है और प्रेषित कर सकता है। परिणामस्वरूप, समग्र रूप से, वे सरल से अत्यधिक अमूर्त कार्यों तक को हल करने में सक्षम होते हैं।
आर्टिफिशियल न्यूरोनों की परिकल्पना का 1943 में अमेरिकी वैज्ञानिकों वॉरेन स्टर्गिस मैककुलोच और वॉल्टर पिट्स द्वारा प्रस्ताव दिया गया था, जिन्होंने एक न्यूरोन के एक गणितीय मॉडल का निर्माण किया। वॉरेन मैककुलोच, जिनका जन्म 1898 में हुआ और जिन्होंने 1927 में, येल विश्वविद्यालय, USA से एक चिकित्सा उपाधि प्राप्त करके, मनोविज्ञान और तंत्रिकार्यिकी में, विशेष रूप से तंत्रिका प्रणाली का अध्ययन करते हुए, शोध संचालित किया। यह तब की बात है जब वैज्ञानिक गंभीर रूप से मानवीय मस्तिष्क की आर्टिफिशियल मॉडलिंग की संभावनाओं में रुचि लेने लगा। वॉल्टर पिट्स, उनसे 25 वर्ष छोटे और गणित एवं तंत्रिकार्यिकी में स्वयं पढ़े हुए, ने एक युवा आयु से उत्कृष्ट क्षमताओं का प्रदर्शन किया।
1943 में, पिट्स शिकागो विश्वविद्यालय में मैककुलोच से मिले, और उनकी मुलाकात ने उनके फलदायक सहयोग का प्रारंभ किया। उसी वर्ष, उन्होंने आर्टिफिशियल न्यूरल नेटवर्क्स पर सैद्धांतिक शोध के लिए नींव रखते हुए, "तंत्रिका गतिविधि में सर्वव्यापी विचारों का एक तार्किक कलन," प्रकाशित किया। उनके पेपर में, शोधकर्ताओं ने गणितीय तर्क के आधार पर एक न्यूरोन मॉडल का प्रस्ताव दिया और प्रदर्शित किया कि सरल आर्टिफिशियल न्यूरोनों के नेटवर्क्स कैसे जटिल गणनात्मक कार्यों को कर सकते थे यदि उनके आपसी कनेक्शंस उचित रूप से संगठित होते। इस खोज ने संज्ञानात्मक प्रक्रियाओं की मॉडलिंग और बुद्धिमान मशीनों का निर्माण करने के लिए आर्टिफिशियल नेटवर्क्स के संभावित उपयोग पर प्रकाश डाला।
इस तकनीक का विकास कई महत्वपूर्ण चरणों से गुजरा जिसमें 1957 में फ्रैंक रोसेनब्लाट द्वारा परसेप्ट्रोन का निर्माण शामिल था। एक परसेप्ट्रॉन डेटा वर्गीकरण (अर्थात डेटा को समूहों में विभाजित करना) के लिए उपयोग किए जाने वाले आर्टिफिशियल न्यूरल नेटवर्क का सबसे प्रकार है। इसमें इनपुट्स होते हैं, जिसमें प्रत्येक का एक विशिष्ट भार होता है (इनपुट का महत्व को इंगित करने वाली एक संख्या), और एक एकल आउटपुट न्यूरोन होता है जो इनपुट संकेतों को उनके भारों से गुणा करके जोड़ता है। यदि योग एक निश्चित सीमा को पार करता है, परसेप्ट्रॉन सक्रिय हो जाता है और एक परिणाम देता है; यदि नहीं, तो यह अन्य परिणाम देता है।
अधिक जटिल न्यूरल नेटवर्क्स के उद्भव के प्रति अन्य महत्वपूर्ण चरण पश्च संचरण त्रुटि लघुगणक था, जो 1970 के दशक में प्रकट हुआ और बहुपरतीय न्यूरल नेटवर्क्स के प्रशिक्षण में एक कर्णशिला बन गया। यह लघुगणक आर्टिफिशियल न्यूरल नेटवर्क्स के प्रशिक्षण की विधि है जहाँ न्यूरोन भारों का सुधार उन त्रुटियों पर आधारित होता है जो नेटवर्क ने इसकी भविष्यवाणियों में की। प्रारंभिक रूप से, नेटवर्क एक भविष्यवाणी करता है, फिर इसकी सही उत्तर से तुलना करता है और त्रुटि का परिकलन करता है। फिर इस त्रुटि के बारे में जानकारी नेटवर्क के माध्यम से पुन: प्रसारित किया जाता है, जो इसे इसकी भविष्यवाणियों को जानने और सुधारने की अनुमति देता है क्योंकि यह अधिक डेटा को संसाधित करता है।
मैककुलोच, पिट्स और उनके उत्तराधिकारियों के कार्यों ने आर्टिफिशियल इंटेलीजेंस परिकल्पनाओं के विकास में एक मौलिक भूमिका निभाई। उनके शोध ने गहरे अधिगम मॉडलों के निर्माण की आशा की और उसे प्रेरित किया, जिसका आज उपयोग स्वत: अनुवाद और छवि पहचान से स्वचलित कारों और प्रक्रिया स्वचालन, एवं अवश्य, वित्तीय ट्रेडिंग तक विभिन्न क्षेत्रों में किया जाता है।
वित्तीय ट्रेडिंग में न्यूरल नेटवर्क्स का उपयोग 1980 के दशक में प्रारंभ हुआ जब कंप्यूटर तकनीकें बड़ी डेटा मात्राओं को संसाधित करने और जटिल गणनाओं को करने के लिए पर्याप्त उन्नत हो गए थे। हालाँकि, उनमें वास्तविक रुचि 1990 के दशक में मशीन अधिगम के विकास और वृद्धिगत गणनात्मक क्षमता के साथ उभरी, जो बाजार डेटा विश्लेषण के लिए आर्टिफिशियल न्यूरल नेटवर्क्स के अधिक प्रभावी उपयोग की अनुमति देती है।
20वीं सदी के अंतिम दशक में, बाजार परिस्थितियों का विश्लेषण करने के लिए, मूल्य गतियों की भविष्यवाणी करने के लिए, और ट्रेडिंग परिचालनों को स्वचालित रूप से निष्पादित करने के लिए, ट्रेडिंग रोबोट्स में न्यूरल नेटवर्क्स, जिसे अन्यथा एक्सपर्ट एडवाइजर्स (EAs) के रूप में भी जाना जाता है, का उपयोग करने का विचार उभरा। इन न्यूरल नेटवर्क्स को कीमतों, ट्रेडिंग वॉल्यूमों, बाजार संकेतकों और अन्य तकनीकी विश्लेषण टूलों पर प्रशिक्षित किया जाता है। वे उन जटिल प्रतिमानों और निर्भरताओं की पहचान कर सकते हैं जो हमेशा स्पष्ट नहीं होते हैं, यहाँ तक कि एक अनुभवी ट्रेडर-विश्लेषक के लिए भी। प्रशिक्षण के पश्चात, EAs रियल-टाइम में वित्तीय इंस्ट्रूमेंट्स को खरीदने अथवा बेचने के बारे में स्वतंत्र रूप से निर्णय करने के बारे में सक्षम होते हैं।
स्वचालित ट्रेडिंग के लिए न्यूरल नेटवर्क्स के उपयोग में सर्वाधिक महत्वपूर्ण विकास पिछले 15-20 वर्षों में घटित हुआ। इस अवधि के दौरान, विभिन्न पहुलओं में उनकी प्रभाविकता सिद्ध हो गई है। हालाँकि, यह भी स्पष्ट हो गया है कि, किसी अन्य तकनीक के समान, न्यूरल नेटवर्क्स के उपयोग की अपनी हानियाँ, समस्याएँ और सीमाएँ हैं। इनमें, उदाहरण के लिए, EAs के प्रारंभिक प्रशिक्षण की आवश्यकता शामिल होती है: एक लंबी, कठिन और धैर्य की आवश्यकता वाली प्रक्रिया। कुछ मामलों में, न्यूरल नेटवर्क को फिर से प्रशिक्षण की भी आवश्यकता हो सकती है। यह तब आवश्यक है जब यह ऐतिहासिक डेटा के सटीक रूप से अनुकूल होता है और व्यापक होने के लिए अपनी योग्यता खो देता है। बदलती हुईं बाजार परिस्थितियों के साथ-साथ न्यूरल नेटवर्क के कार्य के परिणामों की व्याख्या करने में कठिनाइयों के अनुकूल होने डेटा और लघुगणकों के सतत् अद्यतन की आवश्यक प्रासंगिक बनी रहती है।
इस प्रसंग में, जैसा कि कई विशेषज्ञों का मानना है, न्यूरो-EAs के विकास के लिए मुख्य दिशाओं में से एक अनुकूलनात्मक प्रणालियों का निर्माण है जो बाजार परिवर्तनों के प्रतिसाद में उनके मापदंडों को स्वायत्त रूप से समायोजित करने में सक्षम होता है। इसके अलावा, कार्य गहरे न्यूरल नेटवर्क्स को शामिल करते हुए मशीन अधिगम लघुगणकों को सुधारना जारी रखता है, जो अधिक सटीक भविष्यवाणियों और अधिक प्रभावी ट्रेडिंग की अनुमति देता है। बड़ी संख्या में चरों और उनके संयोजनों का विश्लेषण करना भी प्रणालियों की परिकल्पनात्मक क्षमता को सुधारने में सहायता कर सकता है।
एक न्यूरल नेटवर्क और आर्टिफिशियल इंटेलीजेंस (AI) वे पद हैं जिनका उपयोग आमतौर पर वास्तव में विभिन्न परिकल्पनाओं को इंगित करने के लिए किया जाता है। न्यूरल नेटवर्क्स और आर्टिफिशियल इंटेलीजेंस के बीच मुख्य अंतर निम्न हैं:
–अनुप्रयोग क्षेत्र: न्यूरल नेटवर्क्स केवल आर्टिफिशयल इंटेलीजेंस में उपयोग किए जाने वाले टूलों में से बस एक हैं क्योंकि वे प्रदान किए गए उदाहरणों के आधार पर डेटा जानने और संसाधित करने में विशेषज्ञता प्राप्त करते हैं। हालाँकि, आर्टिफिशियल इंटेलीजेंस में उन तकनीकों और विधियों की एक व्यापक श्रृँखला होती है जो अकेले मशीन अधिगम अथवा न्यूरल नेटवर्क्स तक सीमित नहीं होती हैं। AI का लक्ष्य इष्टतम रूप से विश्वव्यापी बनना होता है जिससे यह विविध क्षेत्रों में व्यापक प्रकारों के कार्यों को हल सके। न्यूरल नेटवर्क्स आमतौर पर उन क्षेत्रों तक सीमित होते हैं जहाँ उन्हें प्रदान किए गए डेटा के आधार पर प्रभावी रूप से प्रशिक्षित किया जा सके।
–कार्यक्षमता: आर्टिफिशियल इंटेलीजेंस मानवीय बौद्धिकता की नकल करने का कठोर परिश्रम करता है और जटिल कार्यों जैसे तर्कशक्ति, स्वत:सुधार, अधिगम, परिकल्पना और यहाँ तक कि सामाजिक सहभागिता भी करने में सक्षम होती है। दूसरी ओर, न्यूरल नेटवर्क्स विशिष्ट डेटा संसाधन कार्य, उनके वर्गीकरण और उसके बाद की भविष्यवाणी पर ध्यान केंद्रित करते हैं।
–अनुकूलता: न्यूरल नेटवर्क्स उन विशिष्ट कार्यों के भीतर कार्य करते हैं जिनके लिए उन्हें प्रशिक्षित किया गया है। उनकी प्रभाविकता उनके अनुप्रयोग की परिस्थितियों में डेटा की कमी अथवा बदलावों के साथ महत्वपूर्ण रूप से घट सकती है। आर्टिफिशियल इंटेलीजेंस में वे प्रणालियाँ सम्मिलित होती हैं जो निम्नतम पूर्व तैयारी के साथ नए कार्यों और परिस्थितियों को विकसित कर सकें और उनके अनुकूल हो सकें।
–प्रौद्योगिकी अंतर: न्यूरल नेटवर्क्स उन कार्यों में विशिष्ट होते हैं जिन्हें वे न्यूरोनों की परतों के माध्यम से डेटा के सिद्धांत पर करते हैं, जिसमें से प्रत्येक इनपुट डेटा को निर्धारित भारों और सक्रियण कार्यों के अनुसार रूपांतरित करता है। आर्टिफिशियल इंटेलीजेंस प्रौद्योगिकियों की एक अधिक व्यापक श्रृँखला को समाहित करती है एवं अधिक जटिल और विविध कार्यों को करने में सक्षम होती है। बौद्धिक कार्यक्षमता को प्राप्त करने के लिए, यह तार्किक प्रोग्रामिंग और अनुकूलन लघुगणक सहित विधियों के एक बहुत अधिक विविध इंद्रधनुष को नियोजित कर सकती है।
अंत में, न्यूरल नेटवर्क्स और AI को वित्तीय ट्रेडिंग में एकीकृत करने के महत्व पर अग्रणी विशेषज्ञों की राय परिलक्षित करने वाले कई उद्धरणों को प्रस्तुत करें:
– कैथरीन वुड, ARK इनवेस्ट की CEO: "स्टॉक बाजार ट्रेडिंग में न्यूरल नेटवर्क्स की अनुमान शक्ति क्रांतिकारी है, संभावित रूप से अधिक सटीक टाइमिंग और जोखिम मूल्यांकन के माध्यम से रिटर्न्स को बढ़ाती है।"
– एंड्रू एनजी, गूगल ब्रेन के सहसंस्थापक: "न्यूरल नेटवर्क्स में वित्तीय बाजारों को अधिक दक्ष, पारदर्शी और पहुँचयोग्य बनाने की क्षमता होती है, किंतु हमें अर्थव्यवस्था पर उनके व्यापक प्रभावों के बारे में सावधान होना चाहिए।"
– राणा फूरूहर, वैश्विक व्यवसाय स्तंभकार और फाइनेंशियल टाइम्स में सहसंपादक: "जैसे-जैसे न्यूरल अधिक परिष्कृत होते जाते हैं, वे उच्च आवृत्ति और दीर्घकालिक निवेश रणनीतियों दोनों में गहरी समझ प्रदान करके ट्रेडिंग के परिदृश्य को नाटकीय रूप से बदल सकते हैं।"
– रै डैलियो, ब्रिजवॉटर एसोसिएट्स के संस्थापक: "आर्टिफिशियल इंटेलीजेंस और न्यूरल नेटवर्क्स वित्त में अगला मोर्चा निरूपित करते हैं। डेटा की विशाला मात्राओं को समाहित और विश्लेषण करने की उनकी योग्यता मौलिक रूप से इस बात को पुन: आकार दे सकती है कि कैसे हम बाजार गतिकियों को समझें और प्रबंधन का मूल्यांकन करें।"
