मॉडल बैकटेस्ट

वित्तीय मशीन लर्निंग

पूर्वानुमान समस्या

पारंपरिक ML एप्लिकेशन के विपरीत, वित्तीय बाजार कई अद्वितीय विशेषताएं प्रदर्शित करते हैं जो पूर्वानुमान को असाधारण रूप से चुनौतीपूर्ण बनाते हैं:

• कम सिग्नल-टू-नॉयज अनुपात: एसेट रिटर्न में मुख्य रूप से शोर होता है, पूर्वानुमान संकेत अक्सर 5% से कम विचरण की व्याख्या करते हैं। 5-10% का स्पीयरमैन IC व्यवहार में उत्कृष्ट माना जाता है।
• गैर-स्थिरता: बाजार गतिशीलता समय के साथ विकसित होती है। एक शासन में जो संबंध थे, वे दूसरे में उलट सकते हैं, जिसके लिए अनुकूली मॉडल और सावधानीपूर्ण सत्यापन की आवश्यकता होती है।
• प्रतिकूल प्रकृति: बाजार प्रतिस्पर्धी हैं—लाभदायक संकेत पूंजी आकर्षित करते हैं जब तक आर्बिट्राज नहीं हो जाते। इस 'अल्फा क्षय' का मतलब है कि मॉडल को निरंतर अनुसंधान और शोधन की आवश्यकता होती है।

वित्त में क्रॉस-वैलिडेशन

मानक k-फोल्ड क्रॉस-वैलिडेशन समय-श्रेणी डेटा के लिए अनुपयुक्त है क्योंकि तात्कालिक निर्भरताएं होती हैं। हम उपयोग करते हैं:

• शुद्ध क्रॉस-वैलिडेशन: ओवरलैपिंग पूर्वानुमान क्षितिजों से सूचना रिसाव को रोकने के लिए ट्रेन-टेस्ट सीमा के पास के नमूनों को हटाना।
• एम्बार्गो अवधि: प्रशिक्षण और परीक्षण अवधि के बीच बफर जोन जोड़ना, आमतौर पर पूर्वानुमान क्षितिज लंबाई के बराबर।
• संयोजनात्मक शुद्ध CV: तात्कालिक अखंडता बनाए रखते हुए कई ट्रेन/टेस्ट संयोजनों का परीक्षण, मजबूत आउट-ऑफ-सैंपल अनुमान प्रदान करना।

फीचर इंजीनियरिंग

कच्चे मूल्य डेटा को स्थिर, पूर्वानुमानित फीचर्स में बदलना चाहिए। सामान्य परिवर्तनों में रिटर्न (अंकगणितीय और लॉगरिदमिक), z-स्कोर, पर्सेंटाइल रैंक, और तकनीकी संकेतक शामिल हैं। फीचर स्केलिंग और नॉर्मलाइजेशन का चुनाव मॉडल प्रदर्शन को महत्वपूर्ण रूप से प्रभावित करता है।

वित्तीय जोखिम प्रबंधन

मौलिक जोखिम माप

पेशेवर पोर्टफोलियो प्रबंधन के लिए कठोर जोखिम मात्रा की आवश्यकता होती है:

• अस्थिरता (σ): रिटर्न का मानक विचलन, आमतौर पर दैनिक डेटा के लिए √252 से गुणा करके वार्षिक किया जाता है। कुल जोखिम मापता है लेकिन उच्च और निम्न पक्ष में फर्क नहीं करता।
• अधिकतम ड्रॉडाउन: पोर्टफोलियो मूल्य में सबसे बड़ी शिखर-से-तल गिरावट। सबसे खराब स्थिति और निवेशक मनोविज्ञान को समझने के लिए महत्वपूर्ण—वसूली के लिए 50% ड्रॉडाउन को 100% लाभ की आवश्यकता होती है।
• जोखिम मूल्य (VaR): निर्दिष्ट आत्मविश्वास स्तर पर दी गई समय क्षितिज में अधिकतम अपेक्षित हानि (जैसे, 95% VaR)। व्यापक रूप से उपयोग किया जाता है लेकिन टेल जोखिम न पकड़ने के लिए आलोचना की जाती है।
• सशर्त VaR (अपेक्षित कमी): VaR से अधिक हानि होने पर अपेक्षित हानि। टेल घटनाओं की गंभीरता को मापकर VaR की सीमाओं को संबोधित करता है।

शार्प अनुपात

(Rp - Rf) / σp के रूप में परिभाषित, शार्प अनुपात जोखिम-समायोजित रिटर्न मापता है—अस्थिरता की प्रति इकाई अतिरिक्त रिटर्न। 1.0 से उपर शार्प अनुपात आमतौर पर अच्छा माना जाता है, 2.0 से उपर उत्कृष्ट। हालांकि, सावधान रहें: शार्प अनुपात अतरलता, उत्तोलन, या छोटे नमूना अवधि से कृत्रिम रूप से बढ़ाया जा सकता है।

व्यवस्थित बनाम विशिष्ट जोखिम

कुल जोखिम बाजार जोखिम (β × बाजार गतिविधियां) और कंपनी-विशिष्ट जोखिम में विभाजित होता है। पूंजी परिसंपत्ति मूल्य निर्धारण मॉडल (CAPM) सुझाता है कि केवल व्यवस्थित जोखिम को मुआवजा मिलता है, क्योंकि विशिष्ट जोखिम को विविधीकरण द्वारा हटाया जा सकता है। आधुनिक फैक्टर मॉडल इसे कई जोखिम कारकों (आकार, मूल्य, गति, गुणवत्ता) तक विस्तारित करते हैं।

पोर्टफोलियो निर्माण

आधुनिक पोर्टफोलियो सिद्धांत

हैरी मार्कोविट्ज के मूलभूत कार्य (1952) ने स्थापित किया कि पोर्टफोलियो जोखिम केवल व्यक्तिगत परिसंपत्ति जोखिमों का भारित औसत नहीं है—सहसंबंध महत्वपूर्ण हैं। अपूर्ण सहसंबंध (ρ < 1) वाली दो परिसंपत्तियां मिलकर अकेले किसी भी परिसंपत्ति से कम जोखिम वाला पोर्टफोलियो बनाती हैं।

कुशल फ्रंटियर

किसी भी रिटर्न लक्ष्य के लिए, न्यूनतम विचरण वाला पोर्टफोलियो मौजूद है। ऐसे सभी पोर्टफोलियो का सेट कुशल फ्रंटियर बनाता है—तर्कसंगत निवेशकों को केवल इस फ्रंटियर पर पोर्टफोलियो रखने चाहिए। फ्रंटियर से नीचे के बिंदु उप-इष्टतम हैं (समान जोखिम, कम रिटर्न), जबकि ऊपर के बिंदु अप्राप्य हैं।

ऑप्टिमाइज़ेशन चुनौतियां

मीन-वेरिएंस ऑप्टिमाइजेशन इनपुट अनुमानों के प्रति कुख्यात रूप से संवेदनशील है:

• अनुमान त्रुटि: अपेक्षित रिटर्न का सटीक अनुमान लगाना कठिन है। इनपुट में छोटी त्रुटियां नाटकीय रूप से भिन्न इष्टतम पोर्टफोलियो का कारण बन सकती हैं।
• संकेंद्रण जोखिम: असीमित ऑप्टिमाइजेशन अक्सर अत्यधिक पोजीशन बनाता है। व्यावहारिक कार्यान्वयन पोजीशन सीमा और सेक्टर प्रतिबंध लगाते हैं।
• नियमितीकरण: श्रिंकेज एस्टिमेटर, ब्लैक-लिटरमैन, और रोबस्ट ऑप्टिमाइजेशन जैसी तकनीकें पोर्टफोलियो वेट को स्थिर करने में मदद करती हैं।

समान-भार बनाम ऑप्टिमाइज्ड

1/N (समान-भार) पोर्टफोलियो अनुमान त्रुटि के कारण अक्सर आउट-ऑफ-सैंपल ऑप्टिमाइज्ड पोर्टफोलियो से बेहतर प्रदर्शन करता है। हमारा बैकटेस्ट मजबूत बेसलाइन के रूप में समान 5% भार का उपयोग करता है। उन्नत पोर्टफोलियो के लिए, हमारा ऑप्टिमाइजर वास्तविक दुनिया के प्रदर्शन को बेहतर बनाने के लिए प्रतिबंध और नियमितकरण लागू करता है।

लॉन्ग-शॉर्ट इक्विटी रणनीतियां

बाज़ार तटस्थता

डॉलर-न्यूट्रल लॉन्ग-शॉर्ट पोर्टफोलियो (समान लॉन्ग और शॉर्ट एक्सपोजर) में शून्य नेट मार्केट एक्सपोजर होता है। यह बाजार जोखिम को हेज करते हुए स्टॉक चयन से 'अल्फा' को अलग करता है। यह रणनीति तब लाभ कमाती है जब लॉन्ग पोजीशन शॉर्ट पोजीशन से बेहतर प्रदर्शन करते हैं, बाजार दिशा की परवाह किए बिना।

रिटर्न के स्रोत

लॉन्ग-शॉर्ट रिटर्न इस प्रकार विभाजित होते हैं:

• लॉन्ग अल्फा: बाजार की तुलना में लॉन्ग पोजीशन का बेहतर प्रदर्शन।
• शॉर्ट अल्फा: बाजार की तुलना में शॉर्ट पोजीशन का कम प्रदर्शन (हम तब लाभ कमाते हैं जब शॉर्ट गिरते हैं)।
• शॉर्ट रिबेट: शॉर्ट सेल आय पर अर्जित ब्याज (व्यवहार में उधार लागत से कम)।

व्यावहारिक विचार

वास्तविक दुनिया के कार्यान्वयन में लेनदेन लागत (कमीशन, बिड-आस्क स्प्रेड), बाजार प्रभाव (आपके विरुद्ध कीमतों का चलना), शॉर्ट-सेलिंग प्रतिबंध (लोकेट आवश्यकताएं, उधार लागत), और क्षमता सीमाएं शामिल हैं। ये घर्षण सैद्धांतिक बैकटेस्ट से वास्तविक रिटर्न कम करते हैं।

पुनर्संतुलन आवृत्ति

अधिक बार पुनर्संतुलन अल्फा को तेजी से पकड़ता है लेकिन उच्च लेनदेन लागत लगाता है। इष्टतम आवृत्ति सिग्नल क्षय और ट्रेडिंग लागत को संतुलित करती है। रिटर्न पूर्वानुमान के लिए, मासिक या तिमाही पुनर्संतुलन आमतौर पर अनुकूल समझौता प्रदान करता है।

फैक्टर निवेश

फैक्टर क्या हैं?

फैक्टर रिटर्न के व्यवस्थित स्रोत हैं जो बताते हैं कि कुछ स्टॉक समय के साथ दूसरों से बेहतर प्रदर्शन क्यों करते हैं। व्यक्तिगत कंपनी विश्लेषण पर आधारित स्टॉक-पिकिंग के विपरीत, फैक्टर निवेश प्रतिभूतियों के समूहों द्वारा साझा किए गए व्यापक, स्थायी विशेषताओं को लक्षित करता है। अकादमिक अनुसंधान ने कई फैक्टर पहचाने हैं, हालांकि केवल कुछ ही बाजारों और समय अवधि में मजबूत साबित हुए हैं।

क्लासिक फैक्टर

• बाज़ार (β): समग्र इक्विटी बाजार में एक्सपोजर। CAPM से मूल फैक्टर—उच्च बीटा वाले स्टॉक बाजार के साथ अधिक चलते हैं और ऐतिहासिक रूप से उच्च रिटर्न कमाते हैं (उच्च जोखिम के साथ)।
• आकार (SMB): स्मॉल-कैप स्टॉक लार्ज-कैप स्टॉक से बेहतर प्रदर्शन करते हैं। फामा और फ्रेंच (1993) ने इस 'स्मॉल माइनस बिग' प्रीमियम को दस्तावेजीकृत किया, हालांकि हाल के दशकों में यह कमजोर हुआ है।
• मूल्य (HML): कम प्राइस-टू-बुक अनुपात वाले स्टॉक समय के साथ ग्रोथ स्टॉक से बेहतर प्रदर्शन करते हैं। यह 'हाई माइनस लो' फैक्टर सस्ती परिसंपत्तियां खरीदने और महंगी बेचने को दर्शाता है।
• गति (UMD): पिछले 3-12 महीनों में अच्छा प्रदर्शन करने वाले स्टॉक बेहतर प्रदर्शन जारी रखते हैं। जेगादीश और टिटमैन (1993) ने बाजारों में इस 'अप माइनस डाउन' प्रभाव को दस्तावेजीकृत किया।
• गुणवत्ता (QMJ): उच्च लाभप्रदता, स्थिर आय और कम उत्तोलन वाली कंपनियां बेहतर प्रदर्शन करती हैं। असनेस एट अल. (2019) ने इस 'क्वालिटी माइनस जंक' फैक्टर को औपचारिक रूप दिया।
• कम अस्थिरता: विरोधाभासी रूप से, कम-जोखिम वाले स्टॉक अक्सर उच्च-जोखिम वाले स्टॉक से उच्च जोखिम-समायोजित रिटर्न देते हैं, जो मूल CAPM पूर्वानुमानों का खंडन करता है।

फैक्टर मॉडल

मल्टी-फैक्टर मॉडल रिटर्न को व्यवस्थित घटकों में विभाजित करते हैं:

• फामा-फ्रेंच 3-फैक्टर: बाजार + आकार + मूल्य। विविधिकृत पोर्टफोलियो रिटर्न का ~90% व्याख्या करता है।
• कारहार्ट 4-फैक्टर: फामा-फ्रेंच मॉडल में गति जोड़ता है।
• फामा-फ्रेंच 5-फैक्टर: लाभप्रदता और निवेश फैक्टर जोड़ता है, हालांकि गति महत्वपूर्ण बनी रहती है।

फैक्टर टाइमिंग बनाम फैक्टर एक्सपोजर

स्थिर फैक्टर एक्सपोजर (हमेशा मूल्य, गति, आदि की ओर झुकाव) ने ऐतिहासिक रूप से धैर्यवान निवेशकों को पुरस्कृत किया है। फैक्टर टाइमिंग—फैक्टर वेट को गतिशील रूप से समायोजित करना—बहुत कठिन है। फैक्टर वापस आने से पहले वर्षों तक कम प्रदर्शन कर सकते हैं, और टाइमिंग सिग्नल कुख्यात रूप से अविश्वसनीय हैं। अधिकांश प्रैक्टिशनर टैक्टिकल एलोकेशन की बजाय विविध, सुसंगत फैक्टर एक्सपोजर की सिफारिश करते हैं।

मशीन लर्निंग और फैक्टर

हमारा पूर्वानुमान मॉडल अपनी फीचर्स के माध्यम से फैक्टर एक्सपोजर को अंतर्निहित रूप से पकड़ता है। मूलभूत डेटा, मूल्य गति, और बाजार स्थितियों से पैटर्न सीखकर, मॉडल बेहतर प्रदर्शन करने वाले स्टॉक की पहचान करता है—डेटा-संचालित तरीके से कई फैक्टर को प्रभावी रूप से जोड़ता है। यह दृष्टिकोण गैर-रैखिक फैक्टर इंटरैक्शन खोज सकता है जो पारंपरिक रैखिक मॉडल से छूट जाते हैं।