AI কি শেয়ার বাজারের ভবিষ্যদ্বাণী করতে পারে?

ভূমিকা

শেয়ার বাজারের পূর্বাভাস দেওয়া বিশ্বজুড়ে প্রাতিষ্ঠানিক এবং খুচরা উভয় বিনিয়োগকারীদের কাছে দীর্ঘকাল ধরে একটি কাঙ্ক্ষিত আর্থিক "পবিত্র লক্ষ্য" হয়ে রয়েছে। কৃত্রিম বুদ্ধিমত্তা (এআই) এবং মেশিন লার্নিং (এমএল)অনেকেই ভাবছেন যে, এই প্রযুক্তিগুলো কি অবশেষে শেয়ারের দামের পূর্বাভাস দেওয়ার রহস্য উন্মোচন করতে পেরেছে। এআই কি শেয়ার বাজারের পূর্বাভাস দিতে পারে? , তার একটি নিরপেক্ষ বিশ্লেষণ উপস্থাপন করছি, যা কোনো অতিরঞ্জিত প্রচারণার উপর ভিত্তি করে নয় বরং গবেষণার উপর নির্ভরশীল। করতে পারে এবং পারে না আর্থিক বাজারের পূর্বাভাসের প্রেক্ষাপটে

আর্থিক তত্ত্বে, পূর্বাভাসের চ্যালেঞ্জটি ‘ দক্ষ বাজার অনুমান’ (Efficient Market Hypothesis - EMH)। EMH (বিশেষত এর “শক্তিশালী” রূপে) এই ধারণা দেয় যে, শেয়ারের দাম যেকোনো নির্দিষ্ট সময়ে উপলব্ধ সমস্ত তথ্যকে সম্পূর্ণরূপে প্রতিফলিত করে। এর অর্থ হলো, কোনো বিনিয়োগকারী (এমনকি অভ্যন্তরীণ ব্যক্তিরাও) উপলব্ধ তথ্যের উপর ভিত্তি করে লেনদেন করে ধারাবাহিকভাবে বাজারকে ছাড়িয়ে যেতে পারে না (ডেটা-চালিত স্টক পূর্বাভাস মডেল যা নিউরাল নেটওয়ার্কের উপর ভিত্তি করে তৈরি: একটি পর্যালোচনা)। সহজ কথায়, যদি বাজার অত্যন্ত দক্ষ হয় এবং দাম এলোমেলোভাবে ওঠানামা, তাহলে ভবিষ্যতের দামের সঠিক পূর্বাভাস দেওয়া প্রায় অসম্ভব হওয়া উচিত। এই তত্ত্ব থাকা সত্ত্বেও, বাজারকে হারানোর আকর্ষণ উন্নত পূর্বাভাস পদ্ধতির উপর ব্যাপক গবেষণাকে উৎসাহিত করেছে। কৃত্রিম বুদ্ধিমত্তা (AI) এবং মেশিন লার্নিং এই প্রচেষ্টার কেন্দ্রবিন্দুতে পরিণত হয়েছে, কারণ এগুলোর বিপুল পরিমাণ ডেটা প্রক্রিয়াকরণ এবং এমন সূক্ষ্ম প্যাটার্ন শনাক্ত করার ক্ষমতা রয়েছে যা মানুষের চোখ এড়িয়ে যেতে পারে (শেয়ার বাজারের পূর্বাভাসের জন্য মেশিন লার্নিং ব্যবহার... | FMP)।

এই শ্বেতপত্রে স্টক মার্কেটের পূর্বাভাসের জন্য ব্যবহৃত AI কৌশলগুলির একটি বিস্তৃত সারসংক্ষেপ প্রদান করা হয়েছে এবং তাদের কার্যকারিতা মূল্যায়ন করা হয়েছে। আমরা তাত্ত্বিক ভিত্তিগুলি জনপ্রিয় মডেলগুলির ডেটা এবং প্রশিক্ষণ প্রক্রিয়া এবং বাজার দক্ষতা, ডেটা শব্দ এবং অপ্রত্যাশিত বাহ্যিক ঘটনাগুলির মতো এই সিস্টেমগুলির মুখোমুখি হওয়া মূল সীমাবদ্ধতা এবং চ্যালেঞ্জগুলি । এখন পর্যন্ত প্রাপ্ত মিশ্র ফলাফলগুলি চিত্রিত করার জন্য বাস্তব-বিশ্বের অধ্যয়ন এবং উদাহরণগুলি অন্তর্ভুক্ত করা হয়েছে। পরিশেষে, আমরা বিনিয়োগকারী এবং অনুশীলনকারীদের জন্য বাস্তবসম্মত প্রত্যাশা দিয়ে শেষ করছি: AI এর চিত্তাকর্ষক ক্ষমতাগুলিকে স্বীকৃতি দেওয়া এবং আর্থিক বাজারগুলি অপ্রত্যাশিততার একটি স্তর বজায় রাখে যা কোনও অ্যালগরিদম সম্পূর্ণরূপে দূর করতে পারে না তা স্বীকার করা।

শেয়ার বাজারের পূর্বাভাসে কৃত্রিম বুদ্ধিমত্তার তাত্ত্বিক ভিত্তি

আধুনিক AI-ভিত্তিক স্টক ভবিষ্যদ্বাণী পরিসংখ্যান, অর্থায়ন এবং কম্পিউটার বিজ্ঞানের উপর কয়েক দশকের গবেষণার উপর ভিত্তি করে তৈরি। ঐতিহ্যবাহী মডেল থেকে শুরু করে অত্যাধুনিক AI পর্যন্ত পদ্ধতির বর্ণালী বোঝা কার্যকর:

• ঐতিহ্যবাহী সময়-ধারাবাহিক মডেল: প্রাথমিক স্টক পূর্বাভাস পরিসংখ্যানগত মডেলের উপর নির্ভর করত যা ধরে নেয় যে অতীতের দামের ধরণগুলি ভবিষ্যতের পরিকল্পনা করতে পারে। ARIMA (অটো-রিগ্রেসিভ ইন্টিগ্রেটেড মুভিং এভারেজ) এবং ARCH/GARCH সময়-ধারার ডেটাতে রৈখিক প্রবণতা এবং অস্থিরতা ক্লাস্টারিং ক্যাপচার করার উপর ফোকাস করে (নিউরাল নেটওয়ার্কের উপর ভিত্তি করে ডেটা-চালিত স্টক পূর্বাভাস মডেল: একটি পর্যালোচনা)। এই মডেলগুলি স্থিরতা এবং রৈখিকতার অনুমানের অধীনে ঐতিহাসিক মূল্য ক্রম মডেলিং করে ভবিষ্যদ্বাণীর জন্য একটি বেসলাইন প্রদান করে। যদিও কার্যকর, ঐতিহ্যবাহী মডেলগুলি প্রায়শই বাস্তব বাজারের জটিল, অ-রৈখিক প্যাটার্নগুলির সাথে লড়াই করে, যার ফলে বাস্তবে ভবিষ্যদ্বাণীর সঠিকতা সীমিত হয় (নিউরাল নেটওয়ার্কের উপর ভিত্তি করে ডেটা-চালিত স্টক পূর্বাভাস মডেল: একটি পর্যালোচনা)।

• মেশিন লার্নিং অ্যালগরিদম: পূর্বনির্ধারিত পরিসংখ্যানগত সূত্রকে অতিক্রম করে সরাসরি ডেটা থেকে প্যাটার্ন শিখেএর মতো অ্যালগরিদমগুলো সাপোর্ট ভেক্টর মেশিন (SVM), র‍্যান্ডম ফরেস্টএবং গ্রেডিয়েন্ট বুস্টিং- স্টক পূর্বাভাসে প্রয়োগ করা হয়েছে। এগুলো টেকনিক্যাল ইন্ডিকেটর (যেমন, মুভিং অ্যাভারেজ, ট্রেডিং ভলিউম) থেকে শুরু করে ফান্ডামেন্টাল ইন্ডিকেটর (যেমন, আয়, সামষ্টিক অর্থনৈতিক ডেটা) পর্যন্ত বিস্তৃত ইনপুট ফিচার অন্তর্ভুক্ত করতে পারে এবং এদের মধ্যে অরৈখিক সম্পর্ক খুঁজে বের করতে পারে। উদাহরণস্বরূপ, একটি র‍্যান্ডম ফরেস্ট বা গ্রেডিয়েন্ট বুস্টিং মডেল একই সাথে কয়েক ডজন ফ্যাক্টর বিবেচনা করতে পারে, যা এমন সব ইন্টারঅ্যাকশন ধরতে পারে যা একটি সাধারণ লিনিয়ার মডেল হয়তো ধরতে পারে না। এই এমএল মডেলগুলো ডেটার মধ্যে জটিল সংকেত শনাক্ত করার মাধ্যমে পূর্বাভাসের নির্ভুলতা সামান্য উন্নত করার ক্ষমতা দেখিয়েছে (স্টক মার্কেট পূর্বাভাসের জন্য মেশিন লার্নিং ব্যবহার... | FMP)। তবে, ওভারফিটিং (সংকেতের পরিবর্তে নয়েজ শেখা) এড়াতে এগুলোর সতর্ক টিউনিং এবং পর্যাপ্ত ডেটার প্রয়োজন হয়।

• ডিপ লার্নিং (নিউরাল নেটওয়ার্ক): ডিপ নিউরাল নেটওয়ার্কগুলোমানব মস্তিষ্কের গঠন দ্বারা অনুপ্রাণিত রিকারেন্ট নিউরাল নেটওয়ার্ক (RNN) এবং এর একটি রূপ লং শর্ট-টার্ম মেমোরি (LSTM) নেটওয়ার্কগুলো বিশেষভাবে স্টক প্রাইস টাইম সিরিজের মতো সিকোয়েন্স ডেটার জন্য ডিজাইন করা হয়েছে। LSTM অতীতের তথ্য মনে রাখতে এবং টেম্পোরাল নির্ভরতা ধরতে পারে, যা এদেরকে মার্কেট ডেটার মধ্যে ট্রেন্ড, সাইকেল বা অন্যান্য সময়-নির্ভর প্যাটার্ন মডেল করার জন্য উপযুক্ত করে তোলে। গবেষণা ইঙ্গিত দেয় যে LSTM এবং অন্যান্য ডিপ লার্নিং মডেলগুলো জটিল, নন-লিনিয়ার সম্পর্ক আর্থিক ডেটার মধ্যে কনভোলিউশনাল নিউরাল নেটওয়ার্ক (CNN) (যা কখনও কখনও টেকনিক্যাল ইন্ডিকেটর "ইমেজ" বা এনকোডেড সিকোয়েন্সের উপর ব্যবহৃত হয়), ট্রান্সফরমার (যা বিভিন্ন টাইম স্টেপ বা ডেটা সোর্সের গুরুত্ব পরিমাপ করতে অ্যাটেনশন মেকানিজম ব্যবহার করে), এবং এমনকি গ্রাফ নিউরাল নেটওয়ার্ক (GNN) (একটি মার্কেট গ্রাফে স্টকগুলোর মধ্যে সম্পর্ক মডেল করার জন্য)। এই উন্নত নিউরাল নেটগুলি কেবল মূল্যের ডেটাই নয়, বরং সংবাদের টেক্সট, সোশ্যাল মিডিয়ার সেন্টিমেন্ট এবং আরও অনেক বিকল্প ডেটা উৎস থেকেও তথ্য গ্রহণ করতে পারে এবং এমন বিমূর্ত বৈশিষ্ট্যগুলি শিখতে পারে যা বাজারের গতিবিধি সম্পর্কে ভবিষ্যদ্বাণী করতে পারে (শেয়ার বাজারের পূর্বাভাসের জন্য মেশিন লার্নিং ব্যবহার... | এফএমপি)। ডিপ লার্নিংয়ের এই নমনীয়তার একটি অসুবিধাও রয়েছে: এগুলি প্রচুর ডেটা ব্যবহার করে, গণনাগতভাবে নিবিড় এবং প্রায়শই কম বোধগম্য "ব্ল্যাক বক্স" হিসাবে কাজ করে।

• রিইনফোর্সমেন্ট লার্নিং: এআই স্টক ভবিষ্যদ্বাণীতে আরেকটি সীমানা হল রিইনফোর্সমেন্ট লার্নিং (RL), যেখানে লক্ষ্য কেবল দামের পূর্বাভাস দেওয়া নয়, বরং একটি সর্বোত্তম ট্রেডিং কৌশল শেখা। একটি RL কাঠামোতে, একজন এজেন্ট (এআই মডেল) একটি পরিবেশের (বাজার) সাথে যোগাযোগ করে পদক্ষেপ গ্রহণ করে (ক্রয়, বিক্রয়, ধরে রাখা) এবং পুরষ্কার (লাভ বা ক্ষতি) গ্রহণ করে। সময়ের সাথে সাথে, এজেন্ট এমন একটি নীতি শেখে যা ক্রমবর্ধমান পুরষ্কারকে সর্বাধিক করে তোলে। ডিপ রিইনফোর্সমেন্ট লার্নিং (DRL) বাজারের বৃহৎ অবস্থা-স্থান পরিচালনা করার জন্য নিউরাল নেটওয়ার্কগুলিকে রিইনফোর্সমেন্ট লার্নিংয়ের সাথে একত্রিত করে। অর্থায়নে RL-এর আবেদন হল সিদ্ধান্তের ক্রম এবং বিনিয়োগের রিটার্নের জন্য সরাসরি অপ্টিমাইজ করার ক্ষমতা, বিচ্ছিন্নভাবে দামের পূর্বাভাস দেওয়ার পরিবর্তে। উদাহরণস্বরূপ, একজন RL এজেন্ট মূল্য সংকেতের উপর ভিত্তি করে কখন অবস্থানে প্রবেশ করতে হবে বা প্রস্থান করতে হবে তা শিখতে পারে এবং এমনকি বাজারের পরিস্থিতি পরিবর্তনের সাথে সাথে মানিয়ে নিতে পারে। উল্লেখযোগ্যভাবে, RL ব্যবহার করা হয়েছে AI মডেলগুলিকে প্রশিক্ষণ দেওয়ার জন্য যা পরিমাণগত ট্রেডিং প্রতিযোগিতা এবং কিছু মালিকানাধীন ট্রেডিং সিস্টেমে প্রতিযোগিতা করে। তবে, RL পদ্ধতিগুলিও উল্লেখযোগ্য চ্যালেঞ্জের মুখোমুখি হয়: তাদের ব্যাপক প্রশিক্ষণের প্রয়োজন হয় (বছরের পর বছর ধরে ব্যবসা অনুকরণ করা), সাবধানে টিউন না করলে অস্থিরতা বা ভিন্ন আচরণে ভুগতে পারে এবং তাদের কর্মক্ষমতা অনুমান করা বাজার পরিবেশের প্রতি অত্যন্ত সংবেদনশীল। গবেষকরা উচ্চ গণনামূলক খরচ এবং স্থিতিশীলতার সমস্যার । এই চ্যালেঞ্জগুলি সত্ত্বেও, RL একটি প্রতিশ্রুতিশীল পদ্ধতির প্রতিনিধিত্ব করে, বিশেষ করে যখন অন্যান্য কৌশলগুলির সাথে মিলিত হয় (যেমন, মূল্য পূর্বাভাস মডেল এবং একটি RL-ভিত্তিক বরাদ্দ কৌশল ব্যবহার করে) একটি হাইব্রিড সিদ্ধান্ত গ্রহণ ব্যবস্থা (ডিপ রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে স্টক মার্কেট প্রেডিকশন) গঠন করা হয়।

তথ্য উৎস এবং প্রশিক্ষণ প্রক্রিয়া

মডেলের ধরণ নির্বিশেষে, মেরুদণ্ড AI স্টক মার্কেট ভবিষ্যদ্বাণীর

• ঐতিহাসিক মূল্য এবং টেকনিক্যাল ইন্ডিকেটর: প্রায় সব মডেলই অতীতের স্টক মূল্য (ওপেন, হাই, লো, ক্লোজ) এবং ট্রেডিং ভলিউম ব্যবহার করে। এগুলোর উপর ভিত্তি করে বিশ্লেষকরা প্রায়শই ইনপুট হিসেবে টেকনিক্যাল ইন্ডিকেটর (মুভিং অ্যাভারেজ, রিলেটিভ স্ট্রেংথ ইনডেক্স, MACD, ইত্যাদি) তৈরি করেন। এই ইন্ডিকেটরগুলো এমন ট্রেন্ড বা মোমেন্টাম তুলে ধরতে সাহায্য করে, যা মডেলটি কাজে লাগাতে পারে। উদাহরণস্বরূপ, একটি মডেল আগামী দিনের মূল্যের গতিবিধি পূর্বাভাস দেওয়ার জন্য ইনপুট হিসেবে গত ১০ দিনের মূল্য ও ভলিউমের পাশাপাশি ১০-দিনের মুভিং অ্যাভারেজ বা ভোল্যাটিলিটি পরিমাপের মতো ইন্ডিকেটরগুলো নিতে পারে।

• বাজার সূচক এবং অর্থনৈতিক তথ্য: অনেক মডেল বিস্তৃত বাজার তথ্য অন্তর্ভুক্ত করে, যেমন সূচকের স্তর, সুদের হার, মুদ্রাস্ফীতি, জিডিপি বৃদ্ধি, বা অন্যান্য অর্থনৈতিক সূচক। এই ম্যাক্রো বৈশিষ্ট্যগুলি প্রেক্ষাপট (যেমন, সামগ্রিক বাজারের অনুভূতি বা অর্থনৈতিক স্বাস্থ্য) প্রদান করে যা পৃথক স্টক কর্মক্ষমতাকে প্রভাবিত করতে পারে।

• সংবাদ এবং অনুভূতির তথ্য: ক্রমবর্ধমান সংখ্যক AI সিস্টেম সংবাদ নিবন্ধ, সোশ্যাল মিডিয়া ফিড (টুইটার, স্টকটুইট) এবং আর্থিক প্রতিবেদনের মতো অসংগঠিত ডেটা গ্রহণ করে। BERT-এর মতো উন্নত মডেল সহ প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (NLP) কৌশলগুলি বাজারের অনুভূতি পরিমাপ করতে বা প্রাসঙ্গিক ঘটনা সনাক্ত করতে ব্যবহৃত হয়। উদাহরণস্বরূপ, যদি কোনও কোম্পানি বা সেক্টরের জন্য সংবাদ অনুভূতি হঠাৎ করে তীব্র নেতিবাচক হয়ে যায়, তবে একটি AI মডেল সংশ্লিষ্ট স্টকের দাম হ্রাসের পূর্বাভাস দিতে পারে। রিয়েল-টাইম সংবাদ এবং সোশ্যাল মিডিয়া অনুভূতি, AI নতুন তথ্যের প্রতি মানব ব্যবসায়ীদের তুলনায় দ্রুত প্রতিক্রিয়া জানাতে পারে।

• বিকল্প ডেটা: কিছু অভিজ্ঞ হেজ ফান্ড এবং এআই গবেষক ভবিষ্যদ্বাণীমূলক অন্তর্দৃষ্টি অর্জনের জন্য বিকল্প ডেটা উৎস—যেমন স্যাটেলাইট চিত্র (দোকানের ভিড় বা শিল্প কার্যকলাপের জন্য), ক্রেডিট কার্ড লেনদেনের ডেটা, ওয়েব অনুসন্ধানের প্রবণতা ইত্যাদি—ব্যবহার করেন। এই অপ্রচলিত ডেটাসেটগুলো কখনও কখনও স্টকের পারফরম্যান্সের জন্য অগ্রণী সূচক হিসেবে কাজ করতে পারে, যদিও এগুলো মডেল প্রশিক্ষণে জটিলতাও নিয়ে আসে।

স্টক পূর্বাভাসের জন্য একটি এআই মডেলকে প্রশিক্ষণ দেওয়ার ক্ষেত্রে, এটিকে ঐতিহাসিক ডেটা সরবরাহ করা হয় এবং পূর্বাভাসের ত্রুটি কমানোর জন্য মডেলের প্যারামিটারগুলো সামঞ্জস্য করা হয়। সাধারণত, ডেটাকে একটি ট্রেনিং সেট (যেমন, প্যাটার্ন শেখার জন্য পুরোনো ডেটা) এবং একটি টেস্ট/ভ্যালিডেশন সেটে (অদেখা পরিস্থিতিতে পারফরম্যান্স মূল্যায়নের জন্য সাম্প্রতিক ডেটা) ভাগ করা হয়। মার্কেট ডেটার ক্রমিক প্রকৃতির কারণে, "ভবিষ্যতের দিকে উঁকি দেওয়া" এড়ানোর জন্য সতর্কতা অবলম্বন করা হয় – উদাহরণস্বরূপ, মডেলগুলোকে প্রশিক্ষণের পরবর্তী সময়ের ডেটার উপর মূল্যায়ন করা হয়, যাতে বাস্তব ট্রেডিংয়ে সেগুলো কেমন পারফর্ম করবে তা অনুকরণ করা যায়। ক্রস-ভ্যালিডেশন কৌশল (যেমন ওয়াক-ফরোয়ার্ড ভ্যালিডেশন) ব্যবহার করা হয় এটা নিশ্চিত করার জন্য যে মডেলটি ভালোভাবে সাধারণীকরণ করতে পারে এবং এটি শুধু একটি নির্দিষ্ট সময়ের জন্য সীমাবদ্ধ নয়।

অধিকন্তু, অনুশীলনকারীদের অবশ্যই ডেটার মান এবং প্রি-প্রসেসিংয়ের সমস্যাগুলি সমাধান করতে হবে। অনুপস্থিত ডেটা, বহির্মুখী (যেমন, স্টক বিভাজন বা এককালীন ঘটনার কারণে হঠাৎ স্পাইক), এবং বাজারে শাসন ব্যবস্থার পরিবর্তনগুলি মডেল প্রশিক্ষণকে প্রভাবিত করতে পারে। ইনপুট ডেটাতে স্বাভাবিকীকরণ, প্রবণতা হ্রাস বা ডি-সিজনালাইজেশনের মতো কৌশল প্রয়োগ করা যেতে পারে। কিছু উন্নত পদ্ধতি মূল্য সিরিজকে উপাদানগুলিতে (প্রবণতা, চক্র, শব্দ) বিভক্ত করে এবং সেগুলিকে আলাদাভাবে মডেল করে (যেমন গবেষণায় দেখা গেছে যে পরিবর্তনশীল মোড পচনকে নিউরাল নেট (ডিপ রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে স্টক মার্কেট প্রেডিকশন) এর সাথে একত্রিত করা হয়েছে)।

বিভিন্ন মডেলের প্রশিক্ষণের প্রয়োজনীয়তা ভিন্ন: গভীর শিক্ষার মডেলগুলির লক্ষ লক্ষ ডেটা পয়েন্টের প্রয়োজন হতে পারে এবং তারা GPU ত্বরণ থেকে উপকৃত হতে পারে, যেখানে লজিস্টিক রিগ্রেশনের মতো সহজ মডেলগুলি তুলনামূলকভাবে ছোট ডেটাসেট থেকে শিখতে পারে। রিইনফোর্সমেন্ট লার্নিং মডেলগুলির সাথে ইন্টারঅ্যাক্ট করার জন্য একটি সিমুলেটর বা পরিবেশের প্রয়োজন হয়; কখনও কখনও ঐতিহাসিক তথ্য RL এজেন্টের কাছে পুনরায় দেখানো হয়, অথবা অভিজ্ঞতা তৈরি করার জন্য বাজার সিমুলেটর ব্যবহার করা হয়।.

অবশেষে, একবার প্রশিক্ষণ পেলে, এই মডেলগুলি একটি ভবিষ্যদ্বাণীমূলক ফাংশন তৈরি করে - উদাহরণস্বরূপ, একটি আউটপুট যা আগামীকালের জন্য একটি পূর্বাভাসিত মূল্য হতে পারে, একটি স্টক বৃদ্ধির সম্ভাবনা, অথবা একটি প্রস্তাবিত পদক্ষেপ (ক্রয়/বিক্রয়) হতে পারে। প্রকৃত অর্থ ঝুঁকিতে ফেলার আগে এই ভবিষ্যদ্বাণীগুলি সাধারণত একটি ট্রেডিং কৌশলে (পজিশন সাইজিং, ঝুঁকি ব্যবস্থাপনার নিয়ম ইত্যাদি সহ) একত্রিত করা হয়।.

সীমাবদ্ধতা এবং চ্যালেঞ্জ

যদিও AI মডেলগুলি অবিশ্বাস্যভাবে পরিশীলিত হয়ে উঠেছে, তবুও স্টক মার্কেটের ভবিষ্যদ্বাণী করা একটি সহজাতভাবে চ্যালেঞ্জিং কাজ। বাজারে AI কে নিশ্চিত ভবিষ্যদ্বাণীকারী হতে বাধা দেয় এমন মূল সীমাবদ্ধতা এবং বাধাগুলি নিম্নরূপ:

• বাজারের কার্যকারিতা এবং এলোমেলোতা: যেমনটি আগে উল্লেখ করা হয়েছে, দক্ষ বাজার অনুমান (Efficient Market Hypothesis) অনুযায়ী দামগুলো আগে থেকেই জানা তথ্যকে প্রতিফলিত করে, তাই যেকোনো নতুন তথ্য তাৎক্ষণিক সমন্বয় ঘটায়। বাস্তব ক্ষেত্রে, এর অর্থ হলো দামের পরিবর্তনগুলো মূলত অপ্রত্যাশিত । প্রকৃতপক্ষে, কয়েক দশকের গবেষণায় দেখা গেছে যে স্বল্পমেয়াদী স্টকের দামের গতিবিধি একটি র‍্যান্ডম ওয়াকের (random walkওঠানামার) মতো – গতকালের দামের সাথে আগামীকালের দামের খুব সামান্যই সম্পর্ক থাকে, যা কেবল দৈবচয়নের মাধ্যমেই অনুমান করা যায়। যদি স্টকের দাম মূলত এলোমেলো বা “দক্ষ” হয়, তবে কোনো অ্যালগরিদমই ধারাবাহিকভাবে উচ্চ নির্ভুলতার সাথে এর পূর্বাভাস দিতে পারে না। একটি গবেষণা যেমন সংক্ষেপে বলেছে, “র‍্যান্ডম ওয়াক অনুমান এবং দক্ষ বাজার অনুমান মূলত এটাই বলে যে, ভবিষ্যতের স্টকের দামের পদ্ধতিগতভাবে ও নির্ভরযোগ্য পূর্বাভাস দেওয়া সম্ভব নয়” (Forecasting relative returns for S&P 500 stocks using machine learning | Financial Innovation | Full Text)। এর মানে এই নয় যে এআই-এর পূর্বাভাস সবসময়ই অকেজো, কিন্তু এটি একটি মৌলিক সীমাবদ্ধতার ওপর আলোকপাত করে: বাজারের গতিবিধির একটি বড় অংশই হতে পারে নিছক কোলাহল, যা এমনকি সেরা মডেলও আগে থেকে পূর্বাভাস দিতে পারে না।

• গোলমাল এবং অপ্রত্যাশিত বাহ্যিক কারণসমূহ: শেয়ারের দাম বহুবিধ কারণ দ্বারা প্রভাবিত হয়, যার মধ্যে অনেকগুলিই বহির্জাত এবং অপ্রত্যাশিত। ভূ-রাজনৈতিক ঘটনা (যুদ্ধ, নির্বাচন, নিয়ন্ত্রক পরিবর্তন), প্রাকৃতিক দুর্যোগ, মহামারী, আকস্মিক কর্পোরেট কেলেঙ্কারি, বা এমনকি সোশ্যাল মিডিয়ায় ভাইরাল হওয়া গুজব—এই সবই অপ্রত্যাশিতভাবে বাজারকে নাড়িয়ে দিতে পারে। এইগুলি এমন ঘটনা যার জন্য একটি মডেলের কাছে পূর্ববর্তী প্রশিক্ষণের ডেটা থাকে না (কারণ সেগুলি অভূতপূর্ব) অথবা যা বিরল আকস্মিক ধাক্কা হিসাবে ঘটে। উদাহরণস্বরূপ, ২০১০-২০১৯ সালের ঐতিহাসিক ডেটার উপর প্রশিক্ষিত কোনো এআই মডেলই ২০২০ সালের শুরুতে কোভিড-১৯ এর কারণে হওয়া পতন বা এর দ্রুত পুনরুদ্ধারকে নির্দিষ্টভাবে আগে থেকে অনুমান করতে পারেনি। যখন শাসনব্যবস্থার পরিবর্তন হয় বা যখন একটি একক ঘটনা দামকে চালিত করে, তখন আর্থিক এআই মডেলগুলি সমস্যায় পড়ে। একটি সূত্র যেমন উল্লেখ করেছে, ভূ-রাজনৈতিক ঘটনা বা আকস্মিক অর্থনৈতিক ডেটা প্রকাশের মতো কারণগুলি পূর্বাভাসকে প্রায় সঙ্গে সঙ্গেই অপ্রচলিত করে তুলতে পারে (Using Machine Learning for Stock Market Prediction... | FMP) (Using Machine Learning for Stock Market Prediction... | FMP)। অন্য কথায়, অপ্রত্যাশিত খবর সবসময় অ্যালগরিদমিক পূর্বাভাসকে অগ্রাহ্য করতে পারে, যা এমন এক অনতিক্রম্য অনিশ্চয়তা সৃষ্টি করে।

• ওভারফিটিং এবং জেনারালাইজেশন: এর ঝুঁকিতে থাকে ওভারফিটিং – অর্থাৎ, এগুলো ট্রেনিং ডেটার অন্তর্নিহিত সাধারণ প্যাটার্নগুলোর পরিবর্তে, ডেটার মধ্যেকার “নয়েজ” বা অদ্ভুত বৈশিষ্ট্যগুলো খুব ভালোভাবে শিখে ফেলতে পারে। একটি ওভারফিটেড মডেল ঐতিহাসিক ডেটার উপর চমৎকার পারফর্ম করতে পারে (এমনকি চিত্তাকর্ষক ব্যাকটেস্টেড রিটার্ন বা উচ্চ ইন-স্যাম্পল অ্যাকুরেসিও দেখাতে পারে), কিন্তু নতুন ডেটার উপর শোচনীয়ভাবে ব্যর্থ হতে পারে। কোয়ান্টিটেটিভ ফাইন্যান্সে এটি একটি সাধারণ সমস্যা। উদাহরণস্বরূপ, একটি জটিল নিউরাল নেটওয়ার্ক এমন কিছু ভুয়া কোরিলেশন খুঁজে পেতে পারে যা অতীতে কাকতালীয়ভাবে টিকে ছিল (যেমন গত ৫ বছরে র‍্যালির আগে ইন্ডিকেটর ক্রসওভারের একটি নির্দিষ্ট সংমিশ্রণ), কিন্তু সেই সম্পর্কগুলো ভবিষ্যতে আর নাও টিকতে পারে। একটি বাস্তব উদাহরণ: কেউ এমন একটি মডেল ডিজাইন করতে পারে যা ভবিষ্যদ্বাণী করে যে গত বছরের বিজয়ী স্টকগুলোর দাম সবসময় বাড়বে – এটি হয়তো একটি নির্দিষ্ট সময়ের জন্য খাপ খেতে পারে, কিন্তু বাজারের পরিস্থিতি পরিবর্তিত হলে সেই প্যাটার্নটি ভেঙে যায়। ওভারফিটিং-এর ফলে আউট-অফ-স্যাম্পল পারফরম্যান্স খারাপ হয়, যার অর্থ হলো, মডেলটি তৈরির সময় দুর্দান্ত দেখালেও লাইভ ট্রেডিংয়ে এর ভবিষ্যদ্বাণীগুলো এলোমেলো ফলাফলের চেয়ে ভালো হতে পারে না। ওভারফিটিং এড়ানোর জন্য রেগুলারাইজেশন, মডেলের জটিলতা নিয়ন্ত্রণে রাখা এবং শক্তিশালী ভ্যালিডেশন ব্যবহারের মতো কৌশল প্রয়োজন। তবে, যে জটিলতা এআই মডেলগুলোকে শক্তিশালী করে তোলে, সেই জটিলতাই আবার সেগুলোকে এই সমস্যার প্রতি ঝুঁকিপূর্ণ করে তোলে।

• ডেটার গুণমান এবং প্রাপ্যতা: “ভুল তথ্য দিলে ভুল ফলাফলই আসবে”—এই প্রবাদটি স্টক পূর্বাভাসে ব্যবহৃত এআই-এর ক্ষেত্রে জোরালোভাবে প্রযোজ্য। ডেটার গুণমান, পরিমাণ এবং প্রাসঙ্গিকতা মডেলের পারফরম্যান্সকে উল্লেখযোগ্যভাবে প্রভাবিত করে। যদি ঐতিহাসিক ডেটা অপর্যাপ্ত হয় (যেমন, মাত্র কয়েক বছরের স্টক মূল্যের উপর ভিত্তি করে একটি ডিপ নেটওয়ার্ককে প্রশিক্ষণ দেওয়ার চেষ্টা করা) অথবা অপ্রতিনিধিত্বমূলক হয় (যেমন, একটি বেয়ারিশ পরিস্থিতির পূর্বাভাস দেওয়ার জন্য মূলত বুলিশ সময়ের ডেটা ব্যবহার করা), তবে মডেলটি ভালোভাবে সাধারণীকরণ করতে পারবে না। ডেটা পক্ষপাতদুষ্টও বা সময়ের সাথে সাথে টিকে থাকার প্রবণতার শিকার হতে পারে (উদাহরণস্বরূপ, স্টক সূচকগুলো সময়ের সাথে সাথে স্বাভাবিকভাবেই দুর্বল পারফর্ম করা কোম্পানিগুলোকে বাদ দেয়, তাই ঐতিহাসিক সূচকের ডেটা ঊর্ধ্বমুখী পক্ষপাতদুষ্ট হতে পারে)। ডেটা পরিষ্কার করা এবং সাজানো একটি সহজ কাজ নয়। উপরন্তু, বিকল্প ডেটার বিষয়টিও রয়েছে ফ্রিকোয়েন্সির: হাই-ফ্রিকোয়েন্সি ট্রেডিং মডেলগুলোর জন্য টিক-বাই-টিক ডেটা প্রয়োজন, যার পরিমাণ বিশাল এবং বিশেষ পরিকাঠামোর প্রয়োজন হয়, যেখানে লোয়ার-ফ্রিকোয়েন্সি মডেলগুলো দৈনিক বা সাপ্তাহিক ডেটা ব্যবহার করতে পারে। ডেটা যাতে সময়ের সাথে সামঞ্জস্যপূর্ণ থাকে (যেমন, খবরের সাথে সংশ্লিষ্ট মূল্যের তথ্য) এবং ভবিষ্যতের পক্ষপাতমুক্ত থাকে, তা নিশ্চিত করা একটি চলমান চ্যালেঞ্জ।

• মডেলের স্বচ্ছতা এবং ব্যাখ্যাযোগ্যতা: অনেক এআই মডেল, বিশেষ করে ডিপ লার্নিং মডেলগুলো, ব্ল্যাক বক্স। এগুলো সহজে ব্যাখ্যা করা যায় এমন কোনো কারণ ছাড়াই পূর্বাভাস বা ট্রেডিং সংকেত দিতে পারে। স্বচ্ছতার এই অভাব বিনিয়োগকারীদের জন্য সমস্যাজনক হতে পারে – বিশেষ করে প্রাতিষ্ঠানিক বিনিয়োগকারীদের জন্য, যাদেরকে অংশীদারদের কাছে সিদ্ধান্তের যৌক্তিকতা প্রমাণ করতে হয় বা নিয়মকানুন মেনে চলতে হয়। যদি একটি এআই মডেল পূর্বাভাস দেয় যে কোনো স্টকের দাম কমবে এবং তা বিক্রি করার সুপারিশ করে, তবে একজন পোর্টফোলিও ম্যানেজার এর পেছনের যুক্তি না বুঝলে দ্বিধা করতে পারেন। মডেলের নির্ভুলতা নির্বিশেষে, এআই-এর সিদ্ধান্তের এই অস্বচ্ছতা আস্থা এবং এর গ্রহণযোগ্যতা কমিয়ে দিতে পারে। এই চ্যালেঞ্জটি ফিনান্সের জন্য ব্যাখ্যাযোগ্য এআই নিয়ে গবেষণাকে উৎসাহিত করছে, কিন্তু এটিও সত্যি যে মডেলের জটিলতা/নির্ভুলতা এবং ব্যাখ্যাযোগ্যতার মধ্যে প্রায়শই একটি ভারসাম্য রক্ষা করতে হয়।

• অভিযোজনশীল বাজার এবং প্রতিযোগিতা: এটা মনে রাখা গুরুত্বপূর্ণ যে আর্থিক বাজারগুলো অভিযোজনশীল। একবার কোনো ভবিষ্যদ্বাণীমূলক প্যাটার্ন (এআই বা অন্য কোনো পদ্ধতির মাধ্যমে) আবিষ্কৃত হলে এবং অনেক ট্রেডার তা ব্যবহার করতে শুরু করলে, সেটি কাজ করা বন্ধ করে দিতে পারে। উদাহরণস্বরূপ, যদি একটি এআই মডেল দেখে যে একটি নির্দিষ্ট সংকেত প্রায়শই কোনো স্টকের দাম বাড়ার আগে আসে, তাহলে ট্রেডাররা সেই সংকেতের উপর ভিত্তি করে আগে থেকেই কাজ করা শুরু করবে, যার ফলে আর্বিট্রেজিং-এর মাধ্যমে সুযোগটি নষ্ট হয়ে যাবে। মূলত, বাজারগুলো পরিচিত কৌশলগুলোকে অকার্যকর করে দেওয়ার জন্য বিবর্তিত হতে পারে। বর্তমানে, অনেক ট্রেডিং ফার্ম এবং ফান্ড এআই এবং এমএল ব্যবহার করে। এই প্রতিযোগিতার অর্থ হলো, যেকোনো সুবিধা প্রায়শই ছোট এবং স্বল্পস্থায়ী হয়। এর ফলে, বাজারের পরিবর্তনশীল গতিপ্রকৃতির সাথে তাল মিলিয়ে চলার জন্য এআই মডেলগুলোকে ক্রমাগত পুনঃপ্রশিক্ষণ এবং হালনাগাদ করার প্রয়োজন হতে পারে। অত্যন্ত তারল্যপূর্ণ এবং পরিণত বাজারগুলোতে (যেমন মার্কিন যুক্তরাষ্ট্রের লার্জ-ক্যাপ স্টক), অসংখ্য অভিজ্ঞ খেলোয়াড় একই সংকেতের সন্ধানে থাকে, যা একটি সুবিধা বজায় রাখাকে অত্যন্ত কঠিন করে তোলে। এর বিপরীতে, কম কার্যকর বাজার বা বিশেষায়িত সম্পদে, এআই হয়তো সাময়িক অদক্ষতা খুঁজে পেতে পারে – কিন্তু সেই বাজারগুলো আধুনিক হওয়ার সাথে সাথে এই ব্যবধান কমে আসতে পারে। বাজারের এই গতিশীল প্রকৃতিই একটি মৌলিক চ্যালেঞ্জ: খেলার নিয়ম স্থির থাকে না, তাই যে মডেলটি গত বছর কার্যকর ছিল, আগামী বছর সেটিকে নতুন করে ঢেলে সাজানোর প্রয়োজন হতে পারে।

• বাস্তব জগতের সীমাবদ্ধতা: একটি এআই মডেল যথেষ্ট নির্ভুলতার সাথে দামের পূর্বাভাস দিতে পারলেও, সেই পূর্বাভাসকে লাভে পরিণত করা একটি ভিন্ন চ্যালেঞ্জ। ট্রেডিংয়ের জন্য লেনদেন খরচ, যেমন কমিশন, স্লিপেজ এবং ট্যাক্স। একটি মডেল হয়তো অনেক ছোট ছোট দামের ওঠানামা সঠিকভাবে পূর্বাভাস দিতে পারে, কিন্তু ফি এবং ট্রেডের বাজার প্রভাবের কারণে সেই লাভ পুরোপুরি নষ্ট হয়ে যেতে পারে। ঝুঁকি ব্যবস্থাপনাও অত্যন্ত গুরুত্বপূর্ণ – কোনো পূর্বাভাসই ১০০% নিশ্চিত নয়, তাই যেকোনো এআই-চালিত কৌশলে সম্ভাব্য ক্ষতির বিষয়টি অবশ্যই বিবেচনায় রাখতে হবে (স্টপ-লস অর্ডার, পোর্টফোলিও বৈচিত্র্যকরণ ইত্যাদির মাধ্যমে)। প্রতিষ্ঠানগুলো প্রায়শই এআই-এর পূর্বাভাসকে একটি বৃহত্তর ঝুঁকি কাঠামোর মধ্যে অন্তর্ভুক্ত করে, যাতে এআই এমন কোনো পূর্বাভাসের উপর তার সর্বস্ব বাজি না ধরে যা ভুল হতে পারে। এই বাস্তবসম্মত বিবেচনার অর্থ হলো, বাস্তব জগতের বাধা-বিপত্তির পরেও কার্যকর হতে হলে একটি এআই-এর তাত্ত্বিক সুবিধা অবশ্যই যথেষ্ট হতে হবে।

সংক্ষেপে, এআই-এর অসাধারণ ক্ষমতা রয়েছে, কিন্তু এই সীমাবদ্ধতাগুলো নিশ্চিত করে যে শেয়ার বাজার একটি আংশিকভাবে পূর্বাভাসযোগ্য এবং আংশিকভাবে অপ্রত্যাশিত ব্যবস্থা হিসেবেই থেকে যায়। এআই মডেলগুলো আরও দক্ষতার সাথে ডেটা বিশ্লেষণ করে এবং সম্ভবত সূক্ষ্ম ভবিষ্যদ্বাণীমূলক সংকেত উন্মোচন করে একজন বিনিয়োগকারীর পক্ষে পরিস্থিতি ঘুরিয়ে দিতে পারে। তবে, কার্যকর মূল্য নির্ধারণ, ত্রুটিপূর্ণ ডেটা, অপ্রত্যাশিত ঘটনা এবং বাস্তব সীমাবদ্ধতার সংমিশ্রণের কারণে এমনকি সেরা এআই-ও মাঝে মাঝে ভুল করবে – এবং প্রায়শই তা হবে অপ্রত্যাশিতভাবে।

এআই মডেলের কর্মক্ষমতা: প্রমাণ কী বলে?

আলোচিত অগ্রগতি এবং চ্যালেঞ্জ উভয়ের পরিপ্রেক্ষিতে, স্টক ভবিষ্যদ্বাণীতে AI প্রয়োগের গবেষণা এবং বাস্তব-বিশ্বের প্রচেষ্টা থেকে আমরা কী শিখেছি? এখন পর্যন্ত ফলাফলগুলি মিশ্র, আশাব্যঞ্জক সাফল্য এবং গুরুতর ব্যর্থতা:

• দৈবচয়নকে ছাড়িয়ে যাওয়া এআই-এর উদাহরণ: বেশ কিছু গবেষণায় দেখা গেছে যে, নির্দিষ্ট কিছু পরিস্থিতিতে এআই মডেলগুলো দৈবচয়নকে ছাড়িয়ে যেতে পারে। উদাহরণস্বরূপ, ২০২৪ সালের একটি গবেষণায় ভিয়েতনামের শেয়ার বাজারের শেয়ার মূল্যের প্রবণতা এবং টেস্ট ডেটার উপর প্রায় ৯৩% উচ্চ পূর্বাভাস নির্ভুলতার কথা জানানো হয়েছিল (Applying machine learning algorithms to predict the stock price trend in the stock market – The case of Vietnam | Humanities and Social Sciences Communications)। এটি থেকে বোঝা যায় যে, সেই বাজারে (একটি উদীয়মান অর্থনীতি) মডেলটি ধারাবাহিক প্যাটার্ন ধরতে সক্ষম হয়েছিল, সম্ভবত কারণ বাজারটিতে অদক্ষতা বা শক্তিশালী টেকনিক্যাল প্রবণতা ছিল যা এলএসটিএম (LSTM) শিখেছিল। ২০২৪ সালের আরেকটি গবেষণা আরও ব্যাপক পরিসরে পরিচালিত হয়েছিল: গবেষকরা সমস্ত এসএন্ডপি ৫০০ (S&P 500) স্টকের (একটি অনেক বেশি দক্ষ বাজার) স্বল্পমেয়াদী রিটার্নের পূর্বাভাস দেওয়ার চেষ্টা করেছিলেন। তারা এটিকে একটি ক্লাসিফিকেশন সমস্যা হিসাবে তৈরি করেছিলেন – র‍্যান্ডম ফরেস্ট, এসভিএম (SVM), এবং এলএসটিএম (LSTM)-এর মতো অ্যালগরিদম ব্যবহার করে পূর্বাভাস দেওয়া যে, একটি স্টক আগামী ১০ দিনে সূচককে ২% ছাড়িয়ে যাবে কিনা। ফলাফল: এলএসটিএম (LSTM) মডেলটি অন্য দুটি এমএল (ML) মডেল এবং একটি র‍্যান্ডম বেসলাইন উভয়কেই ছাড়িয়ে গেছে, এবং এর ফলাফল পরিসংখ্যানগতভাবে এতটাই তাৎপর্যপূর্ণ যে তা থেকে বোঝা যায় এটি কেবল ভাগ্যের ব্যাপার ছিল না (মেশিন লার্নিং ব্যবহার করে এসএন্ডপি ৫০০ (S&P 500) স্টকের আপেক্ষিক রিটার্নের পূর্বাভাস | আর্থিক উদ্ভাবন | সম্পূর্ণ লেখা)। লেখকরা এমনকি এই সিদ্ধান্তে উপনীত হয়েছেন যে, এই নির্দিষ্ট পরিস্থিতিতে, র‍্যান্ডম ওয়াক হাইপোথিসিসটি ছিল “অত্যন্ত নগণ্য”, যা ইঙ্গিত দেয় যে তাদের এমএল মডেলগুলো প্রকৃত ভবিষ্যদ্বাণীমূলক সংকেত খুঁজে পেয়েছিল। এই উদাহরণগুলো দেখায় যে, বিশেষ করে বৃহৎ ডেটাসেটের উপর পরীক্ষা করা হলে, এআই (AI) সত্যিই এমন প্যাটার্ন শনাক্ত করতে পারে যা স্টকের গতিবিধি ভবিষ্যদ্বাণী করার ক্ষেত্রে একটি বাড়তি সুবিধা (যদিও তা সামান্য) দেয়।

• শিল্পক্ষেত্রে উল্লেখযোগ্য ব্যবহার: অ্যাকাডেমিক গবেষণার বাইরেও, হেজ ফান্ড এবং আর্থিক প্রতিষ্ঠানগুলো তাদের ট্রেডিং কার্যক্রমে সফলভাবে এআই ব্যবহার করছে বলে খবর পাওয়া যায়। কিছু হাই-ফ্রিকোয়েন্সি ট্রেডিং ফার্ম সেকেন্ডের ভগ্নাংশের মধ্যে বাজারের মাইক্রো-স্ট্রাকচার প্যাটার্ন শনাক্ত করতে এবং সে অনুযায়ী প্রতিক্রিয়া জানাতে এআই ব্যবহার করে। বড় ব্যাংকগুলোর পোর্টফোলিও বণ্টন এবং ঝুঁকি পূর্বাভাসের, যা সবসময় একটি নির্দিষ্ট স্টকের মূল্য পূর্বাভাসের জন্য না হলেও, বাজারের বিভিন্ন দিক (যেমন অস্থিরতা বা পারস্পরিক সম্পর্ক) পূর্বাভাসের সাথে জড়িত। এছাড়াও এআই-চালিত ফান্ড (প্রায়শই "কোয়ান্ট ফান্ড" বলা হয়) রয়েছে যা ট্রেডিংয়ের সিদ্ধান্ত নিতে মেশিন লার্নিং ব্যবহার করে – এদের মধ্যে কিছু নির্দিষ্ট সময়ের জন্য বাজারের চেয়ে ভালো পারফর্ম করেছে, যদিও এর কৃতিত্ব কঠোরভাবে এআই-কে দেওয়া কঠিন, কারণ তারা প্রায়শই মানব এবং মেশিন ইন্টেলিজেন্সের সংমিশ্রণ ব্যবহার করে। একটি বাস্তব প্রয়োগ হলো সেন্টিমেন্ট অ্যানালাইসিস এআই-এর ব্যবহার: উদাহরণস্বরূপ, খবরের প্রতিক্রিয়ায় স্টকের দাম কীভাবে পরিবর্তিত হবে তা পূর্বাভাস দেওয়ার জন্য খবর এবং টুইটার স্ক্যান করা। এই ধরনের মডেলগুলো হয়তো ১০০% নির্ভুল নয়, কিন্তু এগুলো ট্রেডারদের খবরের মূল্য নির্ধারণে কিছুটা এগিয়ে রাখতে পারে। এটা উল্লেখ্য যে, প্রতিষ্ঠানগুলো সাধারণত সফল এআই কৌশলগুলোর বিবরণ মেধাস্বত্ব হিসেবে অত্যন্ত সতর্কতার সাথে গোপন রাখে, তাই জনসমক্ষে আসা প্রমাণগুলো দেরিতে আসে বা সেগুলো ব্যক্তিগত অভিজ্ঞতার ওপর ভিত্তি করে হয়ে থাকে।

• দুর্বল কার্যকারিতা এবং ব্যর্থতার উদাহরণ: প্রতিটি সফলতার গল্পের বিপরীতে সতর্কতামূলক ঘটনাও থাকে। অনেক অ্যাকাডেমিক গবেষণা, যেগুলো কোনো একটি নির্দিষ্ট বাজার বা সময়সীমার জন্য উচ্চ নির্ভুলতার দাবি করেছিল, সেগুলো সাধারণীকরণে ব্যর্থ হয়েছে। একটি উল্লেখযোগ্য পরীক্ষায়, ভারতীয় শেয়ার বাজারের একটি সফল পূর্বাভাস গবেষণাকে (যেটি টেকনিক্যাল ইন্ডিকেটর ব্যবহার করে এমএল-এর মাধ্যমে উচ্চ নির্ভুলতা দেখিয়েছিল) মার্কিন শেয়ারের উপর প্রতিলিপি করার চেষ্টা করা হয়েছিল। এই প্রতিলিপিতে কোনো উল্লেখযোগ্য পূর্বাভাস ক্ষমতা – প্রকৃতপক্ষে, পরের দিন শেয়ারের দাম বাড়বে এমন একটি সাধারণ ভবিষ্যদ্বাণীর কৌশলই নির্ভুলতার দিক থেকে জটিল এমএল মডেলগুলোকে ছাড়িয়ে গিয়েছিল। গবেষকরা এই সিদ্ধান্তে উপনীত হন যে তাদের ফলাফল "র‍্যান্ডম ওয়াক তত্ত্বকে সমর্থন করে", যার অর্থ হলো শেয়ারের গতিবিধি মূলত অপ্রত্যাশিত ছিল এবং এমএল মডেলগুলো কোনো সাহায্য করেনি। এটি এই বিষয়টিকে তুলে ধরে যে বাজার এবং সময়কাল ভেদে ফলাফলে ব্যাপক পার্থক্য হতে পারে। একইভাবে, অসংখ্য ক্যাগল প্রতিযোগিতা এবং কোয়ান্ট রিসার্চ প্রতিযোগিতা দেখিয়েছে যে, মডেলগুলো প্রায়শই অতীতের ডেটার সাথে ভালোভাবে খাপ খাওয়াতে পারলেও, নতুন পরিস্থিতির সম্মুখীন হলে লাইভ ট্রেডিংয়ে তাদের কার্যকারিতা (গতিপথের পূর্বাভাসের ক্ষেত্রে) প্রায়শই ৫০% নির্ভুলতার দিকে নেমে আসে। ২০০৭ সালের কোয়ান্ট ফান্ডের ধস এবং ২০২০ সালের মহামারীর ধাক্কায় এআই-চালিত ফান্ডগুলোর সম্মুখীন হওয়া সমস্যার মতো ঘটনাগুলো এটাই প্রমাণ করে যে, বাজারের পরিস্থিতি বদলে গেলে এআই মডেলগুলোও হঠাৎ করে ব্যর্থ হতে পারে। ‘সারভাইভারশিপ বায়াস’ একটি কারণ – আমরা ব্যর্থতার চেয়ে এআই-এর সাফল্যের কথাই বেশি শুনি, কিন্তু আড়ালে অনেক মডেল ও ফান্ড নীরবে ব্যর্থ হয়ে বন্ধ হয়ে যায়, কারণ তাদের কৌশলগুলো আর কাজ করে না।

• বাজারভেদে পার্থক্য: গবেষণা থেকে একটি আকর্ষণীয় পর্যবেক্ষণ হলো যে, এআই-এর কার্যকারিতা বাজারের পরিপক্কতা এবং দক্ষতার। তুলনামূলকভাবে কম দক্ষ বা উদীয়মান বাজারগুলিতে, আরও বেশি ব্যবহারযোগ্য প্যাটার্ন থাকতে পারে (বিশ্লেষকদের কম পর্যবেক্ষণ, তারল্যের সীমাবদ্ধতা বা আচরণগত পক্ষপাতের কারণে), যা এআই মডেলগুলিকে উচ্চতর নির্ভুলতা অর্জন করতে সাহায্য করে। ৯৩% নির্ভুলতাসহ ভিয়েতনাম বাজারের এলএসটিএম (LSTM) গবেষণাটি এর একটি উদাহরণ হতে পারে। এর বিপরীতে, মার্কিন যুক্তরাষ্ট্রের মতো অত্যন্ত দক্ষ বাজারগুলিতে, সেই প্যাটার্নগুলি দ্রুত আর্বিট্রেজের মাধ্যমে বিলুপ্ত হয়ে যেতে পারে। ভিয়েতনামের ঘটনা এবং মার্কিন যুক্তরাষ্ট্রের প্রতিরূপ গবেষণার মধ্যে মিশ্র ফলাফল এই অসামঞ্জস্যের দিকেই ইঙ্গিত করে। বিশ্বব্যাপী, এর অর্থ হলো এআই বর্তমানে নির্দিষ্ট কিছু বিশেষায়িত বাজার বা অ্যাসেট ক্লাসে আরও ভালো ভবিষ্যদ্বাণীমূলক কার্যকারিতা দেখাতে পারে (উদাহরণস্বরূপ, কেউ কেউ বিভিন্ন মাত্রার সাফল্যের সাথে পণ্যের মূল্য বা ক্রিপ্টোকারেন্সির প্রবণতা ভবিষ্যদ্বাণী করতে এআই প্রয়োগ করেছেন)। সময়ের সাথে সাথে, যেহেতু সমস্ত বাজার আরও বেশি দক্ষতার দিকে অগ্রসর হবে, তাই সহজে ভবিষ্যদ্বাণীমূলক সাফল্য অর্জনের সুযোগ সংকুচিত হয়ে আসবে।

• নির্ভুলতা বনাম লাভজনকতা: পার্থক্য করাও অত্যন্ত গুরুত্বপূর্ণ পূর্বাভাসের নির্ভুলতা মধ্যে বিনিয়োগের লাভজনকতার। ধরা যাক, একটি মডেল কোনো স্টকের দৈনিক উত্থান-পতনের পূর্বাভাস দেওয়ার ক্ষেত্রে মাত্র ৬০% নির্ভুল হতে পারে – যা শুনতে খুব বেশি মনে না হলেও – কিন্তু যদি সেই পূর্বাভাসগুলো একটি স্মার্ট ট্রেডিং কৌশলে ব্যবহার করা হয়, তবে তা বেশ লাভজনক হতে পারে। অন্যদিকে, একটি মডেল হয়তো ৯০% নির্ভুলতার দাবি করতে পারে, কিন্তু যে ১০% ক্ষেত্রে এটি ভুল করে, তা যদি বাজারের বড় ধরনের ওঠানামার (এবং ফলস্বরূপ বড় ক্ষতির) সাথে মিলে যায়, তবে এটি অলাভজনক হতে পারে। এআই-ভিত্তিক স্টক পূর্বাভাসের অনেক প্রচেষ্টাই দিকনির্দেশনামূলক নির্ভুলতা বা ভুল কমানোর উপর মনোযোগ দেয়, কিন্তু বিনিয়োগকারীরা ঝুঁকি-সমন্বিত রিটার্ন নিয়ে চিন্তিত থাকেন। তাই, মূল্যায়নে প্রায়শই শার্প রেশিও, ড্রডাউন এবং পারফরম্যান্সের ধারাবাহিকতার মতো মেট্রিকগুলো অন্তর্ভুক্ত থাকে, শুধু কাঁচা হিট রেট নয়। কিছু এআই মডেলকে অ্যালগরিদমিক ট্রেডিং সিস্টেমে একীভূত করা হয়েছে যা স্বয়ংক্রিয়ভাবে পজিশন এবং ঝুঁকি পরিচালনা করে – এদের আসল পারফরম্যান্স স্বতন্ত্র পূর্বাভাসের পরিসংখ্যানের পরিবর্তে লাইভ ট্রেডিং রিটার্নের মাধ্যমে পরিমাপ করা হয়। এখন পর্যন্ত, এমন একটি সম্পূর্ণ স্বায়ত্তশাসিত “এআই ট্রেডার” যা বছরের পর বছর ধরে নির্ভরযোগ্যভাবে অর্থ উপার্জন করে, তা বাস্তবতার চেয়ে কল্পবিজ্ঞানই বেশি। তবে এর কিছু নির্দিষ্ট প্রয়োগ (যেমন একটি এআই মডেল যা স্বল্পমেয়াদী বাজারের অস্থিরতার এবং যা ট্রেডাররা অপশনের মূল্য নির্ধারণে ব্যবহার করতে পারে, ইত্যাদি) আর্থিক সরঞ্জামগুলোর তালিকায় জায়গা করে নিয়েছে।

সামগ্রিকভাবে, প্রমাণগুলি ইঙ্গিত দেয় যে AI নির্দিষ্ট বাজারের ধরণগুলির পূর্বাভাস দিতে পারে সম্ভাবনার চেয়েও বেশি নির্ভুলতার সাথে, এবং এটি করার ফলে একটি ট্রেডিং সুবিধা প্রদান করতে পারে। তবে, সেই সুবিধা প্রায়শই ছোট হয় এবং এর সুবিধা গ্রহণের জন্য পরিশীলিত বাস্তবায়নের প্রয়োজন হয়। যখন কেউ জিজ্ঞাসা করে, AI কি স্টক মার্কেটের ভবিষ্যদ্বাণী করতে পারে?, বর্তমান প্রমাণের উপর ভিত্তি করে সবচেয়ে সৎ উত্তর হল: AI কখনও কখনও নির্দিষ্ট পরিস্থিতিতে স্টক মার্কেটের দিকগুলি পূর্বাভাস দিতে পারে, কিন্তু এটি সর্বদা সমস্ত স্টকের জন্য ধারাবাহিকভাবে তা করতে পারে না। সাফল্য আংশিক এবং প্রেক্ষাপট-নির্ভর।

উপসংহার: শেয়ার বাজারের পূর্বাভাসে AI-এর জন্য বাস্তবসম্মত প্রত্যাশা

কৃত্রিম বুদ্ধিমত্তা (এআই) এবং মেশিন লার্নিং নিঃসন্দেহে অর্থায়নের ক্ষেত্রে শক্তিশালী হাতিয়ারে পরিণত হয়েছে। বিশাল ডেটাসেট প্রক্রিয়াকরণ, লুকানো পারস্পরিক সম্পর্ক উন্মোচন এবং এমনকি তাৎক্ষণিকভাবে কৌশল পরিবর্তনের ক্ষেত্রে এরা অত্যন্ত পারদর্শী। শেয়ার বাজারের পূর্বাভাস দেওয়ার প্রচেষ্টায়, এআই কিছু বাস্তব কিন্তু সীমিত সাফল্য এনে দিয়েছে। বিনিয়োগকারী এবং প্রতিষ্ঠানগুলো বাস্তবসম্মতভাবেই এআই-এর কাছ থেকে সিদ্ধান্ত গ্রহণে সহায়তা আশা করতে পারে – যেমন, ভবিষ্যদ্বাণীমূলক সংকেত তৈরি, পোর্টফোলিও অপ্টিমাইজ করা বা ঝুঁকি ব্যবস্থাপনার মাধ্যমে – কিন্তু এটি এমন কোনো ভবিষ্যৎবাণীর যন্ত্র হিসেবে কাজ করবে না যা মুনাফার নিশ্চয়তা দেয়।

এআই যা পারে :
এআই বিনিয়োগের বিশ্লেষণাত্মক প্রক্রিয়াকে উন্নত করতে পারে। এটি কয়েক সেকেন্ডের মধ্যে বছরের পর বছরের বাজারের ডেটা, নিউজ ফিড এবং আর্থিক প্রতিবেদন ঘেঁটে এমন সূক্ষ্ম প্যাটার্ন বা অসঙ্গতি শনাক্ত করতে পারে যা একজন মানুষ হয়তো এড়িয়ে যেতে পারে (শেয়ার বাজারের পূর্বাভাসের জন্য মেশিন লার্নিং-এর ব্যবহার... | এফএমপি)। এটি শত শত চলককে (যেমন প্রযুক্তিগত, মৌলিক, অনুভূতি ইত্যাদি) একত্রিত করে একটি সুসংহত পূর্বাভাস তৈরি করতে পারে। স্বল্পমেয়াদী ট্রেডিং-এ, এআই অ্যালগরিদমগুলো দৈবচয়নের চেয়ে সামান্য বেশি নির্ভুলতার সাথে পূর্বাভাস দিতে পারে যে একটি স্টক অন্যটির চেয়ে ভালো ফল করবে, অথবা বাজারে অস্থিরতা হঠাৎ করে বেড়ে যেতে চলেছে। এই বাড়তি সুবিধাগুলো, যখন সঠিকভাবে কাজে লাগানো হয়, তখন তা প্রকৃত আর্থিক লাভে রূপান্তরিত হতে পারে। এআই ঝুঁকি ব্যবস্থাপনায়ও – যেমন বাজারের মন্দার আগাম সতর্কতা শনাক্ত করা বা বিনিয়োগকারীদের কোনো পূর্বাভাসের নির্ভরযোগ্যতার মাত্রা সম্পর্কে জানানো। এআই-এর আরেকটি বাস্তব ভূমিকা হলো কৌশল স্বয়ংক্রিয়করণে: অ্যালগরিদমগুলো উচ্চ গতিতে এবং ঘন ঘন ট্রেড সম্পাদন করতে পারে, ২৪/৭ বিভিন্ন ঘটনায় প্রতিক্রিয়া জানাতে পারে এবং শৃঙ্খলা প্রয়োগ করতে পারে (যেমন আবেগপ্রবণ ট্রেডিং নয়), যা অস্থির বাজারে সুবিধাজনক হতে পারে।

এআই যা পারে না (এখনও):
কিছু গণমাধ্যমে ব্যাপক প্রচারণা সত্ত্বেও, এআই ধারাবাহিকভাবে এবং নির্ভরযোগ্যভাবে শেয়ার বাজারের সামগ্রিক পূর্বাভাস দিতে পারে না—অর্থাৎ সবসময় বাজারকে ছাড়িয়ে যাওয়া বা বাজারের বড় কোনো পরিবর্তন আগে থেকে অনুমান করা। বাজার মানুষের আচরণ, আকস্মিক ঘটনা এবং জটিল ফিডব্যাক লুপ দ্বারা প্রভাবিত হয়, যা কোনো স্থির মডেলকে মানতে পারে না। এআই অনিশ্চয়তা দূর করে না; এটি কেবল সম্ভাবনার ওপর ভিত্তি করে কাজ করে। একটি এআই হয়তো ইঙ্গিত দিতে পারে যে আগামীকাল একটি শেয়ারের দাম বাড়ার ৭০% সম্ভাবনা রয়েছে—যার অর্থ হলো, দাম না বাড়ার ৩০% সম্ভাবনাও আছে। লোকসানি লেনদেন এবং ভুল সিদ্ধান্ত অনিবার্য। এআই এমন কোনো সম্পূর্ণ নতুন ঘটনার (যাকে প্রায়শই "ব্ল্যাক সোয়ান" বলা হয়) পূর্বাভাস দিতে পারে না, যা তার প্রশিক্ষণ ডেটার আওতার বাইরে। অধিকন্তু, যেকোনো সফল ভবিষ্যদ্বাণীমূলক মডেল প্রতিযোগিতাকে আমন্ত্রণ জানায়, যা তার সুবিধাকে ক্ষুণ্ণ করতে পারে। সারকথা হলো, এআই-এর এমন কোনো স্ফটিক গোলকের সমতুল্য কিছু নেই যা বাজারের ভবিষ্যৎ সম্পর্কে দূরদৃষ্টির নিশ্চয়তা দেয়। যারা এর বিপরীত দাবি করে, বিনিয়োগকারীদের তাদের ব্যাপারে সতর্ক থাকা উচিত।

নিরপেক্ষ, বাস্তববাদী দৃষ্টিকোণ:
একটি নিরপেক্ষ দৃষ্টিকোণ থেকে, এআই-কে প্রচলিত বিশ্লেষণ এবং মানবিক অন্তর্দৃষ্টির প্রতিস্থাপন হিসেবে নয়, বরং এর পরিপূরক হিসেবে দেখাই শ্রেয়। বাস্তবে, অনেক প্রাতিষ্ঠানিক বিনিয়োগকারী মানব বিশ্লেষক এবং পোর্টফোলিও ম্যানেজারদের মতামতের পাশাপাশি এআই মডেল ব্যবহার করে থাকেন। এআই হয়তো সংখ্যা বিশ্লেষণ করে পূর্বাভাস দেয়, কিন্তু মানুষই লক্ষ্য নির্ধারণ করে, ফলাফল ব্যাখ্যা করে এবং পরিস্থিতি অনুযায়ী কৌশল পরিবর্তন করে (যেমন, কোনো অপ্রত্যাশিত সংকটের সময় একটি মডেলকে অগ্রাহ্য করা)। এআই-চালিত টুল বা ট্রেডিং বট ব্যবহারকারী খুচরা বিনিয়োগকারীদের সতর্ক থাকা উচিত এবং টুলটির যুক্তি ও সীমাবদ্ধতা বোঝা উচিত। অন্ধভাবে এআই-এর সুপারিশ অনুসরণ করা ঝুঁকিপূর্ণ – এটিকে অনেকগুলো ইনপুটের মধ্যে একটি হিসেবেই ব্যবহার করা উচিত।

বাস্তবসম্মত প্রত্যাশা নির্ধারণের ক্ষেত্রে এই সিদ্ধান্তে আসা যেতে পারে যে, এআই একটি নির্দিষ্ট মাত্রা পর্যন্ত শেয়ার বাজারের পূর্বাভাস দিতে পারে, কিন্তু তা নিশ্চিতভাবে বা ত্রুটিমুক্তভাবে সম্ভব নয়। এটি সম্ভাবনা বাড়াতে সঠিক সিদ্ধান্ত নেওয়ার দক্ষতা , যা প্রতিযোগিতামূলক বাজারে লাভ ও ক্ষতির মধ্যে পার্থক্য গড়ে দিতে পারে। তবে, এটি নিশ্চয়তা দিতে পারে না শেয়ার বাজারের ফলাফল “স্বাভাবিকভাবেই অপ্রত্যাশিত” মডেল করা তথ্যের বাইরের বিভিন্ন কারণের জন্যডিপ রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে শেয়ার বাজারের পূর্বাভাস)।

সামনের পথ:
সামনের দিকে তাকালে, শেয়ার বাজারের পূর্বাভাসে AI-এর ভূমিকা সম্ভবত বৃদ্ধি পাবে। চলমান গবেষণা কিছু সীমাবদ্ধতা মোকাবেলা করছে (উদাহরণস্বরূপ, শাসনব্যবস্থার পরিবর্তনের জন্য দায়ী মডেল তৈরি করা, অথবা হাইব্রিড সিস্টেম যা ডেটা-চালিত এবং ইভেন্ট-চালিত বিশ্লেষণ উভয়কেই অন্তর্ভুক্ত করে)। রিইনফোর্সমেন্ট লার্নিং এজেন্টদের যারা রিয়েল-টাইমে নতুন বাজারের ডেটার সাথে ক্রমাগত খাপ খাইয়ে নেয়, যা সম্ভাব্যভাবে স্থিতিশীল প্রশিক্ষিত মডেলের তুলনায় পরিবর্তনশীল পরিবেশকে আরও ভালভাবে পরিচালনা করতে পারে। তদুপরি, আচরণগত অর্থায়ন বা নেটওয়ার্ক বিশ্লেষণের কৌশলগুলির সাথে AI-এর সমন্বয় বাজার গতিশীলতার আরও সমৃদ্ধ মডেল তৈরি করতে পারে। তবুও, এমনকি সবচেয়ে উন্নত ভবিষ্যতের AI সম্ভাব্যতা এবং অনিশ্চয়তার সীমার মধ্যে কাজ করবে।

সংক্ষেপে, “এআই কি শেয়ার বাজারের পূর্বাভাস দিতে পারে?”— কোনো সহজ হ্যাঁ বা না উত্তর নেই। সবচেয়ে সঠিক উত্তরটি হলো: এআই শেয়ার বাজারের পূর্বাভাস দিতে সাহায্য করতে পারে, কিন্তু এটি নির্ভুল নয়। এটি এমন শক্তিশালী সরঞ্জাম সরবরাহ করে যা বিচক্ষণতার সাথে ব্যবহার করা হলে পূর্বাভাস এবং ট্রেডিং কৌশলকে উন্নত করতে পারে, কিন্তু এটি বাজারের মৌলিক অনিশ্চয়তাকে দূর করে না। বিনিয়োগকারীদের উচিত এআই-এর শক্তি—যেমন ডেটা প্রক্রিয়াকরণ এবং প্যাটার্ন শনাক্তকরণ—এর জন্য একে গ্রহণ করা, এবং একই সাথে এর দুর্বলতাগুলো সম্পর্কেও সচেতন থাকা। এর মাধ্যমে, উভয় জগতের সেরাটাকেই কাজে লাগানো সম্ভব: মানুষের বিচারবুদ্ধি এবং যন্ত্রের বুদ্ধিমত্তার সম্মিলিত প্রয়োগ। শেয়ার বাজার হয়তো কখনোই শতভাগ পূর্বাভাসযোগ্য হবে না, কিন্তু বাস্তবসম্মত প্রত্যাশা এবং এআই-এর বিচক্ষণ ব্যবহারের মাধ্যমে, বাজারের অংশগ্রহণকারীরা এই সদা পরিবর্তনশীল আর্থিক পরিমণ্ডলে আরও ভালোভাবে অবহিত ও সুশৃঙ্খল বিনিয়োগ সিদ্ধান্ত নেওয়ার জন্য চেষ্টা করতে পারেন।

এর পরে আপনি যে শ্বেতপত্রগুলি পড়তে পছন্দ করতে পারেন:

🔗 যে চাকরিগুলো এআই প্রতিস্থাপন করতে পারবে না – এবং কোন চাকরিগুলো এআই প্রতিস্থাপন করবে?
এআই বিশ্বব্যাপী কর্মসংস্থান ব্যবস্থাকে নতুন রূপ দেওয়ায়, জানুন কোন পেশাগুলো ভবিষ্যতের জন্য সুরক্ষিত এবং কোনগুলো সবচেয়ে বেশি ঝুঁকিতে রয়েছে।

🔗 মানুষের হস্তক্ষেপ ছাড়া জেনারেটিভ এআই কী কী করতে পারে?
বাস্তব পরিস্থিতিতে জেনারেটিভ এআই-এর বর্তমান সীমাবদ্ধতা এবং স্বায়ত্তশাসিত ক্ষমতা সম্পর্কে জানুন।

🔗 সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে?
জানুন, কীভাবে এআই ভবিষ্যদ্বাণীমূলক এবং স্বায়ত্তশাসিত সরঞ্জামগুলির সাহায্যে হুমকি মোকাবেলা করছে এবং সাইবার স্থিতিস্থাপকতা বৃদ্ধি করছে।