AI কি শেয়ার বাজারের ভবিষ্যদ্বাণী করতে পারে?

ভূমিকা

শেয়ার বাজারের ভবিষ্যদ্বাণী করা দীর্ঘদিন ধরেই বিশ্বজুড়ে প্রাতিষ্ঠানিক এবং খুচরা বিনিয়োগকারীদের কাছে একটি আর্থিক "পবিত্র গ্রিল" হিসেবে বিবেচিত। কৃত্রিম বুদ্ধিমত্তা (AI) এবং মেশিন লার্নিং (ML)- , অনেকেই ভাবছেন যে এই প্রযুক্তিগুলি কি অবশেষে শেয়ারের দাম পূর্বাভাস দেওয়ার রহস্য উন্মোচন করেছে। AI কি শেয়ার বাজারের ভবিষ্যদ্বাণী করতে পারে? আর্থিক বাজারের ভবিষ্যদ্বাণীর প্রেক্ষাপটে করতে পারে এবং কী করতে পারে না তার প্রচারের পরিবর্তে গবেষণার ভিত্তিতে আমরা একটি নিরপেক্ষ বিশ্লেষণ উপস্থাপন করি

আর্থিক তত্ত্বে, ভবিষ্যদ্বাণীর চ্যালেঞ্জকে Efficient Market Hypothesis (EMH) । EMH (বিশেষ করে এর "শক্তিশালী" আকারে) দাবি করে যে স্টকের দাম যেকোনো সময়ে উপলব্ধ সমস্ত তথ্যকে সম্পূর্ণরূপে প্রতিফলিত করে, যার অর্থ হল কোনও বিনিয়োগকারী (এমনকি অভ্যন্তরীণ ব্যক্তিরাও না) উপলব্ধ তথ্যের উপর ট্রেড করে ধারাবাহিকভাবে বাজারকে ছাড়িয়ে যেতে পারে ( নিউরাল নেটওয়ার্কের উপর ভিত্তি করে ডেটা-চালিত স্টক পূর্বাভাস মডেল: একটি পর্যালোচনা )। সহজ ভাষায়, যদি বাজারগুলি অত্যন্ত দক্ষ হয় এবং দামগুলি এলোমেলোভাবে চলতে , তাহলে ভবিষ্যতের দাম সঠিকভাবে ভবিষ্যদ্বাণী করা প্রায় অসম্ভব হওয়া উচিত। এই তত্ত্ব সত্ত্বেও, বাজারকে পরাজিত করার লোভ উন্নত ভবিষ্যদ্বাণীমূলক পদ্ধতিতে ব্যাপক গবেষণাকে উৎসাহিত করেছে। AI এবং মেশিন লার্নিং এই সাধনার কেন্দ্রবিন্দুতে পরিণত হয়েছে, বিপুল পরিমাণে ডেটা প্রক্রিয়াকরণ এবং মানুষ যে সূক্ষ্ম নিদর্শনগুলি মিস করতে পারে তা সনাক্ত করার ক্ষমতার কারণে ( স্টক মার্কেট ভবিষ্যদ্বাণীর জন্য মেশিন লার্নিং ব্যবহার করা... | FMP )।

এই শ্বেতপত্রে স্টক মার্কেটের পূর্বাভাসের জন্য ব্যবহৃত AI কৌশলগুলির একটি বিস্তৃত সারসংক্ষেপ প্রদান করা হয়েছে এবং তাদের কার্যকারিতা মূল্যায়ন করা হয়েছে। আমরা জনপ্রিয় মডেলগুলির তাত্ত্বিক ভিত্তিগুলি 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: মেশিন লার্নিং পদ্ধতিগুলি পূর্বনির্ধারিত পরিসংখ্যানগত সূত্রের বাইরে গিয়ে সরাসরি ডেটা থেকে প্যাটার্ন শেখার সাপোর্ট ভেক্টর মেশিন (SVM) , র‍্যান্ডম ফরেস্ট এবং গ্রেডিয়েন্ট বুস্টিংয়ের মতো অ্যালগরিদমগুলি স্টক ভবিষ্যদ্বাণীতে প্রয়োগ করা হয়েছে। তারা প্রযুক্তিগত সূচক (যেমন, চলমান গড়, ট্রেডিং ভলিউম) থেকে মৌলিক সূচক (যেমন, উপার্জন, সামষ্টিক অর্থনৈতিক তথ্য) - পর্যন্ত বিস্তৃত ইনপুট বৈশিষ্ট্য অন্তর্ভুক্ত করতে পারে এবং তাদের মধ্যে অ-রৈখিক সম্পর্ক খুঁজে পেতে পারে। উদাহরণস্বরূপ, একটি র‍্যান্ডম ফরেস্ট বা গ্রেডিয়েন্ট বুস্টিং মডেল একই সাথে কয়েক ডজন বিষয় বিবেচনা করতে পারে, এমন মিথস্ক্রিয়া ক্যাপচার করতে পারে যা একটি সাধারণ রৈখিক মডেল মিস করতে পারে। এই ML মডেলগুলি ডেটাতে জটিল সংকেত সনাক্ত করে ভবিষ্যদ্বাণীমূলক নির্ভুলতাকে সামান্য উন্নত করার ক্ষমতা দেখিয়েছে ( শেয়ার বাজার পূর্বাভাসের জন্য মেশিন লার্নিং ব্যবহার করে... | FMP )। তবে, অতিরিক্ত ফিটিং (সিগন্যালের পরিবর্তে শেখার শব্দ) এড়াতে তাদের যত্ন সহকারে টিউনিং এবং পর্যাপ্ত ডেটা প্রয়োজন।

• গভীর শিক্ষা (নিউরাল নেটওয়ার্ক): মানব মস্তিষ্কের গঠন দ্বারা অনুপ্রাণিত ডিপ নিউরাল নেটওয়ার্কগুলি পুনরাবৃত্ত নিউরাল নেটওয়ার্ক (RNNs) এবং তাদের বৈকল্পিক লং শর্ট-টার্ম মেমোরি (LSTM) নেটওয়ার্কগুলি বিশেষভাবে স্টক মূল্য সময় সিরিজের মতো সিকোয়েন্স ডেটার জন্য ডিজাইন করা হয়েছে। LSTMগুলি অতীতের তথ্যের স্মৃতি ধরে রাখতে পারে এবং টেম্পোরাল নির্ভরতা ক্যাপচার করতে পারে, যা বাজারের ডেটাতে ট্রেন্ড, চক্র বা অন্যান্য সময়-নির্ভর প্যাটার্নের মডেলের জন্য উপযুক্ত করে তোলে। গবেষণা ইঙ্গিত দেয় যে LSTMs এবং অন্যান্য ডিপ লার্নিং মডেলগুলি আর্থিক ডেটাতে জটিল, অ-রৈখিক সম্পর্ক কনভোলিউশনাল নিউরাল নেটওয়ার্ক (CNNs) (কখনও কখনও প্রযুক্তিগত সূচক "চিত্র" বা এনকোডেড সিকোয়েন্সে ব্যবহৃত হয়), ট্রান্সফরমার (যা বিভিন্ন সময় পদক্ষেপ বা ডেটা উত্সের গুরুত্ব পরিমাপ করার জন্য মনোযোগ প্রক্রিয়া ব্যবহার করে), এবং এমনকি গ্রাফ নিউরাল নেটওয়ার্ক (GNNs) (বাজারের গ্রাফে স্টকের মধ্যে সম্পর্ক মডেল করার জন্য)। এই উন্নত নিউরাল নেটগুলি কেবল মূল্যের তথ্যই নয়, সংবাদ পাঠ্য, সোশ্যাল মিডিয়া সেন্টিমেন্ট এবং আরও অনেক কিছুর মতো বিকল্প ডেটা উৎসও গ্রহণ করতে পারে, বাজারের গতিবিধির ভবিষ্যদ্বাণীমূলক বিমূর্ত বৈশিষ্ট্যগুলি শিখতে পারে ( শেয়ার বাজারের পূর্বাভাসের জন্য মেশিন লার্নিং ব্যবহার করা... | FMP )। গভীর শিক্ষার নমনীয়তার সাথে একটি খরচ আসে: এগুলি ডেটা-ক্ষুধার্ত, গণনাগতভাবে নিবিড় এবং প্রায়শই কম ব্যাখ্যাযোগ্যতার সাথে "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, AI স্টক মার্কেট ভবিষ্যদ্বাণীর মেরুদণ্ড

• ঐতিহাসিক মূল্য এবং প্রযুক্তিগত সূচক: প্রায় সকল মডেলই অতীতের স্টক মূল্য (খোলা, উচ্চ, নিম্ন, বন্ধ) এবং ট্রেডিং ভলিউম ব্যবহার করে। এগুলো থেকে, বিশ্লেষকরা প্রায়শই প্রযুক্তিগত সূচক (চলমান গড়, আপেক্ষিক শক্তি সূচক, MACD, ইত্যাদি) ইনপুট হিসেবে বের করে। এই সূচকগুলি মডেলটি যে প্রবণতা বা গতিবেগ কাজে লাগাতে পারে তা তুলে ধরতে সাহায্য করতে পারে। উদাহরণস্বরূপ, একটি মডেল পরবর্তী দিনের মূল্যের গতিবিধির পূর্বাভাস দেওয়ার জন্য শেষ 10 দিনের দাম এবং পরিমাণ, এবং 10-দিনের চলমান গড় বা অস্থিরতা পরিমাপের মতো সূচকগুলিকে ইনপুট হিসেবে 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 তথ্য: কিছু পরিশীলিত হেজ ফান্ড এবং এআই গবেষক ভবিষ্যদ্বাণীমূলক অন্তর্দৃষ্টি অর্জনের জন্য বিকল্প তথ্য উৎস - স্যাটেলাইট চিত্র (স্টোর ট্র্যাফিক বা শিল্প কার্যকলাপের জন্য), ক্রেডিট কার্ড লেনদেনের তথ্য, ওয়েব অনুসন্ধান প্রবণতা ইত্যাদি - ব্যবহার করেন। এই অপ্রচলিত ডেটাসেটগুলি কখনও কখনও স্টক কর্মক্ষমতার জন্য নেতৃস্থানীয় সূচক হিসাবে কাজ করতে পারে, যদিও তারা মডেল প্রশিক্ষণে জটিলতাও প্রবর্তন করে।

স্টক ভবিষ্যদ্বাণীর জন্য একটি এআই মডেলকে প্রশিক্ষণ দেওয়ার মধ্যে রয়েছে ঐতিহাসিক তথ্য সরবরাহ করা এবং ভবিষ্যদ্বাণী ত্রুটি কমাতে মডেলের পরামিতিগুলি সামঞ্জস্য করা। সাধারণত, ডেটা একটি প্রশিক্ষণ সেটে (যেমন, প্যাটার্ন শেখার জন্য পুরানো ইতিহাস) এবং একটি পরীক্ষা/বৈধকরণ সেট (অদৃশ্য অবস্থার উপর কর্মক্ষমতা মূল্যায়নের জন্য সাম্প্রতিক ডেটা)। বাজারের তথ্যের ক্রমিক প্রকৃতির কারণে, "ভবিষ্যতের দিকে উঁকি দেওয়া" এড়াতে যত্ন নেওয়া হয় - উদাহরণস্বরূপ, মডেলগুলি প্রশিক্ষণ সময়ের পরে সময়কালের ডেটার উপর মূল্যায়ন করা হয়, যাতে তারা বাস্তব ট্রেডিংয়ে কীভাবে পারফর্ম করবে তা অনুকরণ করা যায়। ক্রস-বৈধকরণ কৌশলগুলি (যেমন ওয়াক-ফরোয়ার্ড ভ্যালিডেশন) ব্যবহার করা হয় যাতে মডেলটি ভালভাবে সাধারণীকরণ করা হয় এবং শুধুমাত্র একটি নির্দিষ্ট সময়ের জন্য উপযুক্ত না হয়।

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:

• বাজার দক্ষতা এবং এলোমেলোতা: যেমনটি আগেই উল্লেখ করা হয়েছে, দক্ষ বাজার অনুমান যুক্তি দেয় যে দামগুলি ইতিমধ্যেই জ্ঞাত তথ্য প্রতিফলিত করে, তাই যেকোনো নতুন তথ্য তাৎক্ষণিক সমন্বয় ঘটায়। ব্যবহারিক অর্থে, এর অর্থ হল মূল্য পরিবর্তন মূলত অপ্রত্যাশিত সংবাদ বা এলোমেলো ওঠানামার দ্বারা পরিচালিত হয়। প্রকৃতপক্ষে, কয়েক দশকের গবেষণায় দেখা গেছে যে স্বল্পমেয়াদী স্টক মূল্যের গতিবিধি একটি এলোমেলো পদযাত্রার মতো ( নিউরাল নেটওয়ার্কের উপর ভিত্তি করে ডেটা-চালিত স্টক পূর্বাভাস মডেল: একটি পর্যালোচনা ) - গতকালের দাম আগামীকালের উপর খুব কম প্রভাব ফেলে, যা সুযোগের পূর্বাভাসের চেয়ে বেশি। যদি স্টকের দাম মূলত এলোমেলো বা "দক্ষ" হয়, তবে কোনও অ্যালগরিদম উচ্চ নির্ভুলতার সাথে ধারাবাহিকভাবে তাদের পূর্বাভাস দিতে পারে না। একটি গবেষণা গবেষণায় সংক্ষেপে বলা হয়েছে, "এলোমেলো পদযাত্রা অনুমান এবং দক্ষ বাজার অনুমান মূলত বলে যে ভবিষ্যতের স্টক মূল্যের পদ্ধতিগতভাবে, নির্ভরযোগ্যভাবে ভবিষ্যদ্বাণী করা সম্ভব নয়" ( মেশিন লার্নিং ব্যবহার করে S&P 500 স্টকের জন্য আপেক্ষিক রিটার্নের পূর্বাভাস | আর্থিক উদ্ভাবন | সম্পূর্ণ পাঠ্য )। এর অর্থ এই নয় যে AI ভবিষ্যদ্বাণী সর্বদা অকেজো, তবে এটি একটি মৌলিক সীমাকে তুলে ধরে: বাজারের বেশিরভাগ গতিবিধি কেবল এমন শব্দ হতে পারে যা এমনকি সেরা মডেলও আগে থেকে পূর্বাভাস দিতে পারে না।

• শব্দদূষণ এবং অপ্রত্যাশিত বাহ্যিক কারণ: স্টকের দাম অনেকগুলি কারণ দ্বারা প্রভাবিত হয়, যার মধ্যে অনেকগুলি বহিরাগত এবং অপ্রত্যাশিত। ভূ-রাজনৈতিক ঘটনা (যুদ্ধ, নির্বাচন, নিয়ন্ত্রক পরিবর্তন), প্রাকৃতিক দুর্যোগ, মহামারী, আকস্মিক কর্পোরেট কেলেঙ্কারি, এমনকি ভাইরাল সোশ্যাল মিডিয়া গুজবও বাজারকে অপ্রত্যাশিতভাবে নাড়া দিতে পারে। এগুলি এমন ঘটনা যার জন্য কোনও মডেলের কাছে পূর্ব প্রশিক্ষণের তথ্য থাকতে পারে না (কারণ এগুলি অভূতপূর্ব) অথবা বিরল ধাক্কা হিসেবে ঘটে। উদাহরণস্বরূপ, ২০১০-২০১৯ সালের ঐতিহাসিক তথ্যের উপর প্রশিক্ষিত কোনও AI মডেল ২০২০ সালের গোড়ার দিকে COVID-19 ক্র্যাশ বা এর দ্রুত প্রত্যাবর্তনের বিষয়ে বিশেষভাবে পূর্বাভাস দিতে পারেনি। যখন শাসনব্যবস্থা পরিবর্তন হয় বা যখন একটি একক ঘটনা দাম বাড়ায় তখন আর্থিক AI মডেলগুলি লড়াই করে। একটি সূত্র উল্লেখ করেছে যে, ভূ-রাজনৈতিক ঘটনা বা হঠাৎ অর্থনৈতিক তথ্য প্রকাশের মতো কারণগুলি ভবিষ্যদ্বাণীগুলিকে প্রায় তাৎক্ষণিকভাবে অপ্রচলিত করে দিতে পারে ( শেয়ার বাজারের পূর্বাভাসের জন্য মেশিন লার্নিং ব্যবহার করা... | FMP ) ( শেয়ার বাজারের পূর্বাভাসের জন্য মেশিন লার্নিং ব্যবহার করা... | FMP )। অন্য কথায়, অপ্রত্যাশিত খবর সর্বদা অ্যালগরিদমিক ভবিষ্যদ্বাণীগুলিকে অগ্রাহ্য করতে পারে , অনিশ্চয়তার একটি স্তর তৈরি করতে পারে যা অপরিবর্তনীয়।

• ওভারফিটিং এবং জেনারালাইজেশন: ওভারফিটিং এর প্রবণতা রাখে - অর্থাৎ তারা প্রশিক্ষণের তথ্যের "শব্দ" বা অদ্ভুততাগুলি খুব ভালোভাবে শিখতে পারে, অন্তর্নিহিত সাধারণ প্যাটার্নের চেয়ে। একটি ওভারফিটেড মডেল ঐতিহাসিক তথ্যে দুর্দান্ত পারফর্ম করতে পারে (এমনকি চিত্তাকর্ষক ব্যাকটেস্টেড রিটার্ন বা উচ্চ ইন-স্যাম্পল নির্ভুলতা দেখাতে পারে) কিন্তু তারপর নতুন তথ্যে শোচনীয়ভাবে ব্যর্থ হতে পারে। পরিমাণগত অর্থায়নে এটি একটি সাধারণ সমস্যা। উদাহরণস্বরূপ, একটি জটিল নিউরাল নেটওয়ার্ক কাকতালীয়ভাবে অতীতে থাকা জাল সম্পর্কগুলি তুলে নিতে পারে (যেমন গত 5 বছরে র‍্যালির আগে ঘটে যাওয়া সূচক ক্রসওভারের একটি নির্দিষ্ট সংমিশ্রণ) কিন্তু সেই সম্পর্কগুলি ভবিষ্যতে টিকতে নাও পারে। একটি ব্যবহারিক উদাহরণ: কেউ এমন একটি মডেল ডিজাইন করতে পারে যা পূর্বাভাস দেয় যে গত বছরের স্টক বিজয়ীরা সর্বদা উপরে উঠবে - এটি একটি নির্দিষ্ট সময়ের জন্য উপযুক্ত হতে পারে, কিন্তু যদি বাজার ব্যবস্থা পরিবর্তন হয়, তবে সেই প্যাটার্নটি ভেঙে যায়। ওভারফিটিং খারাপ আউট-অফ-স্যাম্পল পারফরম্যান্সের দিকে পরিচালিত করে , যার অর্থ লাইভ ট্রেডিংয়ে মডেলের ভবিষ্যদ্বাণীগুলি উন্নয়নে দুর্দান্ত দেখা সত্ত্বেও এলোমেলো থেকে ভাল হতে পারে না। অতিরিক্ত ফিটিং এড়াতে নিয়মিতকরণ, মডেল জটিলতা নিয়ন্ত্রণে রাখা এবং শক্তিশালী বৈধতা ব্যবহারের মতো কৌশল প্রয়োজন। তবে, যে জটিলতা AI মডেলগুলিকে শক্তি দেয় তাও তাদের এই সমস্যার ঝুঁকিতে ফেলে।

• ডেটার গুণমান এবং প্রাপ্যতা: "আবর্জনা ঢোকা, আবর্জনা বের করে দাও" এই প্রবাদটি স্টক ভবিষ্যদ্বাণীতে AI-এর ক্ষেত্রে জোরালোভাবে প্রযোজ্য। ডেটার গুণমান, পরিমাণ এবং প্রাসঙ্গিকতা মডেলের কর্মক্ষমতাকে উল্লেখযোগ্যভাবে প্রভাবিত করে। যদি ঐতিহাসিক তথ্য অপর্যাপ্ত হয় (যেমন, মাত্র কয়েক বছরের স্টক মূল্যের উপর একটি গভীর নেটওয়ার্ক প্রশিক্ষণ দেওয়ার চেষ্টা করা) অথবা প্রতিনিধিত্বমূলক না হয় (যেমন, একটি মন্দার পরিস্থিতির পূর্বাভাস দেওয়ার জন্য মূলত বুলিশ সময়ের ডেটা ব্যবহার করা), তাহলে মডেলটি ভালভাবে সাধারণীকরণ করবে না। ডেটা পক্ষপাতদুষ্টও বা বেঁচে থাকার বিষয় হতে পারে (উদাহরণস্বরূপ, সময়ের সাথে সাথে স্টক সূচকগুলি স্বাভাবিকভাবেই খারাপ পারফর্মিং কোম্পানিগুলিকে হ্রাস করে, তাই ঐতিহাসিক সূচক ডেটা উপরের দিকে পক্ষপাতদুষ্ট হতে পারে)। ডেটা পরিষ্কার করা এবং কিউরেট করা একটি অ-তুচ্ছ কাজ। অতিরিক্তভাবে, বিকল্প ডেটা ফ্রিকোয়েন্সির সমস্যাও রয়েছে : উচ্চ-ফ্রিকোয়েন্সি ট্রেডিং মডেলগুলির টিক-বাই-টিক ডেটা প্রয়োজন যা আয়তনে বিশাল এবং বিশেষ অবকাঠামোর প্রয়োজন, যেখানে নিম্ন-ফ্রিকোয়েন্সি মডেলগুলি দৈনিক বা সাপ্তাহিক ডেটা ব্যবহার করতে পারে। তথ্যগুলি সময়ের সাথে সামঞ্জস্যপূর্ণ (যেমন, সংশ্লিষ্ট মূল্যের তথ্য সহ সংবাদ) এবং পক্ষপাতমুক্ত থাকা নিশ্চিত করা একটি চলমান চ্যালেঞ্জ।

• মডেল স্বচ্ছতা এবং ব্যাখ্যাযোগ্যতা: অনেক AI মডেল, বিশেষ করে গভীর শিক্ষার মডেল, ব্ল্যাক বক্স । তারা সহজেই ব্যাখ্যাযোগ্য কারণ ছাড়াই ভবিষ্যদ্বাণী বা ট্রেডিং সিগন্যাল তৈরি করতে পারে। স্বচ্ছতার এই অভাব বিনিয়োগকারীদের জন্য সমস্যাযুক্ত হতে পারে - বিশেষ করে প্রাতিষ্ঠানিক বিনিয়োগকারীদের জন্য যাদের স্টেকহোল্ডারদের কাছে সিদ্ধান্তকে ন্যায্যতা দিতে হয় বা নিয়ম মেনে চলতে হয়। যদি কোনও AI মডেল ভবিষ্যদ্বাণী করে যে কোনও স্টক কমে যাবে এবং বিক্রির সুপারিশ করে, তাহলে একজন পোর্টফোলিও ম্যানেজার যদি যুক্তি না বোঝেন তবে দ্বিধা করতে পারেন। AI সিদ্ধান্তের অস্বচ্ছতা মডেলের নির্ভুলতা নির্বিশেষে আস্থা এবং গ্রহণ হ্রাস করতে পারে। এই চ্যালেঞ্জ অর্থের জন্য ব্যাখ্যাযোগ্য AI-তে গবেষণাকে উৎসাহিত করছে, তবে এটি সত্য যে প্রায়শই মডেল জটিলতা/নির্ভুলতা এবং ব্যাখ্যাযোগ্যতার মধ্যে একটি বিনিময় বন্ধ থাকে।

• অভিযোজিত বাজার এবং প্রতিযোগিতা: এটা মনে রাখা গুরুত্বপূর্ণ যে আর্থিক বাজারগুলি অভিযোজিত । একবার একটি ভবিষ্যদ্বাণীমূলক প্যাটার্ন (একটি AI বা যেকোনো পদ্ধতি দ্বারা) আবিষ্কৃত হলে এবং অনেক ব্যবসায়ী ব্যবহার করলে, এটি কাজ করা বন্ধ করে দিতে পারে। উদাহরণস্বরূপ, যদি একটি AI মডেল দেখতে পায় যে একটি নির্দিষ্ট সংকেত প্রায়শই একটি স্টকের উত্থানের আগে আসে, তাহলে ব্যবসায়ীরা সেই সংকেতের উপর আগে থেকেই কাজ শুরু করবে, এইভাবে সুযোগটি নষ্ট করবে। মূলত, বাজারগুলি পরিচিত কৌশলগুলিকে বাতিল করার জন্য বিকশিত হতে পারে । আজ, অনেক ট্রেডিং সংস্থা এবং তহবিল AI এবং ML ব্যবহার করে। এই প্রতিযোগিতার অর্থ হল যে কোনও প্রান্ত প্রায়শই ছোট এবং স্বল্পস্থায়ী হয়। ফলস্বরূপ, পরিবর্তিত বাজারের গতিশীলতার সাথে তাল মিলিয়ে চলার জন্য AI মডেলগুলিকে ক্রমাগত পুনঃপ্রশিক্ষণ এবং আপডেট করার প্রয়োজন হতে পারে। অত্যন্ত তরল এবং পরিপক্ক বাজারে (যেমন মার্কিন লার্জ-ক্যাপ স্টক), অসংখ্য পরিশীলিত খেলোয়াড় একই সংকেতের সন্ধান করছে, যার ফলে প্রান্ত বজায় রাখা অত্যন্ত কঠিন হয়ে পড়েছে। বিপরীতে, কম দক্ষ বাজার বা বিশেষ সম্পদে, AI সাময়িক অদক্ষতা খুঁজে পেতে পারে - কিন্তু সেই বাজারগুলি আধুনিকীকরণের সাথে সাথে, ব্যবধানটি কমতে পারে। বাজারের এই গতিশীল প্রকৃতি একটি মৌলিক চ্যালেঞ্জ: "খেলার নিয়ম" স্থির নয়, তাই গত বছর কাজ করা একটি মডেলকে পরের বছর পুনরায় তৈরি করার প্রয়োজন হতে পারে।

• বাস্তব-বিশ্বের সীমাবদ্ধতা: এমনকি যদি একটি AI মডেল যথাযথভাবে মূল্য ভবিষ্যদ্বাণী করতে পারে, তবুও ভবিষ্যদ্বাণীকে লাভে রূপান্তর করা আরেকটি চ্যালেঞ্জ। ট্রেডিংয়ে লেনদেনের খরচ , যেমন কমিশন, স্লিপেজ এবং কর জড়িত। একটি মডেল অনেক ছোট দামের ওঠানামার সঠিক পূর্বাভাস দিতে পারে, তবে ফি এবং ট্রেডের বাজারের প্রভাবের মাধ্যমে লাভগুলি মুছে ফেলা যেতে পারে। ঝুঁকি ব্যবস্থাপনাও অত্যন্ত গুরুত্বপূর্ণ - কোনও ভবিষ্যদ্বাণী ১০০% নিশ্চিত নয়, তাই যেকোনো AI-চালিত কৌশলকে সম্ভাব্য ক্ষতির জন্য হিসাব করতে হবে (স্টপ-লস অর্ডার, পোর্টফোলিও বৈচিত্র্যকরণ ইত্যাদির মাধ্যমে)। প্রতিষ্ঠানগুলি প্রায়শই AI ভবিষ্যদ্বাণীগুলিকে একটি বৃহত্তর ঝুঁকি কাঠামোর মধ্যে একীভূত করে যাতে নিশ্চিত করা যায় যে AI এমন একটি ভবিষ্যদ্বাণীর উপর নির্ভর করে না যা ভুল হতে পারে। এই ব্যবহারিক বিবেচনার অর্থ হল বাস্তব-বিশ্বের ঘর্ষণগুলির পরে কার্যকর হওয়ার জন্য একটি AI এর তাত্ত্বিক প্রান্ত অবশ্যই যথেষ্ট হতে হবে।

সংক্ষেপে, AI-এর অসাধারণ ক্ষমতা রয়েছে, কিন্তু এই সীমাবদ্ধতাগুলি নিশ্চিত করে যে স্টক মার্কেট আংশিকভাবে অনুমানযোগ্য, আংশিকভাবে অপ্রত্যাশিত সিস্টেম হিসাবে রয়ে গেছে । AI মডেলগুলি আরও দক্ষতার সাথে ডেটা বিশ্লেষণ করে এবং সম্ভবত সূক্ষ্ম ভবিষ্যদ্বাণীমূলক সংকেতগুলি উন্মোচন করে বিনিয়োগকারীদের পক্ষে সম্ভাবনাকে ঝুঁকতে পারে। যাইহোক, দক্ষ মূল্য নির্ধারণ, কোলাহলপূর্ণ ডেটা, অপ্রত্যাশিত ঘটনা এবং ব্যবহারিক সীমাবদ্ধতার সংমিশ্রণের অর্থ হল সেরা AI কখনও কখনও ভুল হবে - প্রায়শই অপ্রত্যাশিতভাবে তাই।

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 :

• AI-এর সম্ভাবনার চেয়ে ভালো পারফর্ম করার উদাহরণ: বেশ কয়েকটি গবেষণায় দেখা গেছে যে AI মডেলগুলি নির্দিষ্ট পরিস্থিতিতে এলোমেলো অনুমানকে হারাতে পারে। উদাহরণস্বরূপ, 2024 সালের একটি গবেষণায় ভিয়েতনামী স্টক মার্কেটে স্টক প্রাইস ট্রেন্ড এবং উচ্চ ভবিষ্যদ্বাণী নির্ভুলতা রিপোর্ট করা হয়েছিল - পরীক্ষার তথ্যে প্রায় 93% ( স্টক মার্কেটে স্টক প্রাইস ট্রেন্ড ভবিষ্যদ্বাণী করার জন্য মেশিন লার্নিং অ্যালগরিদম প্রয়োগ করা - ভিয়েতনামের ক্ষেত্রে | মানবিক ও সামাজিক বিজ্ঞান যোগাযোগ )। এটি পরামর্শ দেয় যে সেই বাজারে (একটি উদীয়মান অর্থনীতিতে), মডেলটি সামঞ্জস্যপূর্ণ প্যাটার্নগুলি ক্যাপচার করতে সক্ষম হয়েছিল, সম্ভবত কারণ বাজারে অদক্ষতা বা শক্তিশালী প্রযুক্তিগত প্রবণতা ছিল যা LSTM শিখেছিল। 2024 সালে আরেকটি গবেষণায় একটি বিস্তৃত পরিসর নেওয়া হয়েছিল: গবেষকরা সমস্ত S&P 500 স্টকের (অনেক বেশি দক্ষ বাজার) স্বল্পমেয়াদী রিটার্ন ভবিষ্যদ্বাণী করার চেষ্টা করেছিলেন। তারা এটিকে একটি শ্রেণিবিন্যাস সমস্যা হিসাবে তৈরি করেছিলেন - র্যান্ডম ফরেস্টস, SVM এবং LSTM এর মতো অ্যালগরিদম ব্যবহার করে - ভবিষ্যদ্বাণী করা যে কোনও স্টক পরবর্তী 10 দিনের মধ্যে সূচককে 2% ছাড়িয়ে যাবে কিনা। ফলাফল: LSTM মডেলটি অন্যান্য ML মডেল এবং একটি র‍্যান্ডম বেসলাইন উভয়কেই ছাড়িয়ে গেছে , পরিসংখ্যানগতভাবে যথেষ্ট তাৎপর্যপূর্ণ ফলাফলের ফলে বোঝা যায় যে এটি কেবল ভাগ্য ছিল না ( মেশিন লার্নিং ব্যবহার করে S&P 500 স্টকের জন্য আপেক্ষিক রিটার্নের পূর্বাভাস | আর্থিক উদ্ভাবন | সম্পূর্ণ পাঠ্য র‍্যান্ডম ওয়াক হাইপোথিসিসের সম্ভাবনা "নগণ্যভাবে ছোট" ছিল, যা ইঙ্গিত করে যে তাদের ML মডেলগুলি প্রকৃত ভবিষ্যদ্বাণীমূলক সংকেত খুঁজে পেয়েছে। এই উদাহরণগুলি দেখায় যে AI প্রকৃতপক্ষে এমন প্যাটার্নগুলি সনাক্ত করতে পারে যা স্টক মুভের পূর্বাভাস দেওয়ার ক্ষেত্রে একটি প্রান্ত (এমনকি সামান্য হলেও) দেয়, বিশেষ করে যখন বৃহৎ ডেটা সেটে পরীক্ষা করা হয়।

• শিল্পে উল্লেখযোগ্য ব্যবহারের ঘটনা: একাডেমিক গবেষণার বাইরে, হেজ ফান্ড এবং আর্থিক প্রতিষ্ঠানগুলি তাদের ট্রেডিং কার্যক্রমে সফলভাবে AI ব্যবহার করে বলে রিপোর্ট রয়েছে। কিছু উচ্চ-ফ্রিকোয়েন্সি ট্রেডিং ফার্ম সেকেন্ডের ভগ্নাংশে বাজারের মাইক্রো-স্ট্রাকচার প্যাটার্ন সনাক্ত করতে এবং প্রতিক্রিয়া জানাতে AI ব্যবহার করে। বড় ব্যাংকগুলির পোর্টফোলিও বরাদ্দ এবং ঝুঁকি পূর্বাভাসের , যা সর্বদা একটি একক স্টকের দামের পূর্বাভাস দেওয়ার বিষয়ে নয়, বাজারের পূর্বাভাস দিকগুলি (যেমন অস্থিরতা বা পারস্পরিক সম্পর্ক) জড়িত। AI-চালিত তহবিল (প্রায়শই "কোয়ান্ট ফান্ড" বলা হয়)ও রয়েছে যারা ট্রেডিং সিদ্ধান্ত নেওয়ার জন্য মেশিন লার্নিং ব্যবহার করে - কিছু নির্দিষ্ট সময়ের জন্য বাজারকে ছাড়িয়ে গেছে, যদিও এটি কেবল AI-কে দায়ী করা কঠিন কারণ তারা প্রায়শই মানব এবং মেশিন বুদ্ধিমত্তার সংমিশ্রণ ব্যবহার করে। একটি সুনির্দিষ্ট প্রয়োগ হল অনুভূতি বিশ্লেষণ AI ব্যবহার করা: উদাহরণস্বরূপ, প্রতিক্রিয়ায় স্টকের দাম কীভাবে চলবে তা ভবিষ্যদ্বাণী করার জন্য সংবাদ এবং টুইটার স্ক্যান করা। এই ধরনের মডেলগুলি 100% সঠিক নাও হতে পারে, তবে তারা ব্যবসায়ীদের সংবাদে মূল্য নির্ধারণে সামান্য অগ্রগতি দিতে পারে। এটা লক্ষণীয় যে, কোম্পানিগুলি সাধারণত সফল AI কৌশলগুলির বিবরণ বৌদ্ধিক সম্পত্তি হিসাবে নিবিড়ভাবে রক্ষা করে, তাই পাবলিক ডোমেইনে প্রমাণ পিছিয়ে থাকে বা কাল্পনিক হয়ে থাকে।

• নিম্নমানের পারফর্মেন্স এবং ব্যর্থতার ঘটনা: প্রতিটি সাফল্যের গল্পের জন্যই সতর্কতামূলক গল্প রয়েছে। একটি বাজার বা সময়সীমার মধ্যে উচ্চ নির্ভুলতা দাবি করা অনেক একাডেমিক গবেষণা সাধারণীকরণ করতে ব্যর্থ হয়েছে। একটি উল্লেখযোগ্য পরীক্ষা মার্কিন স্টকগুলিতে একটি সফল ভারতীয় স্টক বাজার ভবিষ্যদ্বাণী অধ্যয়নের (যার প্রযুক্তিগত সূচকগুলিতে ML ব্যবহার করে উচ্চ নির্ভুলতা ছিল) প্রতিলিপি করার চেষ্টা করেছিল। প্রতিলিপিটিতে কোনও উল্লেখযোগ্য ভবিষ্যদ্বাণীমূলক শক্তি - প্রকৃতপক্ষে, সর্বদা ভবিষ্যদ্বাণী করার একটি সরল কৌশল পরের দিন জটিল ML মডেলগুলিকে নির্ভুলতার দিক থেকে ছাড়িয়ে গেছে। লেখকরা এই সিদ্ধান্তে পৌঁছেছেন যে তাদের ফলাফল "র্যান্ডম ওয়াক তত্ত্বকে সমর্থন করে" , যার অর্থ স্টক গতিবিধি মূলত অপ্রত্যাশিত ছিল এবং ML মডেলগুলি কোনও সাহায্য করেনি। এটি জোর দিয়ে বলে যে ফলাফল বাজার এবং সময়কাল অনুসারে নাটকীয়ভাবে পরিবর্তিত হতে পারে। একইভাবে, অসংখ্য Kaggle প্রতিযোগিতা এবং কোয়ান্ট রিসার্চ প্রতিযোগিতা দেখিয়েছে যে মডেলগুলি প্রায়শই অতীতের ডেটার সাথে ভালভাবে ফিট করতে পারে, তবে লাইভ ট্রেডিংয়ে তাদের কর্মক্ষমতা প্রায়শই 50% নির্ভুলতার (দিকনির্দেশনা পূর্বাভাসের জন্য) দিকে ফিরে যায় যখন নতুন অবস্থার মুখোমুখি হয়। ২০০৭ সালের কোয়ান্ট ফান্ডের পতন এবং ২০২০ সালের মহামারীর ধাক্কায় এআই-চালিত তহবিলগুলির মুখোমুখি হওয়া সমস্যার মতো উদাহরণগুলি দেখায় যে বাজার ব্যবস্থার পরিবর্তনের সময় এআই মডেলগুলি হঠাৎ করেই ভেঙে পড়তে পারে। বেঁচে থাকার পক্ষপাতও ধারণার একটি কারণ - আমরা ব্যর্থতার চেয়ে এআই সাফল্যের কথা বেশি শুনি, কিন্তু পর্দার আড়ালে, অনেক মডেল এবং তহবিল নীরবে ব্যর্থ হয় এবং বন্ধ হয়ে যায় কারণ তাদের কৌশলগুলি কাজ করা বন্ধ করে দেয়।

• বাজার জুড়ে পার্থক্য: গবেষণা থেকে একটি আকর্ষণীয় পর্যবেক্ষণ হল যে AI এর কার্যকারিতা বাজারের পরিপক্কতা এবং দক্ষতার । তুলনামূলকভাবে কম দক্ষ বা উদীয়মান বাজারে, আরও শোষণযোগ্য ধরণ থাকতে পারে (কম বিশ্লেষক কভারেজ, তরলতার সীমাবদ্ধতা, বা আচরণগত পক্ষপাতের কারণে), যা AI মডেলগুলিকে উচ্চ নির্ভুলতা অর্জন করতে দেয়। 93% নির্ভুলতার সাথে ভিয়েতনাম বাজার LSTM গবেষণা এর একটি উদাহরণ হতে পারে। বিপরীতে, মার্কিন যুক্তরাষ্ট্রের মতো অত্যন্ত দক্ষ বাজারে, সেই ধরণগুলি দ্রুত সালিশ করা যেতে পারে। ভিয়েতনাম মামলা এবং মার্কিন প্রতিলিপি গবেষণার মধ্যে মিশ্র ফলাফল এই অসঙ্গতির ইঙ্গিত দেয়। বিশ্বব্যাপী, এর অর্থ হল AI বর্তমানে নির্দিষ্ট বিশেষ বাজার বা সম্পদ শ্রেণীতে আরও ভাল ভবিষ্যদ্বাণীমূলক কর্মক্ষমতা প্রদান করতে পারে (উদাহরণস্বরূপ, কেউ কেউ পণ্যের দাম বা ক্রিপ্টোকারেন্সি প্রবণতা ভবিষ্যদ্বাণী করার জন্য AI ব্যবহার করেছেন বিভিন্ন সাফল্যের সাথে)। সময়ের সাথে সাথে, সমস্ত বাজার বৃহত্তর দক্ষতার দিকে এগিয়ে যাওয়ার সাথে সাথে, সহজ ভবিষ্যদ্বাণীমূলক জয়ের জানালা সংকুচিত হয়ে আসে।

• নির্ভুলতা বনাম লাভজনকতা: বিনিয়োগের লাভজনকতা থেকে ভবিষ্যদ্বাণীর নির্ভুলতা আলাদা করাও গুরুত্বপূর্ণ । একটি মডেল স্টকের দৈনিক উত্থান-পতনের ভবিষ্যদ্বাণী করার ক্ষেত্রে কেবল 60% নির্ভুল হতে পারে - যা খুব বেশি শোনাচ্ছে না - তবে যদি সেই ভবিষ্যদ্বাণীগুলি একটি স্মার্ট ট্রেডিং কৌশলে ব্যবহার করা হয়, তবে সেগুলি বেশ লাভজনক হতে পারে। বিপরীতে, একটি মডেল 90% নির্ভুলতা নিয়ে গর্ব করতে পারে কিন্তু যদি 10% বার ভুল হয় তবে তা বিশাল বাজারের গতিবিধির (এবং এর ফলে বড় ক্ষতি) সাথে মিলে যায়, তবে এটি অলাভজনক হতে পারে। অনেক AI স্টক ভবিষ্যদ্বাণী প্রচেষ্টা দিকনির্দেশনামূলক নির্ভুলতা বা ত্রুটি হ্রাসের উপর ফোকাস করে, তবে বিনিয়োগকারীরা ঝুঁকি-সামঞ্জস্যপূর্ণ রিটার্নের বিষয়ে যত্নশীল। সুতরাং, মূল্যায়নে প্রায়শই শার্প অনুপাত, ড্রডাউন এবং পারফরম্যান্সের ধারাবাহিকতার মতো মেট্রিক্স অন্তর্ভুক্ত থাকে, কেবল কাঁচা হিট রেট নয়। কিছু AI মডেল অ্যালগরিদমিক ট্রেডিং সিস্টেমে একীভূত করা হয়েছে যা অবস্থান এবং ঝুঁকি স্বয়ংক্রিয়ভাবে পরিচালনা করে - তাদের আসল কর্মক্ষমতা স্বতন্ত্র পূর্বাভাসের পরিসংখ্যানের পরিবর্তে লাইভ ট্রেডিং রিটার্নে পরিমাপ করা হয়। এখন পর্যন্ত, একটি সম্পূর্ণ স্বায়ত্তশাসিত "এআই ট্রেডার" যা বছরের পর বছর নির্ভরযোগ্যভাবে অর্থ উপার্জন করে, বাস্তবতার চেয়ে বেশি বিজ্ঞান কল্পকাহিনী, তবে সংকীর্ণ প্রয়োগগুলি (যেমন একটি এআই মডেল যা স্বল্পমেয়াদী বাজারের অস্থিরতার যা ব্যবসায়ীরা বিকল্পগুলির মূল্য নির্ধারণে ব্যবহার করতে পারে ইত্যাদি) আর্থিক টুলকিটে একটি স্থান পেয়েছে।

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

নিঃসন্দেহে অর্থায়নে কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিং শক্তিশালী হাতিয়ার হয়ে উঠেছে। বিশাল ডেটাসেট প্রক্রিয়াকরণ, লুকানো পারস্পরিক সম্পর্ক উন্মোচন এবং এমনকি কৌশলগুলি তাৎক্ষণিকভাবে অভিযোজিত করার ক্ষেত্রেও তারা পারদর্শী। শেয়ার বাজারের ভবিষ্যদ্বাণী করার চেষ্টায়, কৃত্রিম বুদ্ধিমত্তা বাস্তবসম্মত কিন্তু সীমিত সাফল্য অর্জন করেছে। বিনিয়োগকারী এবং প্রতিষ্ঠানগুলি বাস্তবসম্মতভাবে আশা করতে পারে যে কৃত্রিম বুদ্ধিমত্তা সিদ্ধান্ত গ্রহণে সহায়তা করবে - উদাহরণস্বরূপ, ভবিষ্যদ্বাণীমূলক সংকেত তৈরি করে, পোর্টফোলিও অপ্টিমাইজ করে, অথবা ঝুঁকি পরিচালনা করে - কিন্তু লাভের নিশ্চয়তা দেয় এমন স্ফটিক বল হিসেবে কাজ করবে না।

এআই কী
পারে : এআই বিনিয়োগের বিশ্লেষণাত্মক প্রক্রিয়া উন্নত করতে পারে। এটি কয়েক সেকেন্ডের মধ্যে বছরের পর বছর ধরে বাজারের তথ্য, নিউজ ফিড এবং আর্থিক প্রতিবেদনগুলি পরীক্ষা করে দেখতে পারে, সূক্ষ্ম প্যাটার্ন বা অসঙ্গতিগুলি সনাক্ত করতে পারে যা একজন মানুষ উপেক্ষা করতে পারে ( শেয়ার বাজারের পূর্বাভাসের জন্য মেশিন লার্নিং ব্যবহার করে... | FMP )। এটি শত শত ভেরিয়েবল (প্রযুক্তিগত, মৌলিক, অনুভূতি, ইত্যাদি) একত্রিত করে একটি সমন্বিত পূর্বাভাসে পরিণত করতে পারে। স্বল্পমেয়াদী ট্রেডিংয়ে, এআই অ্যালগরিদমগুলি এলোমেলো নির্ভুলতার চেয়ে কিছুটা ভালো ভবিষ্যদ্বাণী করতে পারে যে একটি স্টক অন্যটিকে ছাড়িয়ে যাবে, অথবা একটি বাজার অস্থিরতার উত্থান অনুভব করতে চলেছে। এই ক্রমবর্ধমান প্রান্তগুলি, সঠিকভাবে কাজে লাগানো হলে, প্রকৃত আর্থিক লাভে রূপান্তরিত হতে পারে। এআই ঝুঁকি ব্যবস্থাপনায়ও - মন্দার প্রাথমিক সতর্কতা সনাক্ত করা বা বিনিয়োগকারীদের ভবিষ্যদ্বাণীর আত্মবিশ্বাসের স্তর সম্পর্কে অবহিত করা। এআই-এর আরেকটি ব্যবহারিক ভূমিকা হল কৌশলগত অটোমেশন : অ্যালগরিদমগুলি উচ্চ গতি এবং ফ্রিকোয়েন্সিতে ট্রেড সম্পাদন করতে পারে, 24/7 ইভেন্টগুলিতে প্রতিক্রিয়া জানাতে পারে এবং শৃঙ্খলা (কোনও আবেগগত ট্রেডিং নয়) প্রয়োগ করতে পারে, যা অস্থির বাজারে সুবিধাজনক হতে পারে।

AI কী
করতে পারে না (এখনও): কিছু মিডিয়াতে প্রচারণা সত্ত্বেও, AI ধারাবাহিকভাবে এবং নির্ভরযোগ্যভাবে স্টক মার্কেটের ভবিষ্যদ্বাণী , যা সর্বদা বাজারকে হারাতে পারে বা বড় পরিবর্তনের পূর্বাভাস দেয়। বাজারগুলি মানুষের আচরণ, এলোমেলো ঘটনা এবং জটিল প্রতিক্রিয়া লুপ দ্বারা প্রভাবিত হয় যা কোনও স্থির মডেলকে অস্বীকার করে। AI অনিশ্চয়তা দূর করে না; এটি কেবল সম্ভাবনা নিয়ে কাজ করে। একটি AI আগামীকাল একটি স্টক বৃদ্ধির 70% সম্ভাবনা নির্দেশ করতে পারে - যার অর্থ এটি 30% সম্ভাবনাও নয়। লেনদেন হারানো এবং খারাপ কল অনিবার্য। AI সত্যিকার অর্থে অভিনব ঘটনাগুলি (প্রায়শই "কালো রাজহাঁস" নামে পরিচিত) পূর্বাভাস দিতে পারে না যা তার প্রশিক্ষণ তথ্যের বাইরে। তদুপরি, যে কোনও সফল ভবিষ্যদ্বাণীমূলক মডেল প্রতিযোগিতাকে আমন্ত্রণ জানায় যা তার সুবিধা নষ্ট করতে পারে। মূলত, স্ফটিক বলের সমতুল্য কোনও AI নেই যা বাজারের ভবিষ্যতের দূরদর্শিতার নিশ্চয়তা দেয়। বিনিয়োগকারীদের অন্যথা দাবি করার বিষয়ে সতর্ক থাকা উচিত।

নিরপেক্ষ, বাস্তববাদী দৃষ্টিকোণ:
নিরপেক্ষ দৃষ্টিকোণ থেকে, AI কে ঐতিহ্যবাহী বিশ্লেষণ এবং মানবিক অন্তর্দৃষ্টির প্রতিস্থাপন নয়, বরং এর উন্নতি হিসেবে দেখা হয়। বাস্তবে, অনেক প্রাতিষ্ঠানিক বিনিয়োগকারী মানব বিশ্লেষক এবং পোর্টফোলিও পরিচালকদের কাছ থেকে ইনপুট সহ AI মডেল ব্যবহার করেন। AI সংখ্যা সংকুচিত করতে পারে এবং ভবিষ্যদ্বাণী আউটপুট করতে পারে, কিন্তু মানুষ উদ্দেশ্য নির্ধারণ করে, ফলাফল ব্যাখ্যা করে এবং প্রেক্ষাপটের জন্য কৌশলগুলি সামঞ্জস্য করে (যেমন, একটি অপ্রত্যাশিত সংকটের সময় একটি মডেলকে অগ্রাহ্য করে)। AI-চালিত সরঞ্জাম বা ট্রেডিং বট ব্যবহারকারী খুচরা বিনিয়োগকারীদের সতর্ক থাকা উচিত এবং সরঞ্জামের যুক্তি এবং সীমা বুঝতে হবে। অন্ধভাবে একটি AI সুপারিশ অনুসরণ করা ঝুঁকিপূর্ণ - এটিকে অনেকের মধ্যে একটি ইনপুট হিসাবে ব্যবহার করা উচিত।

বাস্তবসম্মত প্রত্যাশা নির্ধারণের ক্ষেত্রে, কেউ এই সিদ্ধান্তে আসতে পারেন: AI কিছুটা হলেও স্টক মার্কেটের ভবিষ্যদ্বাণী করতে পারে, কিন্তু নিশ্চিতভাবে নয় এবং ত্রুটি ছাড়াই নয় । এটি সঠিক সিদ্ধান্ত নেওয়ার সম্ভাবনা বাড়াতে দক্ষতা , যা প্রতিযোগিতামূলক বাজারে লাভ এবং ক্ষতির মধ্যে পার্থক্য হতে পারে। তবে, এটি গ্যারান্টি দিতে পারে না মডেল করা তথ্যের বাইরের কারণগুলির কারণে স্টক মার্কেটের ফলাফল "সহজাতভাবে অপ্রত্যাশিত" ডিপ রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে স্টক মার্কেট প্রেডিকশন )।

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, "AI কি স্টক মার্কেট ভবিষ্যদ্বাণী করতে পারে?" সহজ হ্যাঁ বা না উত্তর নেই। সবচেয়ে সঠিক উত্তর হল: AI স্টক মার্কেট ভবিষ্যদ্বাণী করতে সাহায্য করতে পারে, কিন্তু এটি অকাট্য নয়। এটি এমন শক্তিশালী সরঞ্জাম সরবরাহ করে যা বুদ্ধিমানের সাথে ব্যবহার করলে পূর্বাভাস এবং ট্রেডিং কৌশলগুলিকে উন্নত করতে পারে, তবে এটি বাজারের মৌলিক অনির্দেশ্যতা দূর করে না। বিনিয়োগকারীদের AI এর শক্তির জন্য - ডেটা প্রক্রিয়াকরণ এবং প্যাটার্ন স্বীকৃতি - গ্রহণ করা উচিত, একই সাথে এর দুর্বলতাগুলি সম্পর্কে সচেতন থাকা উচিত। এটি করার মাধ্যমে, কেউ উভয় জগতের সেরাটি ব্যবহার করতে পারে: মানব বিচার এবং মেশিন বুদ্ধিমত্তা একসাথে কাজ করা। স্টক মার্কেট কখনই 100% পূর্বাভাসযোগ্য হতে পারে না, তবে বাস্তবসম্মত প্রত্যাশা এবং AI এর বিচক্ষণ ব্যবহারের মাধ্যমে, বাজারের অংশগ্রহণকারীরা একটি ক্রমবর্ধমান আর্থিক দৃশ্যপটে আরও ভাল-জ্ঞাত, আরও সুশৃঙ্খল বিনিয়োগ সিদ্ধান্তের জন্য প্রচেষ্টা করতে পারে।

এর পরে আপনি যে শ্বেতপত্রগুলি পড়তে পছন্দ করতে পারেন:

🔗 যেসব চাকরি AI প্রতিস্থাপন করতে পারবে না – এবং কোন চাকরি AI প্রতিস্থাপন করবে?
AI বিশ্বব্যাপী কর্মসংস্থানকে নতুন রূপ দেওয়ার সাথে সাথে কোন ক্যারিয়ারগুলি ভবিষ্যতের জন্য উপযুক্ত এবং কোনগুলি সবচেয়ে ঝুঁকিপূর্ণ তা আবিষ্কার করুন।

🔗 মানুষের হস্তক্ষেপ ছাড়া জেনারেটিভ এআই কীসের উপর নির্ভর করতে পারে?
ব্যবহারিক পরিস্থিতিতে জেনারেটিভ এআই-এর বর্তমান সীমানা এবং স্বায়ত্তশাসিত ক্ষমতাগুলি বুঝুন।

🔗 সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে?
ভবিষ্যদ্বাণীমূলক এবং স্বায়ত্তশাসিত সরঞ্জামগুলির সাহায্যে এআই কীভাবে হুমকির বিরুদ্ধে প্রতিরক্ষা করছে এবং সাইবার স্থিতিস্থাপকতা বৃদ্ধি করছে তা জানুন।