কৃত্রিম বুদ্ধিমত্তা গবেষণা ল্যাব থেকে পেশাদার বিশ্লেষকদের দৈনন্দিন কাজের প্রবাহে, পরিমাণগত তহবিলগুলিতে এবং ক্রমবর্ধমানভাবে ব্যক্তিগত বিনিয়োগকারীদের জন্য উপলব্ধ সরঞ্জামগুলিতে স্থানান্তরিত হয়েছে। এই পরিবর্তনটি বিজ্ঞান কল্পকাহিনী নয়; এটি আর্থিক বাজারের তথ্য প্রক্রিয়া, শ্রেণীবদ্ধ এবং কার্যকর তথ্য তৈরি করার একটি বাস্তব পরিবর্তন। AI সরঞ্জাগুলি কী করতে পারে এবং কী করতে পারে না তা বোঝা মৌলিক আর্থিক সাক্ষরতার অংশ হয়ে উঠছে।
অর্থনীতিতে পরিমাণগত পদ্ধতির সংক্ষিপ্ত ইতিহাস
অর্থনীতিতে পরিমাণগত পদ্ধতিগুলি আধুনিক কৃত্রিম বুদ্ধিমত্তার আগে থেকেই বিদ্যমান। হ্যারি মার্কোভিটজের ১৯৫২ সালের পোর্টফোলিও সিলেকশন পত্রে গড়-ভিন্নতা অপ্টিমাইজেশন উপস্থাপন করা হয়। ব্ল্যাক-স্কোলস অপশন মূল্যায়ন মডেল, যা ১৯৭৩ সালে প্রকাশিত হয়, ডেরিভেটিভস মূল্যায়নে পার্থক্য সমীকরণ প্রয়োগ করে। ১৯৮০ এর দশকে, পরিসংখ্যানগত আর্বিট্রেজ কৌশলগুলি, যা রেনেসাঁ প্রযুক্তির মতো প্রতিষ্ঠানগুলির দ্বারা জনপ্রিয় হয়েছিল, সম্পূর্ণ পদ্ধতিগত পদ্ধতির মাধ্যমে বাজার-বিটিং রিটার্ন তৈরি করছিল। আধুনিক AI এই গতিবিধির একটি ধারাবাহিকতা, নিউরাল নেটওয়ার্ক এবং অন্যান্য মেশিন লার্নিং কৌশলগুলি আগের পরিসংখ্যানগত পদ্ধতির তুলনায় অনেক বড় ডেটাসেটগুলিতে প্রয়োগ করছে।
প্রযুক্তিগত প্যাটার্ন শনাক্তকরণে AI
মেশিন লার্নিং মডেল, বিশেষ করে কনভোলিউশনাল নিউরাল নেটওয়ার্কগুলি যা মূলত চিত্র শনাক্তকরণের জন্য তৈরি করা হয়েছিল, চার্ট প্যাটার্ন যেমন হেড-অ্যান্ড-শোল্ডার ফর্মেশন, ডাবল টপস, ত্রিভুজ, ফ্ল্যাগ এবং সমর্থন ও প্রতিরোধের অঞ্চল চিহ্নিত করতে প্রশিক্ষিত হতে পারে। যেখানে একজন মানব বিশ্লেষক প্রতি ঘণ্টায় দশ বা কুড়ি চার্ট পরীক্ষা করতে পারে, একটি প্রশিক্ষিত মডেল প্রতি মিনিটে দশ হাজারেরও বেশি চার্ট প্রক্রিয়া করতে পারে এবং শনাক্ত করা প্যাটার্নগুলির জন্য সম্ভাবনা স্কোর বরাদ্দ করতে পারে। আউটপুটটি গ্যারান্টি নয় — এটি একটি পরিমাণগত সম্ভাবনা যে ঐতিহাসিক অনুরূপ ঘটনাগুলি নির্দিষ্ট ফলাফলে পৌঁছেছে নির্ধারিত সময়ের মধ্যে।
অগঠিত ডেটায় অনুভূতি বিশ্লেষণ
ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং কৌশলগুলি অগঠিত টেক্সটের বিশাল পরিমাণ স্ক্যান করে — প্রেস রিলিজ, আয় কলের ট্রান্সক্রিপ্ট, নিয়ন্ত্রক দাখিল, সংবাদ সংস্থা এবং সোশ্যাল মিডিয়া পোস্ট — অনুভূতি এবং বিষয় সংকেত বের করতে। আধুনিক ট্রান্সফর্মার-ভিত্তিক মডেলগুলি স্বীকৃতি দেয় যে একটি উদ্ধৃত বাক্যাংশ যেমন একটি CEO একটি ত্রৈমাসিক কলের সময় চাহিদাকে শক্তিশালী হিসাবে বর্ণনা করা, বিকল্প শব্দগুলির তুলনায় পরবর্তী স্টক কর্মক্ষমতার সাথে ভিন্ন ঐতিহাসিক সম্পর্ক রয়েছে। এই ধরনের ইনপুটকে প্রায়শই বিকল্প ডেটা বলা হয় এবং এটি ২০১০ এর শেষের দিকে পরিমাণগত তহবিলগুলির দ্বারা ব্যবহৃত হয়েছে।
পূর্বাভাস বিশ্লেষণ এবং পূর্বাভাস
AI মডেলগুলি ঐতিহাসিক মূল্য ডেটা, ভলিউম প্যাটার্ন, ম্যাক্রোইকোনমিক সূচক এবং ক্রস-অ্যাসেট সম্পর্কের উপর প্রশিক্ষিত হতে পারে সম্ভাবনা-ভিত্তিক পূর্বাভাস তৈরি করতে। সঠিকভাবে নির্মিত মডেলগুলি একটি একক পয়েন্ট পূর্বাভাসের পরিবর্তে সম্ভাব্য ফলাফলের একটি বিতরণ আউটপুট করে। উদাহরণস্বরূপ, একটি মডেল আউটপুট করতে পারে যে আগামী ত্রিশ ট্রেডিং দিনে একটি সম্পদের ৩৫ শতাংশ সম্ভাবনা রয়েছে ৫ শতাংশের বেশি উচ্চতায় শেষ হওয়ার, ৪০ শতাংশ সম্ভাবনা বর্তমান মূল্যের ৫ শতাংশের পরিসরে শেষ হওয়ার এবং ২৫ শতাংশ সম্ভাবনা ৫ শতাংশের বেশি নিচে শেষ হওয়ার। এই সম্ভাবনা বিতরণগুলি ঐতিহাসিক সঠিকতার বিরুদ্ধে ক্যালিব্রেট করা হয়।
ঝুঁকি মূল্যায়ন এবং স্ট্রেস টেস্টিং
AI জটিল ঝুঁকি মেট্রিকগুলি পোর্টফোলিও জুড়ে গণনা করতে বিশেষভাবে দক্ষ। ঐতিহাসিক সিমুলেশন ইঞ্জিনগুলি ১৯৮৭ সালের ব্ল্যাক সোমবারের ক্র্যাশ, ২০০০ সালের ডটকম পতন, ২০০৮ সালের বৈশ্বিক আর্থিক সংকট এবং মার্চ ২০২০ সালের মহামারী পতনের মতো ঘটনাগুলি পুনরায় চালনা করতে পারে বর্তমান পোর্টফোলিওর বিরুদ্ধে অনুরূপ পরিস্থিতিতে সর্বাধিক ড্রডাউন অনুমান করতে। মিলিয়ন মিলিয়ন এলোমেলো রিটার্ন পাথ ব্যবহার করে মন্টে কার্লো সিমুলেশনগুলি এমন পরিস্থিতির বিরুদ্ধে বরাদ্দগুলি স্ট্রেস টেস্ট করতে পারে যা ঐতিহাসিকভাবে কখনও ঘটেনি। এই সরঞ্জামগুলি বহু বছর ধরে বড় প্রতিষ্ঠানগুলির ঝুঁকি ডেস্কগুলিতে মানক হয়েছে এবং ক্রমবর্ধমানভাবে খুচরা বিনিয়োগ সফটওয়্যারে উপলব্ধ হচ্ছে।
AI সরঞ্জাম ব্যবহারের সময় সাধারণ ভুল
- মডেল আউটপুটগুলিকে সম্ভাবনার পরিবর্তে নিশ্চয়তা হিসাবে বিবেচনা করা
- একটি মডেল প্রশিক্ষণের সময়কাল উপেক্ষা করা, যা ফলাফলগুলিকে সেই বাজার শাসনের দিকে পক্ষপাতী করে
- একক মডেলকে বিচ্ছিন্নভাবে ব্যবহার করা, একাধিক পদ্ধতির সমন্বয় করার পরিবর্তে
- বাজারের পরিস্থিতি পরিবর্তিত হলে মডেলগুলি পুনঃপ্রশিক্ষণ করতে ব্যর্থ হওয়া
- বৈশিষ্ট্য গুরুত্বপূর্ণ প্রতিবেদনে সম্পর্ককে কারণের সাথে বিভ্রান্ত করা
- মৌলিক যুক্তি বোঝার ছাড়া অস্বচ্ছ আউটপুটে বিশ্বাস করা
- একটি মডেলের প্রতি অতিরিক্ত প্রতিক্রিয়া জানানো যা একটি সংক্ষিপ্ত ব্যাকটেস্ট উইন্ডোর মধ্যে ভাল পারফর্ম করেছে
অস্বাভাবিকতা শনাক্তকরণ এবং সতর্কতা
একটি বিশেষভাবে ব্যবহারিক AI অ্যাপ্লিকেশন হল অস্বাভাবিকতা শনাক্তকরণ — যখন বর্তমান বাজারের আচরণ প্রতিষ্ঠিত প্যাটার্ন থেকে পরিসংখ্যানগতভাবে বিচ্যুত হয় তা চিহ্নিত করা। এই ধরনের সিস্টেমগুলি একটি নির্দিষ্ট স্টকের উপর অস্বাভাবিক ভলিউম, ঐতিহাসিক গড়ের তুলনায় অস্বাভাবিক অপশন প্রবাহ, সম্পর্কিত সম্পদের মধ্যে বিচ্যুতি যা তাদের সাধারণ সম্পর্ক থেকে ভেঙে পড়েছে, বা একাধিক সূত্রের মধ্যে হঠাৎ পরিবর্তিত সংবাদ অনুভূতি চিহ্নিত করতে পারে। এই সতর্কতাগুলি ট্রেড সিগন্যাল তৈরি করে না; তারা মানব মনোযোগকে এমন পরিস্থিতিতে নির্দেশ করে যা পর্যালোচনার যোগ্য হতে পারে। হেজ ফান্ড এবং বড় সম্পদ ব্যবস্থাপকরা অন্তত দুই দশক ধরে অস্বাভাবিকতা শনাক্তকরণ সিস্টেম ব্যবহার করে আসছে, এবং অনুরূপ সক্ষমতাগুলি এখন অনেক খুচরা-ভিত্তিক বিশ্লেষণ প্ল্যাটফর্মে অন্তর্ভুক্ত রয়েছে। অস্বাভাবিকতা শনাক্তকরণের শক্তি স্কেলে: একটি সিস্টেম হাজার হাজার যন্ত্র এবং দশটি মেট্রিককে একসাথে পর্যবেক্ষণ করতে পারে, শুধুমাত্র তখনই পতাকা উত্থাপন করে যখন একটি সংজ্ঞায়িত পরিসংখ্যানগত থ্রেশহোল্ড অতিক্রম করা হয়।
ব্যাকটেস্টিং এবং আউট-অফ-স্যাম্পল সমস্যা
যেকোনো AI-চালিত কৌশল মূল্যায়নের একটি কেন্দ্রীয় ধারণা হল ইন-স্যাম্পল কর্মক্ষমতা (মডেল প্রশিক্ষণের জন্য ব্যবহৃত ডেটাতে) এবং আউট-অফ-স্যাম্পল কর্মক্ষমতা (ডেটাতে যা মডেল কখনও দেখেনি) এর মধ্যে পার্থক্য। একটি কৌশল যা প্রশিক্ষণ সময়কালে চমৎকার রিটার্ন উৎপন্ন করেছিল, পরবর্তী বছরের লাইভ ডেটাতে সম্পূর্ণরূপে ব্যর্থ হতে পারে, কারণ এটি সত্যিকারের প্যাটার্নের পরিবর্তে শব্দ শিখেছিল। কঠোর মূল্যায়ন পদ্ধতি ঐতিহাসিক ডেটাকে প্রশিক্ষণ, বৈধতা, এবং পরীক্ষার সেটে বিভক্ত করে, পরীক্ষার সেটটি সম্পূর্ণরূপে শেষ মূল্যায়নের জন্য পিছিয়ে রাখা হয়। ওয়াক-ফরওয়ার্ড বিশ্লেষণ, যেখানে একটি মডেল সময়ে সময়ে পুনঃপ্রশিক্ষিত হয় এবং অবিলম্বে পরবর্তী সময়ে পরীক্ষিত হয়, লাইভ কর্মক্ষমতার একটি আরও বাস্তবসম্মত অনুমান প্রদান করে একটি একক স্থির ব্যাকটেস্টের তুলনায়। বিনিয়োগকারীদের যেকোনো সিস্টেমের প্রতি সন্দেহজনক হওয়া উচিত যা শুধুমাত্র ব্যাকটেস্ট রিটার্নের সাথে বাজারজাত করা হয় — আউট-অফ-স্যাম্পল বৈধতা ছাড়া, সেই রিটার্নগুলি সম্পূর্ণরূপে অগ্রহণযোগ্য হতে পারে।
বাস্তব-জগতের উদাহরণ
একজন পোর্টফোলিও ম্যানেজারকে বিবেচনা করুন যিনি একটি AI-চালিত অনুভূতি মডেল ব্যবহার করেন ৫০টি বড় ক্যাপ কোম্পানির একটি ওয়াচলিস্টের ত্রৈমাসিক আয় কলগুলিকে স্কোর করার জন্য। মডেলটি প্রতিটি কলকে নেতিবাচক ১০০ থেকে ইতিবাচক ১০০ পর্যন্ত একটি অনুভূতি স্কোর বরাদ্দ করে ভাষার প্যাটার্নের ভিত্তিতে যা ঐতিহাসিকভাবে পরবর্তী মূল্য আন্দোলনের সাথে সম্পর্কিত। ম্যানেজার এই স্কোরগুলিকে ঐতিহ্যবাহী মৌলিক অনুপাত যেমন মূল্য-থেকে-আয়, ঋণ-থেকে-ইকুইটি এবং রাজস্ব বৃদ্ধির সাথে মিলিয়ে নেয় এবং অবস্থান পর্যালোচনা করার সময় একাধিক ইনপুটের মধ্যে একটি ইনপুট হিসাবে সংযুক্ত সংকেত ব্যবহার করে। AI সরঞ্জামটি ট্রেডিং সিদ্ধান্ত নেয় না; এটি একটি স্ক্রিনিং প্রক্রিয়াকে ত্বরান্বিত এবং মানক করে যা অন্যথায় বিশ্লেষকের সময়ের পুরো সপ্তাহ নেবে। চূড়ান্ত সিদ্ধান্ত এখনও কোম্পানির কৌশল, প্রতিযোগিতামূলক অবস্থান এবং ম্যাক্রো প্রেক্ষাপট সম্পর্কে মানব বিচার উপর নির্ভর করে।
ট্রেডিংয়ে AI এর সীমাবদ্ধতা
AI মডেলগুলি তাদের প্রশিক্ষণ ডেটার উপর নির্ভর করে। ২০১০ থেকে ২০২০ সালের নিম্ন সুদের হার এবং পরিমাণগত শিথিলতার সময়কাল exclusively প্রশিক্ষিত একটি মডেল ২০২২ থেকে ২০২৩ সালের উচ্চ-হার পরিবেশে খারাপভাবে কাজ করতে পারে। ব্ল্যাক সোয়ান ইভেন্টগুলি — যা নাসিম তালেব তার ২০০৭ সালের একই নামের বইয়ে বিরল, উচ্চ-প্রভাবের ঘটনা হিসাবে সংজ্ঞায়িত করেছেন যা ঐতিহাসিক মডেলগুলি পূর্বাভাস দিতে পারে না — পূর্বাভাস দেওয়া যায় না অতীত ডেটার বিরুদ্ধে প্যাটার্ন মেলানোর মাধ্যমে। ওভারফিটিং একটি স্থায়ী ঝুঁকি: একটি মডেল ঐতিহাসিক ডেটাতে চমৎকারভাবে কাজ করার জন্য টিউন করা যেতে পারে এবং তারপর লাইভ মার্কেটে সম্পূর্ণরূপে ব্যর্থ হতে পারে কারণ এটি সংকেতের পরিবর্তে শব্দ শিখেছে। AI সত্যিকার অর্থে অপ্রত্যাশিত ঘটনাগুলি যেমন নতুন মহামারী, নতুন নিয়ন্ত্রক শাসন, বা বড় ভূরাজনৈতিক ধাক্কা হিসাবেও নিতে পারে না।
মানব-AI অংশীদারিত্ব
সর্বাধিক কার্যকর পদ্ধতি হল AI এর ডেটা-প্রক্রিয়াকরণ ক্ষমতা এবং মানব বিচারকে একত্রিত করা। AI পরিমাণগত ভারী উত্তোলন পরিচালনা করে — হাজার হাজার সিকিউরিটি স্ক্যান করা, মিলিয়ন মিলিয়ন ডেটা পয়েন্ট প্রক্রিয়া করা, পরিসংখ্যানগত প্যাটার্ন চিহ্নিত করা। মানব বিশ্লেষকরা গুণগত প্রেক্ষাপট প্রদান করেন: একটি কোম্পানির কৌশল বোঝা, ব্যবস্থাপনার বিশ্বাসযোগ্যতা মূল্যায়ন করা, প্রতিযোগিতামূলক মোরের স্থায়িত্ব বিচার করা এবং এমন ম্যাক্রোইকোনমিক উন্নয়ন সংশ্লেষণ করা যা এখনও সংখ্যাগত ডেটাতে উপস্থিত হয়নি। এই সংমিশ্রণটি একক ইনপুটের চেয়ে সাধারণত ভাল পারফর্ম করে।
প্রায়শই জিজ্ঞাসিত প্রশ্ন
AI কি আরও ভাল রিটার্ন নিশ্চিত করে? না। AI একটি সরঞ্জাম যা বিশ্লেষণের গতি এবং ধারাবাহিকতা উন্নত করতে পারে। রিটার্নগুলি নির্ভর করে কিভাবে সরঞ্জামটি ব্যবহার করা হয়, ভিত্তিগত কৌশলের গুণমান এবং ঝুঁকি ব্যবস্থাপনার শৃঙ্খলা।
AI কি একটি আর্থিক উপদেষ্টার পরিবর্তে কাজ করতে পারে? ব্যক্তিগত পরামর্শের জন্য নয়। AI সরঞ্জামগুলি বিশ্লেষণ সমর্থন করতে পারে, তবে একজন ব্যক্তির কর পরিস্থিতি, সম্পত্তি পরিকল্পনা এবং লক্ষ্য নির্ধারণের বিষয়ে নির্দিষ্ট সুপারিশগুলি এখনও একটি যোগ্য মানব উপদেষ্টার সুবিধা পায়, যিনি ক্লায়েন্টের জীবনের সম্পূর্ণ চিত্র জানেন।
একটি AI মডেলের জন্য কত ডেটার প্রয়োজন? এটি কৌশলের উপর নির্ভর করে। সহজ মডেলগুলি কয়েকশো পর্যবেক্ষণের সাথে কার্যকর হতে পারে; গভীর লার্নিং মডেলগুলি প্রায়শই মিলিয়ন প্রয়োজন। আরও ডেটা স্বয়ংক্রিয়ভাবে ভাল নয় — ডেটার গুণমান এবং প্রাসঙ্গিকতা পরিমাণের চেয়ে বেশি গুরুত্বপূর্ণ।
AI কি বাজারকে আরও কার্যকর করছে? সম্ভবত হ্যাঁ, তরল বড়-ক্যাপ বাজারে, যেখানে অনেক প্রতিষ্ঠান অনুরূপ সরঞ্জাম ব্যবহার করে। বাজারের কম কার্যকর কোণগুলি — ছোট ক্যাপ, সীমান্ত বাজার, অ-তরল বন্ড — মডেল করা আরও কঠিন হতে পারে।
মূল takeaway
AI একটি শক্তিশালী যন্ত্র যা মানব বিশ্লেষণকে উন্নত করে, এটি একটি জাদুকরী সিস্টেম নয় যা লাভের নিশ্চয়তা দেয়। যারা আগামী দশকে সফল হবে তারা হল সেই বিনিয়োগকারীরা যারা AI সরঞ্জামগুলি কার্যকরভাবে ব্যবহার করতে শিখবে, একই সাথে শক্তিশালী মৌলিক বোঝাপড় এবং ঝুঁকি ব্যবস্থাপনার শৃঙ্খলা বজায় রাখবে। একটি মডেল কেবল তখনই ভালো যখন এটি জিজ্ঞাসা করা প্রশ্ন এবং এর আউটপুটের উপর প্রয়োগ করা বিচার। এই নিবন্ধটি শিক্ষামূলক উদ্দেশ্যে এবং এটি আর্থিক পরামর্শ নয়।