भीड़-पूर्वानुमान बनाम रैंडम-वॉक: विनिमय दर पूर्वानुमान सटीकता का तुलनात्मक विश्लेषण

1. परिचय

मेटाकुलस जैसे खुले-ऑनलाइन भीड़-पूर्वानुमान प्लेटफॉर्मों से प्राप्त पूर्वानुमानों का उपयोग यूरोपीय सेंट्रल बैंक, समाचार मीडिया और नीति-निर्माताओं जैसे संस्थानों द्वारा दूरदर्शिता के स्रोत के रूप में तेजी से किया जा रहा है। हालांकि, स्थापित, पारंपरिक पूर्वानुमान विधियों के मुकाबले उनकी तुलनात्मक सटीकता पर सीमित प्रमाण उपलब्ध हैं। यह अध्ययन मेटाकुलस से प्राप्त विनिमय दर पूर्वानुमानों की सटीकता का एक क्लासिक और कुख्यात रूप से मात देने में कठिन बेंचमार्क—बिना ड्रिफ्ट वाले रैंडम-वॉक मॉडल—के विरुद्ध मूल्यांकन करके इस अंतर को संबोधित करता है। निष्कर्षों का वित्तीय और आर्थिक पूर्वानुमान में भीड़-सोर्स्ड बुद्धिमत्ता की विश्वसनीयता और अनुप्रयोग पर महत्वपूर्ण प्रभाव है।

2. साहित्य समीक्षा

2.1 भीड़-पूर्वानुमान

"भीड़ की बुद्धिमत्ता" की अवधारणा बताती है कि एक विविध समूह से एकत्रित पूर्वानुमान व्यक्तिगत विशेषज्ञों की तुलना में अधिक सटीक हो सकते हैं। मेटाकुलस और गुड जजमेंट प्रोजेक्ट जैसे प्लेटफॉर्म विभिन्न प्रश्नोत्तरी और समुच्चयन तकनीकों (जैसे, साधारण औसत, बायेसियन मार्केट स्कोरिंग नियम) के माध्यम से इसे क्रियान्वित करते हैं। हालांकि प्रमाण दर्शाते हैं कि भीड़-पूर्वानुमान यादृच्छिक अनुमान से बेहतर प्रदर्शन करते हैं (पेट्रोपोलोस एट अल., 2022), वित्त जैसे जटिल क्षेत्रों में सांख्यिकीय बेंचमार्क के साथ प्रत्यक्ष तुलना दुर्लभ है।

2.2 विनिमय दर पूर्वानुमान

विनिमय दरों का पूर्वानुमान लगाना कुख्यात रूप से कठिन है। मीज़ और रोगॉफ (1983) की पहेली ने स्थापित किया कि प्रमुख मुद्रा जोड़ों के लिए नमूना-बाह्य परीक्षणों में साधारण रैंडम-वॉक मॉडल अक्सर परिष्कृत अर्थमितीय मॉडलों से बेहतर प्रदर्शन करते हैं। यह रैंडम-वॉक को भीड़-पूर्वानुमान सहित किसी भी नई पूर्वानुमान पद्धति के मूल्यांकन के लिए एक कठोर और सम्मानित बेंचमार्क बनाता है।

3. डेटा एवं प्लेटफॉर्म

अध्ययन मेटाकुलस प्लेटफॉर्म से विनिमय दर पूर्वानुमान डेटा का उपयोग करता है। मेटाकुलस ऐसे प्रश्नों की मेजबानी करता है जहां उपयोगकर्ता भविष्य की घटनाओं की संभावना का अनुमान लगाते हैं। विनिमय दर गतिविधियों (जैसे, EUR/USD, GBP/USD) से संबंधित प्रासंगिक पूर्वानुमान प्लेटफॉर्म के एपीआई के माध्यम से निकाले गए थे। सत्यापन के लिए संबंधित वास्तविक विनिमय दर डेटा मानक वित्तीय डेटाबेस (जैसे, ब्लूमबर्ग, रेफिनिटिव) से प्राप्त किया गया था।

4. कार्यप्रणाली

मूल कार्यप्रणाली में एक तुलनात्मक सटीकता मूल्यांकन शामिल है। भविष्य के विनिमय दर स्तर के लिए भीड़ का पूर्वानुमान (मेटाकुलस उपयोगकर्ताओं से एकत्रित पूर्वानुमान) की तुलना एक बिना ड्रिफ्ट वाले रैंडम-वॉक मॉडल द्वारा उत्पन्न पूर्वानुमान से की जाती है। रैंडम-वॉक पूर्वानुमान केवल अंतिम प्रेक्षित विनिमय दर है: $S_{t+1|t} = S_t$, जहां $S_t$ समय $t$ पर स्पॉट दर है। पूर्वानुमान सटीकता को मानक त्रुटि मापदंडों का उपयोग करके मापा जाता है:

• माध्य निरपेक्ष त्रुटि (MAE): $MAE = \frac{1}{N}\sum_{i=1}^{N} |F_i - A_i|$
• मूल माध्य वर्ग त्रुटि (RMSE): $RMSE = \sqrt{\frac{1}{N}\sum_{i=1}^{N} (F_i - A_i)^2}$

जहां $F_i$ पूर्वानुमान है और $A_i$ वास्तविक मान है। त्रुटियों में अंतर के सांख्यिकीय महत्व का परीक्षण डाईबोल्ड-मारियानो परीक्षण का उपयोग करके किया जाता है।

5. परिणाम

मुख्य परिणाम स्पष्ट और चौंकाने वाला है: बिना ड्रिफ्ट वाला रैंडम-वॉक मॉडल, मेटाकुलस भीड़ से एकत्रित पूर्वानुमानों की तुलना में काफी अधिक सटीक विनिमय दर पूर्वानुमान प्रदान करता है। मूल्यांकन किए गए मुद्रा जोड़ों और पूर्वानुमान क्षितिजों में रैंडम-वॉक पूर्वानुमानों के लिए RMSE और MAE लगातार कम थे। डाईबोल्ड-मारियानो परीक्षण ने पुष्टि की कि यह श्रेष्ठता सांख्यिकीय रूप से महत्वपूर्ण है।

6. चर्चा

यह परिणाम भीड़-पूर्वानुमान के आसपास कभी-कभी मौजूद अंध-उत्साह को चुनौती देता है। हालांकि भीड़ सीमित, विघटनीय समस्याओं वाले क्षेत्रों (जैसे, एक बैल के वजन का अनुमान) में उत्कृष्ट प्रदर्शन कर सकती है, लेकिन उच्च शोर, गैर-स्थिरता और रिफ्लेक्सिविटी (जहां पूर्वानुमान परिणाम को प्रभावित करते हैं) से चिह्नित वित्तीय बाजार "बुद्धिमत्ता" तंत्र को अभिभूत कर सकते हैं। भीड़ झूठे संकेतों या व्यवहारिक पूर्वाग्रहों को शामिल कर रही हो सकती है, जिनसे सरल, संकेत-मुक्त रैंडम-वॉक बच जाता है।

7. निष्कर्ष

विनिमय दर पूर्वानुमान के लिए, एक पारंपरिक और सरल सांख्यिकीय बेंचमार्क (रैंडम-वॉक) एक परिष्कृत ऑनलाइन भीड़-पूर्वानुमान प्लेटफॉर्म के पूर्वानुमानों से बेहतर प्रदर्शन करता है। यह महत्वपूर्ण अनुप्रयोगों में नवीन पूर्वानुमान उपकरणों को तैनात करने से पहले कठोर बेंचमार्किंग के महत्व को रेखांकित करता है। यह सुझाव देता है कि भीड़-पूर्वानुमान का मूल्य अत्यधिक डोमेन-विशिष्ट हो सकता है और इसे जटिल वित्तीय समय श्रृंखला तक सामान्यीकृत माना नहीं जाना चाहिए।

8. मूल विश्लेषण एवं विशेषज्ञ समीक्षा

मूल अंतर्दृष्टि: यह पेपर एक संयमित, आवश्यक वास्तविकता जांच प्रस्तुत करता है। मूल निष्कर्ष—कि वित्त में एक निष्कपट मॉडल "भीड़ की बुद्धिमत्ता" को हरा देता है—अनुभवी क्वांट्स के लिए आश्चर्यजनक नहीं है, लेकिन यह प्रचार के लिए एक महत्वपूर्ण प्रतिरोधक है। यह वित्तीय अर्थमिति के एक मौलिक सिद्धांत को पुष्ट करता है: रैंडम-वॉक को हराना परम लक्ष्य है, और अधिकांश चीजें इसमें विफल रहती हैं। पेपर का वास्तविक योगदान एक आधुनिक, चर्चित पद्धति पर इस निर्मम बेंचमार्क को लागू करना है।

तार्किक प्रवाह: तर्क सुदृढ़ और क्लासिक है: एक कठिन लक्ष्य (एफएक्स दरें) परिभाषित करें, सबसे कठोर बेंचमार्क (रैंडम-वॉक) चुनें, और एक स्वच्छ प्रतिस्पर्धा आयोजित करें। स्थापित त्रुटि मापदंडों (RMSE, MAE) और सांख्यिकीय परीक्षणों (डाईबोल्ड-मारियानो) का उपयोग पद्धतिगत रूप से मजबूत है। यह मीज़-रोगॉफ आलोचना के सिद्ध टेम्पलेट का अनुसरण करता है, प्रभावी ढंग से पूछता है: "क्या यह नई चीज पुरानी, अनसुलझी समस्या को हल करती है?" उत्तर एक स्पष्ट 'नहीं' है।

शक्तियां एवं दोष: इसकी शक्ति इसकी अनुशासित सरलता और स्पष्ट परिणाम है। चर्चा में स्वीकृत दोष, सीमित सामान्यीकरण है। यह एक प्लेटफॉर्म (मेटाकुलस) पर एक डोमेन (एफएक्स) का अध्ययन है। यह भीड़-पूर्वानुमान को, उदाहरण के लिए, भू-राजनीतिक घटनाओं या प्रौद्योगिकी अपनाने वक्रों के लिए अमान्य नहीं ठहराता, जहां डेटा विरल है और मॉडल कमजोर हैं। जैसा कि गुड जजमेंट प्रोजेक्ट के शोध ने दिखाया है, प्रशिक्षित पूर्वानुमानकर्ताओं के साथ संरचित प्रश्नोत्तरी ऐसे क्षेत्रों में बेहतर प्रदर्शन कर सकती है (टेटलॉक और गार्डनर, 2015)। पेपर इस परिकल्पना करके मजबूत हो सकता था कि भीड़ क्यों विफल रही—क्या यह शोर के प्रति अति-अनुकूलन, अनुकरण, या प्रतिभागियों के बीच डोमेन विशेषज्ञता की कमी थी?

कार्रवाई योग्य अंतर्दृष्टि: व्यवसायियों के लिए: मात्रात्मक वित्त में स्थापित बेंचमार्क के लिए भीड़-प्लेटफॉर्मों को अंधाधुंध प्रतिस्थापित न करें। उन्हें एक पूरक, संभवतः विपरीत, संकेत के रूप में उपयोग करें। प्लेटफॉर्म डेवलपर्स के लिए: यह अध्ययन नवाचार के लिए एक आदेश है। क्या शोर को छानने के लिए समुच्चयन एल्गोरिदम में सुधार किया जा सकता है? क्या प्लेटफॉर्मों को प्रीलेक (2004) द्वारा अन्वेषित बायेसियन ट्रुथ सीरम अवधारणाओं के समान, सिद्ध डोमेन-विशिष्ट ट्रैक रिकॉर्ड के आधार पर पूर्वानुमानकर्ताओं को भारित करना चाहिए? शोधकर्ताओं के लिए: इसे दोहराएं! अन्य परिसंपत्ति वर्गों, अन्य प्लेटफॉर्मों (जैसे, पॉलीमार्केट), और हाइब्रिड मॉडलों का परीक्षण करें जो महामारी पूर्वानुमान (मैकएंड्रयू एट अल., 2024) में सुझाए गए अनुसार भीड़ की भावना को सांख्यिकीय मॉडलों के साथ जोड़ते हैं। सीमांत भीड़ बनाम मॉडल नहीं है, बल्कि उनका बुद्धिमान एकीकरण है।

9. तकनीकी विवरण एवं गणितीय ढांचा

समय श्रृंखला $S_t$ के लिए बिना ड्रिफ्ट वाले रैंडम-वॉक मॉडल को इस प्रकार परिभाषित किया गया है: $S_t = S_{t-1} + \epsilon_t$, जहां $\epsilon_t$ एक श्वेत शोर त्रुटि पद है जिसमें $E[\epsilon_t]=0$ और $Var(\epsilon_t)=\sigma^2$ है। $h$-चरण-आगे का पूर्वानुमान केवल है: $\hat{S}_{t+h|t} = S_t$। यह मॉडल दर्शाता है कि भविष्य के मान का सबसे अच्छा पूर्वानुमान वर्तमान मान है, और परिवर्तन अप्रत्याशित हैं।

मेटाकुलस से भीड़ का पूर्वानुमान, $C_{t+h|t}$, समय $t+h$ पर विनिमय दर के लिए व्यक्तिगत उपयोगकर्ता पूर्वानुमानों का एक समुच्चय (अक्सर एक भारित औसत) है। तुलना पूर्वानुमान त्रुटि अंतर पर निर्भर करती है: $d_t = e_{t}^{RW} - e_{t}^{C}$, जहां $e_{t}^{RW} = (S_{t+h} - \hat{S}_{t+h|t}^{RW})^2$ और $e_{t}^{C} = (S_{t+h} - \hat{C}_{t+h|t})^2$। डाईबोल्ड-मारियानो परीक्षण सांख्यिकी है: $DM = \frac{\bar{d}}{\sqrt{\widehat{Var}(\bar{d})/T}} \sim N(0,1)$, जहां $\bar{d}$ हानि अंतर का नमूना माध्य है।

10. प्रायोगिक परिणाम एवं चार्ट विवरण

चार्ट विवरण (परिणामों के आधार पर कल्पित): "पूर्वानुमान त्रुटि तुलना: रैंडम-वॉक बनाम मेटाकुलस भीड़" शीर्षक वाला एक बार चार्ट। एक्स-अक्ष विभिन्न मुद्रा जोड़ों (जैसे, EUR/USD, GBP/USD, USD/JPY) को सूचीबद्ध करता है। प्रत्येक जोड़ी के लिए दो सेट बार दिखाए गए हैं: एक रैंडम-वॉक RMSE (नीले रंग में) के लिए और एक मेटाकुलस भीड़ RMSE (लाल रंग में) के लिए। सभी जोड़ियों में, नीले बार (रैंडम-वॉक) लाल बार (भीड़) की तुलना में स्पष्ट रूप से छोटे हैं, जो रैंडम-वॉक की श्रेष्ठ सटीकता को मात्रात्मक रूप से दर्शाते हैं। चार्ट पर अध्यारोपित एक द्वितीयक रेखा आलेख हानि अंतर ($d_t$) की समय श्रृंखला दिखाता है, जो एक सकारात्मक माध्य के आसपास उतार-चढ़ाव करता है, जो रैंडम-वॉक की लगातार श्रेष्ठता को इंगित करता है। लाल बार के ऊपर तारांकन डाईबोल्ड-मारियानो परीक्षण के आधार पर 5% स्तर पर सांख्यिकीय महत्व को दर्शाते हैं।

11. विश्लेषण ढांचा: एक व्यावहारिक उदाहरण

मामला: एक नए "एआई-संचालित" एफएक्स सिग्नल का मूल्यांकन। एक परिसंपत्ति प्रबंधक को EUR/USD का पूर्वानुमान लगाने का दावा करने वाले एक नए एमएल मॉडल की पेशकश की जाती है। इसका मूल्यांकन कैसे करें?
चरण 1 – बेंचमार्क परिभाषित करें: तुरंत रैंडम-वॉक ($F_{t+1} = S_t$) को प्राथमिक बेंचमार्क के रूप सेट करें। एक अन्य जटिल मॉडल को एकमात्र बेंचमार्क के रूप में उपयोग न करें।
चरण 2 – डेटा विभाजन: एक लंबी नमूना-बाह्य अवधि (जैसे, 3-5 वर्ष का दैनिक डेटा जिसका उपयोग एमएल मॉडल के प्रशिक्षण में नहीं किया गया) का उपयोग करें।
चरण 3 – त्रुटि गणना: नमूना-बाह्य अवधि में एमएल मॉडल और रैंडम-वॉक पूर्वानुमान दोनों के लिए RMSE की गणना करें।
चरण 4 – सांख्यिकीय परीक्षण: वर्ग त्रुटि अंतरों पर एक डाईबोल्ड-मारियानो परीक्षण करें। क्या एमएल मॉडल की कम त्रुटि सांख्यिकीय रूप से महत्वपूर्ण है (p-मान < 0.05)?
चरण 5 – आर्थिक महत्व: यहां तक कि अगर सांख्यिकीय रूप से महत्वपूर्ण है, तो क्या लेन-देन लागतों को ध्यान में रखने के बाद एक व्यापारिक रणनीति के लिए त्रुटि में कमी आर्थिक रूप से सार्थक है?
यह ढांचा, जिसे पेपर में सीधे लागू किया गया है, वित्त में किसी भी नए पूर्वानुमान दावे के लिए एक सार्वभौमिक लिटमस टेस्ट है।

12. भविष्य के अनुप्रयोग एवं शोध दिशाएं

• हाइब्रिड पूर्वानुमान मॉडल: या तो/या दृष्टिकोण के बजाय, शोध को भीड़-सोर्स्ड संभाव्यता आकलनों को पारंपरिक समय-श्रृंखला मॉडलों के साथ इष्टतम रूप से संयोजित करने पर ध्यान केंद्रित करना चाहिए। बायेसियन मॉडल औसतन या एन्सेम्बल विधियां दुर्लभ घटनाओं का आकलन करने की भीड़ की क्षमता और दृढ़ता को पकड़ने में मॉडल की ताकत का लाभ उठा सकती हैं।
• डोमेन-विशिष्ट प्लेटफॉर्म डिजाइन: वित्त के लिए भविष्य के भीड़-प्लेटफॉर्मों को विशेष सुविधाओं की आवश्यकता हो सकती है: मात्रात्मक मॉडल आउटपुट के साथ पूर्वानुमानों को बीज देना, वित्तीय प्रश्नों में पिछले प्रदर्शन के आधार पर पूर्वानुमानकर्ताओं को भारित करना, और अनिश्चितता को बेहतर ढंग से पकड़ने के लिए बिंदु अनुमानों के बजाय पूर्वानुमानित वितरणों के लिए स्पष्ट रूप से पूछना।
• भीड़ की विफलता/सफलता की व्याख्या: अधिक शोध की आवश्यकता है ताकि यह विघटित किया जा सके कि भीड़ कुछ डोमेन (एफएक्स) में क्यों विफल होती है लेकिन अन्य (महामारियों) में सफल होती है। क्या यह डेटा की प्रकृति, प्रतिभागी पूल, या प्रश्न फ्रेमिंग है? इसके लिए मनोविज्ञान, सांख्यिकी और डोमेन विशेषज्ञता को मिलाने वाले अंतःविषय कार्य की आवश्यकता है।
• आसन्न क्षेत्रों में अनुप्रयोग: बेंचमार्किंग दृष्टिकोण को अन्य "पूर्वानुमान लगाने में कठिन" डोमेन जैसे क्रिप्टोकरेंसी अस्थिरता, कमोडिटी कीमतों, या मैक्रोइकॉनॉमिक संकेतक आश्चर्यों तक विस्तारित किया जाना चाहिए।

13. संदर्भ

1. लेहमैन, एन. वी. (2025). Forecasting skill of a crowd-prediction platform: A comparison of exchange rate forecasts. arXiv preprint arXiv:2312.09081v2.
2. मीज़, आर. ए., और रोगॉफ, के. (1983). Empirical exchange rate models of the seventies: Do they fit out of sample? Journal of International Economics, 14(1-2), 3-24.
3. टेटलॉक, पी. ई., और गार्डनर, डी. (2015). Superforecasting: The Art and Science of Prediction. Crown Publishers.
4. प्रीलेक, डी. (2004). A Bayesian truth serum for subjective data. Science, 306(5695), 462-466.
5. डाईबोल्ड, एफ. एक्स., और मारियानो, आर. एस. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3), 253-263.
6. मैकएंड्रयू, टी., गिब्सन, जी., एट अल. (2024). Combining crowd-sourced forecasts with statistical models for epidemic predictions. PLOS Computational Biology.
7. अतानासोव, पी., एट अल. (2022). Distilling the wisdom of crowds: A primer on forecasting tournaments and prediction markets. In The Oxford Handbook of the Economics of Networks.