वित्तीय प्रणालियों की जटिलता, अरेखीयता और लगातार संरचनात्मक विराम के कारण विनिमय दरों का पूर्वानुमान लगाना कुख्यात रूप से कठिन है। पारंपरिक अर्थमितीय मॉडल अक्सर इन चुनौतियों से जूझते हैं और पारदर्शिता का अभाव रखते हैं। यह अध्ययन एक व्याख्यात्मक मशीन लर्निंग (एमएल) रूपरेखा के भीतर कनाडाई-अमेरिकी डॉलर (CAD/USD) विनिमय दर के लिए एक मूलभूत-आधारित मॉडल विकसित करके इस अंतर को दूर करता है। प्राथमिक लक्ष्य न केवल भविष्यवाणी करना है, बल्कि मैक्रोइकॉनॉमिक चरों का उपयोग करके भविष्यवाणियों को समझाना भी है, जिससे मॉडल की विश्वसनीयता बढ़े और नीति निर्माताओं एवं अर्थशास्त्रियों के लिए क्रियान्वयन योग्य अंतर्दृष्टि प्रदान हो।
इस शोध की प्रेरणा कनाडा की एक प्रमुख कमोडिटी निर्यातक के रूप में स्थिति है, जहाँ 2019 में कच्चा तेल कुल निर्यात का 14.1% था और 2021 तक कनाडा अमेरिका का सबसे बड़ा कच्चे तेल आपूर्तिकर्ता था। यह आंतरिक संबंध सुझाव देता है कि कमोडिटी कीमतें, विशेष रूप से तेल, CAD/USD गतिशीलता को निर्धारित करने में केंद्रीय भूमिका निभाती हैं।
अध्ययन एक व्यापक दो-चरणीय दृष्टिकोण प्रस्तावित करता है: (1) उच्च-सटीकता पूर्वानुमान के लिए उन्नत एमएल मॉडलों का उपयोग, और (2) मॉडल की निर्णय लेने की प्रक्रिया का विश्लेषण करने के लिए पोस्ट-हॉक व्याख्यात्मकता विधियों का उपयोग।
मूल नवाचार भविष्यवाणी क्षमता को व्याख्यात्मकता के साथ एकीकृत करने में निहित है। लेखक विशिष्ट इनपुट फीचर्स को भविष्यवाणियों का श्रेय देने के लिए SHAP (SHapley Additive exPlanations) जैसी तकनीकों को लागू करके "ब्लैक-बॉक्स" मॉडलों से आगे बढ़ते हैं। यह तेल की कीमतों, सोना, शेयर सूचकांक और ब्याज दरों जैसे चरों के बीच जटिल, अरेखीय संबंधों के विश्लेषण की अनुमति देता है।
एमएल मॉडलों (जैसे, ग्रेडिएंट बूस्टिंग, रैंडम फॉरेस्ट) का एक समूह मैक्रोइकॉनॉमिक मूलभूत सिद्धांतों के एक सेट पर प्रशिक्षित किया जाता है। फिर व्याख्यात्मकता आउटपुट के आधार पर एक एब्लेशन अध्ययन कार्यान्वित किया जाता है। इसमें व्याख्यात्मकता उपकरणों द्वारा महत्वपूर्ण के रूप में पहचाने गए फीचर्स को व्यवस्थित रूप से हटाना या अशांत करना शामिल है ताकि उनके योगदान को सत्यापित किया जा सके और संभावित रूप से फीचर सेट को परिष्कृत करके मॉडल सटीकता में सुधार किया जा सके।
भविष्यवाणी मॉडल को एक फ़ंक्शन $f(\mathbf{X}_t)$ सीखने के रूप में तैयार किया जा सकता है जो समय $t$ पर मैक्रोइकॉनॉमिक चरों के एक वेक्टर $\mathbf{X}_t$ को विनिमय दर $y_t$ (या उसके रिटर्न) पर मैप करता है।
$\hat{y}_t = f(\mathbf{X}_t) + \epsilon_t$, जहाँ $\mathbf{X}_t = [Oil_t, Gold_t, TSX_t, i_t^{CA}, i_t^{US}, ...]$ और $\epsilon_t$ त्रुटि पद है।
$f(\cdot)$ की जटिलता एमएल एल्गोरिदम द्वारा कैप्चर की जाती है, जो स्पष्ट विनिर्देश के बिना $Oil_t \times TSX_t$ जैसे अरेखीय इंटरैक्शन को मॉडल कर सकता है।
सहकारी गेम थ्योरी में निहित SHAP मान, फीचर महत्व का एक एकीकृत माप प्रदान करते हैं। फीचर $i$ के लिए SHAP मान $\phi_i$ वास्तविक भविष्यवाणी और औसत भविष्यवाणी के बीच के अंतर में उसके योगदान का प्रतिनिधित्व करता है।
$\phi_i(f, x) = \sum_{S \subseteq N \setminus \{i\}} \frac{|S|! (|N|-|S|-1)!}{|N|!} [f_x(S \cup \{i\}) - f_x(S)]$
जहाँ $N$ सभी फीचर्स का समुच्चय है, $S$ एक उपसमुच्चय है, और $f_x(S)$ केवल उपसमुच्चय $S$ में फीचर्स का उपयोग करके की गई भविष्यवाणी है। यह किसी भी समय किस चर ने पूर्वानुमान को ऊपर या नीचे धकेला, इसका सूक्ष्म, उदाहरण-स्तरीय स्पष्टीकरण प्रदान करता है।
व्याख्यात्मकता विश्लेषण स्पष्ट रूप से कच्चे तेल को CAD/USD उतार-चढ़ाव का सबसे महत्वपूर्ण निर्धारक के रूप में पहचानता है। यह कनाडा की आर्थिक संरचना के अनुरूप है। सोना (एक पारंपरिक सुरक्षित आश्रय और कमोडिटी) और TSX (घरेलू आर्थिक स्वास्थ्य को दर्शाता है) दूसरे और तीसरे सबसे महत्वपूर्ण चर हैं।
SHAP आउटपुट द्वारा निर्देशित एब्लेशन अध्ययन ने प्रदर्शित किया कि शीर्ष फीचर्स (तेल, सोना) को हटाने से भविष्यवाणी सटीकता में महत्वपूर्ण गिरावट आई। इसके विपरीत, कम महत्वपूर्ण फीचर्स को हटाने से कभी-कभी शोर को कम करके मॉडल प्रदर्शन में सुधार हुआ, जिससे मॉडल परिष्करण के लिए व्याख्यात्मकता रूपरेखा की उपयोगिता सत्यापित हुई।
एक महत्वपूर्ण निष्कर्ष कच्चे तेल का समय-परिवर्तनशील प्रभाव है। विनिमय दर पूर्वानुमान में तेल के योगदान का परिमाण और यहाँ तक कि चिह्न (धनात्मक/ऋणात्मक) समय के साथ बदलता रहता है। अध्ययन इन बदलावों को कमोडिटी और ऊर्जा बाजारों की प्रमुख घटनाओं (जैसे, 2014 की तेल कीमत गिरावट, भू-राजनीतिक तनाव) से सफलतापूर्वक जोड़ता है, जो मॉडल व्यवहार को वास्तविक दुनिया के आर्थिक झटकों के साथ संरेखित करने वाली एक कथा प्रदान करता है।
परिदृश्य: Q4 2023 के लिए CAD मूल्यह्रास पूर्वानुमान की व्याख्या करना।
रूपरेखा अनुप्रयोग:
मूल अंतर्दृष्टि: यह पेपर वित्तीय अर्थमिति को केवल सहसंबंध से व्याख्यात्मक कार्य-कारण की ओर ले जाने के लिए एक प्रभावशाली खाका है। यह सफलतापूर्वक तर्क देता है कि मैक्रो-फाइनेंस में, एक मॉडल की उपयोगिता अब उसकी सटीकता और उसकी व्याख्यात्मकता दोनों से समान रूप से परिभाषित होती है। कच्चे तेल के समय-परिवर्तनशील, अरेखीय प्रभुत्व की पहचान केवल एक परिणाम नहीं है; यह स्वयं विधि का एक सत्यापन है, जो अन्य जटिल डोमेन में प्राप्त निष्कर्षों की प्रतिध्वनि है जहाँ व्याख्यात्मकता उपकरणों ने "ब्लैक-बॉक्स" मॉडलों को डिकोड किया है, जैसे कि Grad-CAM (Selvaraju et al., 2017) जैसी तकनीकों के साथ कंप्यूटर विज़न में।
तार्किक प्रवाह: शोध तर्क मजबूत है: (1) रैखिक, एकल-समीकरण मॉडलों (Chen & Chen, 2007) की विफलता को स्वीकार करना। (2) जटिलता को कैप्चर करने के लिए आधुनिक एमएल को तैनात करना। (3) आर्थिक कथाएँ निकालने के लिए SHAP का उपयोग करके "बॉक्स खोलना"। (4) उन कथाओं का उपयोग (एब्लेशन के माध्यम से) मॉडल को परिष्कृत करने के लिए—स्पष्टीकरण और सुधार का एक सद्गुणी चक्र बनाना। यह अत्याधुनिक एआई शोध में देखी गई पुनरावृत्ति परिष्करण प्रक्रिया को दर्पण करता है, जैसे कि ट्रांसफॉर्मर्स (Vaswani et al., 2017) में अटेंशन मैकेनिज्म का विकास, जिसने शक्तिशाली अनुक्रम मॉडलों में व्याख्यात्मकता जोड़ने का भी प्रयास किया।
शक्तियाँ एवं दोष: इसकी प्रमुख शक्ति भविष्यवाणी और व्याख्या का व्यावहारिक एकीकरण है, जो सीधे एआई के प्रति नीति निर्माताओं के संदेह को संबोधित करता है। SHAP स्पष्टीकरणों की घटना-आधारित सत्यापन विशेष रूप से प्रभावशाली है। हालाँकि, विश्लेषण स्वाभाविक रूप से पोस्ट-हॉक है। SHAP बताता है कि मॉडल ने क्या किया, जरूरी नहीं कि वास्तविक डेटा-जनरेटिंग प्रक्रिया। मॉडल संवेदनशीलता को आर्थिक वास्तविकता के साथ भ्रमित करने का जोखिम है। इसके अलावा, हालांकि फीचर सेट व्यापक है, विनिमय दर चालकों (जैसे, VIX जैसे जोखिम भावना सूचकांक, पूंजी प्रवाह डेटा) के पूर्ण स्पेक्ट्रम को कैप्चर करने पर और अधिक खोज की जा सकती है।
क्रियान्वयन योग्य अंतर्दृष्टि: व्यवसायियों के लिए: इस दो-चरणीय रूपरेखा को एक मानक के रूप में अपनाएँ। केवल एक पूर्वानुमान मॉडल न बनाएँ; इसके साथ एक व्याख्या करने वाला इंजन भी बनाएँ। शोधकर्ताओं के लिए: यह पेपर एमएल, अर्थमिति और आर्थिक सिद्धांत के प्रतिच्छेदन पर उपजाऊ जमीन को उजागर करता है। भविष्य के कार्य को वित्त के लिए स्वाभाविक रूप से व्याख्यात्मक मॉडल विकसित करने पर ध्यान केंद्रित करना चाहिए, शायद सिम्बोलिक रिग्रेशन या कारणात्मक खोज एल्गोरिदम से प्रेरणा लेकर, ताकि पोस्ट-हॉक स्पष्टीकरण से आगे बढ़ा जा सके। इस क्षेत्र का लक्ष्य ऐसे मॉडल होने चाहिए जिनकी आर्किटेक्चर सैद्धांतिक पूर्वधारणाओं को दर्शाती हो, जैसे कि भौतिकी-सूचित तंत्रिका नेटवर्क।