परिचय
बिटकॉइन की चाल को कम से कम एक दिन आगे भविष्यवाणी करना — ऐसा कार्य जिसके सामने सबसे परिष्कृत एल्गोरिदम भी घुटने टेक देते हैं। क्रिप्टोकरेंसी बाज़ार शास्त्रीय वित्तीय परिसंपत्तियों और उच्च जोखिम वाले सट्टेबाजी उपकरणों की विशेषताओं को जोड़ता है: यहाँ दीर्घकालिक रुझान, तीव्र मूल्य अंतराल और लगभग यादृच्छिक शोर एक साथ मौजूद होते हैं। अधिकांश मौजूदा न्यूरल नेटवर्क इस कार्य को केवल आंशिक रूप से हल कर पाते हैं: वे समग्र प्रवृत्ति को अच्छी तरह पकड़ लेते हैं, लेकिन उलटफेर पर ध्यान देने योग्य देरी से प्रतिक्रिया करते हैं। arXiv पर शोध में प्रस्तावित नया दृष्टिकोण इस समस्या को मौलिक रूप से अलग तरीके से हल करने का प्रयास करता है — फूरियर ऑपरेटरों और मल्टी-एक्सपर्ट रूटिंग के संकर के माध्यम से। यह MoFE (Mixture-of-Experts with Fourier Neural Operators) फ्रेमवर्क है, जिसे बोवेन लियू और मिंगमिंग सन ने विकसित किया है। यह कार्य IEEE ICBC 2026 सम्मेलन में प्रस्तुत किया गया था, और प्रीप्रिंट उसी वर्ष अगस्त में सार्वजनिक रूप से उपलब्ध हुआ।
एक सार्वभौमिक मॉडल को सभी बाज़ार स्थितियों में फिट करने के बजाय, MoFE विशेषज्ञों का एक पूल उपयोग करता है, जिनमें से प्रत्येक अपने प्रकार की मूल्य गतिशीलता के लिए जिम्मेदार है, और एक गतिशील समन्वयक जो यह तय करता है कि किसी क्षण किसकी बात सुनी जाए।
क्रिप्टो बाज़ार की भविष्यवाणी करना इतना कठिन क्यों है
समय श्रृंखला भविष्यवाणी के शास्त्रीय तरीके — ऑटोरिग्रेशन से लेकर LSTM तक — यह मानते हैं कि डेटा में कम से कम छोटे खंडों में एक निश्चित स्थिरता होती है। क्रिप्टोकरेंसी में यह धारणा कई कारणों से तुरंत टूट जाती है। पहला, बाज़ार बार-बार मोड परिवर्तन के अधीन है: एक शांत प्रवृत्ति कुछ ही घंटों में घबराहट या तर्कहीन रैली में बदल सकती है। दूसरा, मूल्य श्रृंखला के भीतर विभिन्न पैमानों की प्रक्रियाएँ एक साथ कार्य करती हैं — हल्विंग से जुड़े बहु-वर्षीय चक्रों से लेकर सेकंड-स्तरीय सूक्ष्म संरचनात्मक उतार-चढ़ाव तक। तीसरा, ये प्रक्रियाएँ सांख्यिकीय रूप से स्वतंत्र नहीं हैं, बल्कि एक जटिल स्टोकेस्टिक नेटवर्क बनाती हैं।
यही कारण है कि ऐतिहासिक डेटा पर प्रशिक्षित मॉडल अक्सर समय-विलंबित भविष्यवाणियाँ देते हैं। वे बाज़ार का अनुमान लगाने के बजाय उसका पीछा करते प्रतीत होते हैं। चरण विलंब विशेष रूप से छोटे क्षितिजों — एक दिन या एक सप्ताह — पर ध्यान देने योग्य होता है, जहाँ कीमत कई बार दिशा बदल सकती है। ऐसी परिस्थितियों में न्यूरल नेटवर्क की गहराई बढ़ाना बेकार है: त्रुटि जमा होती है और और भी अधिक देरी का कारण बनती है। MoFE इस कमी को दूर करने का प्रयास करता है, कार्य को वर्णक्रमीय घटकों में विघटित करके और प्रत्येक को एक अलग विशेषज्ञ को सौंपकर।
MoFE कैसे काम करता है
विशेषज्ञ: फूरियर और कन्वोल्यूशन
MoFE का मुख्य विचार फूरियर ट्रांसफॉर्म को समय डोमेन से आवृत्ति डोमेन में संक्रमण के तरीके के रूप में उपयोग करना है। अगले मूल्य नमूने की सीधे भविष्यवाणी करने के बजाय, मॉडल "फ़ंक्शन-से-फ़ंक्शन" मैप करना सीखता है: यह अलग-अलग बिंदुओं को नहीं, बल्कि समय श्रृंखला के एक पूरे खंड को लेता है और आगे स्थानांतरित एक और खंड उत्पन्न करता है। यह दृष्टिकोण फूरियर ऑपरेटरों द्वारा संभव बनाया गया है — गणितीय निर्माण जो वैक्टर के बजाय फ़ंक्शन के साथ काम करते हैं। MoFE के भीतर, फूरियर ऑपरेटर का एक अनुकूली संस्करण (AFNO) उपयोग किया जाता है, जो वैश्विक वर्णक्रमीय पैटर्न के लिए जिम्मेदार है। इसके अतिरिक्त, मॉडल में कन्वोल्यूशनल विशेषज्ञ शामिल हैं जो एक साथ दो डोमेन में काम करते हैं — समय और आवृत्ति दोनों में। वे स्थानीय विशेषताओं और बाज़ार की सूक्ष्म संरचना को पकड़ते हैं जो विशुद्ध रूप से वर्णक्रमीय विश्लेषण से बच जाती हैं।
सभी विशेषज्ञ निरंतर मैपिंग पर प्रशिक्षित होते हैं, जो मॉडल को विशिष्ट ऐतिहासिक क्षणों पर पुनः प्रशिक्षित किए बिना नई बाज़ार स्थितियों पर सामान्यीकरण करने की अनुमति देता है। यह "कार्यात्मक" दृष्टिकोण वित्तीय डेटा के लिए विशेष रूप से उपयुक्त है, जहाँ न केवल सटीक मान महत्वपूर्ण हैं, बल्कि वक्र में परिवर्तन की प्रकृति भी महत्वपूर्ण है।
गतिशील गेटिंग
यह कैसे तय किया जाए कि अगले क्षण कौन सा विशेषज्ञ बेहतर प्रदर्शन करेगा? इसके लिए MoFE में Mixture-of-Experts तंत्र का उपयोग किया जाता है। एक विशेष गेटर वर्तमान बाज़ार की स्थिति का विश्लेषण करता है और प्रत्येक विशेषज्ञ के लिए भार गुणांक की गणना करता है। एक मोड में, वर्णक्रमीय विशेषज्ञ बड़ी भूमिका निभा सकता है, जो दीर्घकालिक प्रवृत्ति को पकड़ता है, जबकि दूसरे में, कन्वोल्यूशनल विशेषज्ञ, जो अल्पकालिक उछाल के प्रति संवेदनशील है। गेटर विशेषज्ञों के साथ मिलकर प्रशिक्षित होता है और समय के साथ विशिष्ट बाज़ार पैटर्न को पहचानने के लिए समायोजित हो जाता है। इसके लिए धन्यवाद, मॉडल प्रशिक्षण को पुनः आरंभ किए बिना तुरंत रणनीति बदल सकता है।
यह क्यों काम करता है: स्टोकेस्टिक समीकरण
MoFE के लेखकों ने वास्तुकला के निर्माण में स्टोकेस्टिक डिफरेंशियल समीकरणों के सिद्धांत पर भरोसा किया। इस अवधारणा के अनुसार, क्रिप्टो परिसंपत्ति की कीमत एक समीकरण का समाधान है जिसमें अस्थिरता एक स्थिर मान नहीं है, बल्कि कई दोलन प्रक्रियाओं का सुपरपोजिशन है। उदाहरण के लिए, मौलिक मूल्य वृद्धि उपयोगकर्ता नेटवर्क के विकास और प्रौद्योगिकी अपनाने से जुड़ी है; मौसमी घटक खनन चक्र, कठिनाई परिवर्तन और हल्विंग के कारण होती है; अंत में, अराजक घटक व्यापारियों की सामूहिक भावनाओं से उत्पन्न होता है।
इनमें से प्रत्येक घटक की अपनी आवृत्ति प्रोफ़ाइल होती है, और यदि मूल्य श्रृंखला को ऐसी प्रोफ़ाइलों में विघटित किया जाता है, तो भविष्यवाणी प्रत्येक दोलन को एक छोटे क्षितिज तक जारी रखने और फिर परिणामों के सुपरपोजिशन तक सीमित हो जाती है। MoFE ठीक यही ऑपरेशन करता है, कई विशेषज्ञों को जोड़कर, जिनमें से प्रत्येक अपने स्वयं के आवृत्ति बैंड पर प्रशिक्षित होता है। यह औसत से बचने की अनुमति देता है, जिसके लिए सार्वभौमिक मॉडल प्रवृत्त होते हैं, और साथ ही महत्वपूर्ण संकेतों को खोए बिना शोर को चिकना करता है।
प्रयोग और परिणाम
प्रभावशीलता का परीक्षण करने के लिए, लेखकों ने जनवरी 2020 से दिसंबर 2025 तक बिटकॉइन डेटा पर प्रयोग किए। मॉडल का परीक्षण एक दिन आगे (T+1) और पांच दिन आगे (T+5) की भविष्यवाणी के लिए किया गया। प्रस्तुत परिणामों के अनुसार, MoFE कई मेट्रिक्स पर state-of-the-art स्तर के परिणाम प्रदर्शित करता है। विशेष रूप से, यह मूल्य दिशा आंदोलन की भविष्यवाणी की सटीकता (Directional Accuracy) में काफी अधिक सटीकता और बेसलाइन मॉडल की तुलना में बेहतर सूचना गुणांक (Information Coefficient) मान दिखाता है।
विशेष रुचि ट्रेडिंग सिमुलेशन हैं। जब MoFE की भविष्यवाणियों का उपयोग आभासी वातावरण में ट्रेडिंग निर्णय लेने के लिए किया गया, तो मॉडल ने महत्वपूर्ण अतिरिक्त रिटर्न प्रदर्शित किया और साथ ही शार्प अनुपात के उच्च मूल्यों में व्यक्त जोखिम का निम्न स्तर बनाए रखा। इसका मतलब है कि मॉडल केवल प्रवृत्ति का "अनुमान" नहीं लगाता, बल्कि इसे काफी स्थिर रूप से करता है, बिना विनाशकारी गिरावट के। लेखक मुख्य लाभ के रूप में चरण विलंब के उन्मूलन का उल्लेख करते हैं: MoFE की भविष्यवाणी न्यूनतम देरी के साथ मूल्य परिवर्तनों का अनुसरण करती है, जो वास्तविक ट्रेडिंग के लिए महत्वपूर्ण है, जहाँ कुछ घंटे दसियों प्रतिशत लाभ के बराबर हो सकते हैं।
निष्कर्ष
MoFE वित्तीय बाज़ारों की भविष्यवाणी के लिए अधिक बुद्धिमान दृष्टिकोण की ओर एक कदम है। गैर-स्थिरता से लड़ने के बजाय वास्तुकला को जटिल बनाकर, यह इसे एक दिए गए तथ्य के रूप में स्वीकार करता है और कार्य को अच्छी तरह से अध्ययन किए गए घटकों में विभाजित करता है। फूरियर ऑपरेटर फ़ंक्शन के साथ काम करने के लिए एक शक्तिशाली गणितीय उपकरण प्रदान करते हैं, और मल्टी-एक्सपर्ट रूटिंग लचीलापन और अनुकूलनशीलता जोड़ती है।
प्रस्तावित MoFE फ्रेमवर्क दिखाता है कि दो प्रतीत होने वाले अलग-अलग विचारों — वर्णक्रमीय विश्लेषण और विशेषज्ञों का मिश्रण — का संयोजन सहक्रियात्मक प्रभाव दे सकता है। दृष्टिकोण का आगे का विकास संभवतः अन्य परिसंपत्तियों पर इसके अनुप्रयोग, अधिक विविध विशेषज्ञों के उपयोग और वैकल्पिक डेटा जैसे सामाजिक भावनाओं या ब्लॉकचेन प्रवाह के साथ एकीकरण से जुड़ा होगा। लेकिन अभी से यह स्पष्ट है: यदि आप क्रिप्टो बाज़ार की भविष्यवाणी करना चाहते हैं, तो ऐसे संकरों पर ध्यान देना उचित है, न कि "सार्वभौमिक" मॉडल पर जो प्रवृत्तियों और शोर दोनों को समान रूप से अच्छी तरह से औसत करते हैं।
