FatKat प्रारंभिक 1990 के दशक में टोरंटो विश्वविद्यालय में विकसित एक कृत्रिम बुद्धिमत्ता अनुसंधान परियोजना थी। इसे वित्तीय बाजार पूर्वानुमान और ट्रेडिंग पर तंत्रिका नेटवर्क लागू करने के लिए डिज़ाइन किया गया था, जो मशीन लर्निंग को मात्रात्मक वित्त के साथ जोड़ने के पहले शैक्षणिक प्रयासों में से एक का प्रतिनिधित्व करता था। सिस्टम का नाम, FatKat, इसके डेवलपर्स द्वारा चुना गया एक आंतरिक कोडनेम था और यह किसी औपचारिक संक्षिप्त नाम के लिए नहीं खड़ा था।
यह परियोजना विश्वविद्यालय के कंप्यूटर विज्ञान विभाग के भीतर स्नातक छात्रों और संकाय सदस्यों की एक टीम द्वारा संचालित की गई थी, जो कृत्रिम बुद्धिमत्ता अनुसंधान समूह के व्यापक दायरे में काम कर रही थी। FatKat का प्राथमिक नवाचार ऐतिहासिक मूल्य डेटा में पैटर्न की पहचान करने के लिए बैकप्रोपेगेशन-प्रशिक्षित नेटवर्क का उपयोग था, जो उस समय वित्तीय AI पर हावी नियम-आधारित विशेषज्ञ प्रणालियों से एक विचलन था। सिस्टम ने प्रमुख इक्विटी सूचकांकों, जिसमें S&P 500 और टोरंटो स्टॉक एक्सचेंज कम्पोजिट इंडेक्स शामिल थे, से दैनिक समापन मूल्यों को संसाधित किया और अपने नेटवर्क आउटपुट के आधार पर खरीद या बिक्री संकेत उत्पन्न किए।
Technical Architecture
FatKat की वास्तुकला में 20 इनपुट नोड्स, 12 छिपी इकाइयों और एक एकल आउटपुट नोड के साथ एक तीन-परत फीडफॉरवर्ड नेटवर्क शामिल था। इनपुट सुविधाओं में विलंबित मूल्य रिटर्न, चलती औसत, और 5-, 10-, और 30-दिन की विंडो पर गणना किए गए अस्थिरता अनुमान शामिल थे। नेटवर्क को परियोजना की 1994 तकनीकी रिपोर्ट में प्रलेखित 0.01 की निश्चित सीखने की दर और 0.9 के संवेग शब्द के साथ स्टोकेस्टिक ग्रेडिएंट डिसेंट का उपयोग करके प्रशिक्षित किया गया था।
प्रशिक्षण डेटा जनवरी 1985 से दिसंबर 1992 तक फैला था, जिसमें जनवरी 1993 से जून 1994 तक की एक अलग सत्यापन अवधि ओवरफिटिंग को रोकने के लिए उपयोग की गई थी। टीम ने प्रारंभिक रोक और वजन क्षय नियमितीकरण को नियोजित किया, ऐसी तकनीकें जो वित्तीय अनुप्रयोगों में अभी तक मानक नहीं थीं। FatKat एक Sun SPARCstation 2 वर्कस्टेशन पर चला, जिसने लगभग 4.2 मिलियन फ्लोटिंग-पॉइंट ऑपरेशन प्रति सेकंड प्रदान किए, और पूरे डेटासेट पर एक एकल प्रशिक्षण युग में लगभग 45 मिनट लगे।
Research Outcomes
जुलाई 1994 से दिसंबर 1995 तक S&P 500 के खिलाफ बैकटेस्टिंग में, FatKat ने 14.3 प्रतिशत का वार्षिक रिटर्न प्राप्त किया, जबकि इसी अवधि में खरीद-और-धारण रणनीति के लिए 9.8 प्रतिशत था। हालांकि, सिस्टम की माध्य वर्ग त्रुटि नमूने से बाहर के डेटा पर उच्च बनी रही, और इसकी लेनदेन लागत, जो प्रति ट्रेड 0.5 प्रतिशत अनुमानित थी, ने शुद्ध प्रदर्शन को सालाना 11.2 प्रतिशत तक कम कर दिया। 1996 में प्रकाशित परियोजना की अंतिम रिपोर्ट ने नोट किया कि FatKat की भविष्यवाणी सटीकता उच्च बाजार अस्थिरता की अवधि के दौरान, विशेष रूप से 1994 बांड बाजार संकट के आसपास, काफी खराब हो गई थी।
इन मिश्रित परिणामों के बावजूद, FatKat ने प्रदर्शित किया कि तंत्रिका दृष्टिकोण वित्तीय समय श्रृंखला से सांख्यिकीय रूप से महत्वपूर्ण संकेत निकाल सकते हैं। परियोजना के कोड और दस्तावेज़ीकरण को बाद में विश्वविद्यालय में कम्प्यूटेशनल वित्त पर स्नातक स्तर के पाठ्यक्रम में शामिल किया गया था, और इसकी टीम के कई सदस्य शिकागो और न्यूयॉर्क में मात्रात्मक हेज फंडों में काम करने गए।
Legacy and Influence
FatKat का प्रभाव शिक्षा जगत से परे फैला। इसकी फीचर इंजीनियरिंग दृष्टिकोण, विशेष रूप से रोलिंग विंडो सामान्यीकरण का उपयोग, 1998 में बेल लैब्स के शोधकर्ताओं द्वारा आर्थिक पूर्वानुमान के लिए तंत्रिका विधियों की खोज करने वाले एक पेपर में उद्धृत किया गया था। सिस्टम ने बाजार सिमुलेशन के लिए जनरेटिव मॉडल में बाद के विकासों का भी अनुमान लगाया था, हालांकि इसमें ट्रांसफॉर्मर वास्तुकला का अभाव था जो 2010 के दशक में उभरेगी।
परियोजना को 1997 में बंद कर दिया गया था जब इसके प्राथमिक संकाय सलाहकार स्टैनफोर्ड विश्वविद्यालय चले गए। FatKat का कोई व्यावसायिक संस्करण कभी जारी नहीं किया गया था, और इसका स्रोत कोड कभी सार्वजनिक नहीं किया गया था। हालांकि, 1994 तकनीकी रिपोर्ट और 1996 अंतिम रिपोर्ट विश्वविद्यालय के पुस्तकालय अभिलेखागार के माध्यम से सुलभ हैं, और वित्त में AI के आधुनिक सर्वेक्षणों में कभी-कभी उनका संदर्भ दिया जाता है।
Comparison with Contemporary Systems
FatKat कई अन्य प्रारंभिक वित्तीय AI प्रणालियों के समकालीन था, जिसमें जापान में एक फुजित्सु-प्रायोजित प्रयास शामिल था जिसने पोर्टफोलियो अनुकूलन के लिए आनुवंशिक एल्गोरिदम का उपयोग किया था और एक एनईसी प्रणाली जिसने मुद्रा ट्रेडिंग के लिए फजी लॉजिक लागू किया था। इन नियम-आधारित या विकासवादी दृष्टिकोणों के विपरीत, ग्रेडिएंट-आधारित सीखने पर FatKat की निर्भरता ने इसे बदलती बाजार स्थितियों के लिए अधिक अनुकूलनीय बना दिया, लेकिन ओवरफिटिंग के लिए भी अधिक प्रवण किया। इसकी मामूली कम्प्यूटेशनल आवश्यकताएं, एक एकल वर्कस्टेशन पर चलने वाली, आधुनिक ट्रेडिंग सिस्टम में उपयोग किए जाने वाले विशेष हार्डवेयर के साथ तीव्र विपरीत थीं, फिर भी ऐतिहासिक डेटा से सीखने का इसका मूल सिद्धांत समकालीन मात्रात्मक वित्त मॉडलों के लिए आधारभूत बना हुआ है।