jusikai.com - मल्टी-एजेंट आधारित स्टॉक रिकमेंडेशन सेवा
(jusikai.com)नमस्ते, मैं 10 साल के अनुभव वाला एक AI इंजीनियर हूँ जो समय-समय पर स्टॉक निवेश करता है.
जब भी मैं व्यक्तिगत रूप से स्टॉक्स पर रिसर्च करता था, तब मुझे कई सिक्योरिटीज़ फर्म ऐप्स और पोर्टल न्यूज़ के बीच आना-जाना करके जानकारी को टुकड़ों में इकट्ठा करना पड़ता था, और यह प्रक्रिया बहुत असुविधाजनक थी.
बाद में AI आने से चीजें काफ़ी सुविधाजनक हुईं, लेकिन hallucination और data freshness की समस्याओं के कारण मुझे कई AI से अलग-अलग पूछकर फिर उन्हें समेकित करना पड़ता था, और यह भी बहुत थकाऊ प्रक्रिया थी.
इन व्यक्तिगत असुविधाओं को हल करने के लिए, मैंने अपने एक परिचित के साथ मिलकर ऐसी सेवा बनाई है जिसमें स्टॉक्स से जुड़ी जानकारी और कई AI (GPT, Gemini, Claude, DeepSeek) के विश्लेषण परिणाम एक नज़र में देखे जा सकते हैं.
सेवा पर सीधे जाएँ
• Stock AI : https://jusikai.com.
विचार और दुविधा के क्षण
इस सेवा को बनाते समय तकनीकी पहलुओं से भी ज़्यादा नीतिगत चिंताएँ और चुनाव सामने आए.
• मॉडल और प्रॉम्प्ट चयन: अब तक इस बात पर बहुत शोध हुआ है कि स्टॉक विश्लेषण के लिए कौन-सा मॉडल अच्छा है, लेकिन आजकल जब लगातार नए मॉडल आ रहे हैं, ऐसे समय में उपयुक्त मॉडल और प्रॉम्प्ट चुनना बिल्कुल आसान नहीं था. मैंने अपनी टीम के साथ मिलकर स्टॉक-वार backtesting data तैयार किया और उसका सक्रिय रूप से उपयोग करके सबसे बेहतर मॉडल चुना. दिलचस्प बात यह है कि हमेशा अच्छा मॉडल ही अच्छा पूर्वानुमान नहीं देता.
• स्टॉक रिकमेंडेशन के मानदंड: सिर्फ़ कोई स्टॉक अच्छा है, इसका मतलब यह नहीं कि वह आज ही ऊपर जाएगा. शायद यही वजह है कि Warren Buffett लंबी अवधि के निवेश पर ज़ोर देते हैं. लेकिन यह हमारी उस शर्त के अनुकूल नहीं था कि हमें रोज़ रिकमेंडेशन देना है, इसलिए हमने short-term (1 सप्ताह) और mid-to-long-term (1 महीने या उससे अधिक) शर्तें बनाई. यह वास्तविक उपयोगकर्ताओं के लिए बहुत सहज और अच्छा रिकमेंडेशन तरीका साबित हुआ.
• डैशबोर्ड सार्वजनिक करना: हम रिकमेंडेशन परिणामों पर मिलने वाले रिटर्न को मॉडल-वार डैशबोर्ड के रूप में हमेशा पारदर्शी तरीके से सार्वजनिक कर रहे हैं. (सौभाग्य से अप्रैल~मई अच्छे रिटर्न दिखा रहे हैं.
• एजेंट skill-up: मॉडल समय-समय पर अपने विश्लेषण का मूल्यांकन करके बाज़ार/स्टॉक-वार skill-up कर रहे हैं. इससे LLM प्रत्येक स्टॉक और बाज़ार की विशेषताओं को बेहतर समझ पाता है, और प्रदर्शन सुधरता है.
• स्टॉक सीमाएँ और LLM मेंटेनेंस लागत: फिलहाल pipeline optimization की समस्या के कारण सेवा केवल सीमित स्टॉक्स पर उपलब्ध है. साथ ही, token usage कम करने के लिए prompt optimization और Context Caching को अधिकतम लागू करने के बावजूद हर महीने कई लाख won की मेंटेनेंस लागत आ रही है, इसलिए sustainability को लेकर चिंता है...
कृपया बेबाक फ़ीडबैक दें.
• मैं GeekNews पर मौजूद उत्कृष्ट इंजीनियरों और मेकर्स के नज़रिए से सलाह लेना चाहता हूँ.
• usability के दृष्टिकोण से: क्या हमारी रिकमेंडेशन शैली और UI आदि वास्तविक उपयोगकर्ताओं को बहुत असहज या अनफ़्रेंडली लगते हैं, यह जानने की जिज्ञासा है.
• इसके अलावा कोई भी bug report या कड़ी आलोचना हो, मैं उसे सहर्ष स्वीकार करूँगा. मैं पूरे वीकेंड लगातार मॉनिटर करूँगा, और जो भी bug तुरंत ठीक किए जा सकते हैं, उन्हें फ़ौरन सुधारकर लागू करूँगा. लंबा लेख पढ़ने के लिए धन्यवाद!
8 टिप्पणियां
क्या शॉर्ट-टर्म और मिड/लॉन्ग-टर्म अनुमान का आधार शायद analysts की reports हैं?
हाँ, बिल्कुल सही! यह रिपोर्ट बनाते समय short-term और mid-to-long-term recommendation scores को अलग-अलग आकलित करके शामिल करने का नतीजा है। short-term में technical indicators और news जैसे signals का प्रभाव ज़्यादा मजबूत होता है, जबकि mid-to-long-term में fundamentals में सुधार को ज़्यादा वज़न दिया जाता है।
मैंने एक बार service देखा। आपने जो मेहनत की है वह दिखती है, लेकिन आपने कहा था कि कड़ी आलोचना भी स्वीकार करेंगे, इसलिए ईमानदारी से लिख रहा हूँ।
यह मान लेना ही जोखिमभरा लगता है कि 4 models की सहमति reliability बढ़ा देती है। gpt, gemini, claude, deepseek आखिरकार मिलते-जुलते internet data पर trained models हैं, इसलिए एक ही stock देखें तो अक्सर मिलती-जुलती बातें करेंगे। सहमति बन गई = reliability चार गुना नहीं, बल्कि एक ही bias के चार बार दोहराए जाने की संभावना ज़्यादा है। ensemble का असर तब आता है जब models एक-दूसरे से independent हों, लेकिन general-purpose LLMs के बीच इसकी गारंटी नहीं है।
राय देने के लिए धन्यवाद! जैसा आपने कहा, सिर्फ़ 4 मॉडल होने से विश्वसनीयता 4 गुना हो जाती है, ऐसा बिल्कुल नहीं है। हालांकि, इसे इस तरह देखा जा सकता है कि वे एक-दूसरे की गलतियों को कुछ हद तक पकड़ सकते हैं। दिलचस्प बात यह है कि एक ही prompt और data देने पर भी हर मॉडल का analysis करने का तरीका और नज़रिया काफ़ी अलग होता है। 4 personas के मामले में भी हमने ऐसे पहलुओं का analysis करके उन्हें ज़बरदस्ती थोपने से बचाने के लिए काफ़ी testing की है। अभी बहुत कुछ सुधारना बाकी है, लेकिन हम इसे और ज़्यादा भरोसेमंद service बनाने के लिए आगे भी लगातार विकसित करते रहेंगे! हमारी service को देखकर अपनी राय देने के लिए आपका सच में बहुत धन्यवाद।
जवाब के लिए धन्यवाद! "एक-दूसरे की गलतियां पकड़ लेते हैं" वाले हिस्से पर बस संक्षेप में जोड़ूं तो, मॉडल्स की सतही दृष्टि भले अलग हो, लेकिन एक ही समय और एक ही corpus पर ट्रेन होने की वजह से वे अक्सर एक जैसी तरह की गलतियां साथ में करते हैं। तब भले ही majority vote से सहमति बन जाए, वह गलती फ़िल्टर होने के बजाय उल्टा और मज़बूत हो सकती है.
अगर संभव हो तो इसे एक बार मापकर देखना मैं recommend करूंगा। अगर आप backtest data में यह तुलना करें कि मॉडल 4 के विचार (a) एक जैसे थे और (b) अलग-अलग थे, तब बाद की return distribution कैसी रही, तो अगर (a) का परिणाम (b) से meaningful तरीके से बेहतर आता है, तो majority vote effect का empirical प्रमाण मिलेगा। और अगर कोई खास फर्क न हो, या उल्टा (b) बेहतर निकले, तो यह इस बात का संकेत हो सकता है कि वह सहमति बनी हुई noise के ज्यादा करीब है। यह ऐसा hypothesis है जिसे आप अपने पहले से बने data पर तुरंत चला सकते हैं, इसलिए एक बार देखेंगे तो शायद दिलचस्प लगेगा!
अच्छे सुझाव के लिए धन्यवाद। वास्तव में, सभी मॉडल जिन स्टॉक्स की सिफारिश करते हैं, वे हमेशा उच्च रिटर्न देने वाले नहीं होते। मैं इस हिस्से को स्टॉक्स की उस विशेषता से जोड़कर सोच रहा था कि जितना अधिक risk होता है, उतना अधिक return हो सकता है, लेकिन यह दिलचस्प सुझाव देने के लिए धन्यवाद :)
ओह.. जब कहते हैं कि पूरा खरीद लो, तो उंगलियां सच में फड़कने लगती हैं~
अच्छे से इस्तेमाल करूंगा, हाहा
जी धन्यवाद haha