AI को उदयले स्पष्ट रूपमा विभिन्न उद्योगहरूलाई असर गरेको छ, र वित्त उद्योग सबैभन्दा बढी प्रभावित भएका मध्ये एक हो। उदाहरणका लागि, गत वर्ष GPT-3.5 जस्ता मोडलहरूको सार्वजनिक प्रक्षेपणले विश्लेषण, जोखिम व्यवस्थापन, र निर्णय लिनेमा कोष प्रबन्धकहरूको क्षमता बढाउन मद्दत गर्न AI को उपयोग गर्न रुचि बढाएको छ।
तसर्थ, AI उपकरणहरू बजार मूल्याङ्कनहरू अझ सटीक बनाउन र जोखिमहरूलाई अझ प्रभावकारी रूपमा व्यवस्थापन गर्न लागू गरिन्छ। पोर्टफोलियो प्रबन्धकहरूले आफ्नो व्यापारमा मेसिन लर्निङ एल्गोरिदम, प्राकृतिक भाषा प्रशोधन, र आर्टिफिसियल इन्टेलिजेन्स उपकरणहरू लागू गर्दा बजारको चालचलनको स्पष्ट मूल्याङ्कन गर्ने, उपयुक्त लगानी छनोटहरूमा संकुचित गर्ने र जोखिमहरू व्यवस्थापन गर्ने अपेक्षा गरिन्छ।
मेशिन लर्निङ एल्गोरिदमको एकीकरण, साथै प्राकृतिक भाषा प्रशोधन उपकरणहरू प्रमुख खेलाडीहरूको व्यापारिक रणनीतिहरूमा, तिनीहरूलाई यी प्रक्रियाहरूको दक्षता बढाउन र छिटो र अधिक सटीक लगानी निर्णयहरू र भविष्यवाणी गर्ने विश्लेषणहरूको साथ प्रतिस्पर्धात्मक लाभ प्राप्त गर्न मद्दत गर्दछ।
पछिल्ला दशकहरूमा, AI वित्त उद्योगका विभिन्न क्षेत्रहरूमा लागू गरिएको छ। ब्याक अफिसमा, ML एल्गोरिदमहरू कार्यान्वयन लगहरूमा विसंगतिहरू फेला पार्न, शंकास्पद लेनदेनहरू पत्ता लगाउन, साथै जोखिमहरू व्यवस्थापन गर्न प्रयोग गरिन्छ, जसले दक्षता र सुरक्षा बढाउँछ। फ्रन्ट अफिसमा, AI ले ग्राहकहरूलाई विभाजन गर्न, ग्राहक समर्थन प्रक्रियाहरू स्वचालित गर्न, र डेरिभेटिभ मूल्य निर्धारणलाई अनुकूलन गर्न मद्दत गरिरहेको छ।
यद्यपि, यसको सबैभन्दा चाखलाग्दो पक्ष भनेको फाइनान्सको खरीद-पक्षको लागि एआई क्षमताहरू हो - बजारको कोलाहलको बीचमा जतिसक्दो चाँडो डेटाको महत्त्वपूर्ण मात्राको विश्लेषण गरेर भविष्यवाणी गर्ने संकेतहरू पहिचान गर्ने। उदाहरणका लागि, त्यस्ता अनुप्रयोगहरूले समय श्रृंखला पूर्वानुमान, बजार विभाजन, र निस्सन्देह, सम्पत्ति पोर्टफोलियोहरू प्रबन्ध गर्न समावेश हुन सक्छ। AI को विशाल डेटासेटहरू प्रशोधन र विश्लेषण गर्ने अवसरहरूले पारम्परिक विधिहरूले सम्भवतः छुटेका सूक्ष्म ढाँचाहरू फेला पार्न मद्दत गर्छन्।
पोर्टफोलियो अनुकूलन धेरै दशकहरु को लागी एक सामान्य अभ्यास भएको छ, डेटा विज्ञान को विकास र उन्नत कम्प्यूटेशनल प्रविधि को कार्यान्वयन को तहत महत्वपूर्ण रूप देखि विकसित। मार्कोविट्सको आधुनिक पोर्टफोलियो सिद्धान्त (1952) र क्यापिटल एसेट प्राइसिङ मोडेल (1964) जस्ता शास्त्रीय दृष्टिकोणहरू 50 वर्ष भन्दा बढी अघि पेश गरिएका थिए तर अझै पनि सान्दर्भिक छन्। जे होस्, गैर-रैखिक जोखिम र ऐतिहासिक डेटामा निर्भरता ह्यान्डल गर्न तिनीहरूको सीमितता दिन प्रति दिन बढी र अधिक स्पष्ट हुँदै गइरहेको छ।
जोखिम मोडलिङ, परिदृश्य विश्लेषण, र क्वान्ट ट्रेडिंग जस्ता अभ्यासहरू, प्रमुख खेलाडीहरू द्वारा व्यापक रूपमा लागू गरिएको, जस्तै रेनेसान्स टेक्नोलोजीहरू, DE शा, र दुई सिग्मा लगानीहरूले थप जटिल र उन्नत एल्गोरिदमहरू कार्यान्वयन गर्न निम्त्याएको छ। थप रूपमा, उद्योग हालका वर्षहरूमा AI द्वारा अत्यधिक प्रभावित भएको छ, किनकि मेसिन लर्निंग र कृत्रिम बुद्धिमत्ताले भविष्यवाणी गर्ने विश्लेषणलाई अझ सटीक बनाएको छ, र व्यक्तिगत लगानी रणनीतिहरू र स्वचालित जटिल निर्णय प्रक्रियाहरूमा पनि त्यस्तै गरेको छ।
यो एआई-संचालित रूपान्तरणले पोर्टफोलियो प्रबन्धकहरूलाई वास्तविक समयमा डाटाको विशाल एरेहरू प्रशोधन गर्न र तीन मुख्य चुनौतीहरू समाधान गर्न सक्षम गरेको छ:
अनुसार
AI द्वारा संचालित सम्पत्ति व्यवस्थापन समाधानहरूमा अपनाउने र लगानी बढाउने र पोर्टफोलियो अप्टिमाइजेसनमा AI को व्यावहारिक प्रयोगलाई हाइलाइट गर्दै।
सम्पत्ति व्यवस्थापन उद्योग भित्र एआई अपनाउने कुनै नयाँ प्रवृत्ति होइन; हालका वर्षहरूमा यसले वृद्धि देखेको छ तर अझै पनि सानो संख्यामा बजार खेलाडीहरू जस्तै हेज फन्डहरू, मात्रात्मक व्यवस्थापन कार्यालयहरू, ठूला अनुसन्धान विभागहरू, र IT सेवाहरू प्रयोग गर्ने वित्तीय संस्थाहरूमा सीमित छ।
AI को लागी आवेदन को धेरै क्षेत्रहरु पहिले नै छन्:
AI ले पोर्टफोलियो निर्माण अप्टिमाइजेसनको प्रक्रियालाई धेरै राम्रो बनाउँछ। उदाहरणका लागि, मार्कोविट्सको आधुनिक पोर्टफोलियो सिद्धान्तको शास्त्रीय दृष्टिकोण, जसले उत्तल अनुकूलन अवधारणाहरूमा निर्भर गर्दछ, समकालीन एआई-संचालित विधिहरूको अग्रगामीको रूपमा कार्य गर्दछ। यो आधारभूत सिद्धान्त यति निर्णायक हुनुको कारण यो हो कि यसले एआई एल्गोरिदमले लगानी रणनीतिहरूलाई थप परिवर्तन र परिष्कृत गर्न सक्ने आधार बनाउँछ।
आजकल, AI डाटाको नयाँ आयामहरू अन्वेषण गरेर र उन्नत विश्लेषणात्मक प्रविधिहरू एकीकृत गरेर यस सिद्धान्तमा विस्तार गर्दछ। यो विस्तारित डाटा क्षमताले थप सूक्ष्म र सूचित निर्णय-निर्धारणको लागि अनुमति दिन्छ - एक अभ्यास जुन उद्योगमा व्यापक रूपमा प्रयोग गरिएको छ।
निश्चित एआई प्रविधिहरू कम्पनीको आधारभूत कुराहरू, समष्टि आर्थिक वातावरण, वा बजार अवस्थाहरूको बारेमा ठूलो मात्रामा डेटा प्रयोग गरेर मात्रात्मक व्यवस्थापनसँग पूर्ण रूपमा उपयुक्त छन्। मेसिन लर्निङ एल्गोरिदमहरूले विभिन्न चरहरू बीच जटिल गैर-रैखिक सम्बन्धहरू फेला पार्न सक्छ र पक्कै पनि, विश्लेषकहरूले गर्न नसक्ने प्रवृत्तिहरू पत्ता लगाउन सक्छन्।
पाठ्य विश्लेषण मौलिक विश्लेषण मा AI को अर्को अनुप्रयोग हो। प्राकृतिक भाषा प्रशोधन (NLP) को प्रयोग गरेर, AI ले कर्पोरेट आय प्रतिवेदन, केन्द्रीय बैंक प्रेस विज्ञप्ति, र वित्तीय समाचार जस्ता पाठ्य स्रोतहरू प्रक्रिया र विश्लेषण गर्दछ। NLP मार्फत, AI ले यस असंरचित डाटाबाट आर्थिक र आर्थिक रूपमा महत्त्वपूर्ण जानकारी निकाल्न सक्छ। त्यसो गरेर, यसले एक मात्रात्मक र व्यवस्थित उपाय प्रदान गर्दछ जसले मानव व्याख्याहरूलाई सुधार र मद्दत गर्दछ।
लेनदेनको जटिलता र गतिको आवश्यकता सन्तुलनमा रहेको AI को शक्तिहरू व्यापारमा अत्यन्त उपयोगी छन्। AI ले वित्तीय बजारहरूमा व्यवस्थित लेनदेनको दक्षतामा सुधार गर्दै प्रक्रियाका धेरै चरणहरूलाई स्वचालित गरेर एल्गोरिदमिक ट्रेडिंगलाई समर्थन गर्दछ।
AI ले कम लागतमा व्यक्तिगत लगानी सल्लाहकार सेवाहरूको फराकिलो प्रस्तावको लागि अवसर खोलेको छ। यी प्रणालीहरूले वास्तविक-समय बजार डेटा प्रशोधन गर्न जटिल एल्गोरिदमहरू प्रयोग गर्छन्, तिनीहरूको फिर्ती उद्देश्यहरू र जोखिम प्रोफाइलहरूमा आधारित व्यक्तिगत ग्राहक आवश्यकताहरूको लागि सबैभन्दा उपयुक्त रणनीतिहरू लिएर आउँदैछन्।
जोखिम व्यवस्थापनमा, एआईले विभिन्न 'सम्भावित तर अवांछनीय' परिदृश्यहरूको मोडेलिङ गरेर सहयोग गर्छ, जसले प्रायः सम्भावित परिणामहरूमा मात्र ध्यान केन्द्रित गर्ने परम्परागत अभ्यासहरूलाई बढावा दिन्छ।
क्लासिकल मेसिन लर्निङ विधिहरू अझै पनि पोर्टफोलियो व्यवस्थापनमा धेरै लोकप्रिय छन्, र ती हुन्: रैखिक मोडेलहरू, साधारण कम वर्गहरू, रिज रिग्रेसन, र लासो रिग्रेसन सहित। यी प्राय: मीन-भेरियन्स अप्टिमाइजेसन प्रक्रिया र एकल मूल्य विघटन (SVD) र प्रिन्सिपल कम्पोनेन्ट एनालिसिस (PCA) जस्ता म्याट्रिक्स विघटन प्रविधिहरूसँग जोडिन्छन्, जुन सम्पत्ति सम्बन्धहरू बुझ्न र पोर्टफोलियो आवंटनलाई अनुकूलन गर्न आधारभूत हुन्छन्।
यी शास्त्रीय दृष्टिकोणहरू र थप आधुनिक विधिहरू बीच अवस्थित समर्थन भेक्टर मेसिनहरू (SVMs) हुन्। यद्यपि SVM हरू अभ्यासमा प्रयोग गरिन्छ, तिनीहरू सामान्य रूपमा तैनात हुँदैनन् तर महत्त्वपूर्ण भूमिका खेल्छन्, विशेष गरी, स्टक प्रदर्शनको पूर्वानुमान गर्ने उद्देश्यले वर्गीकरण कार्यहरूमा।
यी कार्यहरूमा सामान्यतया स्टकले नाफा वा नोक्सान अनुभव गर्नेछ कि भनी भविष्यवाणी गर्ने, स्टक मूल्य उतार-चढाव र व्यापारिक मात्रा सहितको ऐतिहासिक वित्तीय डेटा प्रयोग गरी सम्पत्तिहरूलाई कोटीहरूमा राख्न र तिनीहरूको कार्यसम्पादनको पूर्वानुमान समावेश गर्दछ।
थप आधुनिक विधिहरूको बारेमा कुरा गर्दै, तंत्रिका नेटवर्कहरूले पोर्टफोलियो व्यवस्थापनको लागि मेसिन लर्निङमा प्रमुख प्रगतिहरू देखाउँछन् र जटिल गैर-रैखिक ढाँचाहरू मोडेलिङका लागि सुधारिएका क्षमताहरू प्रस्ताव गर्छन् जुन परम्परागत मोडेलहरूसँग खिच्न गाह्रो हुन्छ। न्यूरल नेटवर्कहरू बाहेक, अन्य शास्त्रीय दृष्टिकोणहरू जस्तै पर्यवेक्षित र असुरक्षित शिक्षाले डेटा विश्लेषणलाई अझ सुधार र परिष्कृत गर्दछ, सूक्ष्म बजार संकेतहरूको खोज र शोषण सम्भव बनाउँदछ।
नयाँ दृष्टिकोणहरू, जस्तै सुदृढीकरण शिक्षा र गहिरो Q-Learning ले यी गुणहरूलाई द्रुत-गतिमा निर्णय गर्ने वातावरणमा ल्याउँछ, जहाँ पोर्टफोलियोहरूलाई बजार प्रतिक्रियाबाट प्रणाली सिकाइको आधारमा वित्तीय परिणामहरूलाई अनुकूलन गर्न वास्तविक समयमा समायोजन गर्न सकिन्छ।
प्राकृतिक भाषा प्रशोधन प्रविधिहरू जस्तै भावना विश्लेषणले अखबारका लेखहरू, सामाजिक मिडिया पोष्टहरू, र विश्लेषक रिपोर्टहरू जस्ता चीजहरूबाट साझा रायहरू छान्न र छनौट गर्न मद्दत गर्न सक्छ। थप रूपमा, पोर्टफोलियो प्रबन्धकहरूले वित्तीय मिडियामा प्रयोग गरिएको भाषाको विश्लेषण गर्न सक्छन्, फर्महरूको आय रिपोर्टहरू सहित, लगानीकर्ताको भावना महसुस गर्न र बजार आन्दोलनहरू भविष्यवाणी गर्न, जुन सबै निर्णय प्रक्रियामा महत्त्वपूर्ण जानकारी हुन्।
उच्च फ्रिक्वेन्सी ट्रेडिङ (HFT) मा विशेषज्ञता राख्ने फर्महरू जस्तै AI-संचालित मात्रात्मक ट्रेडिंग एल्गोरिदमहरू प्रयोग गर्ने कम्पनीहरूले बजारमा केही क्षणको लागि मात्र हुने असक्षमताहरूमा पैसा कमाउँछन्। यी फर्महरूले अत्यन्त उच्च गतिमा सान्दर्भिक बजार जानकारीको विश्लेषण गर्न र मिलिसेकेन्ड जति छोटो समयका लागि सटीक समयका साथ अर्डरहरू राख्न मेसिन लर्निङ प्रविधिहरू प्रयोग गर्छन्।
यस्तो द्रुत कार्यान्वयनले उनीहरूलाई मध्यस्थताका अवसरहरूबाट फाइदा लिन र प्रतिस्पर्धीहरू भन्दा छिटो मूल्य विसंगतिहरूमा कारबाही गरेर नाफा बढाउन अनुमति दिन्छ। जबकि Renaissance Technologies यसको मात्रात्मक व्यापारिक दृष्टिकोणका लागि परिचित छ, यसले मुख्य रूपमा गतिमा केन्द्रित हुने परम्परागत HFT अभ्यासहरूबाट विभिन्न होल्डिङ अवधिहरू समावेश गर्ने यसको फराकिलो रणनीतिलाई ध्यानमा राख्नु महत्त्वपूर्ण छ।
LIME (लोकल इंटरप्रिटेबल मोडेल-अज्ञेयिक व्याख्या) जटिल मेसिन लर्निङ मोडेलहरूको आउटपुटहरू अझ बुझ्ने बनाउन प्रयोग गरिने एक प्रमुख XAI विधि हो। पोर्टफोलियो प्रबन्धनमा, ब्ल्याक-बक्स मोडेलहरूले कसरी भविष्यवाणी गर्छन् भनेर व्याख्या गर्न यो विधि धेरै मूल्यवान हुन सक्छ। इनपुट डेटा प्रयोग गरेर र मोडेल आउटपुटहरूमा प्रभावको विश्लेषण गरेर, LIME ले पोर्टफोलियो प्रबन्धकहरू र डेटा वैज्ञानिकहरूलाई परिभाषित गर्न मद्दत गर्दछ कि कुन सुविधाहरूले लगानी निर्णयहरूलाई अरू भन्दा बढी प्रभाव पार्छ।
यस प्रक्रियाले AI-बढाइएका निर्णयहरूको पारदर्शिता बढाउन मद्दत गर्दछ र यी मोडेलहरू बुझ्न कत्तिको सजिलो हुन सक्छ भनी प्रमाणित गर्न र सुधार गर्ने प्रयासहरूलाई समर्थन गर्दछ। यद्यपि, LIME ले मोडेल व्यवहारको हाम्रो बुझाइलाई सुधार गर्दछ, मोडेलहरूको समग्र विश्वसनीयताको मूल्याङ्कनमा थप प्रमाणीकरण प्रविधिहरू समावेश हुन्छन्।
AI टेकले नियामक ढाँचाहरूको पालना सुनिश्चित गर्न र वित्तीय उद्योग भित्र लगानी प्रतिबन्धहरूको निगरानी गर्न प्रमुख भूमिका खेल्छ। यी प्रक्रियाहरूलाई स्वचालित गरेर, AI प्रणालीहरूले वित्तीय फर्महरूलाई कानुनी मापदण्डहरूमा अझ कुशलतापूर्वक, अझ सटीक रूपमा र समस्यामा नपर्न मद्दत गर्छ। यो प्रविधि लेनदेनको ठूलो मात्रा र विविध पोर्टफोलियो गतिविधिहरूमा अनुपालन अनुगमन गर्न धेरै मूल्यवान छ, जहाँ यसले द्रुत रूपमा (तत्काल, वास्तवमा) नियामक आवश्यकताहरू वा आन्तरिक दिशानिर्देशहरूबाट विचलनहरू पहिचान गर्न सक्छ।
यसबाहेक, AI को प्रयोगले मानवीय त्रुटिको जोखिमलाई कम गर्छ, जुन उच्च दाँव नियामक वातावरणमा महत्त्वपूर्ण छ जहाँ गल्तीहरूले कानूनी र वित्तीय परिणामहरू निम्त्याउन सक्छ।
स्वचालित पुन: सन्तुलनमा AI अनुप्रयोगहरू समयको साथमा आदर्श सम्पत्ति आवंटनहरू कायम राख्न महत्त्वपूर्ण छन्। तिनीहरूले बजार परिवर्तन वा लगानीकर्ताको जोखिम प्रोफाइलमा परिवर्तनको प्रतिक्रियामा पोर्टफोलियोहरू समायोजन गर्न सक्छन्, जसले रणनीतिक लगानी लक्ष्यहरूसँग पङ्क्तिबद्धता सुनिश्चित गर्दछ।
विशेष रूपमा लगानीको लागि डिजाइन गरिएका अनुप्रयोगहरूका अतिरिक्त, सम्पत्ति व्यवस्थापन व्यवसाय भित्र कृत्रिम बुद्धिमत्ताको विकासको सम्भावना व्यापक देखिन्छ। यद्यपि, यस तथ्यको बावजुद हामी सहज रूपमा परिचालन श्रृंखलाको विभिन्न चरणहरूमा विशिष्ट कार्यहरू स्वचालित गर्ने सम्भावना देख्छौं, यो अझै पनि कृत्रिम बुद्धिमत्ताको विघटनकारी शक्तिको पूर्ण अनुमान गर्न गाह्रो छ। यो किनभने AI ले अनुप्रयोगको नयाँ क्षेत्रहरूलाई बढावा दिने अपेक्षा गरिएको छ किनकि थप प्रगतिहरू विकसित हुन्छन्।
हामीले आर्टिफिसियल इन्टेलिजेन्सका सीमितताहरूका साथै यसले पोर्टफोलियो व्यवस्थापनका केही पक्षहरूका लागि निम्त्याउने खतराहरूलाई ध्यानमा राख्नुपर्छ, यद्यपि यसले कृत्रिम बुद्धिमत्ता प्रयोग गरेर प्राविधिक विकास र उत्पादकत्व लाभहरू सम्भव बनाएको छ। पहिलो स्थानमा, आर्टिफिसियल इन्टेलिजेन्स र मेसिन लर्निङ दृष्टिकोणहरू डेटामा भर पर्छन् जुन सिकाइ एल्गोरिदमहरू खुवाउन प्रयोग गरिन्छ।
यो आवश्यक छ कि यो डाटा अपडेट, शुद्धता, पूर्णता, र प्रतिनिधित्व को मामला मा उच्च गुणस्तर को हो।
डाटा को एक धेरै ठूलो मात्रा को लागी आवश्यकता को अतिरिक्त, जो सधैं उपलब्ध छैन, यो मामला हो कि यो डाटा राम्रो गुणस्तर को हुनुपर्छ। अन्य कुनै पनि अवस्थामा, भविष्यवाणी मोडेलहरू प्रयोग गरेर प्राप्त गरिएका निष्कर्षहरू भरपर्दो वा लचिलो छैनन्।
यसबाहेक, एल्गोरिदमहरूले विश्लेषण गरिएको डेटासेटबाट अप्रासंगिक प्रवृतिहरू छानेर गलत अनुमानहरू पनि बनाउन सक्छ, जसले गलत निष्कर्षमा निम्त्याउन सक्छ। यसले ग्रस-स्केल ग्र्याबिङ, जम्पहरू जुन धेरै तीखो छ, र सबैभन्दा सानो सम्भावित दुर्घटनाहरू हुन सक्छ। एउटै एआई एल्गोरिदमहरू प्रबन्ध गर्ने धेरै बजार अपरेटरहरूले एकै समयमा गलत निर्णय गर्न वा वास्तविक-समय परिस्थितिमा समान रूपमा प्रतिक्रिया दिन सक्ने तथ्यको कारणले बजार प्रतिस्पर्धाको हानि हुन सक्छ। यस्तो जोखिम घातक हुन सक्छ।
पोर्टफोलियो व्यवस्थापनमा AI को सम्भावित लाभहरूको बावजुद, कुनै पनि क्षेत्रमा जस्तै, त्यहाँ धेरै चुनौतीहरू छन् जुन हामीले दिमागमा राख्नुपर्दछ र अन्ततः - ठेगाना। मुख्य कठिनाइहरू मध्ये एक AI मोडेलहरूको पारदर्शिता र व्याख्या मुद्दाहरूको सम्भावित अभाव हो, जसले प्रबन्धकहरूलाई AI सँगको उनीहरूको सहकार्यको परिणामहरू व्याख्या गर्न चुनौतीपूर्ण बनाउन सक्छ। यो प्रयोग जटिलता युरोपेली कोषहरूमा AI को अपनाउनु अपेक्षाकृत कम हुनुको एक कारण हुन सक्छ। सेप्टेम्बर २०२२ सम्म,
युरोपेली वित्तीय बजार प्राधिकरण (ESMA)
यस बिन्दुमा, यो देखिन्छ कि कृत्रिम बुद्धिमत्ता अझै पनि सम्पत्ति व्यवस्थापन उद्योगमा वास्तविक व्यक्तिहरूलाई पूर्ण रूपमा प्रतिस्थापन गर्न लामो बाटो छ। यसो भनिएको छ, पारदर्शिता, विश्वासको सम्बन्ध, र ग्राहकहरू र व्यवस्थापन विशेषज्ञहरू बीचको सम्पर्क महत्त्वपूर्ण विशेषताहरू हुन जारी छ, अब पहिले भन्दा बढि।
यद्यपि, हामी इन्कार गर्न सक्दैनौं कि कृत्रिम बुद्धिमत्ताले यसको साथमा नयाँ र रोमाञ्चक उपकरणहरू ल्याउँछ जुन मूल्य श्रृंखलामा प्रयोग गर्न सकिन्छ, र यी उपकरणहरूको सम्भावनाले वास्तवमा उद्योगको आजको रूप परिवर्तन गर्न सक्छ।