تحلیل سری‌های زمانی مالی، دریچه‌ای مهم به سوی درک قوانین پیچیده حاکم بر بازارهای مالی محسوب می‌شود. در میان اهداف متعدد این تحلیل، ساخت مدلی که بتواند اطلاعات مربوط به بازده آتی را از داده‌های تاریخی سهام (مانند قیمت سهام، اخبار مالی و غیره) استخراج کند، از اهمیت ویژه‌ای برخوردار است. برای طراحی چنین مدلی، نیاز به دانش قبلی در مورد چگونگی ارتباط بازده آتی با قیمت‌های تاریخی سهام داریم. این مقاله به بررسی این موضوع می‌پردازد که بازده آتی با چه شیوه‌ای با قیمت‌های تاریخی سهام در ارتباط است.

این مقاله توسط Jia-Yao Yang, Hao Zhu, Yue-Jie Hou, Ping Zhang, Chi-Chun Zhou به رشته تحریر درآمده است. نویسندگان، متخصصین حوزه مهندسی محاسباتی، مالی و علم هستند و تمرکز اصلی تحقیق آن‌ها بر روی کاربرد روش‌های یادگیری ماشین در تحلیل داده‌های مالی، به ویژه پیش‌بینی بازده سهام، قرار دارد. این تحقیق در حوزه‌ی بسیار مهمی از اقتصاد مالی، یعنی پیش‌بینی بازارهای مالی با استفاده از داده‌های تاریخی و تکنیک‌های مدرن یادگیری ماشین، انجام شده است.

چکیده این مقاله به این شرح است: روش‌های یادگیری ماشین موجود در استخراج اطلاعات بازده آتی از قیمت‌های تاریخی سهام با مشکلاتی مواجه هستند. نویسندگان با طراحی مجموعه‌ای از سری‌های زمانی مالی مصنوعی که در آن‌ها بازده آتی با قیمت‌های تاریخی سهام در مدهای از پیش تعیین شده (یعنی ویژگی‌های منحنی‌شکل (CSF) و ویژگی‌های غیرمنحنی‌شکل (NCSF)) مرتبط است، این موضوع را بررسی کرده‌اند. در مد CSF، بازده آتی را می‌توان از شکل منحنی‌های قیمت‌های تاریخی سهام استخراج کرد. با اعمال الگوریتم‌های مختلف موجود بر روی این سری‌های زمانی طراحی شده و سری‌های زمانی مالی واقعی، نویسندگان نشان داده‌اند که:

• اطلاعات اصلی مربوط به بازده آتی در ویژگی‌های منحنی‌شکل قیمت‌های تاریخی سهام وجود ندارد. به عبارت دیگر، بازده آتی عمدتاً با قیمت‌های تاریخی سهام در مد CSF مرتبط نیست.
• الگوریتم‌های مختلف یادگیری ماشین موجود در استخراج ویژگی‌های منحنی‌شکل از قیمت‌های تاریخی سهام بسیار خوب عمل می‌کنند و بنابراین برای تحلیل سری‌های زمانی مالی نامناسب هستند، اگرچه در تشخیص تصویر و پردازش زبان طبیعی موفق بوده‌اند. به عبارت دیگر، در تحلیل سری‌های زمانی مالی، نیاز به مدل‌های جدیدی است که سری‌های NCSF را مدیریت کنند.

روش‌شناسی تحقیق در این مقاله بر پایه دو رویکرد اصلی استوار است:

1. طراحی سری‌های زمانی مصنوعی: نویسندگان، مجموعه‌ای از سری‌های زمانی مالی مصنوعی را طراحی کرده‌اند که در آن‌ها رابطه بین قیمت‌های تاریخی سهام و بازده آتی به صورت کنترل‌شده و مشخص تعریف شده است. این سری‌های زمانی به دو دسته کلی تقسیم می‌شوند:
   • سری‌های CSF: در این سری‌ها، بازده آتی به طور مستقیم با شکل منحنی قیمت‌های تاریخی سهام مرتبط است. برای مثال، اگر قیمت سهام در یک بازه زمانی خاص یک الگوی “سر و شانه” (Head and Shoulders) را تشکیل دهد، ممکن است بازده آتی به صورت مشخصی تحت تأثیر قرار گیرد.
   • سری‌های NCSF: در این سری‌ها، ارتباط بین قیمت‌های تاریخی سهام و بازده آتی به شکل پیچیده‌تر و غیرمستقیمی وجود دارد و نمی‌توان آن را به سادگی از روی شکل منحنی قیمت‌ها تشخیص داد. برای مثال، ممکن است بازده آتی تحت تأثیر حجم معاملات، نوسانات قیمت یا سایر عوامل بنیادی و کلان اقتصادی قرار گیرد.
2. آزمایش الگوریتم‌های یادگیری ماشین: پس از طراحی سری‌های زمانی مصنوعی، نویسندگان الگوریتم‌های مختلف یادگیری ماشین (مانند شبکه‌های عصبی، ماشین‌های بردار پشتیبان و غیره) را بر روی این سری‌ها و همچنین سری‌های زمانی مالی واقعی اعمال کرده‌اند. هدف از این آزمایش‌ها، بررسی این موضوع بوده است که آیا این الگوریتم‌ها می‌توانند با موفقیت اطلاعات مربوط به بازده آتی را از قیمت‌های تاریخی سهام استخراج کنند و اینکه آیا عملکرد آن‌ها در سری‌های CSF و NCSF متفاوت است.

به عنوان یک مثال عملی، فرض کنید که یک معامله‌گر بر اساس تحلیل تکنیکال، الگوی “دوقلو” را در نمودار قیمت سهام شناسایی می کند. اگر این معامله‌گر انتظار داشته باشد که با مشاهده این الگو، قیمت سهام در آینده افزایش یابد، در واقع او بر این باور است که بازده آتی با یک ویژگی منحنی‌شکل (CSF) در قیمت‌های تاریخی سهام مرتبط است. این مقاله به بررسی این موضوع می‌پردازد که آیا این نوع ارتباطات، پایه و اساس محکمی برای پیش‌بینی بازده سهام هستند یا خیر.

یافته‌های کلیدی این مقاله به شرح زیر است:

• عدم وجود اطلاعات اصلی در ویژگی‌های منحنی‌شکل: اطلاعات اصلی مربوط به بازده آتی در ویژگی‌های منحنی‌شکل قیمت‌های تاریخی سهام وجود ندارد. به عبارت دیگر، بازده آتی عمدتاً با قیمت‌های تاریخی سهام در مد CSF مرتبط نیست. این بدان معناست که تکیه صرف بر الگوهای نموداری و تحلیل تکنیکال ممکن است برای پیش‌بینی بازده سهام کافی نباشد.
• نامناسب بودن الگوریتم‌های موجود برای تحلیل سری‌های زمانی مالی: الگوریتم‌های مختلف یادگیری ماشین موجود در استخراج ویژگی‌های منحنی‌شکل از قیمت‌های تاریخی سهام بسیار خوب عمل می‌کنند و بنابراین برای تحلیل سری‌های زمانی مالی نامناسب هستند، اگرچه در تشخیص تصویر و پردازش زبان طبیعی موفق بوده‌اند. این به این دلیل است که این الگوریتم‌ها به گونه‌ای طراحی شده‌اند که الگوهای موجود در داده‌ها را شناسایی کنند، اما در بازارهای مالی، الگوها ممکن است به سرعت تغییر کنند یا توسط عوامل دیگری تحت تأثیر قرار گیرند.
• نیاز به مدل‌های جدید برای مدیریت سری‌های NCSF: در تحلیل سری‌های زمانی مالی، نیاز به مدل‌های جدیدی است که سری‌های NCSF را مدیریت کنند. این مدل‌ها باید قادر باشند ارتباطات پیچیده‌تر و غیرمستقیم بین قیمت‌های تاریخی سهام و بازده آتی را شناسایی کنند.

به بیان ساده‌تر، این مقاله نشان می‌دهد که روش‌های یادگیری ماشین موجود، بیشتر بر الگوهای ظاهری قیمت‌ها تمرکز دارند و قادر به درک عوامل پنهانی و پیچیده‌ای که بر بازده سهام تأثیر می‌گذارند، نیستند.

این مقاله دارای کاربردها و دستاوردهای مهمی در حوزه مالی است:

• راهنمایی برای توسعه مدل‌های پیش‌بینی بهتر: یافته‌های این مقاله می‌تواند به محققان و توسعه‌دهندگان مدل‌های پیش‌بینی بازده سهام کمک کند تا از تکیه صرف بر الگوهای ظاهری قیمت‌ها خودداری کرده و به دنبال شناسایی عوامل پنهان و پیچیده‌تر باشند.
• بهبود استراتژی‌های معاملاتی: آگاهی از محدودیت‌های روش‌های یادگیری ماشین موجود می‌تواند به معامله‌گران کمک کند تا استراتژی‌های معاملاتی خود را بهبود بخشند و از تصمیم‌گیری بر اساس اطلاعات نادرست یا ناکافی اجتناب کنند.
• توسعه روش‌های جدید تحلیل مالی: این مقاله می‌تواند انگیزه‌ای برای توسعه روش‌های جدید تحلیل مالی باشد که قادر به مدیریت سری‌های NCSF و شناسایی ارتباطات پیچیده بین قیمت‌های تاریخی سهام و بازده آتی باشند.

برای مثال، یک شرکت سرمایه‌گذاری که از روش‌های یادگیری ماشین برای مدیریت پرتفوی خود استفاده می‌کند، می‌تواند با در نظر گرفتن یافته‌های این مقاله، مدل‌های خود را به گونه‌ای طراحی کند که علاوه بر الگوهای ظاهری قیمت‌ها، عوامل بنیادی و کلان اقتصادی را نیز در نظر بگیرند.

در نهایت، این مقاله به این نتیجه می‌رسد که روش‌های یادگیری ماشین موجود در استخراج اطلاعات بازده آتی از قیمت‌های تاریخی سهام با مشکلاتی مواجه هستند، زیرا این روش‌ها بیشتر بر ویژگی‌های منحنی‌شکل قیمت‌ها تمرکز دارند و قادر به درک عوامل پنهان و پیچیده‌ای که بر بازده سهام تأثیر می‌گذارند، نیستند. برای پیش‌بینی دقیق‌تر بازده سهام، نیاز به توسعه مدل‌های جدیدی است که سری‌های NCSF را مدیریت کنند و ارتباطات پیچیده بین قیمت‌های تاریخی سهام و بازده آتی را شناسایی کنند. این مقاله گامی مهم در جهت درک بهتر محدودیت‌های روش‌های یادگیری ماشین موجود و توسعه روش‌های جدید تحلیل مالی است.