هوش مصنوعی در خدمت پیشبینی دقیقتر بازار سهام
به گزارش بورس امروز؛ یکی از گزارههای مهم در نظریههای قیمتگذاری دارایی این است که بازده سهام تحت تأثیر مجموعهای از عوامل ریسکی قرار دارد. در سالهای اخیر، جستوجو برای یافتن مهمترین عوامل اثرگذار بر بازده انتظاری شدت گرفته و بخش بزرگی از ادبیات مالی به این موضوع اختصاص یافته است. پس از شکلگیری نظریه پرتفوی مدرن، مدلهای متعددی برای توضیح ارتباط میان بازده اضافی و شرایط بازار توسعه یافتند. با افزایش تعداد این عوامل، موضوع انتخاب مهمترین متغیرها اهمیت بیشتری پیدا کرد؛ زیرا پیشبینی بازده داراییها در محیطی پر از اعوجاج و پیچیدگی، کار سادهای نیست.
مدلهای سنتی اقتصاد مالی تلاش کردهاند ارتباطی منسجم میان عوامل پیشبینیکننده و بازدههای آینده ایجاد کنند، اما به دلیل حضور روابط غیرخطی و پیچیده، دقت کافی به دست نیامده است. همین موضوع باعث شد توجه به روشهای نوین مانند یادگیری ماشینی افزایش یابد.
یادگیری ماشینی که در حوزههایی مانند پردازش زبان طبیعی و تحلیل دادههای پیچیده موفقیتهای چشمگیری داشته، میتواند برای تحلیل دادههای مالی نیز به کار گرفته شود. قیمت و بازده سهام به صورت سریهای زمانی غیرخطی هستند و ویژگیهایی مانند اعوجاج، ابعاد بالا و شکستهای ساختاری دارند؛ بنابراین مدلهای ساده مالی توان کافی برای پردازش و پیشبینی آنها را ندارند.
روشهای یادگیری ماشینی با قابلیت شناسایی الگوهای پیچیده، امکان پیشبینی دقیقتر رفتار بازار سهام را فراهم میکنند. برخی از این مدلها بر پایه رگرسیون و برخی دیگر بر اساس دستهبندی عمل میکنند. حتی سادهترین نمونهها مانند رگرسیون خطی میتوانند در ترکیب با سایر روشها نتایج بهتری ارائه دهند. در میان این رویکردها، مدلهای یادگیری عمیق توانستهاند عملکرد بسیار مناسبی در مقایسه با روشهای متداول نشان دهند.
نکته مهم در استفاده از این مدلها، پایش دقیق شرایط شبیهسازی و دادههاست تا از بروز خطاهای بزرگ و نتایج اشتباه جلوگیری شود. در نهایت، ترکیب روشهای مختلف یادگیری ماشینی میتواند راهی مؤثر برای تحلیل و پیشبینی بازارهای مالی باشد.
پیشبینی قیمتها در بازار سهام با رویکردهای نوین
پیشبینی قیمتها در بازار سهام همواره یکی از دغدغههای اصلی سرمایهگذاران بوده است. برای این کار، روشهای متنوعی وجود دارد که میتوان آنها را به دو دسته کلی تقسیم کرد:
– روشهای گذشتهنگر: این رویکردها با پیروی از الگوهای قیمتی گذشته تلاش میکنند روند آینده بازار را حدس بزنند.
– روشهای آیندهنگر: این دسته با تحلیل سناریوهای مختلف و شرایط احتمالی آینده، مسیر بازار را پیشبینی میکنند.
در سالهای اخیر، یادگیری ماشینی بهعنوان یکی از ابزارهای قدرتمند در این حوزه مطرح شده است. این روشها بر پایه تخمین روابط پیچیده میان متغیرها عمل میکنند و هدف آنها کاهش خطای پیشبینی است. یادگیری ماشینی بهویژه در شرایطی که با مجموعه بزرگی از متغیرها روبهرو هستیم، توانایی بالایی در انتخاب بهترین مدلها و توضیح دقیقتر دادهها دارد.
کاربردهای یادگیری ماشینی در حوزه مالی بسیار گسترده شده است؛ از پیشبینی بازپرداخت وام و ارزیابی اعتبار گرفته تا انتخاب سبد دارایی و تخمین ریسک. این روشها نشان دادهاند که میتوانند عملکردی بهتر از مدلهای سنتی داشته باشند، بهویژه در بازارهایی که با اعوجاج، نوسان و روابط غیرخطی پیچیده مواجهاند.
مدلهای یادگیری عمیق و شبکههای عصبی چندلایه توانستهاند در مقایسه با سایر روشها نتایج قابل توجهی ارائه دهند. این مدلها قادرند الگوهای پنهان در دادههای مالی را شناسایی کرده و پیشبینیهای دقیقتری از روند بازار ارائه کنند. همچنین ترکیب روشهای مختلف مانند رگرسیون، دستهبندی و الگوریتمهای بهینهسازی، دقت پیشبینی را افزایش داده است.
در بازار سهام ایران نیز استفاده از این رویکردها مورد توجه قرار گرفته است. برخی مدلها با ترکیب تحلیل تکنیکال و الگوریتمهای یادگیری ماشینی توانستهاند روند شاخص کل را با دقت بالایی پیشبینی کنند. همچنین استفاده از متغیرهای تکنیکال مانند امواج الیوت یا شاخص قدرت نسبی در کنار الگوریتمهای پیشرفته، نتایج قابل توجهی به همراه داشته است.
به طور کلی، اهمیت پیشبینی روند قیمتها در بازار سهام به دلیل وجود دامنه نوسان و رفتار غیرخطی دادهها بسیار بالاست. روشهای نوین یادگیری ماشینی با توانایی درک این پیچیدگیها، ابزار ارزشمندی برای سرمایهگذاران محسوب میشوند و میتوانند در تصمیمگیریهای مالی نقش کلیدی ایفا کنند.
جنگل تصادفی؛ روشی ساده برای پیشبینی وقتی صحبت از پیشبینی قیمتها یا روند بازار میشود، روشهای مختلفی وجود دارد. در گذشته بیشتر مدلها ساده و خطی بودند، اما مشکل اینجاست که بازار همیشه رفتار خطی ندارد و روابط پیچیده و غیرمنتظرهای میان دادهها شکل میگیرد. همین موضوع باعث شد روشهای جدیدی مثل مدل جنگل تصادفی مطرح شوند.
جنگل تصادفی در واقع مجموعهای از درختهای تصمیم است. هر درخت تلاش میکند بر اساس بخشی از دادهها یک پیشبینی انجام دهد. وقتی تعداد زیادی درخت کنار هم قرار میگیرند، نتیجه کلی دقیقتر میشود. این روش مثل مشورت گرفتن از افراد مختلف است؛ هر کس نظر خودش را میدهد و در نهایت جمعبندی همه آنها باعث میشود تصمیم نهایی مطمئنتر باشد.
مزیت اصلی جنگل تصادفی این است که میتواند روابط غیرخطی و پیچیده میان دادهها را بهتر درک کند. همچنین با تقسیم دادهها به بخشهای کوچکتر، خطاها کمتر میشوند و پیشبینیها قابل اعتمادتر خواهند بود. به همین دلیل این روش در بسیاری از زمینهها، از بازارهای مالی گرفته تا پزشکی و حتی فناوری، کاربرد پیدا کرده و نتایج خوبی نشان داده است.
شبکه عصبی پیشخور؛ مدلی ساده برای درک دادهها
شبکههای عصبی پیشخور یکی از مدلهای پرکاربرد در هوش مصنوعی هستند که برای شناسایی الگوها و پیشبینی نتایج استفاده میشوند. این شبکهها از چند بخش اصلی تشکیل شدهاند:
– لایه ورودی: جایی که دادهها وارد شبکه میشوند. هر داده یا ویژگی، یک نورون ورودی دارد.
– لایههای پنهان: بین ورودی و خروجی قرار دارند و وظیفه آنها انجام محاسبات پیچیده و تبدیل روابط غیرخطی است. هر نورون در این لایهها یک تابع فعالسازی دارد که سیگنالها را پردازش کرده و به لایه بعدی میفرستد.
– لایه خروجی: نتیجه نهایی شبکه در این بخش تولید میشود. این خروجی میتواند یک مقدار یا چندین مقدار باشد، بسته به نوع مسئلهای که شبکه برای آن طراحی شده است.
شبکههای پیشخور میتوانند ساده یا پیچیده باشند. اگر تعداد لایههای پنهان کم باشد، شبکه را «کمعمق» مینامند و اگر تعداد لایهها زیاد باشد، شبکه «عمیق» محسوب میشود. شبکههای عمیق معمولاً برای دادههای بزرگ و پیچیده مناسبتر هستند، در حالی که شبکههای کمعمق برای مسائل سادهتر کاربرد دارند.
بهطور شهودی میدانیم که هرچه شبکه عمیقتر باشد، توانایی بیشتری در شناسایی الگوهای پیچیده دارد. اما این موضوع همیشه به معنای پیشبینی بهتر نیست؛ گاهی شبکههای سادهتر عملکرد مناسبی دارند و سریعتر آموزش داده میشوند.
مدل حافظه طولانیکوتاهمدت (LSTM)
شبکههای حافظه طولانیکوتاهمدت یا همان LSTM یکی از انواع شبکههای عصبی هستند که برای کار با دادههای ترتیبی و سریهای زمانی طراحی شدهاند. این مدلها در سالهای اخیر باعث افزایش چشمگیر دقت در پیشبینیها شدهاند و بهویژه در حوزههایی مثل زبان، صدا و حتی بازارهای مالی کاربرد زیادی پیدا کردهاند.
ساختار کلی LSTM
این شبکه مانند سایر شبکههای عصبی از سه بخش اصلی تشکیل شده است:
– لایه ورودی: دادهها وارد شبکه میشوند.
– لایههای پنهان: جایی که محاسبات اصلی انجام میشود. در این بخش سلولهای حافظه وجود دارند که میتوانند اطلاعات را برای مدت طولانی نگه دارند یا فراموش کنند.
– لایه خروجی: نتیجه نهایی شبکه تولید میشود، مثلاً پیشبینی یک عدد یا روند آینده.
ویژگی خاص LSTM برخلاف مدلهای سادهتر، LSTM دارای سه درگاه اصلی در سلولهای حافظه است:
– درگاه فراموشی: مشخص میکند کدام اطلاعات باید حذف شوند.
– درگاه ورودی: تعیین میکند چه اطلاعات جدید وارد حافظه شود.
– درگاه خروجی: مشخص میکند چه اطلاعاتی بهعنوان خروجی ارائه شود.
این ساختار باعث میشود شبکه بتواند الگوهای پیچیده و روابط غیرخطی را بهتر درک کند. به همین دلیل LSTM برای دادههایی که وابستگی زمانی دارند (مثل قیمت سهام در روزهای مختلف یا متن یک جمله) بسیار مناسب است.
کاربرد ساده فرض کنید میخواهیم روند قیمت یک سهم را پیشبینی کنیم. دادههای گذشته به شبکه داده میشوند، سلولهای حافظه تصمیم میگیرند چه اطلاعاتی نگه دارند و چه چیزهایی را فراموش کنند، و در نهایت خروجی شبکه پیشبینی قیمت روز بعد خواهد بود.
ازدادههای پیچیده تا تصمیمهای هوشمند در بازار مالی
استفاده از روشهای یادگیری ماشینی در پیشبینی دادهها، بهویژه در حوزه مالی و بازار سهام، روزبهروز گستردهتر میشود. ویژگیهای خاص بازار سهام ایران، مانند وجود دامنه نوسان و تفاوت میان معاملات حقیقی و حقوقی، باعث شده این روشها توجه زیادی را به خود جلب کنند.
مقایسه مدلهای مختلف نشان میدهد که روشهای غیرخطی مانند شبکههای عصبی و مدلهای حافظه طولانیکوتاهمدت (LSTM) عملکرد بهتری نسبت به مدلهای خطی دارند. این مدلها توانستهاند روابط پیچیده و غیرخطی میان دادهها را بهتر شناسایی کنند. نکته جالب این است که شبکههای عصبی با عمق کمتر، در بسیاری مواقع دقت بیشتری نسبت به شبکههای بسیار عمیق دارند. همچنین مشاهده شده که پیشبینیها در روزهای منفی بازار سهام معمولاً دقیقتر از روزهای مثبت هستند.
با این حال، هیچیک از این مدلها تضمینی برای ارائه یک استراتژی معاملاتی سودآور ندارند. بهترین دقتها هنوز کمتر از ۸۰ درصد است و همین موضوع نشان میدهد که همچنان جای کار زیادی وجود دارد. برای بهبود نتایج، استفاده از دادههای بیشتری مانند اطلاعات مربوط به سودآوری، فروش و عملکرد شرکتها میتواند مفید باشد. علاوه بر این، در مدلهایی که تعداد متغیرهای ورودی زیاد است، استفاده از روشهای کاهش ابعاد میتواند مانع بیشبرازش شود و دقت پیشبینی را افزایش دهد.
در نهایت، میتوان گفت یادگیری ماشینی ابزار قدرتمندی برای تحلیل و پیشبینی در بازارهای مالی است. هرچه دادههای بیشتری در دسترس باشد و مدلها دقیقتر تنظیم شوند، نتایج قابل اعتمادتر خواهند بود و کاربرد این روشها در تصمیمگیریهای اقتصادی و مالی گستردهتر خواهد شد.
نویسنده: حميدرضا اميري كارشناس ارشد اقتصاد دانشگاه خاتم
منبع: شماره 113 نشریه بورس امروز_ آذرماه 1404
