مسعود وحدتی

هدف: امروزه، یادگیری ماشین به عنوان ابزاری کارآمد در پیش بینی سری های زمانی مالی مورد توجه قرار گرفته است. با این حال، اغلب این مدل ها به عنوان مدل های جعبه سیاه به دلیل عدم شفافیت، موجب کاهش اعتماد به نتایج پیش بینی شده اند. برای رفع این محدودیت، بهره گیری از مدل های هوش مصنوعی توضیح پذیر که امکان تحلیل دقیق ساز و کار پیش بینی را فراهم می آورند، ضروری است. بر این اساس، هدف این پژوهش، توسعه و ارزیابی یک مدل پیش بینی مبتنی بر هوش مصنوعی است که علاوه بر دقت بالا، از قابلیت توضیح پذیری نیز برخوردار باشد. در این راستا، نقش و سهم متغیرهای ورودی در پیش بینی های مدل به طور شفاف مشخص شده و پایداری نتایج آن از نظر دقت و قابلیت توضیح پذیری، با استفاده از روش های اعتبارسنجی متقاطع، به ویژه بخش بندی سری های زمانی، مورد ارزیابی قرار می گیرد. روش: این پژوهش از نظر هدف، کاربردی و از نظر روش، توصیفی- تحلیلی با رویکرد پیش بینی کمّی است که برای نخستین بار در ایران به بررسی قابلیت توضیح پذیری هوش مصنوعی بهینه شده در پیش بینی بازده شاخص قیمت هشت صنعت تولیدی بورس اوراق بهادار تهران می پردازد. داده های پژوهش شامل شاخص های صنایع در بازه زمانی ۱۳۹۷ تا ۱۴۰۲ است که از پایگاه های اطلاعاتی (بورس ویو) جمع آوری شده اند. برای آموزش مدل جنگل تصادفی به عنوان یک مدل یادگیری تجمیعی، متغیرهای تکنیکال، بنیادی و کلان اقتصادی به عنوان ویژگی های مدل، مورد بررسی قرار گرفته اند. همچنین الگوریتم ژنتیک به منظور بهینه سازی هایپرپارامترهای این مدل به کار گرفته شده است. به منظور افزایش شفافیت و اعتمادپذیری مدل، از تکنیک تفسیرپذیری شاپ برای شناخت تأثیر و اهمیت ویژگی ها استفاده شده است. یافته ها: نتایج این پژوهش نشان می دهد که ترکیب الگوریتم جنگل تصادفی با بهینه سازی هایپرپارامترها از طریق الگوریتم ژنتیک و استفاده از روش توضیح پذیری همچون مقادیر شاپ، علاوه بر افزایش دقت پیش بینی بازده شاخص قیمت صنایع تولیدی بورس تهران، شفافیت و اعتمادپذیری مدل را نیز ارتقا می دهد. یافته ها تأکید دارند که متغیرهای تکنیکال، به ویژه شاخص میانگین متحرک نمایی، شاخص همگرایی و واگرایی میانگین متحرک، حجم معاملات و میزان سهام شناور، بیشترین نقش را در بهبود دقت پیش بینی ایفا می کنند. در مقابل، متغیرهای بنیادی همچون نسبت قیمت به درآمد و نرخ بهره و نرخ تورم تأثیرگذارند، اما نقش آن ها نسبت به متغیرهای تکنیکال کمتر است. علاوه بر این، ارزیابی متقاطع سری زمانی، پایداری و تعمیم پذیری بالای مدل پیشنهادی را در دوره های مختلف تأیید می کند. نتیجه گیری: با توجه به هم خوانی نتایج این پژوهش با مطالعات معتبر بین المللی می توان نتیجه گرفت که مدل های هوش مصنوعی توضیح پذیر نه تنها عملکرد خوبی نسبت به مدل های سنتی دارند، بلکه تحلیلگران مالی را در اتخاذ تصمیمات آگاهانه و مؤثر یاری کرده و می توانند نقشی کلیدی در مدیریت ریسک و بهینه سازی سبد دارایی ها ایفا کنند. بدین ترتیب، مدل پیشنهادی با شفافیت عملکرد و قابلیت اطمینان بالا، به عنوان ابزاری مؤثر برای تحلیلگران مالی معرفی شده و افق های تازه ای را در کاربرد هوش مصنوعی توضیح پذیر در صنعت مالی ایران می گشاید.