مجید قدس

هدف: بازار سهام یکی از کلیدی ترین عناصر اقتصادهای در حال توسعه است. به همین جهت مطالعات گسترده ای با استفاده از تحلیل های تکنیکال و بنیادی، به پیش بینی سری های زمانی مالی پرداخته اند تا بتوانند به سرمایه گذاران در معاملاتشان یاری رسانند. در همین راستا مدل های یادگیری ماشین توانسته اند به عنوان ابزاری کارآمد برای مسائل گوناگون، نقش آفرینی کنند. اما علی رغم عملکرد قابل توجه مدل های یادگیری ماشین در این حوزه، دو ایراد مهم به آنها وارد است. مسئله اول تفسیرناپذیری نتایج است که در این مدل ها نحوه تبدیل ورودی ها به خروجی ها و یا سهم هر یک از ورودی ها در شکل دادن به خروجی مدل مشخص نمی باشد. دوم، قابل اتکا بودن نتایج حاصل از پیش بینی این مدل هاست که به طور مستقیم از مدل قابل استخراج نمی باشد. به همین جهت در این پژوهش از جدیدترین روش های ارائه شده در حوزه یادگیری ماشین برای پاسخ گویی به این دو مسئله استفاده شده است. روش: با توجه به اینکه در این مدل ها انتخاب ویژگی های ورودی از اهمیت بسیار زیادی در شکل دهی خروجی مدل برخوردار است، در این پژوهش با روشی نظام مند، از طریق مرور سیستماتیک ویژگی های به کارگرفته شده در پژوهش های مرتبط در پنج سال اخیر استخراج شده و نهایتاً 34 ویژگی که داده های آنها به شکل روزانه موجود می باشند به عنوان ورودی مدل انتخاب شده اند. در گام بعد، از مدل تقویت گرادیان طبیعی برای پیش بینی داده های شاخص کل بورس اوراق بهادار تهران از ابتدای سال 1389 تا سال 1403 استفاده شده است. عملکرد این مدل با استفاده از معیارهای RMSE، MAE و MAPE سنجیده شده و با جدیدترین روش های یادگیری ماشین برای پیش بینی سری های زمانی مقایسه شده است. در ادامه از مقادیر SHAP برای تفسیر نتایج مدل تقویت گرادیان طبیعی استفاده شده است و سهم هر یک از ویژگی ها در تخمین خروجی مدل ارزیابی شده است. مقادیر SHAP ابزاری قدرتمند برای سنجش اثرگذاری هر یک از ویژگی های ورودی بر تخمین خروجی فراهم می آورد که اطلاعات ارزشمندی را در اختیار کاربران مدل های یادگیری ماشین قرار می دهد. یافته ها: مقایسه مقادیر خطای مدل ارائه شده با سایر مدل های یادگیری ماشین، نشان از عملکرد بهتر این مدل در پیش بینی دارد. این مدل، برخلاف سایر مدل های یادگیری ماشین که یک پیش بینی به عنوان بهترین حدس را به عنوان خروجی ارائه می دهند، یک توزیع احتمال که بر اساس پارامترهای آن قابل توصیف است ارائه می دهد. شکل توزیع پارامتریک در نظر گرفته شده در این پژوهش تابع توزیع نرمال است که با پارامترهای میانگین و انحراف معیار قابل توصیف می باشد. در واقع مقدار پیش بینی شده، همان میانگین توزیع تخمین زده شده می باشد. برای پیش بینی شاخص بورس اوراق بهادار تهران، اثرگذارترین ویژگی ها قیمت پایانی، اندیکاتور EMA و اندیکاتور SMA هستند. تفسیر پارامتر انحراف معیار پیش بینی انجام شده، نشان می دهد که بیشترین اثرگذاری در این پارامتر را اندیکاتور ATR، قیمت پایانی و TEMA دارند که هر چقدر مقدار نسبی این متغیرها بیشتر باشد، انحراف معیار توزیع تخمینی بیشتر بوده و بنابراین پیش بینی انجام شده قابلیت اتکای کمتری خواهد داشت. نتیجه گیری: مدل تقویت گرادیان طبیعی می تواند به عنوان ابزاری مؤثر در پیش بینی شاخص کل بورس اوراق بهادار تهران مورد استفاده قرار گیرد. تفسیر نتایج با استفاده از مقادیر SHAP، امکان شناسایی مهم ترین ویژگی های ورودی و همچنین نحوه تشکیل خروجی از ویژگی های ورودی را فراهم کرده و به بهینه سازی مدل کمک می نماید. این رویکرد نه تنها دقت پیش بینی را بهبود می بخشد، بلکه به فعالان بازار سرمایه و سیاست گذاران کمک می کند تا تصمیم گیری های آگاهانه تری در مدیریت ریسک و تخصیص منابع داشته باشند. در نهایت، مقایسه با سایر مدل ها نشان می دهد که این روش می تواند به عنوان یک راهکار عملی و قابل اعتماد در تحلیل بازارهای مالی به کار گرفته شود.