اگه اهل سرمایهگذاری و بورس و بازی با داراییهای جهانی باشی، حتماً برات پیش اومده که دوست داشتی بدونی مثلاً اگه تو یک صندوق جهانی یا یه شاخص بینالمللی مثل BRICS NIFTY50 پول بذاری، قراره چقدر سود یا ضرر کنی. خب، این کار خیلی ساده نیست چون پای کلی ریسک و نوسان کشورهای مختلف و ماجراهای اقتصادی جهانی درمیونه. حالا این مقاله قراره بهت نشون بده که چطور میشه با روشهای هوشمند پیشبینی به این سؤال جواب داد و حتی به مدیرهای صندوقهای جهانی هم کمک کرد.
خب، اول بگم: BRICS NIFTY50 یه شاخص سهام بینالمللیه که شامل سهام شرکتهای بزرگ کشورهای BRICS (یعنی برزیل، روسیه، هند، چین و آفریقای جنوبی) میشه، و تو بازارهای بزرگ معامله میشه. این یعنی اگه تو این شاخص سرمایهگذاری کنی، با اقتصادها و نوسانهای این کشورها سروکار داری و فقط به رشد یا سقوط یک کشور بسنده نکردی.
حالا اینجا چه خبره؟ پژوهشگرها اومدن یه چارچوب پیشبینی ساختن تا ببینن میشه سود این شاخص رو بهتر و دقیقتر پیشبینی کرد یا نه. برای این کار، از یه تکنیکهای مدرن یادگیری ماشین استفاده کردن. مثلاً Gradient Boosting Regression (GBR) که یه مدل خیلی پرطرفدار تو پیشبینی دادههاست (یعنی یه مدل کامپیوتری که سعی میکنه روابط خیلی پیچیده بین دادهها رو کشف کنه و بهتر پیشبینی کنه). بعلاوه از SHAP استفاده کردن که یه ابزار برای توضیح رفتار مدلهای پیشبینیه — یعنی کمک میکنه بفهمیم مدل دقیقا چرا این عدد رو پیشبینی کرد. به این دسته روشها معمولاً میگن XAI یا «هوش مصنوعی قابل توضیح» که یعنی مدل طوری کار میکنه که دلیل خروجیهاش هم قابل فهم باشه، نه اینکه یه جعبهسیاه باشه.
گام بعدی چی بود؟ بعد از انتخاب مهمترین متغیرها (مثلاً وضعیت بازار هر کشور، عملکرد صنایع، توسعه بخش مالی، و نوسانات نرخ ارز — نرخ ارز یعنی قیمتی که پول هر کشور باهاش به پول کشور دیگه تبدیل میشه)، محققان چند تا مدل مختلف رو امتحان کردن:
- CatBoost: یکی دیگه از مدلهای یادگیری ماشین که حسابی قویه مخصوص دادههای جدولی.
- LGBM یا Light Gradient Boosting Machine: سریع و کممصرف، مخصوص پیشبینیهای بزرگ.
- XGBoost: مدل قوی برای مسائل جدی پیشبینی که حتی تو مسابقات جهانی هم قهرمان میشه!
- Random Forest (جنگل تصادفی): این هم یکی از قدیمیترین و محبوبترین مدلهاست.
- Extra Tree Regressor (ETR): کمی شبیه Random Forest ولی سریعتر و سادهتر.
برای اینکه مدلهاشون فقط به دقت عددی خلاصه نشه و بتونن بگن چقدر واقعاً کاربردی و پایدار هستن، از یه چارچوب به اسم S.A.F.E AI هم استفاده کردن که توش پایداری، دقت و تاثیر هر متغیر مهم رو هم بررسی میکنن.
حالا نتایج چی شدن؟ مدلها نشون دادن که مثلاً نوسان بازار هر کشور، عملکرد صنعتها، پیشرفت بخش مالی هر کشور و مخصوصاً بالا و پایین شدن نرخ ارز، خیلی تو پیشبینی سود این شاخص موثرن. جالبیش اینه که فاکتورهای مربوط به هند، چین و برزیل مهمتر هم بودن. خلاصه، اوضاع اقتصادی این کشورها رو اگه دقیقتر بشناسی، میتونی شانس موفقیتت تو این شاخص رو خیلی بالاتر ببری.
البته بگم: این تحقیق فقط روی همین شاخص انجام شده و برنامه دارن تو آینده روی شاخصها و صندوقهای دیگه هم امتحان کنن.
اهمیت ماجرا برای کیاس؟ یه راهنمای عالیه برای مدیرهای صندوق سرمایهگذاری، سرمایهگذارای جهانی و حتی سیاستگذارها. مثلاً یه سیاستگذار میتونه بفهمه چی باعث جذاب شدن سرمایهگذاری خارجی میشه یا چجوری میشه بازار کشورش رو امنتر و وسوسهبرانگیزتر کرد.
در کل، خاص بودن این تحقیق تو اینه که هم یه روش دو مرحلهای واسه پیشبینی ارائه داده، هم تاثیر متغیرهای اقتصادی خاص هر کشور رو روشن کرده و هم با چندین مدل مختلف دقیق بودن کار رو چک کرده.
حالا اگه دنبال یک راهحل هوشمند و علمی برای پیشبینی سود شاخصهای بینالمللی مثل BRICS NIFTY50 میگردی، این مقاله کلی حرف واسه گفتن داره و میتونه الهامبخش پروژههای بعدی باشه. حسابی باحال!
منبع: +
