Macroeconomic Predictability and Machine Learning in REIT Returns: Out-of-Sample Evidence and Property-Sector Heterogeneity
تخلص هذه الدراسة إلى أنه في حين توفر نماذج تعلم الآلة غير الخطية مكاسب ذات دلالة اقتصادية في التنبؤ خارج العينة لعوائد صناديق الاستثمار العقاري الأمريكية متوسطة الأجل —لا سيّما في قطاع الرعاية الصحية والمدفوعة بالعوامل الاقتصادية الكلية— إلا أنها لا تحقق تفوقاً إجمالياً ذا دلالة إحصائية على النماذج الخطية المرجعية بعد إجراء تعديلات تعدد الاختبارات، حيث تتركز الإشارات التنبؤية في مكونات السلاسل الزمنية الشائعة بدلاً من الاختيار المستعرض.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الاستثمار، تتصرف بعض الأصول مثل الأسهم، بينما تعمل أصول أخرى مثل السندات أو المباني المادية. وتقع صناديق الاستثمار العقاري، المعروفة باسم (REITs)، في المنتصف تماماً بين هذا الانقسام؛ فهي شركات تمتلك عقارات مدرة للدخل مثل مراكز التسوق، والمجمعات السكنية، والمستشفيات، وتتداول في سوق الأسهم مثل أي شركة أخرى. ولأن قيمتها تعتمد على كل من صحة سوق الأسهم والواقع المادي للاقتصاد — مثل أسعار الفائدة، ونمو الوظائف، والتضخم — فإن التنبؤ بأدائها المستقبلي يعد لغزاً معقداً. لعقود من الزمن، حاول المستثمرون والاقتصاديون حل هذا اللغز باستخدام رياضيات خطية بسيطة، بافتراض أنه إذا ارتفع الاقتصاد، فإن هذه الأسهم سترتفع بطريقة يمكن التنبؤ بها. لكن الاقتصاد نادراً ما يكون خطاً مستقيماً؛ فهو يلتوي وينعطف، والعلاقة بين الركود، وارتفاع أسعار الفائدة، وقيمة العقار يمكن أن تتغير بناءً على السياق. وهنا يأتي دور علوم الحاسوب الحديثة، حيث تقدم أدوات يمكنها البحث عن أنماط معقدة وخفية في البيانات قد تغفل عنها الرياضيات التقليدية.
لقد شرع باحث في اختبار ما إذا كانت هذه الأدوات الحاسوبية المتقدمة، المعروفة باسم تعلم الآلة، يمكنها بالفعل التنبؤ بالعوائد المستقبلية لصناديقات الاستثمار العقاري بشكل أفضل من الطرق المعيارية القديمة. قام بجمع كمية هائلة من البيانات التاريخية، متتبعاً 383 شركة عقارية مختلفة على مدار أكثر من عقدين، من عام 2000 إلى عام 2023. غطت هذه الفترة بعض التحولات الاقتصادية الأكثر دراماتيكية في التاريخ الحديث، بما في ذلك الأزمة المالية العالمية، وفترة طويلة من أسعار الفائدة المنخفضة للغاية، والصدمة المفاجئة للجائحة، والتضخم السريع الذي أعقبها. غدّى الباحث النماذج الحاسوبية بمجموعة محددة من القرائن: أسعار الفائدة الحالية، وأرقام البطالة، وبيانات التضخم، وسرعة نمو الاقتصاد، وكيف كان أداء سوق الأسهم الأوسع نطاقاً. ثم طلب من الحاسوب تخمين ما سيحدث لعوائد صناديق الاستثمار العقاري خلال الأشهر القليلة القادمة. ولضمان عدالة الاختبار، قام بتدريب الحاسوب على بيانات سابقة، ثم طلب منه التنبؤ بالمستقبل دون السماح له بالاطلاع على الإجابات مسبقاً.
كشفت النتائج عن قصة أكثر دقة من مجرد انتصار بسيط للتكنولوجيا الجديدة. فعندما طلب الباحث من الحاسوب التنبؤ بما سيحدث في المستقبل القريب جداً — أي بعد شهر واحد، أو شهرين، أو ثلاثة أشهر — لم تكن نماذج تعلم الآلة أفضل من مجرد تخمين يعتمد على متوسط الأداء السابق. وفي الواقع، بالنسبة لهذه الفترات الزمنية القصيرة، كانت النماذج الحاسوبية أسوأ قليلاً من المعايير الأساسية. ومع ذلك، تغيرت القصة عندما نظر الباحث إلى أفق متوسط المدى، وتحديداً عند سؤاله عن التنبؤ بالعوائد التراكمية لفترة ستة أشهر. هنا، بدأت النماذج المتقدمة في إظهار قوتها؛ إذ تمكنت الخوارزميات الأكثر تطوراً، والتي تعمل من خلال بناء العديد من أشجار القرار الصغيرة لإيجاد أنماط معقدة، من تقليل أخطاء التنبؤ الخاصة بها بشكل كبير مقارنة بالطرق الخطية التقليدية. لقد استوعبت حوالي 9.3 في المائة من التباين في عوائد الستة أشهر، وهو تحسن ملموس عن النهج المعياري، الذي كان أداؤه في الواقع أسوأ قليلاً من المتوسط التاريخي البسيط.
وعلى الرغم من هذا التحسن في الدقة، فقد كان الباحث حريصاً على عدم إعلان انتصار كلي. فعندما طبق اختبارات إحصائية صارمة لمعرفة ما إذا كان نجاح الحاسوب هو اختراق حقيقي أم مجرد ضربة حظ، كانت النتائج أقل حسماً. فالتحسينات، رغم كونها ملحوظة اقتصادياً، لم تكن قوية إحصائياً بما يكفي لإثبات تفوق نماذج تعلم الآلة على الطرق القديمة بشكل مطلق عبر جميع المجالات. تشير الدراسة إلى أن النماذج الحاسوبية لا تجد صيغة سحرية تعمل لكل عقار على حدة أو لكل شهر على حدة، بل إنها تلتقط نوعاً معيناً من الإشارات: الحركة المشتركة الواسعة للسوق العقاري بأك}); التي يقودها الاقتصاد العام. النماذج جيدة في توقيت السوق العام، واستشعار متى من المرجح أن ينقلب مد وجزر أسعار الفائدة والتوظيف، لكنها ليست جيدة في اختيار الرابح والخاسر الفردي بين الشركات المختلفة.
اكتشف الباحث أيضاً أن فائدة هذه الأدوات تعتمد بشكل كبير على نوع العقار الذي يتم تحليله. فقد عملت نماذج تعلم الآلة بشكل أفضل مع صناديق الاستثمار العقاري للرعاية الصحية، حيث لم تكن التنبؤات دقيقة فحمة فحسب، بل كانت ذات دلالة إحصائية حتى بعد الاختبارات الصارمة. كما أظهرت العقارات التجارية (التجزئة) بعض الوعود، بينما كانت العقارات السكنية والشركات العقارية المتنوعة تُتنبأ بشكل أفضل بواسطة الطرق التقليدية الأبسط. يسلط هذا الاكتشاف الضوء على أن الاقتصاد يؤثر على أنواع مختلفة من المباني بطرق مختلفة، وأن نموذجاً حاسوبياً واحداً لا يمكنه استيعاب كل الفروق الدقيقة. علاوة على ذلك، أظهرت الدراسة أن النماذج الحاسوبية لم تكن تحفظ الماضي فحسب، بل كانت تتعلم كيفية وزن العوامل الاقتصادية المختلفة، مثل كيفية تفاعل التغيرات في البطالة أو أسعار الفائدة مع بعضها البعض، لتكوين صورة أكثر اكتمالاً للمستقبل.
في النهاية، تقدم هذه الأبحاث منظوراً واقعياً وموضوعياً لدور الذكاء الاصطناعي في التمويل. فهي تثبت أنه بينما يمكن لتعلم الآلة الكشف عن أنماط قيمة في كيفية تأثير الاقتصاد على العقارات، إلا أنه ليس كرة بلورية. تبرز التكنولوجيا عندما تنظر إلى الاتجاهات متوسطة المدى والقطاعات المحددة، لكنها لا تحل محل الحاجة إلى التدقيق الإحصائي الدقيق وفهم أن الاقتصاد هو مشهد متغير. وتخلص الدراسة إلى أن قيمة هذه الأدوات المتقدمة حقيقية ولكنها مشروطة؛ فهي أدوات قوية لفهم الاتجاه العام للسوق، بشرط استخدامها بالتوقعات الصحيحة وتطبيقها على أنواع الأصول المناسبة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.