Structural Break Detection and Regime-Dependent Financial Time-Series Forecasting Using Change-Point Models and Markov Switching: Evidence from Asia-Pacific Equity Markets
تقيم هذه الدراسة مدى فعالية دمج الكشف عن الانكسارات الهيكلية مع نماذج ماركوف للتحول في التنبؤ بأسواق الأسهم في منطقة آسيا والمحيط الهادئ، حيث وجدت أنه في حين يوفر التكيف المدرك للانكسارات تحسينات انتقائية في معايرة مخاطر الجانب الهبوطي، فإنه لا يتفوق عالمياً على النماذج المرجعية التقليدية لنماذج ماركوف للتحول في توقعات العوائد أو التقلبات.
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
ليست الأسواق المالية آلات تعمل بمجموعة واحدة ثابتة من القواعد، بل هي أنظمة حية تنتقل بين حالات مزاجية مختلفة. فأحياناً تكون هادئة ويمكن التنبؤ بها، وأحياناً أخرى تكون فوضوية وعرضة لتقلبات مفاجئة وعنيفة. لعقود من الزمن، حاول الاقتصاديون بناء نماذج يمكنها التنبؤ بهذه التحركات، آملين في رؤية المستقبل بوضوح. لكن هذه النماذج تواجه مشكلة جوهرية: فهي غالباً ما تفترض أن الماضي هو دليل مثالي للمستقبل. وعندما يتغير طبيعة السوق فجأة — ربما بسبب قانون جديد، أو أزمة عالمية، أو تحول في سيكولوجية المستثمرين — فإن النموذج الذي يتشبث بالبيانات القديمة قد يصبح بطيئاً بشكل خطير في التكيف. الأمر يشبه محاولة الملاحة في عاصفة باستخدام خريطة رُسمت لبحار هادئة.
ولحل هذه المعضلة، طور الباحثون طريقتين رئيسيتين للتفكير في تغيرات السوق. تبحث إحدى الطريقتين عن "تبديلات الأنظمة" (regime switches)، حيث ينتقل السوق بين حالات متكررة، مثل مفتاح ضوء يتنقل بين الهادئ والمضطرب. بينما تبحث الأخرى عن "الانكسارات الهيكلية" (structural breaks)، وهي تغييرات دائمة في القواعد الأساسية للعبة، حيث تصبح الخريطة القديمة غير صالحة تماماً. وهناك فكرة أحدث وأكثر تطوراً تجمع بينهما: استخدام إشارات في الوقت الفعلي للكشف عن متى تغيرت القواعد، ثم تعديل ذاكرة النموذج فوراً للتركيز فقط على التاريخ الأحدث والأكثر صلة. يسأل هذا البحث سؤالاً بسيطاً ولكنه صعب: هل يعمل هذا النهج الذكي والمتكيف بشكل أفضل حقاً من الأساليب الراسخة عند التنبؤ بأسعار الأسهم والمخاطر عبر الأسواق المتنوعة لمنطقة آسيا والمحيط الهادي؟
وضع فريق من الباحثين خطة لاختبار هذه الفكرة باستخدام بيانات من خمسة أسواق رئيسية للأسهم: الهند، واليابان، وهونج كونج، وكوريا الجنوبية، وأستراليا. لقد جمعوا بيانات أسعار يومية لما يقرب من عقدين من الزمن، تغطي كل شيء من الأزمة المالية العالمية إلى الجائحة وما بعدها. كان هدفهم هو معرفة ما إذا كان النموذج الذي يمكنه "سماع" إشارة التغيير ونسيان تاريخه القديم فوراً سيتفوق على نموذج يحتفظ بكل تاريخه، بما في ذلك الأجزاء التي عفا عليها الزمن. لقد بنوا نظاماً يجمع بين نموذج سوق قياسي وكاشف يعمل في الوقت الفعلي. هذا الكاشف، المعروف باسم "كشف نقطة التغيير البايزي عبر الإنترنت" (Bayesian online change-point detection)، يعمل مثل منبه حساس؛ فهو يراقب تقلبات السوق، وإذا استشعر تحولاً مفاجئاً في النمط، فإنه يطلق إنذاراً. وعندما يدق الإنذار، يتم برمجة النموذج لتقليص ذاكرته، والتخلص من البيانات القديمة التي قد لا تعود ذات صلة، وإعادة تدريب نفسه على المعلومات الجديدة.
اختبر الباحثون هذا النموذج "المدرك للانكسارات" مقابل نسخة قياسية لا تقلص ذاكرتها أبداً، وكذلك مقابل عدة أدوات تنبؤ شائعة أخرى. أجروا تجربة صارمة تعتمد على "الخطوة الواحدة للأمام" على مدار 1000 يوم لكل سوق، مما يضمن أن النموذج لا يمكنه استخدام سوى المعلومات المتاحة حتى ذلك اليوم تحديداً، تماماً كما يفعل المستثمر الحقيقي. كما أجروا عمليات محاكاة حاسوبية حيث عرفوا الإجابات الدقيقة مسبقاً، للتحقق من قدرة أدواتهم على تحديد التغييرات عندما تحدث. أظهرت عمليات المحاكاة أن أدواتهم كانت قادرة على إيجاد الأنماط الصحيحة؛ ومع ذلك، فإن الاختبار في العالم الحقيقي روى قصة أكثر تعقيداً.
كشفت النتلائج أنه لا توجد طريقة واحدة "مثلى" للتنبؤ بمستقبل هذه الأسواق. فقد تباينت الأدلة على الانكسارات الهيكلية بشكل هائل من بلد إلى آخر. ففي كوريا الجنوبية، أشارت البيانات إلى ثلاث تحولات متميزة ودائمة في كيفية سلوك السوق. وفي اليابان، لم تظهر البيانات أي انكسارات دائمة على الإطلاق، رغم تعرض السوق لاضطرابات كبيرة. هذا الاكتشاف وحده كان حاسماً: فقد أثبت أن الأسواق في هذه المنطقة لا تتشارك في إيقاع واحد مشترك، وأن ما يصلح لبلد ما لا يمكن تطبيقه بشكل أعمى على بلد آخر.
وعندما تعلق الأمر بالتنبؤ بسعر الأسهم الفعلي في اليوم التالي، لم يربح النموذج الذكي والمتكيف. في الواقع، بالنسبة لمعظم الأسواق، كانت النماذج البسيطة التي تنظر فقط إلى متوسط الأداء السابق أو الاتجاهات الأخيرة تؤدي بشكل جيد أو حتى أفضل. النموذج المعقد الذي حاول باستمرار إعادة ضبط ذاكرته لم ينتج تنبؤات أكثر دقة للأسعار. وفي بعض الحالات، مثل السوق الياباني، كان أداء النموذج المتكيف أسوأ من البدائل الأبسط. وجد الباحثون أن التعقيد الإضافي المتمثل في النسيان المستمر وإعادة التعلم لم يساعد في التنبؤ بعائد اليوم التالي.
تغيرت القصة قليلاً عندما نظر الباحثون إلى التقلب، أو مدى تذبذب الأسعار. هنا، تفوقت النماذج التقليدية التي تحتفظ بتاريخ بياناتها الكامل على النموذج المتكيف بشكل عام. فالنموذل الذي يميل باستمرار إلى تقليص ذاكرته كان يرتكب أخطاء أكبر في التنبؤ بمدى جنون السوق. يبدو أنه حتى عندما يتغير السوق، فإن الاحتفاظ بتاريخ طويل من البيانات يساعد النموذج على فهم الأنماط الأساسية للمخاطر بشكل أفضل من البدء من جديد بصفحة بيضاء. وظل نموذج "عدم إعادة الضبط"، الذي لا ينسى ماضيه أبداً، منافساً قوياً، وكان متفوقاً بشكل ملحوظ في التنبؤ بمتوسط التقلبات في عدة أسواق.
ومع ذلك، وجد النموذج المتكيف أقوى مكان له في التنبؤ بمخاطر الجانب السلبي، وتحديداً "القيمة المعرضة للمخاطر" (Value-at-Risk). وهذا مقياس يستخدمه المصرفيون والمستثمرون لتقدير الحد الأقصى للخسارة التي قد يواجهونها في يوم سيء. ففي السوق الهندية والسوق الأسترالية، قدم النموذج المدرك للانكسارات معايرة أفضل بكثير لهذه المخاطر. فقد تنبأ بتكرار الخسائر الشديدة بدقة أكبر من النماذج الأخرى. وبالنسبة للسوق الهندية، فقد تنبأ بعدد الأيام السيئة بشكل شبه مثالي. وفي السوق الأسترالية، كان أداؤه جيداً جداً أيضاً. لكن هذا النجاح لم يكن عالمياً؛ ففي هونج كونج، كان النموذج المتكيف متحفظاً للغاية، حيث توقع عدداً أقل بكثير من الأيام السيئة مما حدث فعلياً، بينما في كوريا الجنوبية، عانت جميع النماذج في رصد ذيل توزيع المخاطر المتطرف.
كما نظر الباحثون في مدى شدة الخسائر في الأيام التي يتم فيها تجاوز حد المخاطر. وهنا، لم يظهر النموذج المتكيف ميزة واضحة. ففي كثير من الحالات، تنبأت النماذج التقليدية بحجم الخسائر بنفس كفاءة أو حتى أفضل من النموذج المتكيف. وخلصت الدراسة إلى أن قيمة معرفة وجود انكسار هيكلي تعتمد كلياً على ما تحاول التنبؤ به وعلى السوق الذي تراقبه. إنه ليس حلاً سحرياً يحسن كل التوقعات.
في النهاية، تشير الورقة البحثية إلى أن فكرة إعادة ضبط ذاكرة النموذج باستمرار بناءً على إنذارات في الوقت الفعلي هي أداة مفيدة، ولكن فقط لمهام محددة. إنها ليست ترقية شاملة للتنبؤ المالي. فالنهج الأفضل يعتمد على السوق: فبالنسبة لبعض الأسواق، يعد الاحتفاظ بتاريخ طويل أمراً حيوياً؛ وبالنسبة لأسواق أخرى، تساعد الرؤية الأقصر والأكثر تركيزاً. وتعد هذه الدراسة تذكيراً بأن الأسواق المالية متنوعة ومعقدة للغاية بحيث لا يمكن اختزالها في صيغة واحدة مثالية. والاستراتيجية الأكثر فعالية هي فهم الطبيعة المحددة للسوق المعني واختيار الأداة التي تناسب تلك البيئة المحددة، بدلاً من افتراض أن النظام الأكثر تعقيداً وتكيفاً هو دائماً الإجابة الصحيحة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.