Statistical and Machine Learning Models for Stock Price and Return Forecasting: An Out-of-Sample Comparison
تُظهر هذه الدراسة أنه في التنبؤ خارج العينة لأسعار وعوائد مؤشر S&P 500، لا تتفوق نماذج التعلم الآلي المعقدة باستمرار على النماذج المرجعية البسيطة مثل السير العشوائي أو فرضية العائد الصفري، مما يسلط الض\\text{ الضوء على أن زيادة تعقيد النموذج لا تضمن تحسين التنبؤات المالية قصيرة الأجل.
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
إن التنبؤ بمستقبل سوق الأسهم هو أحد أكثر التحديات استمرارية في مجال التمويل، ليس لأن البيانات مخفية، بل لأن طبيعة ما يتم التنبؤ به تغير قواعد اللعبة. فعندما ينظر المحللون إلى سعر مؤشر أسهم، فإنهم يراقبون قيمة تميل إلى الاستمرار في نفس الاتجاه، بناءً على تاريخها الخاص مثل قطار ثقيل يصعب إيقافه. وعندما ينظرون إلى العوائد، التي تقيس نسبة الربح أو الخسارة اليومية، فإنهم يراقبون قيمة تتقلب حول متوسط مستقر، وتتصرف كأنها ورقة شجر مضطربة في مهب الريح. لعقود من الزمن، جادل الاقتصاديون حول ما إذا كانت الصيغ الرياضية المعقدة أو خوارزميات الكمبيوتر الحديثة يمكن أن تتفوق على السوق. والسؤال المركزي هو ما إذا كانت هذه الأدوات المتطورة قادرة حقاً على إيجاد نمط لا تستطيع التخمينات البسيطة والمنطقية العثور عليه.
تتناول دراسة حديثة من جامعة نيفادا، رينو، هذا السؤال من خلال التعامل مع هذين النوعين من التنبؤات كمسألتين منفصلتين تماماً. فقد سعى الباحث، سمايلا أموانو، لمعرفة ما إذا كانت النماذج الحاسوبية المتقدمة يمكن أن تهزم معيارين بسيطين للغاية: "السير العشوائي" للتنبؤ بسعر الغد، وتخمين "العائد الصفري" للتنبؤ بتغير النسبة المئوية للغد. فكرة السير العشوائي مباشرة: أفضل تخمين لسعر الغد هو ببساطة سعر اليوم، لأن السوق يتحرك كثيراً بحيث تكون أخبار الأمس قد استوعبت بالفعل في السعر. وتخمين العائد الصفري بسيط بنفس القدر: أفضل تخمين لتغير النسبة المئوية للغد هو صفر، بافتراض أن السوق لن يرتفع أو ينخفض بشكل ملحوظ. ولاختبار ذلك، استخدمت الدراسة إحدى عشرة سنة من البيانات اليومية لمؤشر S&P 500، وهو مؤشر رئيسي يتتبع خمسمائة شركة أمريكية كبرى، واحتفظت بالسنة الأخيرة، 2025، كاختبار غير مرئي تماماً لمعرفة مدى أداء النماذج على أرض جديدة، مع استخدام السنوات من 2022 إلى 2025 أيضاً لإجراء تحليل متانة سنوي إعادة التقدير.
قارنت الدراسة بين أربعة نهج مختلفة. فمن الجانب الإحصائي، استخدمت نموذج ARIMA، وهو طريقة كلاسيكية تبحث عن أنماط في كيفية تغير الأسعار بمرور الوقت، ونموذج ARMA–GARCH، الذي يضيف طبقة لمراعاة حقيقة أن تقلبات السوق تميل إلى التكتل في مجموعات من الأيام الهادئة والعاصفة. ومن جانب تعلم الآلة، اختبرت Random Forest وXGBoost، وهما خوارمان قويان يبنيان العديد من أشجار القرار لإيجاد علاقات معقدة وغير خطية في البيانات. ولم يكن الهدف بناء نظام تداول مثالي، بل معرفة ما إذا كان بإمكان هذه الأساليب التفوق باستمرار على المعايير البسيطة عند اختبارها على بيانات لم ترها من قبل.
كانت النتائج المتعلقة بالتنبؤ بمستوى السعر الفعلي كاشفة. فقد عانت نماذج تعلم الآلة المعقدة بشكل كبير عندما تحرك السوق إلى مناطق جديدة. فخلال سنة الاختبار، ارتفع مؤشر S&P 500 أعلى مما كان عليه طوال إحدى عشرة سنة من البيانات المستخدمة لتدريب النماذج. وعندما تجاوز المؤشر أعلى سعر شاهده الكمبيوتر من قبل، اصطدمت نماذج تعلم الآلة بسقف. لم تستطع التنبؤ بأن السعر سيرتفع لأنها لم تملك أمثلة على مثل هذه الأرقام المرتفعة في بيانات التدريب الخاصة بها. فقد استقرت توقعاتها، عالقة بالقرب من النطاق القديم، بينما استمر السعر الفعلي في الصعود. وفي المقابل، تتبع نموذج السير العشوائي البسيط ونموذج ARIMA الإحصائي السعر الصاعد بشكل أوثق بكثير. وقد أنتج نموذج ARIMA أخطاءً أصغر قليلاً من السير العشوائي، لكن الفرق كان ضئيلاً جداً لدرجة أنه يمكن أن يعزى بسهولة إلى الصدفة بدلاً من كونه ميزة حقيقية.
وعندما انتقل التركيز إلى التنبؤ بالعوائد اليومية، أصبح المشهد أكثر تعقيداً. هنا، كان الهدف هو تخمين التغير المئوي، وليس السعر المطلق. وجدت الدراسة أنه لا يوجد نموذج واحد يتفوق باستمرار على معيار العائد الصفري البسيط. ففي بعض السنوات، قد يكون أحد النماذج هو صاحب أقل خطأ، وفي السنة التالية، قد يتصدر نموذج آخر. وأحياناً، كانت نماذج تعلم الآلة أفضل في تخمين اتجاه الحركة، لكنها لم تكن دقيقة بما يكفي في تحديد حجم الحركة ليُعتبر تحسناً موثوقاً مقارداً بمجرد التخمين بصفر. أما النماذج الإحصائية التي راعت التقلبات المتغيرة فقد أدت أداءً جيداً في بعض المقاييس، لكنها فشلت في إظهار ميزة مستقرة وطويلة الأمد على التخمين البسيط.
تخلص الدراسة إلى أن صعوبة التنبؤ تعتمد كلياً على ما تحاول التنبؤ به. فبالنسبة لمستوى السعر، فإن السوق يتسم بالاستمرارية لدرجة أن أبسط تخمين - بافتراض أن الغد يشبه اليوم - يصعب التغلب عليه بشدة، ويمكن للنماذج المعقدة أن تفشل فشلاً ذريعاً إذا تحرك السوق خارج نطاق خبرتها الماضية. أما بالنسبة للعوائد، فإن الإشارة ضعيفة جداً لدرجة أن أكثر خوارزميات الكمبيوتر مرونة لا يمكنها إيجاد نمط يتفوق بشكل موثوق على تخمين الصفر. وتشير الأبحاث إلى أنه في التنبؤ المالي، لا تؤدي إضافة المزيد من التعقيد تلقائياً إلى تنبؤات أفضل. بدلاً من ذلك، فإن النهج الأكثر موثوقية هو اختبار النماذج مقابل معايير بسيطة وصادقة، والإدراك أنه عندما يتحرك السوق إلى مناطق جديدة وغير مستكشفة، فإن أكثر الأدوات تطوراً قد لا تعرف ماذا تفعل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.