عدم اطمینان مربوط به مدل

یکی از بزرگترین نقایص تعریف اخیر از کارایی بازار این است که عدم اطمینان سرمایه‌گذاران راجع به "بهترین" مدلی را هنگامی که برای پیش‌بینی بازده آتی بکار می‌برند را در نظر نمی‌گیرد. در دنیای واقعی، سرمایه‌گذاران با یک مشکل بزرگ روبه‌رو هستند و آن اینکه باید یک مدل خاص یا ترکیبی از مجموعه مدل‌های پیش‌بینی را از بین فضای گسترده و مدل‌های پیش‌بینی متعدد انتخاب نماید.

این عدم اطمینان بنیادی درباره بهترین یا حتی یک مدل پیش‌بینی با سطح موفقیت معقول و مناسب نیز دلیلی است بر اینکه چرا قابلیت پیش‌بینی می‌تواند به "هر دوره زمانی" در هر محل وجود داشته باشد. سرمایه‌گذاران با اعتقادات مختلفی که نسبت به هم دارند براساس اطلاعات تقریباً مشابه در پی انتخاب بهترین مدل پیش‌بینی که ممکن است برای یک مقطع زمانی مشخص خوب جواب دهد می‌باشند. برای مثال معیار اطلاعاتی از قبیل AIC یا  BIC در انتخاب مدل بسیار معمول هستند که با هم تداخلی هم ندارند. به هر حال سرمایه‌گذاران می‌توانند مدلی را انتخاب نمایند که به لحاظ روند گذشته و قبلی آن بهترین و بالاترین نتیجه مربوط به یک معیار مالی خاص را پیش‌بینی نموده است.

اگر عاملین مدل پیش‌بینی را به درستی و کامل نشناسند، در نتیجه کمتر به استفاده از توابع ریاضیاتی انتظارات در تعاریف کارایی بازار تمایل خواهند داشت. در عوض تعریف یک بازار به صورت کارایی محیطی بجا با توجه به مجموعه اطلاعات 12خ©t' type="#_x0000_t75">، و مدل پیش‌بینی 12mitzt,خ¸t' type="#_x0000_t75"> که از بین یک مجموعه از مدل‌های موجود انتخاب شده است، 12Mt' type="#_x0000_t75">  اگر:

 

(9)                                                    12EftRt+1*,mitzt;خ¸t,ct=0' type="#_x0000_t75">

 

در اینجا 12خ¸t' type="#_x0000_t75"> یک بردار از پارامترهایی است که با استفاده از یک سری اطلاعات در زمان 12t' type="#_x0000_t75"> و زیر مجموعه‌ی مجموعه اصلی یعنی 12خ©t' type="#_x0000_t75"> می‌باشد. اندیس 12t' type="#_x0000_t75"> در 12Mt' type="#_x0000_t75"> نشان‌دهنده تنها مدل‌هایی است که در زمان 12t' type="#_x0000_t75"> می‌تواند در مدلسازی‌های مورد استفاده قرار گیرند. ما به دنبال "مدلی" هستیم که بتوانند در برگیرنده همزمان عوامل متعددی از قبیل نوع تابع، متغیرهای پیش‌بینی، روش برآورد و انتخاب دوره مورد بررسی نمونه (محدوده تعمیم، تعمیم دادن، کاهش هموارسازی نمایی و غیره) باشد.

با فرض عدم وجود هزینه‌های معاملات، 12Rit+1*' type="#_x0000_t75"> ارزش پیش‌بینی شده 12Rt+1*' type="#_x0000_t75">  بدست آمده از 12i' type="#_x0000_t75"> مین مدل پیش‌بینی است، لذا خوهیم داشت:

 

                                (10)                               12ERt+1*Rit+1*=0' type="#_x0000_t75">

 

ما می‌توانیم تصور کنیم که برخی مدل‌ها قبل از کشف آنها توان پیش‌بینی داشتند (مثلاً مدل شبکه‌های عصبی در دهه 1960 به‌خوبی کار می‌کرد). این به معنی نقض فرضیه بازار کارا براساس معادله شماره 10 نیست، زیرا این قبیل مدل‌ها نمی‌توانند یکی از اعضای مجموعه مربوط 12Mt' type="#_x0000_t75"> باشند. اگرچه مدل شماره 5 که بر پایه انتظارات عمومی استوار است این فرضیه را نقض می‌کند. به عبارت دیگر فرضیه بازار کارا در این تعریف سودهای ناشی از تکنیک‌های پیش‌بینی جدید را رد نمی‌کند. آخرین تکنیک ممکن است قبل از اینکه کاربردشان فراگیر شود و ایجاد سود متوقف گردد یک دوره "ماه عسل" داشته باشد. این مساله انگیزه اقتصادی را در توسعه روش‌های مذکور در نخستین گام تشریح می‌کند.

اگر بازار در هیچ مقطع زمانی و حتی در سطح بازارهای بومی کارا نباشد، ممکن است یک فاصله زمانی وجود داشته باشد بدین صورت:

 

                               12Y=tbeg,…,tend' type="#_x0000_t75">  ,               120≤tbeg≤tend≤T' type="#_x0000_t75">

 

که این فاصله زمانی تشکیل یافته از مجموعه‌ای از نقاط، 12t∈0,1,…,T' type="#_x0000_t75">، و یک مدل پیش‌بینی (مثلاً در زمان 12tbeg-1' type="#_x0000_t75">) براساس روش پیش‌بینی منتخب از بین مدل‌های موجود:

                  (11)         12EftRt+1*,mitzt;خ¸t,ct>0 ,for all t∈Y' type="#_x0000_t75">

 

و یا در صورت صفر بودن هزینه معاملات:

                      (12)                           12ERt+1*,Rit+1*>0 ,for all t∈Y' type="#_x0000_t75">

 

برعکس، اگر یک بازار در افق زمانی مشخص مثل 12د„' type="#_x0000_t75"> در طول فاصله زمانی مذکور، بطوریکه داشته باشیم 12tend-tbeg+1≤د„' type="#_x0000_t75"> ، برمبنای کلیه مدل‌های 12mit∈Mt' type="#_x0000_t75"> کارا است، یعنی معادله شماره 10 در صورتی که فاصله زمانی کمتر از 12د„' type="#_x0000_t75"> داشته باشد. اگر هزینه‌های معاملات و اثرات بازار نیز لحاظ شوند، محدودیت‌های کمی خاصی را نیز در سودهای مورد انتظار می‌تواند ایجاد کند.

بنابراین یک بازار کارا بازاری است که در قابلیت پیش‌بینی بازده دارایی‌ها، پس از هزینه‌های معاملات و تغییرات زمانی صرف ریسک، می‌تواند هنوز وجود داشته باشد ولی در سطح "بومی و در یک برهه زمانی" در محیطی که الگوهای قابلیت پیش‌بینی توسط گروه بزرگی از سرمایه‌گذاران کشف و تعیین می‌شوند، آنها سریعاً از طریق معاملات این سرمایه‌گذاران افشاء خواهند شد.

در یک سطح مفهومی‌تر حتی می‌تواند این سوال مطرح شود چرا بر حسب شرایط موجود بر پیش‌بینی ( 12Mt' type="#_x0000_t75"> ) و فن‌آوری معاملات ( 12ft,ct' type="#_x0000_t75"> ) منطقی به نظر می‌رسد که در یک نقطه زمانی وجود دارد. برای مثال، فرض کنید که کاربرد مدل‌های ARCH-in-mean  برای پیش‌بینی ساعتی بازده‌ها می‌تواند وسدمند واقع شود در صورتیکه این تکنیک‌ها سال‌های کمی قبل از آنکه بطور واقعی در تحقیقات به عمل آمده توسط انگل، لی‌لاین، و روبینز (سال 1978) کشف شوند، توسعه داشته باشند. اگر به زودی توسعه این قبیل مدل‌‌ها ممکن و ارزان باشد، بازارهای مالی با توجه به کاربرد تکنیک‌های پیش‌بینی موجود کارا خواهند بود اما شاید نسبت به توسعه و گسترش تکنیک‌های جدید ناکارا خواهد بود. در حالیکه این تفکرات فراتر از سفته‌بازی به‌نظر می‌رسند، آنها نشان دهنده افزایش آگاهی ما از عدم اطمینان موجود در رابطه با ویژگی‌ها و خصوصیات یک مدل و تکنیک‌های پیش‌بینی می‌باشند.

الف- بررسی خصوصیات یک مدل و ارزیابی پیش‌بینی

اغلب پیش‌بینی‌های قبل از اینکه انتخاب شوند با استفاده از چندین مدل مختلف محاسبه شده‌اند. هنگام ارزیابی عملکرد یک مدل پیش‌بینی خاص می‌بایست به اثر بررسی خصوصیات مدل که اولی‌تر از انتخاب آن است توجه خاص نمود. ضروری است که سوال شود چرا یک مدل از بین مجموعه بزرگی از مدل‌های موجود انتخاب و در عملکرد مدل‌ها بهینه‌یابی نماید (که نقطه شروع کارایی محسوب می‌شود). فرض کنید 12Nt' type="#_x0000_t75"> مدل براساس این شرایط وجود داشته باشد. سپس ما آزمون خواهیم کرد که چرا، حسابداری برای بررسی مدل‌های مجموعه 12Nt' type="#_x0000_t75">، بهترین مدل در واقع بهینه‌گزینی عملکردها است: 12 ' type="#_x0000_t75">

                                        12 H0:max EftRt+1*,mitzt;خ¸t,ct≤0 i=1,…,Nt' type="#_x0000_t75">

 

برای اطلاعات بیشتر در رابطه با آزمون این فرضیه به تحقیق سالیوان، تایمرمن و وایت (سال 2002) مراجعه نمایید. اگر فرضیه صفر رد شود، نشان می‌دهد که بهترین مدل پیش‌بینی توان پیش‌بینی کنندگی درستی داشته است.

براساس اطلاعاتی که در فرم نمونه بازده دارایی‌ها ارائه می‌شوند، در هر زمان معین دقیقاً چندین مدل پیش‌بینی وجود خواهد داشت که در خور اطلاعات موجود باشد. با توجه به مجموعه کامل مدل‌های بکار رفته در بررسی و ارزیابی شفاف عملکرد بهترین مدل پیش‌بینی به‌عنوان نتیجه بهترین انتخاب از بین مجموعه اطلاعات سری و جاسوسانه دنیای واقعی است.

بسیاری از تحقیقات سعی دارند از طریق ارائه شواهدی مبنی بر اینکه یک مدل خاص در یک دوره معین می‌تواند بازده مالی را پیش‌بینی کند فرضیه بازار کارا را رد نمایند. باید توجه داشت که تحت شرایط خاص و براساس یک مدل خاص، بطوریکه 12mit*∈Mt' type="#_x0000_t75">، و اینکه نشان داده شود می‌تواند برای پیش‌بینی بازده دارایی مالی بکار ‌رود برای نقض فرضیه بازار کار کافی نیست.

حتی اگر مدلی مثل 12mit*' type="#_x0000_t75"> پیدا شود که محدود به یک دوره زمانی معین نباشد، ولی همچنان مشخص نیست که سرمایه‌گذاران همین مدل پیش‌بینی را انتخاب کنند. بدین ترتیب برای آزمون فرضیه بازار کارا، می‌بایست هم مجموعه مدل‌های پیش‌بینی 12Mt' type="#_x0000_t75"> و هم مجموعه تکنیک‌های بررسی 12St' type="#_x0000_t75"> معین و مشخص شده باشند.

 

اطلاع داشتن و عدم ثبات بازده

چون همواره عقاید و نظرات سرمایه‌گذاران بر فرآیند قیمت‌گذاری دارایی‌ها تاثیرگذار می‌باشد، حتی اگر عواید حاصله از قبیل سود نقدی یا کوپن سود ثابت و بدون تغییر باشند بازهم ممکن نیست که بهترین مدل پیش‌بینی همچنان ثابت باقی بماند. هر یک از مدل‌های پیش‌بینی مراحل موفقیت، ارزش نزولی و حذف را طی می‌کنند. سختی کار انتخاب مدل پیش‌بینی موفق با توجه به ماهیت تغییرپذیری بیش از حد سری‌های بازده مالی آشکار می‌شود.

جایی که می‌توان انتظار داشت این اثرات دیده شوند در مبحث ادبیات 'بی‌قاعده‌گی‌های' بازار مالی می‌باشد. در این ادبیات شواهدی یافت  می‌شود مبنی بر اینکه سهام شرکت‌های همراه با سفارش بالا به قیمت‌های بازار و ارزش بازار پایین‌تر بازده‌های بیشتری را در مقایسه با مدل‌های صرف ریسک استاندارد ایجاد و پرداخت می‌کند. همچنین نشان می‌دهد که روند فراوانی بازده در یک بازه زمانی معین غیرنرمال می‌باشد (مثلاً در ژانویه، یا در روزهای آخر هفته. لاکونیشوک و اسمیت (1988) و تالر (1987)).

الف- خودکشی قابلیت پیش‌بینی

خودکشی قابلیت پیش‌بینی یکی از موارد بی‌قاعدگی که بصورت "دانش عمومی" درآمده است، که ما انتظار داریم در نمونه‌های آتی مشاهده نشود. این امر به آسانی می‌تواند تحقق یابد زیرا که بی‌قاعدگی در وهله اول ساختگی به نظر می‌رسد، نتیجه‌ای از افزونی "ذخایر اطلاعاتی". در این مورد هیچ دلیلی وجود ندارد که باید در دوره‌های بعدی نیز تکرار شود. بنابراین اگر این بی قاعدگی ماهیتاً واقعی هم باشد، انتظار می‌رود که انتشار آن سرمایه‌های جدید قابل توجهی را به سوی الگوی قابل پیش‌بینی و خروج از آن فرآیند جلب نماید. این مساله هرگونه آزمون آماری را در رابطه با قابلیت پیش‌بینی پیچیده‌تر می‌نماید.

برای بررسی دلیل "خودکشی" مدل‌های پیش‌بینی در یک بازار کارا، فرض کنید که یک مدل پیش‌بینی خاص دقیقاً پیش‌بینی می‌کند که شرکت‌های کوچک در دوران بحران‌های اقتصادی بازده بیشتری را خواهند داشت نسبت به شرایطی که منطبق بر صرف ریسک‌شان باشد. سرمایه‌گذارانی که آن گروه از مدل‌های پیش‌بینی را مورد استفاده قرار می‌دهند که این "بی‌قاعدگی" را تشخیص می‌دهد قاعدتاً سهام شرکتهای کوچک را خریداری می‌کنند در مواقعی که اعتقاد بر آن است که شرایط اقتصادی بحرانی می‌باشد. این امر باعث خواهد شد قیمت سفارش خریدشان افزایش و به تبع آن بازده کمتری روی این سهام در دوران بحران داشته باشند.

برای بازار تا زمانی این مساله قابل هضم خواهد بود که بطور منطقی تکمیل شود و با تاکید بر اینکه الگوهای با قابلیت پیش‌بینی (ضعیف) می‌تواند برای آن مدت زمان دوام داشته باشند. اگرچه یک سرمایه‌گذار بصورت انفرادی که یک مدل پیش‌بینی موفق را هنوز نیافته است ممکن است که در برابر این مدل واکنش نشان دهد، و لذا قیمت خرید یک دارایی را که زیر قیمت است افزایش داده و یا در مورد یک دارایی با قیمت بالای قیمت واقعی، قیمت را کاهش دهد. واکنش این یک نفر نمی‌تواند واکنش کل بازار را در جهت تعدیل قیمت‌ها در پی داشته باشد. بعلاوه، سرمایه‌گذاران دیگری هستند که به دنبال یافتن مدل‌های مشابه می‌باشند و سرمایه‌های جدیدی را برای بهره‌بردن از این الگوها تخصیص می‌دهند. تحت چنین شرایطی قابلیت پیش‌بینی بیشتر شبیه زمان حاضر در بازارهای بی‌ثبات است که نمایان کردن آن بسیار مشکل‌تر است و نیز برآورد یک مدل پیش‌بینی که منجر به سودآوری ناشی از پیش‌بینی شود.

صرفنظر از مثال، قابلیت پیش‌بینی ضرورتاً نشان‌دهنده قابلیت پیش‌بینی موجود در مثال نیست. در نبود اثرات فراگیری/اطلاعاتی، بازده در بازارهای مالی اغلب ثابت فرض می‌شود بدین ترتیب آزمون‌های فارغ از مثال در مورد قابلیت پیش‌بینی می‌تواند بکار برده شود برای ارائه آزمون‌هایی از قابلیت پیش‌بینی واقعی به گونه‌ای که کنتلی برای افزایش ساختگی ممکن ناشی از منابع اطلاعاتی باشد. تفسیر نتایج چنین آزمون‌هایی در بازارهای مالی کالماً دشوار است بطوریکه سرمایه‌گذاران بصورت پیوسته در حال فراگیری و دریافت اطلاعات در مورد فرآیند تولید اطلاعات از طریق تکنولوژی‌های جدید پیش‌بینی هستند. اگر کشف الگوهای قابل پیش‌بینی برای بازار به طول انجامد، این قبیل الگوها ممکن است در یک زمان معین ارائه شوند ولی یکی از آنها بصورت عمومی و فراگیر ظاهر نشود. بدین ترتیب نبود نمونه‌هایشان در قالب مثال ممکن است ارائه نکند که قابلیت پیش‌بینی در مثال/ مورد نخستین واقعی نبوده است.

خصوصیات مدل و برآورد پارامترهای برگشتی می‌تواند به خروج ex-post قابلیت پیش‌بینی در بازده‌هایی شود که علی‌ررغم این مساله ممکن نبود در "زمان واقعی" بوقوع بپیوندد. فرض کنید بازده‌های یک سهم در یک نمونه خاص همبستگی پیوسته را نشان می‌دهد. این ویژگی نشان می‌دهد که یک مدل ARMA ساده می‌توانست برای ایجاد سود بکار رفته باشد. یک چنین نتیجه‌گیری البته نادرست است، تایمرمن (سال 1993) نشان می‌دهد به‌روزرسانی برآورد پارامترها توسط سرمایه‌گذاران منجر به ex-post همبستگی پیوسته در بازده‌ها می‌شود حتی اگر در "زمان واقعی" این امر وجود نداشته باشد. در نظر بگیرید که قیمت جاری یک دارایی به مدلی که در زمان حال توسط سرمایه‌گذار بکار می‌رود بستگی دارد، 12mi' type="#_x0000_t75">، لذا برآورد پارامترها به این صورت خواهد بود، 12Pt=خ·mitخ¸t,zt' type="#_x0000_t75">. بطور مشابه، قیمت دوره بعد نشان خواهد شد انتخاب مدل در این زمان و پارامترهای برآوردی آن را : 12Pt+1=خ·mit+1خ¸t+1,zt+1' type="#_x0000_t75">. وابستگی ساده بین 12mi' type="#_x0000_t75"> و 12خ¸' type="#_x0000_t75"> می‌تواند منجر به یک همبستگی پیوسته در سری زمانی نرخ بازدهای اضافی شود،

نیستن

======

بنابراین، این شرایط نمی‌تواند نشان دهد که:

12د„≤T' type="#_x0000_t75">                             , 12E,=0' type="#_x0000_t75">

اختلاف بین استفاده از کل نمونه 12خ¸T' type="#_x0000_t75"> یا برآورد پارامترهای بازگشتی (یا زمان-واقعی) مثل 12خ¸t' type="#_x0000_t75"> یا خصوصیات مدل 12mit,mit+1' type="#_x0000_t75"> می‌تواند به وضوح با اهمیت باشد.

با توجه به اینکه بازده‌ها به همان اندازه‌ای که به مدل انتخاب شده بستگی دارد به برآورد پارامترهای به‌روز شده،            فرمول   ، توزیع بازده‌ها براساس شرایط متغیرهای پیش‌بینی سرمایه گذاران احتمالاً بی ثبات / پویا/در حال تغییر باشد. این هم به ارزشیابی پیش‌بینی و هم در ساختار مدلهای پیش‌بینی بکار می‌رود.

4.2. شواهد تجربی

به نظر می‌رسد هیچ تحقیقی از کارایی‌های بازار وجود نداشته باشد که بر نشانه‌های فرضیه بازار کارا در مورد بی ثباتی / پویایی در بازده‌ها تاکید می‌کند که ما بر آن تاکید داشته ایم. برای مثال، فاما (سال 1991) اساساً بر کارایی اطلاعاتی قیمت های اوراق بهادار تاکید دارد. بنابراین، برخی از تحقیقات اخیر شواهد تجربی را در مورد بررسی و مطالعه قرار می‌دهند که به نظر می‌رسد هماهنگ با نظریه خودکشی الگوهای قابل پیش‌بینی در بازده‌هایی که قبلاً در قابلیت پیش بینی مستندسازی شده در یک زمان نهان می‌شود که اجماع ضروری است که الگوهای قابل پیش‌بینی ارائه می‌شوند.

دایمسون و مارش (1999) یافتند که صرف سرمایه کم در بازار سرمایه انگیس پس از آنکه عرضه عمومی شد ظاهر می‌شود. بوسارت و هیلیون  (سال 1999) بررسی قابلیت پیش‌بینی بازده ماهانه سهام در یک مجموعه متعددی از بازارهای اوراق بهادا بین‌المللی و دریافتند که به نظر می‌رسد در نمونه /بطور نمونه قابلیت پیش‌بینی به نمونه های مربوط به دوره زمانی 1999 تقسیم می‌شود. آیولفی و فاورو (2002) نشان دادند که قابلیت پیش‌بینی در بازارهای سهام امریکا در آخرین تحقیقات انجام شده به نظر می‌رسد که در دهه 1990 نشان داده نشده اند. نتایج این تحقیقات هماهنگ و منطبق با این نظر که بهترین مدل انتخاب شده در "زمان واقعی" برمبنا و اساس عملکرد یا نتایج متوقف نمونه برای قدرت پیش‌بینی نمونه ها.

لایک وایز، سالیوان، تایمرمن و وایت (1999) دریافتند که به نظر می‌رسد قابلیت تاریخی قواعد معامله تکنیکال برای ایجاد بازده های اضافی پس از سال 1986 شکست داشته است. اینتری گوینگی، بروک، لاکونیشک و لی بارون (1992) شواهدی از قابلیت سودآوری از قواعد معاملات تکنیکال با استفاده از اطلاعات موجود تا سال 1986. اگرچه تحقیق آنها فقط در سال 92 منتشر شد، ولی قبل از این تاریخ هم قابل دسترس بود. عوامل مشابهی که این حدود مجاز را اخطار می‌دهد برای موفقیت های ظاهری قواعد معاملات تکنیکال ممکن است که معامله گران را به استفاده از این گونه استراتژی ها کشانده شوند و هدایت شوند به سمت استفاده و انتقال جهت به سوی این نوع قواعد پیش‌بینی.

5. کدامیک از رویدادهای پیش‌بینی می‌تواند موفق باشد؟

ما معتقدیم که روشهای پیش‌بینی سنتی سریهای زمانی به اتکای مدلهای پیش‌بینی منفرد یا ترکیب ثابتی از اینها احتمالاً مفید نباشد. ممکن است برای بازگشت به روشهای ساده و بطور منصفانه که قادر هستند برای همگن کردن و تعدیل نمودن یا آموزش آنها بطور سریع و اینکه بکار برده شوند در ارقام بزرگ برای بررسی تعداد بیشتری از سریهای زمانی بازده در مورد امکان پذیری hot spot  در مواردی که قابلیت پیش‌بینی در دسترس باشد. براساس رفتار و عملکرد خطای پیش‌بینی آنها اگر وجود داشته باشد، در موارد سرمایه گذاری سودآور خواهد بود. همچنین اشتباهات بسیاری وجود خواهد داشت که به سرمایه گذاری های غیرسودآور منجر خواهد شد.

5.1. تحقیقات گسترده در رابطه با مدلها و دارایی ها

یکی از رویدادهای ممکن این است که تحقیقات گسترده ای در مورد قابلیت پیش‌بینی در مورد تعداد زیادی از مدلها در مجموعه    **** انجام شود. روشهای مواجهه شده در این تحقیقات می‌تواند شامل نمونه های ساده ای از نزدیکترین مجاور، الگوریتم های ژنتیکی و شبکه های عصبی. تا زمانیکه مجموعه مدلها با ابعاد بزرگ است، برای یافتن و لحاظ تفاوت های زیاد بین دو عملکرد پیش‌بینی سودمند هست.

5.1.1. رویکرد انتخاب تصادفی

در هر بازه زمانی تکنیک های انتخاب تصادفی در مورد بازده های انتخابی تصادفی بکار می‌روند. اگر این نظر وجود داشته باشد که شواهدی از قابلیت پیش‌بینی در دوره های اخیر از برخی رویه های ارزشیابی وجود دارد، امکان اتفاق یک سرمایه گذاری سودآور وجود دارد. در غیر اینصورت حالت زیر اتفاق بیفتد.

5.1.2. رویکرد انتخاب جامع

کلیه تکنیکهایی برای همه زمانها در مورد همه بازده ها بکار می‌روند. این روش هم به درستی جامع است ولی از لحاظ محاسباتی بسیار گرانتر می‌باشد، بهرحال این هزینه مربوط به هر سال در حال کم شدن است.

 مزیت دیگر این رویکرد آن است که برخی از دارایی ها ممکن است کمتر بررسی شده باشند و قیمت هایشان بطور کارا تعیین نشود. در یک بازار سهام اصلی، در حدود 20 تا 30 هزار دارایی وجود خواهد داشت، شامل اوراق مشتقه، تولید بازده ها، که شاید مجموعه گسترده ای شامل 200.000 بازده دارایی ارائه دهد. محتوای مجموعه *** و فرایند ارزشیابی که بکار می‌رود به سازمان دهنده پیش‌بینی بستگی خواهد داشت. تنها کاربرد تکنیکهایی که خواهد گفت می‌تواند واقعاً تولید سودهای ارزش زا کنند. استراتژی های پیش‌بینی پیشرفته هنوز به طور گسترده در انتخاب اوراق بهادار از یک مجموعه بزرگی از دارایی ها بصورتی که در مدل سازی شاخص های اصلی و مهمی از قبیل شاخص بازار سهام S&P 500 هست بکار نرفته اند. برای اطمینان، برخی از بی قاعدگی های قیمت گذاری مربوط به خصوصیات و ویژگیهای شرکت از قبیل book to market value ارزش گذاری براساس بازار و اندازه شرکت (ارزش بازار آن) پیشنهاد شده باشد، اما مشخص نیست که همه عوامل / لیست به همین ویژگی ها محدود می‌شوند. با بررسی بیشتر و گسترده تر این مجموعه دارایی ها دوباره یک مساله جدید مطرح می‌شود و آن اینکه اثرات "breake" نقاط منفصل مدل پیش‌بینی که احتمالاً برای افزایش یکی از الگوهای کشف شده منتشر می‌شوند. بررسی و تشریح الگوهای قابل پیش‌بینی در قیمت های دارایی تنها در صورتی کار می‌کند که خودکشی کار می‌کند به اندازه کافی به آرامی برای قابلیت روشهای اقتصادسنجی برای داشتن توان کافی به لحاظ تعریف آنها و ارائه و محاسبه قیمت های منطقی خارج از پیش‌بینی های نمونه و فرضی. اطلاعات بازده ها خیلی دارای ناخالصی هستند و ارزش ها - *** پیش بینی شده به سمتی می‌روند که کاهش یابند. این بدان معنی است که نمونه های اطلاعات طولانی برای تعریف و براورد مدلهای پیش بینی ضروری می‌باشند. در حالیکه بطور غیر مضاعفی این قبیل منابع اطلاعات سیستماتیک هم بواسطه پیش‌بینی های منفرد و هم دقیقاً گروه های ترکیبی مختلف پیش‌بینی هم اکنون بکار برده می‌شود، همچنین بطور گسترده ای احتمالاً منجر می‌شود به قابلیت پیش‌بینی کنندگی ساختگی در نمونه بطوریکه ادامه نخواهد یافت برای خارج نمونه و فرض حکمفرما شده. اگر بطور کافی تعداد زیادی از مدلهای پیش بینی ها و قواعد تجاری در یک نمونه اطلاعاتی محدود لحاظ می‌شوند، بواسطه شانس که ظاهراً استراتژی های موفق نشان داده خواهد شد حتی اگر این درست نباشد انها کاری نمی‌کنند. با توجه به استراتژی تئوریکال –a برای کارکردن، ضروری است که در مورد منابع اطلاعاتی کنترل صورت گیرد بطوریکه آن شامل باشد. سولیوان (1999) کاربردی برای قواعد معاملاتی تکنیکال را فراهم می کند که منجر به این بیانیه می‌شود. پ

ادبیات در مورد پیش‌بینی با مدلهای غیر خطی نشان می‌دهد که این مدلها تنها پیش‌بینی های دقیقی ارائه می کند که بهتر تهیه می‌شوند روی نحوه گزینه های انتخابی در بخشهای محدود شده ای از فضای نمونه. یکی می‌توانست تصور کند که استراتژی regim switching که بکار می‌رود انواع مختلفی از مدلها ی خطی و غیرخطی در محدوده های زمانی مختلف. سوال اصلی که وجود دارد این است که اطلاعات مالی بسیار دارای ناخالصی است و همچنین سماجت و پافشاری کمتر برای تعریف این قبیل رژیم ها بیشتر

5.2. انتخاب محدوده اطلاعات پ

بی ثباتی و پویایی در بازده ها با شوک های اقتصادی بزرگ در سطح کلان نشان داده می‌شود، آگهی بازار ها و جابجایی رسمی در سطح بنگاهها منظور این سوال است که چگونه برای تنظیم محدوده اطلاعات بکار رفته در برآورد پارامترهای مدل پیش‌بینی احتمالا برای افزایش توجه در آینده است. این یک روش معمول است برای استفاده از دوره های زمانی 5 ساله اطلاعات در تحقیقات مالی، اما مشخص نیست که چرا این استراتژی بهتر خواهد شد در معرفی انواع پویایی های موجود در – یافت شده در مباحث مالی. امکان دیگری که وجود دارد این است که برای استفاده و کاربرد یک عامل تنزیل هندسی برمبنای اطلاعات تاریخی که وزن – ضریب وزن اطلاعات قدیمی تر کمتر از اطلاعات جدیدتر باشد.

پسران و تایمرمن (2002) بجای طرح نمودن یک روش کنترل نقاط منفصل / نا پیوستگی که در تلاش است ناپیوستگی ها را مشخص کند در مدل پیش‌بینی و تعیین نمودن محدوده زمانی اطلاعات برمبنای نتایج بدست آمده از آزمون این قبیل نقاط ناپیوستگی آنها طرح کردند یک روش ROC را که اختصاص می‌دهد دسته‌ای از اطلاعات و ازمونها را در مورد آخرترین نقطه ناپیوسته در یک مدل پیش بینی معین. اطلاعات بعد از آخرین نقطه ناپیوستگی برای برآورد و تخمین مدل پیش‌بینی بکار می‌روند، اگرچه ممکن است که برای کاربرد در مورد اطلاعات قبل از نقطه ناپیوستگی نیز در برخی شرایط بهینه باشد. یافته های تجربی این دو محقق نشان می‌دهد که زمانبندی اطلاعات بازار در پیش‌بینی ها توسط حسابداری در مورد نقاط ناپیوستگی بهبود می‌یابد.

5.3. مدل سازی زیاد (تند و سخت)

عدم وجود تکنیکها و روشهایی که به نظر می‌رسد پیش‌بینی بازده ها موفقیت هایی داشته است در برخی موارد از محتوی دو مقالات مایلز (2002) نشان داد. برای مثال، لو و مک کینلای (1997) پرتفوی بازده سهام و انتخاب اوراق قرضه‌ای را مورد بررسی قرار می‌دهد که برای ماکزیمم کردن قابلیت پیش‌بینی و ادعای این مساله که نمونه های زیادی را می‌توان یافت. موفقیت های اندک همراه با مدلهای غیر خطی، از قبیل نرخ بازده، مدلهای گذشته‌نگر آستانه، و تکنیکیهای نزدیک ترین- مجاور همچنین گزارش شده اند، اما هیچیک از اینها به گونه ای سازگار و هماهنگ موفغقیت نداشته اند. به این لیست می‌توان رگرسیون و اتورگرسیون پارامتر تغییر-زمانی را اضافه نمود. به وضوح هیچ گونه کسر و کمبودی از مدلهای حاضر برای انتخاب وجو ندارد که بتواند در ایجاد یک بررسی پیش‌بینی مورد لحاظ و توجه قرار گیرد، نه بصورت انفرادی و نه بصورت ترکیبی. اگر یک دارایی خاص به طور موقتی قابل پیش‌بینی شود، بطوریکه در اینجا پیشنهاد می‌شود، آنگاه ما انتظار چندین نوع از این تکنیکها را برای تبیین آن خواهیم داشت، و بطور همزان، اما برخی از آنها کاراتر و موثرتر از بقیه خواهند بود.

زمانیکه تصمیم گیری فقط بر مبنای "بهترین" مدل انجام می‌شود بجای کاربرد رویکرد "thin modeling"، پیشنهاد می‌کنیم استفاده از "thick modeling " در موارد یکه تصمیم گیری بر مبنای ترکیبی از خروجی های مدل همراه با خروجی های مشابه آماری می‌باشد، جئون و گرانگر (2003). بهترین تکنولوژی برای انجام این هنوز در ابتدای تهیه است و ارزش های سرنوشت ساز برای خروجی تصادفی براساس شبیه سازی های خودراه انداز بنا شده‌اند. این جنبه در اقتصاد کلان قابل پذیرش است اما در مقوله پر سرعت مالی هنوز این گونه نیست.

در بسیاری از درخواست نامه های محتمل از این رویکرد پذیرفته شده برای بازده‌های ماهانه در بازارهای سهام امریکا، آیولفی و فاورو (2002) دریافتند که حسابداری برای عدم اطمینان مدل با استفاده از این نوع رویکرد به سمت یک بهبود قابل ملاحظه هدایت می‌شود در عملکرد تخصیص دارایی ها برمبنای پیش‌بینی های بازگشتی (گذشته نگر)

5.4. مدلسازی پیش‌بینی تراکم بازده

آخرین زمینه و جنبه ای را که ما در کار با آینده بررسی خواهیم کرد و بسیار محتمل است، مدلسازی پیش‌بینی تراکمم بازده می‌باشد. قراردادهای مشتقه از قبیل آپشن ها و فیوچرها در حال حاضر  در مورد بسیاری از دارایی ها معامله میشوند. در مورد این نوع دارایی ها طبیعی است که آزمونهای کارایی بطور مشترک در مورد بازده و هم اوراق مشتقه و هم خود دارایی مربوطه انجام شود. قابلیت پیش‌بینی دوره زمانی طولانی تری از یک لحظه اول بازده دارایی که در آپشن پرداخت می‌شود یک تابع غیرخطی از بازده دارایی پوشش نمی‌دهد.

فرض نمایید یک حق اختیار خرید با قیمت ثابت، 12X' type="#_x0000_t75">، با قیمت بازار مثل 12Callt' type="#_x0000_t75">  معامله می‌شود. در زمان سررسید حق اختیار 12t+1' type="#_x0000_t75"> پرداخت بابت حق اختیار برابر خواهدبود با 12Max0,Pt+1-X' type="#_x0000_t75">. حال فرض کنید که سرمایه‌گذار از هسته اصلی قیمت گذاری، 12Qt+1' type="#_x0000_t75">، آگهی کامل دارد، و یک مدل برای توزیع احتمال مشترک از 12Qt+1' type="#_x0000_t75">  و 12Pt+1' type="#_x0000_t75">،

و یا همان 12FQt+1,Pt+1│خ©t' type="#_x0000_t75"> . بنابراین ارزش تئوریکی حق اختیار خرید به صورت زیر محاسبه خواهد شد:

12QXâˆ‍Qt+1Max0,Pt+1-XdFQt+1,Pt+1│خ©t' type="#_x0000_t75">

 

اگر تفاوت این ارزش با ارزش بازار حق اختیار به اندازه‌ای بود که برای پوشش هزینه های معاملات کافی باشد، آنگاه ممکن است که استراتژی معامله سودآور بتواند طراحی شود.

توجه داشته باشید که معامله پرداخت حق اختیار Kniked بدین معنی است که کلاً عدم کفایت برای قیمت حق اختیار ها منحصراً بر مبنای آگهی و اطلاع از پرداخت های مورد انتظار در مورد سهام مربوطه می‌باشد. بررسی در مورد تبیین ارزش های مختلف 12X' type="#_x0000_t75"> بطور موثری نیازمند آگاهی کامل از شرایط احتمال تراکم / چگالی 12Rt+1' type="#_x0000_t75"> و فرضیه بازار کارا بدین ترتیب مدلسازی که نه تنها شرایط لحظه نخست بلکه توزیع احتمال شرایط بطور کامل را در مورد 12Rt+1' type="#_x0000_t75"> معین در زمان 12t' type="#_x0000_t75"> را نیاز دارد.

بنابراین فرضیه بازار کارا بر تمامی تغییرات بوجود امده در این انتگرال که غیر قابل پیش‌بینی هستند دلالت ندارد. این فرضیه این کار را می‌تواند انجام دهد به شرط انکه توابع معینی از توزیع احتمالاتی که قابل پیش‌بینی نیستند داشته باشد.

بعنوان یک مثال واقعی، در حال حاضر شواهد قابل ملاحظه ای وجود دارد که تغییرپذیری بازده دارایی ها در طی زمان تغییر می‌کند البته به نحوی که بصورت بخشی قابل پیش‌بینی باشد. برای این استدلال منافع و مزایای قابل توجهی وجود داشته است که در بهبود تغییرپذیری مدلهای پیش‌بینی در مقوله قیمت گذاری حق اختیار خرید، که می‌توانید به تحقیق انگل، هانگ، کانه و نوه (1993) مراجعه نمایید. ایا این تغییرپذیری کارایی بازار است؟ بدیهی است که پاسخ منفی است مگر اینکه یک استراتژی معامله طراحی شود که از این اطلاعات در بازارهای حق اختیار برای شناسایی و تشخیص حق اختیارهای زیر و بالای قیمت استفاده شود. اگر بازارهای حق اختیار کارا هستند، قیمت حق اختیار خریدها باید شامل بهترین پیش‌بینی های تغییر پذیر در همه نقاط زمانی باشد. برای اطلاع خودمان هیچ گونه نتایج مشابهی  در مورد انتگرال پیش‌بینی کامل بازده دارایی ها هنوز وجود ندارد. بنابراین بسیار محتمل است که روشهایی در حال حاضر برای پیش‌بینی شرایط اریب، ماکزیمم (مد)  در یک نمودار اماری، و لحظات بالاتر سفارش بازده دارایی که همچنین یافت خواهد شد کاربرد برخی از آزمون های کارایی بازار.

6. نتیجه‌گیری

فرضیه کلاسیک بازار کارا در این مورد بحث نمی‌کند که چگونه متغیرهای اطلاعات در 12خ©t' type="#_x0000_t75"> برای تهیه پیش‌بینی دقیق بکار می‌روند، این امر چندان هم مشکل نیست که تعریف کارایی بازار را برای پوشش این دیدگاه تغییر داد. برای مثال، تعریف جنسون (سال 1978) می‌تواند بصورت زیر توسعه یابد: "مدلهای پیش‌بینی، 12 Mt' type="#_x0000_t75">، اگرچه غیر ممکن است که سود اقتصادی ایجاد کنیم توسط معاملاتی بر مبنای نشانه‌هایی که از یک مدل پیش‌بینی در مجموعه مدلهای 12 Mt' type="#_x0000_t75"> تهیه شده است در مورد متغیرهای پیش‌بینی کننده‌ای که مجموعه 12خ©t' type="#_x0000_t75">  و یک تحقیق استراتژی در مجموعه 12St' type="#_x0000_t75"> بکار برده می‌شوند."

اگر رفتار سرمایه‌گذاران کارایی بازار را نشان می‌دهد از طریق بررسی سود پیوسته‌شان، برعکس آن نشان می‌دهد که فرضیه بازار کارا نقشی در پیش‌بینی بسیاری از متغیرهای دیگر ندارد بطوریکه اگر چه نرخ بهره کلی، مبنایی برای یک استراتژی ایجاد سود نیست. یک مثال ساده، تیل (1966) تعداد شرکتهایی را بررسی نمود که سهم ارائه شده در یک روز منهای تعدادی را که بازار بورس آمستردام نپذیرفته است. او دریافت که این کمیت یک نشانه روشن نیست، و تحقیقات اتی در بازار سهام امریکا نتایج مشابهی را ارائه کرد. در هر یک از موارد باید سوال کرد چگونه یک متغیر خاص تطبیق می‌دهد معیار سودمند بودن در طراحی استراتژی های معامله سودآور. برای مثال می‌توان حجم معاملات غیر نرمال را در نظر گرفت. این بکار می‌رود بعنوان یک متغیر ورودی در بسیاری از استراتژی های معاملات تکنیکال و همچنین نقدشوندگی و هزینه های معاملات استراتژیک را تحت تاثیر قرار می‌دهد. این نکته می‌تواند به خوبی توضیح دهد که چرا لحاظ آن در پیش‌بینی بسیار مشکل است.   

سرانجام، احتمالاً برای داشتن درامدهایی با عمر کوتاه برای نخستین استفاده کننده از روشهای جدید پیش‌بینی مالی. یکی از این روشها بطور گسترده‌تری مورد استفاده قرار گرفته است، اطلاعاتشان در قیمت ها شرکت یافته است و آنها برای کسب موفقیت متوقف خواهند شد. این رقابت در نوآوری وصل می‌شود با پذیرش مدلهای جدید توسط بازار که احتمالاً برای ایجاد بسیاری از روشهای پیش‌بینی مالی جدید افزایش می‌دهد.

 

 

 

منبع:

A.Timmermann,C.W.J.Granger," Efficient market hypothesis and forecasting" ,International Journal of Forecasting 20(2004) pages,15–27.