آزمون شکل ضعیف کارایی بازار بر اساس پیش بینی پذیری بازده: مقایسه شاخص کل بورس تهران و S&P ۵۰۰ با رویکرد اقتصادسنجی و یادگیری ماشین

هدف: پژوهش حاضر شکل ضعیف کارایی بازار سرمایه را در بورس تهران و بازار سهام ایالات متحده، با استفاده از شاخص کل تهران و شاخص اس اندپی ۵۰۰، آزمون می کند. پرسش اصلی این است که آیا پیش بینی پذیری بازده بر پایه اطلاعات تاریخی قیمت و حجم با شکل ضعیف کارایی سازگار است. برای پاسخ، پیش بینی بازده روز آینده در خارج از نمونه با گام تصادفی با بازده صفر مقایسه می شود. مقایسه مدل خطی و غیرخطی و بررسی نشانگرهای تقریبی شرایط معاملاتی تهران، تحلیل های تکمیلی این آزمون اند. این مقایسه ها نشان می دهند که بهبود پیش بینی تا چه اندازه به اطلاعات تاریخی و تا چه اندازه به نوع مدل وابسته است. بااین حال، از تفاوت نتایج دو بازار نمی توان درباره اثر علی ساختار بازار نتیجه گیری کرد.روش: از داده های روزانه دو شاخص برای پیش بینی بازده لگاریتمی روز بعد استفاده شد. داده های خام تهران شامل ۲۷۲۱ روز معاملاتی از ۷ مارس ۲۰۱۵ تا ۲۹ ژوئن ۲۰۲۶ و داده های اس اندپی ۵۰۰ شامل ۲۸۷۷ روز معاملاتی از ۱۶ ژانویه ۲۰۱۵ تا ۲۶ ژوئن ۲۰۲۶ بود؛ پس از آماده سازی، نمونه های قابل مدل سازی به ترتیب ۲۷۱۰ و ۲۸۶۶ مشاهده را دربر گرفتند. متغیرهای متعارف شامل بازده جاری، وقفه های یک تا سه روزه، نوسان ده روزه و میانگین متحرک پنج روزه حجم بودند. برای تهران، فاصله از باند مرجع فرضی، میانگین پنج روزه فاصله، نزدیکی به باند، بازده مثبت یا منفی همراه با کاهش نسبی حجم و متغیر مجازی دوره نیز ساخته شدند. مجموعه ترکیبی هر دو گروه را در بر گرفت. گام تصادفی، رگرسیون خطی و لایت جی بی ام در پنج مرحله با پنجره آموزش بسط یابنده مقایسه شدند. آموزش و اعتبارسنجی پیش از هر بلوک آزمون قرار گرفتند و برای جلوگیری از نشت اطلاعات بازده روز آینده، فاصله ای یک ردیفی در مرزهای انتخاب مدل اعمال شد. پیش پردازش تنها بر داده های آموزش تکیه داشت. ارزیابی با خطاهای پیش بینی، ضریب تعیین خارج از نمونه و دقت جهت انجام شد. معناداری اختلاف زیان مربعی نیز با آزمون دیبولد–ماریانو و خطای معیار مقاوم به ناهمسانی واریانس و خودهمبستگی سنجیده شد. برای تفسیر سهم ویژگی ها در پیش بینی مدل های برآوردی، مقادیر شاپ نیز برای مشاهدات آزمون محاسبه شد. برای سنجش پایداری نتایج، آستانه حجم و سهم اولیه آموزش تغییر داده شد و زیرنمونه پیش از مرز زمانی نیز ارزیابی شد. مقایسه تنظیمات منتخب و پیش فرض مدل درختی، جداگانه برای سنجش حساسیت عملکرد به ابرپارامترها انجام شد.یافته ها: در بازاجرای داده های بازسازی شده، میانگین معیار جذر میانگین مربعات خطا در پنج مرحله آزمون برای گام تصادفی، مدل خطی و مدل درختی برای مجموعه متعارف تهران به ترتیب ۰٫۰۱۱۳۰۰، ۰٫۰۱۰۵۰۴ و ۰٫۰۱۰۷۰۹ بود. مقایسه مستقیم مدل خطی با گام تصادفی با احتمال ۰٫۰۰۰۲ و مدل درختی با گام تصادفی با احتمال ۰٫۰۰۱۴ به نفع مدل های برآوردی بود. اختلاف مدل درختی و خطی در نمونه کامل معنادار نبود. در اس اندپی ۵۰۰، هیچ یک از دو مدل در مشخصات مبنا برتری معناداری نسبت به معیار مرجع نداشتند. در تهران، متغیرهای تقریبی به تنهایی بهبود معناداری نسبت به گام تصادفی ایجاد نکردند و افزودن آن ها به مجموعه متعارف نیز خطای مدل خطی را کاهش نداد و برای مدل درختی تنها بهبود محدودی ایجاد کرد. بهبود مدل های تنظیم شده تهران در آستانه های حجم ۶۰، ۷۰ و ۸۰ درصد و زیرنمونه پیش از مرز زمانی باقی ماند؛ اما عملکرد مدل درختی با تنظیمات پیش فرض ضعیف تر شد. این مقایسه نشان دهنده حساسیت عملکرد به ابرپارامترهاست، نه تایید استواری مدل؛ حفظ بهبود در تغییرات بررسی شده حجم و نمونه نیز به معنای پایداری در برابر تغییر تنظیمات نیست. تحلیل شاپ برای توضیح سهم ویژگی ها در خروجی مدل به کار رفت؛ این سهم به تنهایی معیاری برای سنجش بهبود دقت پیش بینی نیست.نتیجه گیری: گام تصادفی با بازده پیش بینی شده صفر، معیار آماری مقایسه پیش بینی هاست و آزمون کامل شکل ضعیف کارایی محسوب نمی شود؛ زیرا کارایی بازار الزاما بازده مورد انتظار صفر را ایجاب نمی کند. بنابراین، نبود بهبود معنادار در اس اندپی ۵۰۰ اثبات کارایی نیست و کاهش خطای پیش بینی در تهران نیز به تنهایی ناکارایی یا سودآوری خالص را اثبات نمی کند. عملکرد لایت جی بی ام به ابرپارامترها حساس است و مقایسه با تنظیمات پیش فرض، شاهد استواری مدل نیست. شواهد کافی از برتری پایدار مدل غیرخطی به دست نیامد و معنادارنبودن اختلاف، برابری مدل ها را اثبات نمی کند. مقایسه دو بازار توصیفی است و اثر علی مقررات یا ساختار بازار را مشخص نمی کند.

کلیدواژه ها:

پیش بینی پذیری بازده ، بازار سرمایه ، ریزساختار بازار ، فرضیه بازار کارا ، یادگیری ماشین