بررسی کارایی CAPM مبتنی بر یادگیری ماشینی در مقایسه با CAPM کلاسیک در پیش بینی بازده سهام

مدل قیمت گذاری دارایی های سرمایه ای (CAPM) به عنوان یکی از پایه های نظریه مالی مدرن رابطه خطی میان ریسک سیستماتیک و بازده مورد انتظار را تبیین می کند. سادگی ساختار و شفافیت مفهومی این مدل موجب کاربرد گسترده آن در تحلیل های مالی و مدیریت سرمایه گذاری شده است. با این حال، مفروضات نسبتا محدودکننده مدل کلاسیک از جمله نرمال بودن توزیع بازده ها، خطی بودن روابط و ایستایی بتا همواره چالش هایی را در پیش بینی دقیق بازده سهام به ویژه در بازارهای پرنوسان ایجاد کرده است. در سال های اخیر رویکردهای مبتنی بر یادگیری ماشین به دلیل توانایی در شناسایی الگوهای غیرخطی، عدم وابستگی به مفروضات توزیعی و قابلیت پردازش همزمان متغیرهای متعدد به عنوان جایگزینی کارآمد برای CAPM کلاسیک مطرح شده اند. این مقاله با رویکرد مروری به مقایسه مبانی نظری و شواهد تجربی موجود در مورد کارایی دو دسته مدل مذکور در پیش بینی بازده سهام می پردازد. یافته های این بررسی نشان می دهد که مدل های یادگیری ماشین نظیر جنگل تصادفی، ماشین بردار پشتیبان و شبکه های عصبی در شرایط وجود داده های نویزدار، روابط غیرخطی و تغییرات رژیمی بازار عملکرد پیش بینی بهتری نسبت به CAPM سنتی از خود نشان می دهند؛ با این وجود CAPM کلاسیک به دلیل سادگی، شفافیت و نیاز به داده های اندک، همچنان به عنوان معیار پایه و خط مبنا در ارزیابی مدل های پیچیده تر حفظ شده است. به نظر می رسد که طراحی مدل های ماشینی با ترکیب چارچوب مفهومی CAPM و قابلیت های محاسباتی یادگیری ماشین مسیری امیدوارکننده برای دستیابی به دقت بالاتر همراه با تفسیرپذیری قابل قبول باشد.

کلیدواژه ها:

مدل قیمت گذاری دارایی های سرمایه ای (CAPM) ، یادگیری ماشین ، پیش بینی بازده سهام ، بتای پویا