استفاده از تکنیک های تحت نظارت یادگیری ماشین برای پیش بینی رکود اقتصادی COVID-19 و سقوط بازار سهام

کپی رایت © نویسنده (ها) ، تحت مجوز اختصاصی به Springer Science+Business Media ، LLC ، بخشی از Springer Nature 2022 ، Springer Nature یا مجوز آن (به عنوان مثال یک جامعه یا شریک دیگر) با توافق نامه انتشار با این مقاله حق انحصاری را در اختیار داردنویسنده (ها) یا سایر راست (ها). نویسنده خود معماری از نسخه خطی پذیرفته شده این مقاله صرفاً با شرایط چنین توافق نامه انتشار و قانون قابل اجرا اداره می شود.

این مقاله از طریق زیر مجموعه دسترسی باز PMC برای استفاده مجدد از تحقیقات نامحدود و تجزیه و تحلیل ثانویه به هر شکلی یا به هر وسیله با تأیید منبع اصلی در دسترس است. این مجوزها برای مدت زمان اعلام سازمان بهداشت جهانی (WHO) COVID-19 به عنوان یک بیماری همه گیر جهانی اعطا می شود.

خلاصه

Leaing Machine (ML) ، یک فناوری تحول گرا ، با موفقیت در پیش بینی وقایع در جاده استفاده شده است. این مقاله نشان می دهد که تکنیک های نظارت شده ML می تواند در پیش بینی رکود اقتصادی و سقوط بورس (بیش از 20 ٪ کاهش) استفاده شود. الگوریتم های ML پس از کسب اطلاعات دقیق ماهانه گذشته ، رکود اقتصادی COVID-19 را تا دسامبر سال 2019 ، شش ماه قبل از اعلام رسمی NBER تشخیص دادند. علاوه بر این ، الگوریتم های ML دو ماه قبل از وقوع آن ، سقوط S & P500 مارس 2020 را پیش بینی می کردند. بازار کار فعلی و مسکن ها از رکود اقتصادی آینده ایالات متحده (در 3 ماه) هستند. عوامل مالی نقش بیشتری در تصادفات بازار سهام نسبت به عوامل اقتصادی دارند. بازار کار به عنوان یک ویژگی برتر در پیش بینی هر دو رکود اقتصادی و تصادفات ظاهر می شود. الگوریتم های ML تشخیص می دهند که ایالات متحده از رکود اقتصادی قبل از دسامبر سال 2020 خارج شده است ، حتی اگر اعلامیه رسمی NBER هنوز انجام نشده است. آنها همچنین قبل از مارس 2021 سقوط بازار سهام ایالات متحده را پیش بینی نمی کنند. روش های ML سه برابر بالاتر از نرخ کشف کاذب در مقایسه با تصادفات دارند.

کلمات کلیدی: یادگیری ماشین ، پیش بینی ، اقتصاد مالی مالی ، رکود اقتصادی ، سقوط بورس

معرفی

Leaing Machine (ML) زمینه ای است که الگوریتم هایی را طراحی می کند که برای استفاده در مجموعه داده ها طراحی شده اند و زمینه های اصلی تمرکز پیش بینی ، طبقه بندی و خوشه بندی هستند (Athey ، 2018). ML به طور گسترده ای به عنوان زیر مجموعه ای از هوش مصنوعی (AI) شناخته می شود. هوش مصنوعی یک زمینه کلی است که شامل یادگیری ماشین و یادگیری عمیق است ، اما این شامل رویکردهای بسیاری نیز می شود که شامل یادگیری نیست. به عنوان مثال ، برنامه های شطرنج اولیه فقط شامل قوانین سخت کد شده توسط برنامه نویسان بود و به عنوان یادگیری ماشین واجد شرایط نبودند (Chollet & Allaire ، 2018).

تصویب صنعت از هوش مصنوعی/ML سریع است - بررسی جهانی مک کینزی در سال 2020 در مورد هوش مصنوعی نشان می دهد که سازمان ها از هوش مصنوعی برای تولید ارزش استفاده می کنند. به طور فزاینده ای ، این ارزش در قالب درآمدها است. یک مشروط کوچک از پاسخ دهندگان صنایع مختلف 20 درصد یا بیشتر از درآمد سازمان های خود را قبل از بهره و مالیات (EBIT) به هوش مصنوعی نسبت می دهند. این شرکت ها قصد دارند در پاسخ به همه گیر Covid-19 و شتاب آن در همه چیز دیجیتال ، حتی بیشتر در هوش مصنوعی سرمایه گذاری کنند (مک کینزی و شرکت ، 2020). ظهور ML به عنوان یک ابزار اصلی نسبتاً اخیر است (Pyle & San José ، 2015).

در برنامه نویسی سنتی ، انسان قوانین قابل قبول را با استفاده از یک زبان برنامه نویسی (کد) وارد کرده و آن قوانین را بر روی یک مجموعه داده آزمایش کنید تا پاسخ ها را بدست آورید. قوانینی که اعتبار پاسخ ها را بهبود نمی بخشد ، دور ریخته می شوند. مجموعه ای از قوانین ، مانند رگرسیون چندگانه ، طی چند دهه گذشته اختراع شده است. شهود لازم است تا توضیح دهد که چرا برخی از قوانین کار می کنند و دیگران نیز چنین نمی کنند. از طرف دیگر ، یک سیستم یادگیری ماشین به جای برنامه ریزی شده صریح آموزش داده می شود (Chollet & Allaire ، 2018). شهود در ابعاد بالاتر شکست می خورد (دومینگوس ، 2012).

ML از الگوی چند ساله انسانهایی که قوانینی را ارائه می دهند ، پیروی نمی کند. در عوض ، ML از انسان انتظار دارد که پاسخ و مجموعه داده ها را ارائه دهد و دستگاه قوانینی را پیدا می کند. برای پیش بینی نتایج آینده می توان این قوانین موجود در ماشین را برای داده های جدید اعمال کرد. با استفاده از داده های بیشتر ، ML پاسخ های بیشتری را ارائه می دهد. ML بدون نظارت شامل یافتن خوشه هایی از مشاهدات مشابه در متغیرهای متغیرهای آنها است. معمولاً برای فیلم ، تصاویر و متن استفاده می شود (Athey ، 2018).

در مورد یادگیری ماشین نظارت شده ، انسان این نتایج پیش بینی شده را درست یا نادرست طبقه بندی می کند. دستگاه از پاسخ های اشتباه پیش بینی شده یاد می گیرد و قوانین را برای جلوگیری از پیش بینی های اشتباه تنظیم می کند. توضیح شهودی قوانین موجود در ماشین ، مانند دستگاه بردار پشتیبانی (SVM) یا Adaboost ممکن است غیرممکن باشد. اقتصاددانان سنتی در اتخاذ ML با دو مانع اصلی روبرو هستند: (1) حرکت از تکنیک های بصری قدیمی تر مانند حداقل مربعات معمولی (OLS) به روشهای غیر شهودی جدیدتر ، مانند Adaboost ، که اغلب در یک زبان برنامه نویسی پایتون سخت انجام می شود.(2) اجازه دادن به ماشین آلات خود را آموزش داده و پیش بینی اقتصادی و مالی را از طریق یک رویکرد جعبه سیاه به دست می گیرند. دومی یک مانع بزرگتر از سابق است.

تجزیه و تحلیل داده ها در آمار و اقتصاد سنجی می تواند به چهار دسته تقسیم شود: (1) پیش بینی ، (2) خلاصه ، (3) تخمین ، و (4) آزمایش فرضیه. یادگیری ماشین در درجه اول مربوط به پیش بینی است (واریان ، 2014). پیش بینی رکود یک موضوع محبوب برای محققان در اقتصاد است: Google Scholar بیش از 200،000 نشریه را در مورد این موضوع نشان می دهد. به همین ترتیب ، پیش بینی بازار سهام یک موضوع محبوب تر برای محققان بازار مالی است: Google Scholar بیش از 1. 8 میلیون نتیجه به دست می آورد. تعیین کننده های بیشماری از رکود اقتصادی و بورس سهام توسط محققان در سراسر جهان یافت شد. با این حال ، بسیاری از آنها در پیش بینی رکود اقتصادی و تصادفات بازار سهام ناکام هستند. نمونه ای که اغلب نقل قول می شود ملکه دانشگاهیان سؤال کننده ایالات متحده در دانشکده اقتصاد لندن مبنی بر اینکه چرا بحران مالی سال 2008 را نمی دیدند ، این نکته را نشان می دهد (پالمر ، 2008 ؛ پیرس ، 2008).

سهم اصلی این مقاله پیش بینی رکود اقتصادی و تصادفات بازار سهام با استفاده از روشهای جدید ML تحت نظارت در یک تنظیمات خارج از نمونه است. تعریف NBER ، به دست آمده از وب سایت دوست یابی چرخه تجارت ، 1 برای طبقه بندی ماه های "رکود" استفاده می شود. بازار سهام (همانطور که توسط شاخص S& P 500 اندازه گیری می شود) اوج از بین رفتن درصد (که به آن "حداکثر کشش" نیز گفته می شود) برای طبقه بندی ماه های "سقوط" استفاده می شود. 20 ٪ یا بیشتر کاهش یافته به عنوان یک سقوط بورس طبقه بندی می شود. برخی از افراد نیز این را "بازار خرس" می نامند.

به طور خاص ، به چهار سؤال تحقیق زیر پرداخته شده است: آیا می توان تکنیک های اخیر ML را تحت نظارت رکود اقتصادی Covid-19 و سقوط بازار سهام در ایالات متحده در مارس 2020 پیش بینی کرد؟آیا رکود اقتصادی 2020 تمام شده است یا ادامه دارد؟آیا بازار سهام در سه ماه آینده دوباره سقوط خواهد کرد (یعنی قبل از مارس 2021)؟

بقیه مقاله به شرح زیر سازماندهی شده است: بخش بعدی ادبیات ML در حال تحول را با زمینه رکود اقتصادی و تصادفات بورس مرور می کند. بخش در مورد داده ها 134 متغیرهای کلان اقتصادی در این مطالعه را توضیح می دهد. بخش متدولوژی به طور خلاصه روشهای ML مستقر در این مقاله را شرح می دهد و به دنبال آن بخش نتایج. بخش پایانی نتیجه گیری را ارائه می دهد و دامنه تحقیقات بیشتر را مشخص می کند.

ادبیات مربوط به یادگیری ماشین ، رکود اقتصادی و تصادفات

آلن تورینگ ، ریاضیدان انگلیسی ، سؤال کرد: "آیا ماشین آلات می توانند فکر کنند؟"در مقاله خود در سال 1950 در ژورنال ذهن (تورینگ ، 1950). بسیاری تورینگ را آغاز هوش مصنوعی می دانند. پینار سین و همکاران.(2000) 50 سال آزمون تورینگ ، مباحث فلسفی ، تحولات عملی و پیامدهای موجود در رشته های مرتبط را مرور کنید. در سال 1959 ، آرتور ساموئل ، یک کارشناس بازی رایانه ای و هوش مصنوعی ، اصطلاح "یادگیری ماشین" را ابداع کرد (ساموئل ، 1959). به نظر می رسد که برنامه پخش ساموئل چکرز اولین برنامه خودآموزی در جهان و نمایش بسیار اولیه یک مفهوم اساسی از هوش مصنوعی است (پروفسور آرتور ساموئل ، 1990). هوش مصنوعی نگران درک و ایجاد نهادهای هوشمند است - وسایل نقلیه ای که می توانند نحوه عملکرد مؤثر و ایمن در موقعیت های جدید جدید را محاسبه کنند (راسل و نورویگ ، 2013).

ادبیات دانشگاهی در مورد یادگیری ماشین گسترده و عمیق است و بیش از 4. 9 میلیون نتیجه در Google Scholar دارد. این یکی از سریعترین زمینه های تحقیقاتی است. با این حال ، لنزهای مورد استفاده برای تحقیقات دانشگاهی در اقتصاد سنتی برای جامعه یادگیری ماشین ضروری نیست - اقتصادسین های شرکتی بر روی اثرات و شناسایی علی تمرکز می کنند ، در حالی که زبان آموزان ماشین بر پیش بینی تمرکز می کنند. در نتیجه ، تصویب هوش مصنوعی در اقتصاد کند است. با این حال ، تمرکز اخیر روی AI و ML به سرعت در حال تغییر تصویر است. رویدادهایی مانند اقتصاد کنفرانس AI 2 و ادامه تحصیل در انجمن اقتصادی آمریکا 3 باعث افزایش دید ML در حوزه اقتصاد شده است. اکنون بسیاری بر این باورند که ML در یک بازه زمانی کوتاه تأثیر چشمگیری بر حوزه اقتصاد خواهد گذاشت (Athey ، 2018).

تفاوت اصلی رویکرد بین ML و اقتصاد سنجی سنتی در انتخاب مدل است. در اقتصاد سنجی سنتی ، یک محقق ، بر اساس تجربه و شهود ، یک مدل را انتخاب می کند و پارامترهای تخمین می زند. در مقابل ، روشهای ML از "تنظیم" (بهترین استفاده از دقت پیش بینی نمونه) و "اعتبارسنجی متقابل K-fold" (تقسیم داده ها را به سطل های مساوی یا برابر) برای انتخاب بهترین مدل استفاده می کنند. روش ML کار می کند زیرا کیفیت پیش بینی قابل مشاهده است: هر دو پیش بینی y ^ و واقعی y مشاهده می شوند. این را با برآورد پارامتر تضاد کنید ، در جایی که به طور معمول ، برای اطمینان از قوام باید به فرضیات مربوط به فرآیند تولید داده اعتماد کنیم. مشاهده به تنهایی پیش بینی را آسان تر نمی کند زیرا الگوریتم هنوز نیاز به طبقه بندی گسترده ای از توابع دارد. ML از "تنظیم مجدد" برای مجازات مدل ها برای پیچیدگی بیش از حد استفاده می کند زیرا مدل های ساده تر تمایل دارند که برای پیش بینی های خارج از نمونه بهتر کار کنند (Athey ، 2018 ؛ Hastie et al. ، 2009 ؛ Mullainathan & Spiess ، 2017 ؛ Varian ، 2014).

منطقه مالی از ابتدا ML را پذیرفته است (دیکسون و همکاران ، 2020 ؛ لیپولد و همکاران ، 2021 ؛ پرادو ، 2018). جستجوی آلفا از طریق استخراج اطلاعات ، تشخیص کلاهبرداری و پیشگیری ، مصوبات وام ، پیش بینی پیش فرض و تجزیه و تحلیل احساسات از داده های جایگزین دلایل این تصویب است. داده های جایگزین به عنوان اطلاعات خارج از محدوده معمول قیمت گذاری اوراق بهادار ، اصول شرکت یا شاخص های کلان اقتصادی تعریف شده است (دیکسون و همکاران ، 2020).

برای کاربردهای خاص ML در امور مالی ، به ادبیات ML در مورد مدل سازی در معرض اعتبار (Khandani و همکاران ، 2010) ، تشخیص کلاهبرداری کارت اعتباری (Adewumi & Akinyelu ، 2017) ، تشخیص کلاهبرداری شرکت ها (Hajek & Henriques ، 2017 ؛ Perols ؛، 2011) ، Fintech (فیلیپون ، 2016) ، مدیریت دارایی (پرادو ، 2020) ، بازده سهام روزانه (Zhong & Enke ، 2019). با این حال ، به نظر نمی رسد که انتشارات ML را برای اعتبارسنجی رکود ایالات متحده و سقوط بورس پس از بحران بهداشت جهانی COVID-19 (GHC) اعمال کند. قبل از اینکه مقالات بی شماری در این موضوع ظاهر شود ، زمان زیادی است ، زیرا این منطقه برای روش های ML رسیده است.

تعریف گسترده پذیرفته شده از رکود اقتصادی ایالات متحده از کمیته دوستیابی چرخه تجارت 4 از دفتر ملی تحقیقات اقتصادی (NBER) ناشی می شود ، که رسماً از آغاز و پایان رکودهای ایالات متحده قدمت دارد. تعریف سنتی NBER تأکید می کند که رکود اقتصادی شامل کاهش قابل توجهی در فعالیت اقتصادی در اقتصاد است و بیش از چند ماه به طول می انجامد. از آنجا که رکود اقتصادی با افزایش سطح بیکاری و از دست دادن بالقوه ثروت ، درک و پیش بینی رکود اقتصادی ، تأثیر منفی قابل توجهی در زندگی افراد دارد.

بسیاری از تحلیلگران برای پیش بینی شروع رکود اقتصادی از مدل های تخصصی استفاده می کنند. این مدل ها در درجه اول مفید هستند زیرا رفتار اقتصاد در دوره های انتقال بین انبساط و رکود اساسی با زمانی که رکود قریب الوقوع نیست متفاوت است (Filardo ، 1999 ؛ Hymans et al. ، 1973). پنج مدل چرخه تجاری محبوب عبارتند از: (1) قوانین ساده با استفاده از ده شاخص کامپوزیت هیئت مدیره کنفرانس شاخص های پیشرو (CLI).(2) مدل احتمال رکود قریب الوقوع با استفاده از معادلات CLI و بازگشتی (Neftiçi ، 1982).(3) پروب یا احتمال مدل رکود اقتصادی بر اساس چهار متغیر.(4) مدل پیش بینی تولید ناخالص داخلی بر اساس یک بردار بردار چهار متغیر (VAR).(5) مدل پیش بینی رکود اقتصادی واتسون برای پیش بینی احتمال رکود با استفاده از 45 متغیر (Stock & Watson ، 1992). اگرچه همه مدل ها اطلاعات مفیدی در مورد رکودهای قریب الوقوع ارائه می دهند ، اما هیچکدام از آنها بی پروا نبودند. تجزیه و تحلیل پست سابق نشان داد که برخی از مدل ها ، مانند مدل CLI-THUM-TUMB و NEFTIçi ، غیرقابل اعتماد بودند. بنابراین ، ترک سه مدل قابل اعتماد: مدل پروبیت ، مدل پیش بینی تولید ناخالص داخلی مدل سهام واتسون (Filardo ، 1999).

محققان دیگر همچنان به اصلاح مدل های پیش بینی رکود اقتصادی ادامه دادند. آنها مجموعه ای از عوامل پیش بینی رکود اقتصادی مانند احساسات مصرف کننده (Howrey ، 2001) ، گسترش بازده (Moneta ، 2005) ، بازنگری های داده های مبتنی بر مجموعه داده های در زمان واقعی برای اقتصاددانان کلان (RTDSM)-AA در دسترس عموم در دسترس عموم در Philadelphia پیدا کردند. Fed 5 (Croushore & Stark ، 2001) ، گسترش نرخ بهره (Ahrens ، 2002 ؛ Kauppi & Saikkonen ، 2008) ، شوک هایی برای تقاضای و فناوری کل (Shapiro & Watson ، 1988) ، Deleveraging خانگی (Glick & Lansing ، 2009) ،مشکلات در مسکن و دوام مصرف کننده (Leamer ، 2008) ، و اعتدال بزرگ-نتیجه ای از سیاست پولی ضد چرخه هوشمندتر (Beanke ، 2012 ؛ Blanchard & Simon ، 2001).

یک مسئله مهم که محققان پیش بینی رکود اقتصادی را به خود اختصاص می دهد ، اهمیت متغیر زمان شاخص های مختلف پیشرو (چی ، 2001) و عدم توانایی در گرفتن هرگونه روابط غیرخطی در داده ها است (ژانگ ، 2004). مدل های اقتصاد سنجی سنتی هنگام تغییر رژیم های اساسی ، برای برآورد پارامترهای مدل تلاش می کنند و عوامل قطعی به طور مداوم در اهمیت تغییر می کنند. قدرت کلیدی ML دقیقاً در منطقه ای که مدلهای اقتصاد سنجی سنتی ضعیف هستند نهفته است. ماشین آلات می توانند فرآیندهای تولید داده پیچیده و با ابعاد بالا را مدل سازی کنند ، میلیون ها پیکربندی مدل را جابجا کنند و مدل ها را در پاسخ به اطلاعات جدید ارزیابی و تصحیح کنند (Dhar ، 2013 ؛ Dixon et al. ، 2020).

خصوصیات حرکات بزرگ بورس ، به ویژه افت قیمت منفی بزرگ ، برای مدیریت ریسک و تخصیص نمونه کارها از اهمیت عمیقی برخوردار است (Johansen & Soette ، 2010 ؛ Soette ، 2017). کتاب کلاسیک گالبرایت (گالبرایت ، 1961) هنوز هم متداول ترین توضیحات مربوط به رونق و تصادف در سال 1929 را ارائه می دهد. گالبرایت بر عنصر غیر منطقی - شیدایی - تأکید می کند که باعث می شود مردم در بازار گاو نر سرمایه گذاری کنند. این اشتیاق به خرید سهام پس از آن با گسترش اعتبار در قالب وام های کارگزاران که سرمایه گذاران را ترغیب می کند به طرز خطرناکی از آن استفاده کنند ، دامن زده شد (وایت ، 1990).

علل آنچه که متوقف و معکوس می کند جهت بازار بیش از حد گرم شده به اندازه ی مشخص نیست. بسیاری از استدلال ها مانند تغییر فرهنگ (Lowenstein ، 2004) ، حباب های ذاتی (Froot & Obstfeld ، 1989) ، غرق غیر منطقی (شیلر ، 2015) ، چرخه اهرم (Geanakoplos ، 2010) ، نقدینگی (Amihud et al. ، 1990) ، پرش (پرش (Eraker et al. ، 2003 ؛ Santa-Clara & Yan ، 2010) ، و ترس و حرص و آز (Shefrin ، 2002) برخی از توضیحات قابل قبول است.

جالب است که ببینیم ML هنگام پیوستن به این مسابقه برای پیش بینی رکود اقتصادی و تصادفات بازار سهام چقدر خوب عمل می کند. به طور خاص ، آیا می توان تکنیک های ML تحت نظارت رکود COVID-19 و سقوط 30 ٪ بازار سهام ایالات متحده را در مارس 2020 در طول همه گیر COVID-19 پیش بینی کرد؟مهمتر از همه ، آیا بازار سهام در سه ماه آینده دوباره سقوط خواهد کرد (یعنی قبل از مارس 2021)؟

داده ها

ML به حد ممکن داده نیاز دارد. بنابراین ، 134 متغیرهای کلان اقتصادی ماهانه بر اساس پایگاه داده FRED ، که از آن به عنوان مجموعه داده FRED-MD (McCracken & Ng ، 2016) یاد می شود ، در این مطالعه استفاده می شود. تعریف کامل و لیست 134 متغیر در دسترس است. 6 این مجموعه داده دوره را از 01/01/1959 تا 12/1/2020 (یا 743 مشاهدات ماهانه) پوشش می دهد.

این 134 متغیر از هشت گروه انتخاب می شوند: تولید و درآمد ، بازار کار ، مصرف و سفارشات ، سفارشات و موجودی ها ، پول و اعتبار ، نرخ بهره و نرخ ارز ، قیمت ها و بازار سهام. FRED-MD یک نسخه اصلاح شده از سری 132 متغیر است که بعضاً به عنوان "مجموعه داده سهام واتسون" گفته می شود (Stock & Watson ، 2006). وکتور ورودی 134 × 743 نتیجه به عنوان یک رکود اقتصادی و/یا سقوط بازار سهام هر ماه طبقه بندی می شود. پس از محاسبه رکود اقتصادی و ریزش ، یکی با یک بردار 731 (743 - 12) 136 (134 + 2) برای تجزیه و تحلیل بیشتر باقی مانده است.

داده های خلاصه در جدول 1 1 نشان می دهد که از 731 ماه ، اقتصاد و بورس اوراق بهادار در 528 ماه (یا 72. 2 ٪ از زمان) در وضعیت عادی قرار داشتند. فقط در 38 ماه (یا 5. 2 ٪ از زمان) اقتصاد در رکود اقتصادی بود و بازار سهام در یک دوره سقوط بود. هنگامی که اقتصاد و سقوط طبیعی بود ، بورس سهام متوسط بازده ماهانه 0. 97 ٪ به دست آورد. در هنگام رکود اقتصادی که شدید بود ، بازده ماهانه 78/2 درصد ایجاد کرد.

میز 1

آمار خلاصه کلیه متغیرها در مطالعه

محدوده تاریخ: 01/01/1959 تا 12/01/2020. بازده مثبت بورس به رنگ سبز است و بازده منفی به رنگ قرمز است. دو کشور بورس سهام (سقوط و عادی) و دو کشور اقتصاد (رکود اقتصادی و عادی) نشان داده شده است

در طول رکود اقتصادی ، همچنین می توان متوجه شد که کاهش یافته ها می توانند شدید باشند: بازارهای سهام تصحیح شده (اوج به فرورفتگی) 31 ٪ در دوره سقوط. همچنین جالب است بدانید که در 100 ماه ، اقتصاد طبیعی بود ، اما بازار سهام در یک وضعیت سقوط قرار داشت (پس از رکود ، ناگهانی ناگهانی و غیره. سابق: اوایل 2003 ، اواخر 2009 ، اواخر 1987 و 1975)بشر

نمای کلی تاریخی بازده و بازده بازار سهام ایالات متحده در شکل 1 نشان می دهد که ، همانطور که انتظار می رود ، کاهش در دوره های سقوط افزایش می یابد. بحران مالی جهانی 2008 (GFC) در مارس 2009 51 ٪ بدتر از بین رفت و پس از آن 44 ٪ کاهش در فوریه 2003 (سقوط Dot-Com) و 43 ٪ در دسامبر 1974 (بحران نفت و سقوط سیستم برتون وودز)بشر

نمای کلی از بازده سهام و کاهش سهام. محدوده تاریخ: 01/01/1959 تا 12/01/2020. محور چپ (به رنگ قرمز) میانگین بازده ماهانه را نشان می دهد و محور راست (به رنگ سفید) میانگین کاهش را نشان می دهد. GFC (2008) ، Dot-Com (2000) و بحران نفت (1973) منجر به بزرگترین تصادفات بازار سهام شدند. تصادف Covid-19 شدید نبود و به سختی آستانه سقوط نقطه را لمس کرد

تصادف COVID-19 در مارس 2020 نه شدید بود (به سختی خط آستانه تصادف افقی 20 ٪ را لمس کرد) و نه ماندگار (بازار سهام در دو ماه بهبود یافت و در کمتر از شش ماه اوج های جدیدی را لمس کرد). همچنین جالب است بدانید که کاهش تک ماهه بدتر در اکتبر 2008 (افت 20. 4 ٪) و مارس 2020 (19. 1 ٪) رخ داده است. بازده منفی شدید بیشتر از بازده مثبت است.

روش شناسی و نتایج

در این بخش تجزیه و تحلیل ML از رکود اقتصادی و تصادفات به تفصیل توضیح داده شده است. یک رویکرد مدولار برای این تجزیه و تحلیل با استفاده از "شش مرحله" دنبال می شود که هر یک در زیر بخش های زیر شرح داده شده است.

عادی سازی همه عوامل (ویژگی ها)

استاندارد سازی مجموعه داده ها یک نیاز متداول در روش های ML است. وکتور ورودی 134 × 743 در فرقه توضیح داده شده است..

x ⃛ i ، t = x i ، t - μ i σ i μ i = ∑ i = 1 t x i ، t t σ i = 1 t ∑ i = 1 t x i ، t - μ i 2

جایی که x ⃛ i ، t یک شکل عادی از ویژگی است ، x i ، t ، t تعداد مشاهدات در مجموعه داده است.

همانطور که در آینده توضیح داده شد ، مجموعه داده کامل (کل ردیف ها ، 743 = n) به آموزش و آزمایش تقسیم می شود.

آموزش ، اعتبار سنجی و انتخاب داده ها

از مجموعه داده های آموزش برای متناسب با مدل ML استفاده می شود. از مجموعه داده های اعتبار سنجی برای تنظیم (مجازات) پارامترهای مدل ML استفاده می شود. از یک روش اعتبار سنجی متقاطع ده برابر استفاده می شود. در هر اجرا ده سطل داده ایجاد می شود ، از نه سطل برای آموزش استفاده می شود و از یک سطل برای اعتبار سنجی استفاده می شود. بارها و بارها این اجراها را تکرار کنید و ده سطل تصادفی مختلف (برابر) ایجاد کنید تا اینکه مدل یاد بگیرد که ویژگی های کلیدی را به طور دقیق انتخاب کند. رویکرد اعتبار سنجی متقابل در برابر بیش از حد محافظت می کند ، میزان خطای آزمون را با نگه داشتن زیر مجموعه ای از مشاهدات آموزشی از فرآیند اتصالات تخمین می زند و روش یادگیری آماری را برای کسانی که مشاهدات برگزار شده است ، اعمال می کند (جیمز و همکاران ، 2013). از داده های بین 01/01/1959 تا 07/01/2019 برای آموزش و اعتبار سنجی استفاده می شود.

مجموعه داده های آزمون ، به جلو از نمونه ، هرگز بخشی از آموزش و اعتبار سنجی نیست و برای پیش بینی نتایج بر اساس مدل تخمین زده شده ML استفاده می شود. نتایج پیش بینی شده اغلب با نتیجه دنیای واقعی کاربر مقایسه می شود تا ببیند مدل ML در دنیای واقعی عملکرد خوبی دارد یا خیر. از داده های بین 08/01/2019 و 12/01/2020 برای آزمایش استفاده می شود.

در آگوست 2019 ، بیشتر مردم از Covid-19 اطلاع نداشتند. بنابراین ، هم مردم (اقتصاد و بورس سهام) و هم مدل ML هیچ تصوری از COVID-19 هنگام تخمین مدل نداشتند. این بدان معنی است که مدل ML باید در مورد تأثیر COVID-19 به خودی خود بیاموزد. هیچ داده ای کاوی (یعنی بازی با تاریخ شروع یا پایان) برای نوشتن این مقاله صورت نگرفت.

محاسبات کاهش یافته

در این مقاله ، یک کاهش به درصد کاهش شاخص S& P500 از اوج قبلی اشاره دارد. کاهش بیش از 20 ٪ به عنوان سقوط بازار سهام طبقه بندی می شود. حداقل 12 ماه داده برای محاسبه کاهش یافته ها لازم است. 12 مقدار آغاز (از 01/01/1959 تا 01/01/1960) برای اولیه سازی پنجره نورد استفاده می شود. کاهش با استفاده از Eq محاسبه می شود.(2). پس از افزودن وضعیت رکود اقتصادی و کاهش به عنوان ویژگی های باینری ، یکی با یک بردار 731 (743 - 12) 136 (134 + 2) برای تجزیه و تحلیل بیشتر باقی مانده است. مشخصات مشخصی از S& P500 از سال 1990 به بعد در شکل 2 نشان داده شده است. برخی از سقوط ها سالها طول می کشد تا بهبود یابد ، مانند تصادف 2000 که 85 ماه طول کشید تا بهبود یابد. در مقابل ، برخی از آنها فقط چند ماه طول می کشد تا به اوج های قبلی برسند ، مانند تصادف Covid-19 ، که پنج ماه طول کشید تا بهبود یابد.