بیشتر الگوهای فصلی که در رسانههای مالی یا کانالهای تحلیلی مطرح میشوند، زاییده خطای دید انسانی و برازش کاذب مدل روی دادههای گذشته هستند. وقتی دادههای تاریخی چند سال یک بازار را روی نمودار میبرید، ذهن انسان به صورت ناخودآگاه گرایش دارد روی نقاط اوج و فرود مشابه در ماههای خاص تمرکز کند و نوسانات تصادفی را به عنوان یک قانون دائمی بپذیرد.
واقعیت آماری این است که اثر فصلی واقعی تنها در داراییهایی وجود دارد که دارای یک محرک ساختاری و غیرقابلاجتناب مانند چرخههای کشت کشاورزی، سررسیدهای قانونی مالیات، یا تنظیم حسابهای بودجهای باشند. در سایر موارد، اگر اثر تورم و روند کلی بازار را از سری زمانی خارج کنید، بیش از هشتاد درصد الگوهای ادعاشده در آزمونهای معناداری آماری رد میشوند و معامله بر مبنای آنها صرفاً هزینههای معاملاتی را به سیستم اضافه میکند.
تفاوت میان همبستگی تصادفی و واقعیت ساختاری
در تحلیل سریهای زمانی مالی، اولین قدم جداکردن روند، سیکل و نویز از مولفه فصل است. ابزارهای مدرن مانند تفکیک الگوریتمی لوئس یا همان روش استیال، سری زمانی را به سه بخش مجزا تقسیم میکنند تا مشخص شود آیا نوسان مشاهدهشده واقعاً تکرارپذیر است یا حاصل یک جهش یکباره در یک سال خاص بوده است.
الگوی فصلی زمانی واقعیت آماری محسوب میشود که دو شرط همزمان برقرار باشد. شرط اول، تکرارپذیری آماری با فرض صفر معتبر است؛ یعنی احتمال اینکه این رفتار حاصل تصادف باشد باید بسیار پایین باشد. شرط دوم، وجود یک مکانیزم اقتصادی منطقی است که دلیل رفتار بازیگران بازار را توضیح دهد.
- جریان نقدینگی پایان سال مالی: در اسفندماه، فشار تسویه اعتبارات کارگزاریها و نیاز شرکتها به پرداخت عیدی و پاداش، یک رفتار نقدینگی مشخص در بورس تهران ایجاد میکند.
- چرخههای تجاری کالاها: در بازارهای کالایی مانند زعفران یا پسته، زمان برداشت محصول به صورت فیزیکی عرضهکننده را مجبور به فروش میکند و اثر فصلی کاملاً ملموس ایجاد میکند.
- تقاضای سفر و تسویههای مرزی: نوسانات ارز و طلا در مقاطعی مانند اواخر تابستان یا پیش از تعطیلات نوروز، ریشه در تقاضای واقعی اسکناس دارد.
اگر یکی از این دو شرط نباشد، با خطای دید یا الگوی کاذب مواجه هستیم. برای مثال، فرضیه رشد بازار سهام در اردیبهشتماه اگرچه در برخی سالها دیده میشود، اما بررسی دادههای سی سال گذشته نشان میدهد که پس از تورمزدایی، این اثر فاقد معناداری آماری است.
دموکراسی دادهها یا فریب آماری: دام پی-هکینگ
در الگوتریدینگ و تحلیلهای کوانت، دامی به نام استخراج بیش از حد داده وجود دارد. اگر شما بیست الگوی فصلی مختلف مانند اثر روزهای هفته، اثر هفته اول ماه، اثر ماه پایانی سال و اثر تعطیلات را روی دادههای ده سال گذشته تست کنید، به طور حتم طبق قوانین احتمال، یک یا دو الگو پیدا خواهید کرد که شاخص معناداری آماری آنها به ظاهر مثبت است.
این ناهنجاریهای کاذب حاصل آزمونهای متعدد روی یک مجموعه داده محدود هستند. وقتی دادهها را آنقدر شکنجه میدهید تا حرف بزنند، مدلی به دست میآید که در گذشته بازار فوقالعاده عمل کرده اما در آینده و در معاملات واقعی بلافاصله شکست میخورد.
- آزمون جابهجایی مونتکارلو: برای اعتبارسنجی الگوی فصلی، ترتیب روزهای سال را به صورت تصادفی هزاران بار برهم میزنیم تا ببینیم آیا الگوی کشفشده با دادههای تصادفی نیز بازسازی میشود یا خیر.
- اعتبارسنجی خارج از نمونه: مدلی که روی دادههای دهه نود طراحی شده، باید بدون هیچ دستکاری روی دادههای دهه هشتاد یا سه سال اخیر تست شود.
- اصلاح بونفرونی: در صورت بررسی فرضیههای متعدد همزمان، آستانه پذیرش معناداری آماری باید بسیار سختگیرانهتر در نظر گرفته شود.
در پروژههای دادهمحور هومات، ما بارها دیدهایم که استراتژیهای مبتنی بر الگوهای تقویمی محض، به محض وارد شدن به بازار واقعی به دلیل تغییر رفتار معاملهگران و از بین رفتن ناکارآمدیهای گذشته، سودآوری خود را از دست میدهند.
اثر تورم و رژیمهای کلان اقتصادی
بزرگترین اشتباه در تحلیل الگوهای فصلی در اقتصاد ایران، نادیده گرفتن نرخ تورم بالای سالانه است. زمانی که تورم عمومی سالانه بالای چهل درصد است، روند میانمدت و بلندمدت چنان پرقدرت است که تمام الگوهای فصلی کوچک را در خود هضم میکند.
اگر در یک اقتصاد کمتورم، اثر فصلی دو درصدی در یک ماه خاص یک سیگنال معاملهگری ارزشمند به شمار میرود، در بازار ایران این دو درصد اصطکاک ناشی از اسپرد خرید و فروش و کارمزد معامله را هم پوشش نمیدهد. علاوه بر این، تغییر رژیمهای اقتصادی و سیاسی میتوانند الگوهای ۱۰ ساله را در یک روز نابود کنند.
برای نمونه، اگر الگوی تاریخی نشان دهد که قیمت طلا در سه ماه پایانی سال همواره رشد میکند، وقوع یک سیاست انقباضی شدید از سوی بانک مرکزی یا آزادسازی منابع ارزی بلوکهشده میتواند این الگوی فصلی را کاملاً معکوس کند. الگوی فصلی هرگز یک دستورالعمل قطعی نیست، بلکه صرفاً یک فاکتور اصلاحی کوچک در وزندهی به ریسک است.
چه زمانی نباید از الگوهای فصلی استفاده کرد؟
صداقت فنی حکم میکند بگوییم در موارد متعددی، پیادهسازی و اتکا به الگوهای فصلی نه تنها کمکی به مدیران سرمایهگذاری یا معاملهگران نمیکند، بلکه تصمیمگیری آنها را منحرف میسازد.
- در بازارهای با نقدشوندگی پایین: وقتی حجم معاملات یک دارایی پایین است، معامله یک معاملهگر بزرگ میتواند کل رفتار فصلی آن بازار را برهم بزند.
- در زمان تغییر قوانین و دستورالعملها: تغییر در تعرفههای گمرکی، فرمول قیمتگذاری خوراک صنایع یا دامنه نوسان بورس، تمام پیشفرضیات دادههای تاریخی را باطل میکند.
- زمانی که حجم نمونه تاریخی کوچک است: داشتن تنها ده یا پانزده داده سالانه برای اثبات یک الگوی فصلی ماهانه از نظر آماری کاملاً بیاعتبار است و حداقل به دادههای متوالی چند دههای نیاز دارد.
- در غیاب مدیریت ریسک پویا: اگر بازپیرایی حجم پوزیشن بر اساس ولاتیلیتی لحظهای صورت نگیرد، اتکا به الگوی فصلی میتواند منجر به ورود سنگین در نقاط برگشت بازار شود.
اگر یک الگوی فصلی در آزمونهای سختگیرانه آماری قبول شود اما هزینه معاملات و اثر لغزش قیمت را از سود آن کسر کنیم و بازدهی منفی شود، آن الگو از نظر عملیاتی فاقد ارزش است.
گام بعدی برای پیادهسازی تحلیل فصلی در سبد دارایی
اگر تصمیم دارید الگوهای فصلی را در استراتژیهای سرمایهگذاری یا مدیریت منابع مالی شرکت خود به کار بگیرید، مسیر شفاف و مشخصی پیش روی شماست.
ابتدا دادههای خام را از اثر تورم و تعدیلهای شرکتی مانند افزایش سرمایه و سود مجمع پاکسازی کنید. سپس با استفاده از الگوریتمهای تفکیک سری زمانی، مولفه فصل را استخراج کرده و آن را تحت آزمونهای فرضیه ناپارامتری و شبیهسازی مونتکارلو قرار دهید. در نهایت، الگوی تاییدشده را نه به عنوان سیگنال خرید و فروش، بلکه به عنوان یک متغیر تعدیلکننده در کنار مدلهای ارزشیابی و مدیریت ریسک به کار بگیرید.
تیم هومات میتواند در ارزیابی آماری دادههای تاریخی، طراحی مدلهای کوانت و جداسازی سیگنالهای واقعی از نویزهای تقویمی به مجموعه شما کمک کند تا تصمیمات مالی خود را بر پایه واقعیتهای ریاضی استوار کنید، نه خطاهای ادراکی بازار.