زبان طبیعی در بازار نفت

پیش‌بینی‌پذیری قیمت و بازدهی سهام سوالی قدیمی در اقتصاد و مدیریت مالی است. تکنیک‌های مختلف برای انجام این کار باعث نتایجی متفاوت می‌شود. تفاوت بازه‌های زمانی نیز ممکن است به نتایجی متفاوت منجر شود، اما مجموعاً بازده سهام را تا حدودی می‌توان پیش‌بینی کرد. با افزایش سرمایه‌گذاری در کالاهای مصرفی از اوایل دهه 2000، علاقه به دانستن میزان سودآوری سرمایه‌گذاری در کالاهای مصرفی افزایش پیدا کرده و در این میان بازار نفت اهمیتی بیشتر از دیگر بازارها از خود نشان داده است. این علاقه نه‌تنها در میان اقتصاددانان مالی وجود دارد، بلکه اقتصاددانان کلان و حتی اقتصاددانان تازه‌کار هم به پیش‌بینی قیمت این کالاها علاقه نشان می‌دهند. این موضوع نشان می‌دهد که قدرت نقدشوندگی، اهمیت نهاده‌های تولید کالاهای مصرفی و تاثیر منطقه‌ای و سوق‌الجیشی این کالاها برای ایالات متحده و کشورهای هم‌پیمان او در زمینه کالاهای مصرفی و به ویژه نفت بسیار بالاست و به همین دلیل کشورهای مهم دنیا باید درکی استراتژیک و تحلیل ریسکی عمیق از وضعیت بازار کالاهای مصرفی و به ویژه نفت داشته باشند.

در این پژوهش تلاش شده است عملکرد تجربی قابل پیش‌بینی مالی و فیزیکی بازار نفت ارائه شود. اقدامات پیش‌بینی‌کننده جدیدی که از مقالات خبری انرژی به دست آمده است معرفی می‌شود و طیف وسیعی از پیش‌بینی‌کننده‌ها را که برای پیش‌بینی بازدهی آتی نفت در چهار و هشت هفته آینده استفاده می‌شود، مورد بررسی قرار می‌دهیم. این ویژگی‌ها عبارت‌اند از بازده خالص نفت، تغییر نوسان قیمت نفت و بازده حقوق صاحبان سهام شرکت‌های نفتی. علاوه بر این میزان موجودی ذخایر نفتی ایالات متحده و میزان تولید نفت آمریکا نیز در این پژوهش مورد توجه قرار گرفته است. هدف، ایجاد یک روش‌شناسی تجربی شفاف برای در نظر گرفتن یک سیاهه جامع از متغیرهای پیش‌بینی بالقوه و بررسی سودمندی آنها در نمونه و خارج از نمونه است.

بر همین اساس، طیف وسیعی از متغیرهای توضیحی در نظر گرفته شده‌اند، متغیرهایی که پیش از این نیز در بسیاری از پژوهش‌ها مدنظر قرار گرفته بودند. شاخص‌های کلان اقتصادی و مالی و همچنین اقدامات مختلفی که ریسک بازده نفت را متغیر می‌کنند از این جمله هستند. علاوه بر این، از روش‌های نوین پردازش زبان طبیعی (NLP) نیز در این پژوهش استفاده شده است. این پردازش با استفاده از اخبار نفتی به‌دست‌آمده از سایت خبری تامسون رویترز انجام شده است. کارها و پژوهش‌های جدیدی که انجام شده‌اند، مفید بودن اندازه‌گیری‌های متنی را برای پیش‌بینی بازده و ریسک سهام و شاخص‌های آن به خوبی نشان داده‌اند و به نظر می‌رسد که این شاخص‌ها می‌توانند برای پیش‌بینی قیمت نفت نیز مفید باشند. در حالی که برخی از شاخص‌های پیش‌بینی‌کننده رایج بازده کالا مثل تولیدات صنعتی یا شاخص‌های فعالیت‌های اقتصادی ماهانه هستند و با تاخیر در دسترس قرار می‌گیرند، اندازه‌گیری‌ها و برآوردهای متنی طیف وسیعی از تحولات بازار انرژی را در زمان واقعی به تصویر می‌کشند. با توجه به حجم پوشش خبری بخش انرژی، اندازه‌گیری و پردازش زبان طبیعی می‌تواند طیف وسیعی از تحولات بازار انرژی را به صورت لحظه‌ای به تصویر بکشد.

تلاش این پژوهش این است که نشان دهد پردازش‌های متنی با استفاده از کلمات کلیدی مشخص انتخاب‌شده به وسیله پژوهشگران، می‌تواند بزنگاه‌های تاریخی مهم در بازار انرژی را به خوبی مشخص کند، کاری که تحلیل‌های معمول از انجام آن عاجزند. معیارهای NLP استفاده‌شده شامل فراوانی و احساسات مربوط به اخبار در حوزه انرژی و اندازه‌گیری غیرعادی یا آنتروپی اخبار نفتی (یعنی فراوانی وقوع عبارات کلمه‌ای غیرمعمول) است. چندین ویژگی باعث می‌شود این رویکرد با رویکردهای قبلی در زمینه پیش‌بینی قیمت نفت متفاوت باشد. یکی از مهم‌ترین آنها این است که با فهرستی جامع از متغیرهای پیش‌بینی‌کننده آغاز می‌کنیم و متغیرها را به صورت صریح انتخاب می‌کنیم.

به عنوان مثال، یک مطالعه ممکن است اهمیت یک متغیر خاص را برای پیش‌بینی نشان دهد، اما آیا این متغیر در صورت مواجهه با دیگر متغیرها، باز هم مهم است؟ چگونه باید خطای استاندارد آن متغیر را به گونه‌ای تنظیم کرد تا مشخص شود که از فهرست همه متغیرها، این متغیر از متغیرهای تاثیرگذار و مهم است؟ آیا درباره همه متغیرهای ممکنِ تاثیرگذار بررسی انجام شده است تا میزان تاثیر آنها مشخص شود؟ سوگیری گزارش‌های دیگر ممکن است ناشی از گزارش گزینشی آزمون‌های خارج از نمونه باشد.

رویکرد این پژوهش، مجموعه وسیعی از گزینه‌های احتمالی را هم در تجزیه و تحلیل درون‌نمونه‌ای و هم در تایید اعتبار خارج از نمونه دربر می‌گیرد. با وام گرفتن از ادبیات یادگیری ماشین، از یک مدل انتخاب آینده استفاده می‌شود که قادر به انتخاب سری‌های زمانی ساده و پیش‌بینی‌کننده مشخصات از کل فهرست پیش‌بینی‌کننده‌های بالقوه است. رویکرد انتخاب به جلو این امر را با انتخاب پیاپی هر متغیر جدید به عنوان متغیری که بیشترین سهم افزایشی را در مدل R-Squared دارد، محقق می‌سازد. برخی پژوهشگران دریافته‌اند که انتخاب پسینی می‌تواند در شرایط کنونی به‌طور بسیار قابل قبولی عمل کند.

به صورت کلی، دستیابی به عملکرد قوی و قابل قبول بدون استفاده از نمونه برای پیش‌بینی مدل‌های مالی بسیار دشوار است. در پژوهشی که در سال 2008 ولش و گویال انجام دادند، سعی کردند عملکرد پیش‌بینی‌های حقوق صاحبان سهام را در نمونه و خارج از نمونه با متغیرهای تحقیقات دانشگاهی قبلی بررسی کنند. آنها دریافتند که مدل‌ها در نمونه 30ساله از اطلاعات، پیش‌بینی ضعیفی داشتند و به این نتیجه رسیدند که متوسط بازده سهام اضافی اگر به صورت تاریخی و پیوسته بررسی شود، پیش‌بینی بهتری از بازده سهام اضافی نسبت به برآوردهای رگرسیون خارج از نمونه ارائه می‌دهد. علاوه بر این مشاهده شد که محدودیت‌های ساده مثل داشتن علامت پیش‌بینی‌شده در رگرسیون‌های پیش‌بینی‌کننده، عملکرد خارج از نمونه متغیرهای کلیدی پیش‌بینی‌کننده را بهبود می‌بخشد. ما با بررسی سیستماتیک عملکرد نمونه و خارج از نمونه با استفاده از روش‌های نوین NLP و نیز پیش‌بینی متغیرهای مطالعات قبلی در پیش‌بینی خروجی بازارهای نفتی و مالی، سعی در ارائه یک مدل کامل‌تر و کاراتر داریم.

ادبیات گسترده‌ای وجود دارد که تلاش کرده‌اند بازار نفت و دیگر کالاها را بررسی کنند. این مطالعات شواهدی ارائه می‌دهند که نشان می‌دهد بازده در بازارهای آتی کالا با استفاده از طیف وسیعی از متغیرهای مالی و اقتصادی کلان و خاص کالا قابل پیش‌بینی است. این مطالعات معمولاً متغیرهای پیش‌بینی جدید یا تغییرات پیش‌بینی‌کننده‌های موجود را پیشنهاد کرده و بررسی می‌کنند که آیا این متغیرها قابلیت پیش‌بینی‌پذیری را در بازارهای کالا بهبود می‌بخشند یا خیر. این مطالعات به‌طور معمول بر اساس تجزیه و تحلیل نمونه با مدل‌های پایه که شامل شش یا هفت پیش‌بینی‌کننده است انجام می‌شود. رویکرد این پژوهش نه‌تنها طیف وسیعی از متغیرهای مالی و کلان، مثل بسیاری از متغیرهای مورد بررسی در ادبیات گذشته و همین‌طور بررسی متون جدید را دربر می‌گیرد، بلکه پیش‌بینی‌پذیری در بازارهای نفتی را در نمونه و خارج از نمونه نیز مورد بررسی قرار می‌دهد. علاوه بر این، سعی شده است سوگیری‌های کوچک نیز در این بررسی با دقت کنترل شود.

در نهایت باید توجه داشت که شناسایی اخبار مرتبط و چگونگی ارتباط آن با تغییرات بازدهی بازار و ریسک موضوع مهمی در قیمت‌گذاری دارایی‌هاست. اخیراً اقتصاددانان از ابزارهای جدیدی برای پیش‌بینی قیمت‌ها استفاده می‌کنند. آنها از تجزیه و تحلیل جنبه‌های مختلف زبان که در مقالات و روزنامه‌ها یا منابع متنی دیگر به دست آمده است جهت پیش‌بینی حقوق صاحبان سهام، بازار ارز و دیگر نوسانات در بازارهای مالی و کالایی مرتبط استفاده می‌کنند. در پژوهش حاضر، تلاش شده است تا با تجزیه و تحلیل متنی، وضعیت بازار نفت مورد بررسی قرار گیرد و به همین دلیل رویکرد آن با مطالعات پیشین که تعداد محدودی از متغیرها را در نظر می‌گرفتند متفاوت است.

این پژوهش، چند کمک روش‌شناختی ارائه می‌دهد. برای این منظور، روش‌های NLP جدیدی برای بازارهای انرژی ایجاد می‌شود و مفید بودن آنها در پیش‌بینی مجموعه‌ای از نتایج بازار بررسی می‌شود. در این پژوهش مشاهده می‌شود که روش انتخاب پسینی به ویژه برای تجزیه و تحلیل پیش‌بینی در نمونه نسبت به بسیاری از پیش‌بینی‌های معمول مناسب‌تر است. روش بوت استرپ که در این پژوهش استفاده می‌شود، استنباط آماری و روش مربعات تعدیل‌شده را در مدل‌های پسینی با مشاهدات همپوشانی می‌کند، که هر دو مشکل‌های چالش‌برانگیز و بالقوه مهمی هستند. همان‌طور که قبلاً بیان شد، توانایی پیش‌بینی قوی در نمونه ممکن است به قابلیت پیش‌بینی قوی خارج از نمونه منتج نشود، اما روش تجزیه و تحلیل درون‌نمونه‌ای که آزمایش‌ها را در خارج از نمونه قرار می‌دهند، مشمول سوگیری نمونه نخواهد بود. این اعتقاد وجود دارد که دلیل شکست مدل‌هایی که بر اساس نمونه‌ها ایجاد می‌شوند در شرایط خارج از نمونه، بی‌ثباتی مدل است. متغیرهایی که امروز می‌توانند به خوبی یک مدل را پیش‌بینی کنند، ممکن است در آینده برای پیش‌بینی به اندازه کافی گویا نباشند یا اینکه متغیرهای دیگری که اهمیت بیشتری دارند، تاثیر پررنگ‌تری در آینده بر روند پیش‌بینی بر جای گذارند. برای در نظر گرفتن سوگیری گزارشگری و بی‌ثباتی مدل، توزیعی را برای تعداد پیش‌بینی‌های موفق انجام‌شده با طول معین و بدون هیچ تداوم خارج از نمونه به دست می‌آوریم. سپس به‌طور سیستماتیک همه مدل‌های پیش‌بینی احتمالی و معین را از یک مجموعه مشخص تجزیه و تحلیل می‌کنیم و نشان می‌دهیم که این مدل‌ها ماندگاری پیش‌بینی خارج از نمونه بالا و فراتر از آنچه انتظار می‌رفت دارند. این موضوع نشان خواهد داد که مدل‌ها در خارج از نمونه می‌توانند به خوبی گویای وضعیت و پیش‌بینی‌کننده قابل قبولی باشند. این نوع تجزیه و تحلیل‌های شناختی می‌توانند برای پیش‌بینی آینده بازارهای مالی مفید باشند.

جمع‌بندی

پیش‌بینی بازارهای مالی و بورس‌های کالایی نظیر بازارهای نفت کاری چالش‌برانگیز است به ویژه زمانی که برای بررسی و تحلیل بازارهای نفتی باید از سری داده‌های زمانی جهانی به جای داده‌های پنل هر کشور به صورت جداگانه استفاده شود. علاوه بر این، بازه زمانی که داده‌ها را در اختیار داریم خیلی کوتاه است و اینکه ممکن است تغییر رژیم فروش یا حکومت کشورها باعث شود کل داده‌ها زیر سوال برود یا اینکه قابل تعمیم به آینده نباشد. رویکردهای سنتی برآورد در نمونه از سوگیری انتخاب متغیر ضمنی رنج می‌برند و محققان معمولاً رسماً داده‌ها را برای این مقصود تعدیل می‌کنند. با توجه به یافته‌های اخیر در زمینه فایده‌مند بودن سنجش‌های متنی برای پیش‌بینی بازده و ریسک در بازارهای سهام، تلاش شده است تا با استفاده از همان روش مدل جدیدی برای بازارهای انرژی ایجاد شود. در این پژوهش الگوهای سیستماتیک قابل پیش‌بینی در نمونه پیدا می‌شود. بسیاری از متغیرهای پیش‌بینی موفقیت‌آمیز در نمونه، از اقدامات مبتنی بر متن مقاله‌های خبری تامسون رویترز در مورد فضای خبری و اطلاعاتی انرژی به دست آمده است.

به‌رغم قابلیت پیش‌بینی موفقیت‌آمیز در نمونه، شناسایی استراتژی سیستماتیک برای یافتن متغیرهای پیش‌بینی که به عملکرد روش پیش‌بینی در خارج از نمونه منجر شده و بهتر از میانگین متغیر وابسته باشد، عملاً دشوار است. با این حال تجزیه و تحلیل هر دو مدل پیش‌بینی متغیر ممکن، بسیاری از مدل‌های موفق خارج از نمونه را در دوره‌های فرعی مشخص می‌کند. 

معرفی نویسندگان

چارلز دبلیو کالومیریس، پروفسور و استاد دانشگاه در حوزه موسسات مالی در مدرسه بازرگانی کلمبیا، مدیر برنامه ابتکار مطالعات مدرسه تجارت در امور مالی و رشد در بازارهای نوظهور و نیز استاد روابط بین‌الملل در دانشگاه کلمبیاست. تحقیقات وی شامل حوزه‌های بانکی، مالی شرکت‌ها، تاریخ مدیریت مالی و اقتصاد پولی است. او عضو برجسته مدعو در موسسه هوور، عضو موسسه منهتن، یکی از اعضای کمیته بازار باز سایه، انجمن اقتصاددانان مالی و همکار پژوهشی دفتر ملی تحقیقات اقتصادی ایالات‌متحده آمریکاست. پروفسور کالومیریس رئیس سابق انجمن بین‌المللی اقتصاد آتلانتیک بوده و در کمیته‌های متعددی از جمله کمیته علمی مشورتی هیات ریسک سیستماتیک اروپا، کمیسیون مشورتی موسسه مالی بین‌المللی کنگره آمریکا و کمیته تنظیم مالی سایه و فدرال‌رزرو فعالیت داشته است. او مدرک کارشناسی خود را در رشته اقتصاد از دانشگاه ییل و مدرک دکترای تخصصی خود را از دانشگاه استنفورد دریافت کرده است. همچنین دارای مدرک دکترای افتخاری از دانشگاه بازل سوئیس است. کتاب اخیر او با عنوان «طراحی شکننده: مبدأ اصلی بحران‌های اقتصادی و کمبود اعتبار (2014)» جایزه بهترین کتاب در حوزه کسب‌وکار و مالی را دریافت کرده است و به انتخاب فایننشال تایمز، یکی از بهترین کتاب‌های اقتصادی سال 2014 لقب گرفت.

هری مامایسکای استاد تخصصی در مدرسه کسب‌وکار کلمبیا و مدیر برنامه مطالعات ملی در این دانشگاه است. او همچنین در کمیته مرکز بلاک‌چین و فناوری Columbia-IBM نیز فعالیت می‌کند. او به دانشجویان دوره‌های MBA در مقاطع کارشناسی ارشد و دکترا، بازارهای مالی و سرمایه و قیمت دارایی‌ها، استفاده از داده‌های متنی در امور مالی و اوراق قرضه را آموزش می‌دهد. او هم‌اینک مشاور یک شرکت سرمایه‌گذاری و یک شرکت رتبه‌بندی شرکت‌هاست. او بنیانگذار گروه ریسک سیستماتیک در گروه سرمایه‌گذاری سیتی‌گروپ است و به عنوان عضو کمیته اجرایی ریسک شرکت فعالیت می‌کند. پیش از این، او مدیر سبد سهام در این گروه سرمایه‌گذاری با تمرکز بر معاملات اعتبار نسبی بود. او سابقه همکاری با بانک سرمایه‌گذاری مورگان استنلی را نیز در کارنامه خود دارد. در طول سال‌های 2000 تا 2002 نیز استادیار مدیریت مالی در دانشکده مدیریت دانشگاه ییل بود.

ندا چاکرملک اقتصاددان ارشد در بخش تحقیقات اقتصادی بانک مرکزی فدرال کانزاس سیتی است. او در آگوست سال 2013 پس از دریافت مدرک دکترای تخصصی خود از دانشگاه کالیفرنیا به این بانک ملحق شد. او دوره‌های کارشناسی و کارشناسی ارشد خود را در ترکیه گذرانده است. مدرک کارشناسی او در رشته ریاضی از دانشگاه فنی خاورمیانه در آنکارا و مدرک کارشناسی ارشد او در رشته اقتصاد از دانشگاه بیلکنت آنکارا دریافت شده است. زمینه‌های اصلی تحقیقات او اقتصاد کلان، اقتصاد بین‌الملل و اقتصاد انرژی هستند.