یادگیری ماشین تفسیرپذیر برای پیش‌بینی نرخ ارز با استفاده از مبانی اقتصاد کلان

فهرست مطالب

1. مقدمه

پیش‌بینی نرخ‌های ارز به دلیل پیچیدگی، غیرخطی بودن و شکست‌های ساختاری مکرر در سیستم‌های مالی، به‌طور مشهوری دشوار است. مدل‌های اقتصادسنجی سنتی اغلب با این چالش‌ها دست و پنجه نرم می‌کنند و از شفافیت کافی برخوردار نیستند. این مطالعه با توسعه یک مدل مبتنی بر مبانی برای نرخ ارز دلار کانادا به دلار آمریکا (CAD/USD) در یک چارچوب یادگیری ماشین تفسیرپذیر، این شکاف را برطرف می‌کند. هدف اصلی نه تنها دستیابی به پیش‌بینی‌های دقیق، بلکه ارائه توضیحاتی سازگار با تئوری برای تصمیمات مدل است که در نتیجه اعتماد و بینش‌های عملی برای سیاست‌گذاران و اقتصاددانان را افزایش می‌دهد.

انگیزه این پژوهش، جایگاه کانادا به عنوان یک صادرکننده عمده کالا، به ویژه نفت خام است که در سال ۲۰۱۹ معادل ۱۴.۱٪ از کل صادرات را تشکیل می‌داد. رابطه پویا بین قیمت کالاها (به ویژه نفت) و دلار کانادا به خوبی مستند شده اما پیچیده است و اغلب ویژگی‌های غیرخطی و وابسته به زمان را نشان می‌دهد که با مدل‌های خطی به سختی قابل درک هستند.

2. روش‌شناسی و چارچوب

2.1 رویکرد یادگیری ماشین تفسیرپذیر

روش اصلی، ترکیب مدل‌های یادگیری ماشین پیش‌بینی‌کننده (مانند Gradient Boosting، جنگل‌های تصادفی یا شبکه‌های عصبی) با تکنیک‌های تفسیرپذیری پس‌رویدادی است. برخلاف مدل‌های "جعبه سیاه"، این رویکرد از ابزارهایی مانند SHAP (توضیحات افزایشی شپلی) و LIME (توضیحات مدل‌ناورز محلی تفسیرپذیر) برای کمّی‌سازی سهم هر متغیر اقتصاد کلان در پیش‌بینی‌های فردی استفاده می‌کند. این امر درک دقیقی از این که کدام عوامل در نقاط خاصی از زمان، حرکات نرخ ارز را هدایت می‌کنند، فراهم می‌آورد.

2.2 داده‌ها و متغیرها

مدل مجموعه‌ای از متغیرهای اقتصاد کلان و مالی را که فرض می‌شود بر نرخ CAD/USD تأثیر می‌گذارند، دربرمی‌گیرد. متغیرهای کلیدی عبارتند از:

• قیمت کالاها: قیمت نفت خام (WTI/Brent)، قیمت طلا.
• شاخص‌های مالی: شاخص مرکب S&P/TSX (بازار سهام کانادا)، شاخص‌های سهام ایالات متحده، تفاوت نرخ بهره (کانادا در مقابل ایالات متحده).
• مبانی اقتصاد کلان: تفاوت‌های رشد تولید ناخالص داخلی، نرخ‌های تورم، داده‌های تراز تجاری.
• احساسات بازار و ریسک: شاخص VIX (نوسانات).

احتمالاً داده‌ها از بانک‌های مرکزی (بانک کانادا، فدرال رزرو)، آژانس‌های آمار (آمار کانادا) و پایگاه‌های داده بازارهای مالی استخراج شده‌اند.

2.3 معماری مدل و آموزش

این مطالعه از یک چیدمان یادگیری نظارت‌شده استفاده می‌کند که در آن متغیر هدف، تغییر یا سطح آتی نرخ ارز CAD/USD است. مجموعه ویژگی‌ها شامل مقادیر با تأخیر متغیرهای اقتصاد کلان است. مجموعه داده به مجموعه‌های آموزش، اعتبارسنجی و آزمون تقسیم می‌شود تا ارزیابی قوی خارج از نمونه تضمین شود. یک مطالعه حذف متغیر انجام می‌شود که در آن متغیرها بر اساس خروجی‌های تفسیرپذیری به صورت سیستماتیک حذف می‌شوند تا مدل اصلاح و دقت پیش‌بینی بهبود یابد.

3. نتایج تجربی و تحلیل

3.1 عملکرد پیش‌بینی

مدل یادگیری ماشین تفسیرپذیر در مقایسه با معیارهای سنتی مانند رگرسیون خطی، مدل‌های خودرگرسیون برداری (VAR) یا مدل‌های گام تصادفی، دقت پیش‌بینی برتری را نشان می‌دهد. معیارهای کلیدی عملکرد (مانند ریشه میانگین مربعات خطا - RMSE، میانگین خطای مطلق - MAE، دقت جهت‌دار) گزارش شده‌اند که بهبودهای آماری معناداری را نشان می‌دهند.

3.2 اهمیت ویژگی‌ها و تفسیرپذیری

تحلیل تفسیرپذیری، سلسله‌مراتب روشنی از عوامل محرک را آشکار می‌کند:

1. قیمت نفت خام: مهم‌ترین عامل تعیین‌کننده. سهم آن وابسته به زمان است، با تغییرات در علامت و بزرگی که با رویدادهای عمده در بازارهای کالا (مانند سقوط قیمت نفت در سال ۲۰۱۴، تصمیمات اوپک‌پلاس، تحولات خط لوله در کانادا) هم‌خوانی دارد.
2. قیمت طلا: دومین متغیر مهم، که به عنوان یک تأثیر پناهگاه امن و ارز کالایی عمل می‌کند.
3. شاخص مرکب S&P/TSX: سومین محرک کلیدی، که سلامت بخش شرکتی کانادا و جریان‌های سرمایه را منعکس می‌کند.

توضیح نمودار: یک نمودار خلاصه SHAP این سلسله‌مراتب را به صورت بصری نمایش می‌دهد. هر نقطه نمایانگر یک نمونه داده (دوره زمانی) است. محور x مقدار SHAP (تأثیر بر خروجی مدل) را نشان می‌دهد و محور y ویژگی‌ها را بر اساس اهمیت سراسری فهرست می‌کند. رنگ نشان‌دهنده مقدار ویژگی است (قرمز=بالا، آبی=پایین). برای نفت خام، پراکندگی نقاط در هر دو مقدار SHAP مثبت و منفی، اثر وابسته به زمان آن را اثبات می‌کند.

3.3 یافته‌های مطالعه حذف متغیر

مطالعه حذف متغیر، نتایج تفسیرپذیری را تأیید می‌کند. حذف متوالی ویژگی‌های برتر (نفت، طلا، TSX) منجر به شدیدترین کاهش در دقت مدل می‌شود که نقش حیاتی آن‌ها را تأیید می‌کند. در مقابل، حذف متغیرهای کم‌اهمیت تأثیر ناچیزی دارد و امکان ایجاد یک مدل نهایی مختصرتر و کارآمدتر را فراهم می‌آورد.

4. بینش‌های کلیدی و بحث

این مطالعه با موفقیت "جعبه سیاه" یادگیری ماشین را برای پیش‌بینی نرخ ارز رمزگشایی می‌کند. بینش اصلی این است که نفت خام محرک غالب، غیرخطی و وابسته به وضعیت نرخ ارز CAD/USD است، که با ساختار اقتصادی کانادا سازگاری دارد. چارچوب تفسیرپذیری، روایت‌هایی شبیه به علیت ارائه می‌دهد - برای مثال، نشان می‌دهد که چه زمانی افزایش قیمت نفت، دلار کانادا را تقویت می‌کند (در دوران رالی‌های محرک‌شده توسط تقاضا و ریسک‌پذیری) و چه زمانی ممکن است این اتفاق نیفتد (در طول رویدادهای جهانی ریسک‌گریزی که اثرات کالایی را تحت‌الشعاع قرار می‌دهند). این امر شکاف بین پیش‌بینی‌های یادگیری ماشین و تئوری اقتصادی را پر می‌کند.

5. جزئیات فنی و چارچوب ریاضی

مدل پیش‌بینی‌کننده را می‌توان به صورت زیر نشان داد: $\hat{y}_t = f(\mathbf{x}_{t-k}) + \epsilon_t$، که در آن $\hat{y}_t$ بازده پیش‌بینی‌شده نرخ ارز است، $f(\cdot)$ مدل یادگیری ماشین است (مانند یک تابع تقویت گرادیان)، $\mathbf{x}_{t-k}$ یک بردار از ویژگی‌های اقتصاد کلان با تأخیر است و $\epsilon_t$ جمله خطا است.

تفسیرپذیری با استفاده از مقادیر SHAP حاصل می‌شود که مبتنی بر نظریه بازی‌های مشارکتی است. مقدار SHAP $\phi_i$ برای ویژگی $i$ به صورت زیر محاسبه می‌شود: $$\phi_i = \sum_{S \subseteq N \setminus \{i\}} \frac{|S|! (|N|-|S|-1)!}{|N|!} [f(S \cup \{i\}) - f(S)]$$ که در آن $N$ مجموعه تمام ویژگی‌ها است، $S$ یک زیرمجموعه از ویژگی‌ها به جز $i$ است و $f(S)$ پیش‌بینی مدل با استفاده از زیرمجموعه ویژگی $S$ است. این امر تخصیص عادلانه تفاوت پیش‌بینی به هر ویژگی را فراهم می‌آورد.

6. چارچوب تحلیل: مطالعه موردی نمونه

سناریو: تحلیل کاهش ارزش CAD/USD در سه‌ماهه اول ۲۰۲۰.

1. ورودی: مجموعه ویژگی‌ها از اواخر ۲۰۱۹/سه‌ماهه چهارم ۲۰۱۹: سقوط قیمت نفت WTI (شوک تقاضای کووید-۱۹)، افزایش VIX (ریسک‌گریزی)، کاهش TSX.
2. پیش‌بینی مدل: ضعف قابل توجه دلار کانادا را پیش‌بینی می‌کند.
3. خروجی تفسیرپذیری (SHAP):
   • نفت خام: سهم منفی بالا (۵۰- پیپ). مقدار پایین قیمت نفت به شدت پیش‌بینی را به سمت پایین می‌راند.
   • VIX: سهم منفی (۲۰- پیپ). ریسک‌گریزی بالا به ارزهای کالایی آسیب می‌زند.
   • TSX: سهم منفی (۱۵- پیپ).
   • طلا: سهم مثبت کوچک (۵+ پیپ). نقش پناهگاه امن آن، جبران جزئی فراهم می‌آورد.
4. بینش: پیش‌بینی مدل به طور شفاف عمدتاً به سقوط قیمت نفت نسبت داده می‌شود، که در بافت احساسات گسترده ریسک‌گریزی قرار گرفته و کاملاً با روایت مشاهده‌شده بازار هم‌خوانی دارد.

7. کاربردهای آتی و جهت‌های پژوهشی

• داشبورد سیاستی بلادرنگ: بانک‌های مرکزی می‌توانند چنین مدل‌های تفسیرپذیری را در داشبوردهایی ادغام کنند که سهم محرک‌های کلیدی در ارز را به صورت بلادرنگ نظارت می‌کنند و تصمیمات مداخله را آگاه می‌سازند.
• چارچوب چندارزی: گسترش روش‌شناسی به مجموعه‌ای از ارزهای کالایی (AUD, NOK, RUB) و عمده (EUR, JPY) برای توسعه یک مدل ریسک اقتصاد کلان جهانی.
• ادغام با داده‌های جایگزین: گنجاندن هزینه‌های حمل و نقل، تصاویر ماهواره‌ای از موجودی‌های نفت، یا امتیازات احساسات خبری برای بهبود مجموعه ویژگی‌ها.
• کشف علیت: ترکیب با تکنیک‌های استنتاج علی (مانند الگوریتم پیتر-کلارک) برای فراتر رفتن از همبستگی و برقراری پیوندهای علی قوی‌تر.
• استانداردهای هوش مصنوعی توضیح‌پذیر (XAI): این کار به حوزه در حال رشد XAI در امور مالی کمک می‌کند، همان‌طور که پژوهش‌های مؤسساتی مانند آزمایشگاه هوش مصنوعی MIT-IBM واتسون بر آن تأکید دارند که نیاز به سیستم‌های هوش مصنوعی قابل اعتماد و قابل حسابرسی در حوزه‌های حیاتی را برجسته می‌کنند.

8. مراجع

1. Neghaba, D. P., Cevik, M., & Wahab, M. I. M. (2023). Explaining Exchange Rate Forecasts with Macroeconomic Fundamentals Using Interpretive Machine Learning. arXiv preprint arXiv:2303.16149.
2. Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30.
3. Chen, S. S., & Chen, H. C. (2007). Oil prices and real exchange rates. Energy economics, 29(3), 390-404.
4. Bank of Canada. (2022). Monetary Policy Report.
5. U.S. Energy Information Administration. (2022). U.S. Imports from Canada of Crude Oil.
6. Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?" Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining.

9. دیدگاه تحلیلگر: بینش اصلی، جریان منطقی، نقاط قوت و ضعف، بینش‌های عملی

بینش اصلی: این مقاله حقیقت قدرتمند اما اغلب نادیده گرفته‌شده‌ای در امور مالی کمّی ارائه می‌دهد: برای اقتصادهای مبتنی بر منابع مانند کانادا، نرخ ارز یک معما پیچیده نیست - بلکه یک شرط اهرمی روی یک کالای واحد است که در پوششی از متغیرهای پرسر و صدای دیگر پیچیده شده است. نویسندگان از یادگیری ماشین تفسیرپذیر نه برای یافتن یک محرک جدید، بلکه برای کمّی‌سازی و اعتبارسنجی سلطه غیرخطی و وابسته به رژیم نفت خام با دقتی استفاده می‌کنند که اقتصادسنجی سنتی قادر به تطابق با آن نیست. این فقط پیش‌بینی نیست؛ بلکه داستان‌سرایی اقتصادی با اعداد است.

جریان منطقی: استدلال به طور قانع‌کننده‌ای ساده است: ۱) پذیرش شکست پیش‌بینی مدل‌های خطی در بازارهای آشفته ارز خارجی. ۲) به کارگیری قدرت تشخیص الگوی یادگیری ماشین برای بهبود دقت. ۳) استفاده از SHAP/LIME برای باز کردن "جعبه سیاه" و پرسیدن این سؤال که "مدل در واقع چه چیزی را یاد گرفته است؟" ۴) کشف این که هوشمندی مدل عمدتاً بر روی واضح‌ترین داستان بنیادی - وابستگی به نفت - نگاشت می‌شود. ظرافت در استفاده از فناوری پیشرفته برای تقویت، نه جایگزینی، شهود اقتصادی کلاسیک نهفته است.

نقاط قوت و ضعف: نقطه قوت اصلی، رویکرد ترکیبی عمل‌گرایانه آن است که قدرت پیش‌بینی یادگیری ماشین را با ضرورت توضیحی مورد نیاز سیاست‌گذاران پیوند می‌زند. مطالعه حذف متغیر، یک ویژگی به ویژه قوی است. با این حال، ضعف در توهم علیت بالقوه نهفته است. SHAP همبستگی‌ها را در چارچوب مدل توضیح می‌دهد، نه علیت واقعی. اگر مدل یک همبستگی کاذب را یاد بگیرد (مانند بین فروش بستنی و دلار کانادا)، SHAP آن را به درستی توضیح خواهد داد. مقاله می‌توانست با ادغام روش‌های کشف علیت از ابتدا، همان‌طور که در آثار پیشگامانه‌ای مانند آثار جودیا پرل انجام شده است، قوی‌تر باشد تا محرک‌ها را از همبسته‌های صرف متمایز کند.

بینش‌های عملی: برای مدیران صندوق‌ها: پیچیده کردن بیش از حد تحلیل دلار کانادا را متوقف کنید. دیدگاه اصلی خود در مورد دلار کانادا را بر اساس مبانی نفت بسازید و از این چارچوب تفسیرپذیر برای وزن‌دهی پویای آن دیدگاه در برابر عوامل ثانویه (طلا، احساسات ریسک) استفاده کنید. برای شرکت‌ها: از این روش‌شناسی برای تحلیل سناریو استفاده کنید - مسیرهای مختلف قیمت نفت را از طریق مدل تفسیرشده اجرا کنید تا بودجه‌های پوشش ریسک احتمالی تولید شود. برای تنظیم‌کنندگان: این یک نقشه راه برای هوش مصنوعی قابل حسابرسی در سیاست کلان‌احتیاطی است. قبل از استقرار هر گونه یادگیری ماشین برای ارزیابی ریسک سیستمیک، این سطح از تفسیرپذیری را برای درک این که مدل واقعاً به چه چیزی حساس است، مطالبه کنید. آینده فقط پیش‌بینی‌های مبتنی بر هوش مصنوعی نیست؛ بلکه تصمیمات توضیح‌داده‌شده توسط هوش مصنوعی است.