تستكشف هذه الدراسة سؤالًا رئيسيًا في تسعير الأصول الدولية: هل تكون النماذج العوامل العالمية أو الإقليمية أكثر فعالية في توقع عوائد الأسهم؟ تتجاوز الدراسة الأساليب التقليدية التي تعتمد على المقارنات الاستعادية والأطر الخطية، حيث يستخدم المؤلفون نهجًا استشرافيًا للتنبؤ باستخدام مجموعة متنوعة من نماذج التعلم الآلي. تتراوح هذه النماذج من التقنيات الخطية مثل الانحدار الخطي العادي (OLS) والشبكة المرنة إلى الخوارزميات غير الخطية مثل الغابة العشوائية، وأشجار الانحدار المعززة بالتدرج، والشبكات العصبية. من خلال تحليل بيانات من 24 سوقًا متقدمًا بين عامي 1990 و2021، تفحص الدراسة كيف تؤثر تعقيدات النموذج على مزايا استراتيجيات التدريب العالمية مقابل المحلية.
تجد الدراسة أن النماذج الإقليمية تحقق عوائد أعلى قليلاً باستخدام الأساليب الخطية البسيطة، رغم افتقارها إلى ألفا ذات دلالة إحصائية. في المقابل، تؤدي خوارزميات التعلم الآلي المعقدة أداءً أفضل بشكل مستمر عند تدريبها على بيانات عالمية، سواء من الناحية الاقتصادية أو الإحصائية. وهذا يتحدى النتائج السابقة التي توصل إليها كل من غريفين، وفاما وفrench، وهولشتاين، مقدمةً رؤية دقيقة حول تكامل الأسواق المالية وإمكانية التنبؤ بعوائد الأسهم.
تتمثل إحدى نقاط القوة الرئيسية في هذه الورقة في المقارنة المنهجية لأداء التنبؤ عبر مجموعة واسعة من نماذج التعلم الآلي تحت كلا النهجين المحلي والعالمي للتدريب. يستخدم المؤلفون نهج نافذة متوسعة لضمان صلاحية العينات الخارجية، مع تقسيم دقيق لفترات التدريب والتحقق والاختبار. يتيح الاختيار المتنوع للنماذج – من الانحدار الخطي العادي البسيط إلى الشبكات العصبية المتقدمة – تحليلًا قويًا لكيفية تأثير التعقيد على فعالية دمج البيانات العالمية.
يعزز التصميم التجريبي للدراسة من مصداقيتها. من خلال استخدام مجموعة بيانات متوازنة ومصفاة من الأسواق المتقدمة المصنفة من قبل MSCI وتنفيذ خطوات معالجة بيانات صارمة، يقلل المؤلفون من التحيزات الشائعة في أبحاث التعلم الآلي المالي. التزامهم باستخدام محافظ طويلة وقصيرة مرتبة حسب الخمسينيات ذات الأوزان القيمية يلتزم بالمعايير المعمول بها في تسعير الأصول التجريبي.
على الرغم من دقة الورقة، هناك مجالات للتحسين. يمكن أن تستفيد الدراسة من توضيح أكبر لاختيار هياكل النماذج والمعايير الفائقة، ومناقشة أعمق حول القابلية الاقتصادية للتنفيذ، وتحليل الأسواق الناشئة. بالإضافة إلى ذلك، يمكن أن يعزز التركيز على قابلية التفسير ومحركات النموذج، وكذلك الأداء عبر الأنظمة السوقية المختلفة، من أهمية الدراسة.
في الختام، تقدم هذه الورقة دراسة قوية واستشرافية تربط بين التعلم الآلي وتسعير الأصول التجريبي. تُظهر أن النماذج المدربة عالميًا تتفوق على النماذج الإقليمية عند استخدام الخوارزميات المتقدمة، مما يوفر رؤى جديدة حول التفاعل بين النطاق الجغرافي وتعقيد النموذج. يمكن للأبحاث المستقبلية أن توسع من تأثير الدراسة من خلال معالجة الاحتكاكات الاقتصادية، واستكشاف الأسواق الناشئة، وتحسين قابلية تفسير النماذج. ومع ذلك، فإن هذا العمل يُشكل إسهامًا كبيرًا في كل من مجال التمويل وتطبيقات التعلم الآلي من خلال تقديم نهج أكثر تطورًا للتنبؤ بالعوائد الدولية.
