نظریه گام تصادفی و غیر تصادفی در بازارهای مالی

نظریه گام تصادفی در زمینه مالی، یک مفهوم اساسی است که تحلیل معاملات بازارهای مالی را توصیف می‌کند. این نظریه بر این فرضیه استوار است که قیمت‌های دارایی‌ها در بازارهای مالی به صورت تصادفی و بدون الگوی قابل پیش‌بینی حرکت می‌کنند. به عبارت دیگر، هر گام یا تغییر در قیمت دارایی به صورت تصادفی و بدون رابطه مستقیم با رویدادهای گذشته اتفاق می‌افتد.

نظریه گام تصادفی بیان می‌کند که اطلاعات موجود در بازار به طور کامل در قیمت دارایی‌ها منعکس شده‌اند و هیچ کس نمی‌تواند با دقت بیشتر از میانگین بازار به سود بیشتری دست پیدا کند، چرا که هیچ الگوی قطعی در تغییرات قیمت‌ها وجود ندارد.

بیش از چهار دهه پیش، برتون مالکیل، اقتصاددان معروف دانشگاه پرینستون،  کتاب کلاسیک خود به نام "یک گام تصادفی در خیابان وال استریت" را نوشت که در آن بحث کرد که بازدهی‌ها تصادفی هستند و سرمایه‌گذاران نمی‌توانند بازدهی بهتر از معدل‌های اصلی را داشته باشند.

این کتاب چندین بار بازنگری شده است و یک نسخه جدید به تازگی در سال ۲۰۰۷ منتشر شده است. نظریه گام تصادفی مالکیل بر این اصل استوار است که بازدهی‌های سهام پیش‌بینی‌ناپذیر و تصادفی هستند و بنابراین یک مدیر پورتفوی نمی‌تواند بازدهی ثابتی را ایجاد کند که از بازار به طور کلی بهتر باشد.

این کتاب بیان می‌کند که استفاده از انواع مختلف تحلیل‌ها تنها منجر به کاهش بازده خواهد شد، زیرا هیچ راهی برای پیش‌بینی قیمت‌ها در طولانی مدت وجود ندارد. نتیجه‌ی او به مدل گام تصادفی این است که یک سرمایه‌گذار بهتر است یک صندوق شاخص را خریداری کند که بازدهی بازار به طور کل را تقلید می‌کند و از راهکار خرید و نگهداری استفاده کند.

نظریه گام تصادفی ادعا می‌کند که بازدهی قیمت سهام به دلیل اینکه تمامی اطلاعات موجود در حال حاضر در قیمت فعلی یک سهام نمایان است و حرکات بر اساس احساس تریدرها است که به طور ثابت قابل اندازه‌گیری نیست.

هنگامی که اطلاعات جدید در دسترس قرار می‌گیرند، قیمت یک سهام به سرعت تنظیم می‌شود و بلافاصله اطلاعات جدید را نمایش می‌دهد. از آنجایی که اطلاعات جدید تصادفی و پیش‌بینی‌ناپذیر هستند، پس بازار تصادفی است و از این رو بازدهی مرتبط با قیمت‌ها پیش‌بینی‌ناپذیر است و بازاری تصادفی ایجاد می‌شود.

در مقابل نظریه گام غیرتصادفی، یک دیدگاه متفاوت به بازارهای مالی ارائه می‌دهد که معتقد است قیمت‌های دارایی‌ها در بازارهای مالی قابل پیش‌بینی و متکی به الگوها و اطلاعات گذشته هستند.

نظریه گام غیرتصادفی از آنجا شکل گرفته که قیمت‌های دارایی‌ها از الگوها، رویدادهای تاریخی، و اطلاعات موجود در بازار تحت تأثیر قرار می‌گیرند و این تحت تأثیر قرار گرفتن باعث ایجاد الگوها و روندهای قابل تشخیص در بازار می‌شود.

به طور مثال، طرفداران این نظریه گام غیرتصادفی معتقدند که با استفاده از ابزارهای تحلیلی و مدل‌های آماری، می‌توانند الگوهایی را شناسایی کنند که قادر به پیش‌بینی حرکت‌های آتی قیمت‌ها هستند. این دیدگاه بر خلاف نظریه گام تصادفی، اعتقاد دارد که می‌توان با استفاده از اطلاعات گذشته و الگوهای شناسایی شده، بازدهی بالاتر از میانگین بازار به دست آورد.

نظریه گام تصادفی

به عنوان مثال، یک صاحب‌مالی شرکتی و یک مدیر صندوق سرمایه‌گذاری اختلافاتی درباره زمان انجام معاملات دارند. در حالی که یک مدیر صندوق سرمایه‌گذاری ممکن است از انجام معاملات در یک دوره‌ای که قیمت سهام در حال سقوط است خودداری کند، یک صاحب‌مالی شرکتی ممکن است به دنبال استفاده از یک کاهش قیمت بزرگ باشد تا یک برنامه خرید برگرداند.

یک صاحب‌مالی شرکتی همچنین از اوراق بهادار مشتق به روش‌های مختلفی استفاده می‌کند. به عنوان مثال، اگر قیمت یک سهم به سرعت کاهش یابد و یک شرکت دارای یک برنامه خرید باشد، صاحب‌مالی شرکت ممکن است از یک تکنیک استفاده کند که با فروش آپشن های زیر بازار، برنامه را بهبود دهد و دریافت پریمیوم کند.

در این حالت، اگر یک صاحب‌مالی آپشن های زیر بازار را بفروشد، می‌تواند به صورت پریمیوم دریافت کند بدون اینکه به قیمت انتخابی آپشن ها برسد. این نوع انگیزه باعث تغییر روند نظریه بازار کارآمد می‌شود، زیرا صاحب‌مالی شرکت نسبت به یک تریدر یا مدیر پورتفوی به طور متفاوتی بازار را مشاهده می‌کند.

به علاوه، دوره زمانی استفاده شده توسط تریدرها می‌تواند کارآمدی بازار را تغییر دهد. سرمایه‌گذارانی که به دنبال نگهداری سهام برای مدت طولانی هستند، به طور متفاوتی رفتار می‌کنند نسبت به کسانی که سعی در روزانه کردن معاملات یک سهام دارند.

به عنوان مثال، اگر شما به روش متوسط قیمت دلاری عمل کنید و در هنگام کاهش قیمت سهم آن را خریداری کنید، هدف شما متفاوت است نسبت به تریدری که به دنبال گرفتن حرکت‌های کوچک در معاملات بلند و کوتاه است.

نظریه گام تصادفی

الگوریتم‌ها نظریه گام تصادفی را تقویت می‌کنند!

بازارها از زمان نگارش آخرین نسخه از کتاب "یک گام تصادفی در خیابان وال استریت" در سال ۲۰۰۷ به طرز چشمگیری تغییر کرده‌اند. امروزه، الگوریتم‌ها باعث بخش قابل توجهی از حرکات کوتاه‌مدت در تقریباً هر بازار سرمایه‌ای هستند و نظریه گام تصادفی را تقویت می‌کنند.

یک الگوریتم یک برنامه کامپیوتری است که به دنبال تغییرات در اطلاعات رخ می‌هد و به صورت فوری با خرید و فروش اوراق بهادار واکنش نشان می‌دهد. این اوراق بهادار ممکن است شامل سهام، جفت‌های ارزی، اوراق و حتی کالاها باشند.

استراتژی‌های معاملات الگوریتمی با فرکانس بالا از الگوریتم‌های کامپیوتری استفاده می‌کنند که هزاران بار در روز معامله می‌کنند به دنبال تأثیرگذاری بر بازار و گرفتن ناکارآمدی‌ها هستند. وقتی تریدرهای با فرکانس بالا برای اولین بار وارد بازارهای سهام شدند، مقررات جدید به صرافی‌های الکترونیکی اجازه داد با یکدیگر رقابت کنند، که در پی این تریدرهای با فرکانس بالا وارد عمل شدند و به دنبال یافتن اختلافات در قیمت‌ها بودند.

امروزه، الگوریتم‌ها از داده‌هایی استفاده می‌کنند که از منابع مختلف جمع‌آوری شده‌اند. الگوریتم‌ها وب‌سایت‌ها و دنیای توییتر را بررسی می‌کنند تا کلمات کلیدی را برای تعیین نحوه انجام معاملات بیابند. یک اصطلاح ساده مانند "افزایش نرخ فدرال رزرو" می‌تواند منجر به یک زنجیره از معاملات شود که ممکن است در حرکات بازار پرجنب و جوش ایجاد کند.

بسیاری از فروپاشی‌های ناگهانی اخیر به وسیله الگوریتم‌ها ایجاد شده‌اند که به سرعت اوراق بهادار را خریداری و فروش می‌کنند و هنگام در دسترس شدن اطلاعات جدید بازار، اثر گلوله برفی ایجاد می‌کنند. اثر گلوله برفی یک فرایند استعاری است که چیزی از حالت اولیه کوچک یا کم‌اهمیت خود به چیزی بزرگتر و مهم‌تر و جدی‌تر تبدیل می‌شود.

الگوریتم‌ها نیز توزیع بازدهی‌های سهام را تغییر می‌دهند. به طور کلی، بازدهی‌هایی که در بازارهای سرمایه منعکس می‌شوند، توزیع نرمال ندارند و این دلیل بر نظریه گام تصادفی است.

این به چه معناست؟ به عنوان مثال، اگر شما وزن ۱۰۰ دانش‌آموز مدرسه را اندازه گیری کنید و توزیع وزن‌ها را نمایش دهید، احتمالاً یک منحنی کلاسیک را خواهید دید. بیشترین وزن تکرارشده در وسط خواهد بود و وزن‌های باقیمانده این دانش‌آموزان در دو طرف توزیع شده‌اند. حدود ۶۸٪ در ۱ انحراف استاندارد از وسط قرار می‌گیرند و ۹۵٪ در ۲ انحراف استاندارد.

تحقیقات متعددی انجام شده که نشان داده‌اند بازدهی اوراق بهادار به صورت توزیع نرمال نیستند و دارای دم‌های چاق هستند. این بدان معناست که تعداد زیادی از بازدهی‌ها خارج از توزیع نرمال خواهند بود. برخی از آن‌ها ممکن است کمتر و بسیاری از آن‌ها ممکن است بیشتر باشند.

از آنجایی که الگوریتم‌ها طراحی شده‌اند تا از اطلاعات جدید بهره ببرند، واکنش سریع آن‌ها به اطلاعات جدید بازدهی‌هایی را ایجاد می‌کند که به صورت توزیع نرمال نیستند. آن‌ها آموخته شده‌اند که هنگامی که اطلاعات جدیدی وجود ندارد، کاری انجام ندهند و کمی از نقدینگی فراهم کنند، اما وقتی اطلاعات جدیدی وجود دارد، بازدهی‌هایی با شرایط بازار پرجنب و جوش ایجاد کنند.

نظریه گام غیر تصادفی

به عنوان مثال، در 20 سال گذشته، Berkshire Hathaway بازدهی 613٪ برای سرمایه خود داشته است در حالی که شاخص S&P 500 (بدون در نظر گرفتن سود سهام) با بازدهی 190٪ روبرو شده است.

نظریه گام غیر تصادفی

همچنین، تعدادی مقاله نوشته شده‌اند که دلایل مالکیل را بازتاب نمی‌دهند و بر این باورند که بازار تصادفی نیست. مجموعه‌ای از مقالات با عنوان "یک گام غیرتصادفی در خیابان وال استریت" وجود دارد که شواهدی ارائه می‌دهند که قیمت یک سهم اطلاعات ارزشمندی ارائه می‌دهد.

داده‌های تجربی که استفاده شده بود، مجموعه‌ای از مدل‌های اقتصادسنجی بودند که تصادفی بودن قیمت‌ها را آزمایش می‌کردند. گام غیرتصادفی توسط اندرو لو، که یک طرفدار غیرتصادفی بودن است، تشکیل شده بود و به نتیجه رسید که تکنیک‌های زیادی وجود دارد که می‌توانند بازدهی معدل‌های اصلی را بپیش بینی کنند، اما سوال این است که به چه مدت این روش‌ها موفق خواهند بود.

لو گفت: "هر چه بیشتر خلاقیت را به فرایند سرمایه‌گذاری بیاورید، پاداش بیشتری خواهید گرفت. اما تنها راه برای حفظ موفقیت مداوم، همیشه نوآوری است." او فکر می‌کرد که برای غلبه بر بازارها در طولانی مدت، باید روش خود را به شرایط بازار مداوماً تطبیق داد.

آزمون‌های تصادفی بودن بازار

آزمون رانز می‌تواند تعیین کند که آیا روندهایی در یک بازار وجود دارند و چه اندازه اغلب رخ می‌دهند. فرضیه صفر به این معنا است که هیچ وابستگی و هیچ روندی وجود ندارد و جمعیت‌ها طبیعتاً یکسان هستند. آزمون رانز ارزش‌ها را رتبه‌بندی می‌کند و یا فرضیه صفر را اثبات می‌کند یا یک روند را پیشنهاد می‌دهد.

تحلیل رگرسیون

یک روش دیگر برای تعیین وابستگی یک متغیر به متغیر دیگر، انجام یک تحلیل رگرسیون است. فرمول رگرسیون یک متغیر مستقل و وابسته را مشخص می‌کند همچنین R-squared که نشان می‌دهد چقدر یک متغیر وابسته به متغیر دیگر است.

ساده‌ترین تحلیل رگرسیون از یک متغیر پیش‌بینی کننده و یک متغیر پاسخ استفاده می‌کند. نقاط داده با استفاده از روش کمترین مربعات گزارش می‌شوند. اگر در سری داده انحراف‌های قابل شک است، می‌توان از روش‌های مقاوم استفاده کرد تا مدل را مناسب کند. R-squared معادل 1 به این معناست که متغیر وابسته همراه با متغیر مستقل حرکت می‌کند.

تحلیل همبستگی

یکی دیگر از تکنیک‌های استفاده شده برای تعیین طبیعت غیرتصادفی اوراق بهادار، تحلیل همبستگی است. همبستگی شبیه به رگرسیون است به این معنا که از چندین سری زمانی استفاده می‌شود تا تعیین کند آیا بازدهی‌ها همزمان حرکت می‌کنند.

این تحلیل بازدهی یک سری زمانی نسبت به یکی دیگر را ارزیابی می‌کند و شما را با یک ضریب همبستگی بین ۱ و -۱ تامین می‌کند. ضریب همبستگی ۱ به این معناست که بازدهی دو سری زمانی با هم است. ضریب همبستگی -۱ به این معناست که بازدهی دو سری زمانی به جهت‌های مخالف حرکت می‌کنند. در زمان ارزیابی ارتباط، مهم است که بازدهی را نسبت به قیمت مورد تجزیه و تحلیل قرار دهید.

اگرچه همبستگی به معنای وابستگی حرکت یک اوراق بهادار به اوراق دیگر نیست، اما نشان می‌دهد که حرکات دو اوراق بهادار با یکدیگر مرتبط هستند. هرچه ضریب همبستگی بالاتر باشد، عملکرد دو دارایی به یکدیگر نزدیک‌تر است. ضرایب همبستگی ۷۰ یا منفی ۷۰ به معنای وجود همبستگی مهم یا همبستگی منفی در دارایی‌ها است.

یک مثال از استفاده از همبستگی، پیدا کردن دارایی‌ای است که ممکن است بر دارایی دیگری تأثیر بگذارد. به عنوان مثال، کشوری مانند کانادا تعداد قابل توجهی شرکت نفتی دارد که میلیون‌ها نفر را استخدام می‌کنند. اقتصاد کانادا به طور قابل توجهی بر این شرکت‌ها وابسته است و این شرکت‌ها به طرز قابل توجهی به قیمت نفت برای اطمینان از سودآوری وابسته هستند.

هنگامی که قیمت نفت به طور چشمگیری کاهش می‌یابد، همانطور که در نیمه اول سال ۲۰۱۵ اتفاق افتاد، اقتصادهای کشورهایی مانند کانادا با مشکلات قابل توجهی مواجه می‌شوند.

تحلیل همبستگی می‌تواند در طول دوره‌های مختلفی انجام شود. می‌توانید تحلیل همبستگی را در طول یک دوره طولانی مانند ۱ سال انجام دهید یا در دوره‌های متوالی. عددی که در طول یک دوره ۱ ساله مشاهده می‌کنید، شامل دوره کلی همبستگی است، اما جزئیات نشان نمی‌دهد که همبستگی چگونه در دوره‌های زمانی خاص تغییر می‌کند.

به عنوان مثال، در USD/CAD ممکن است ضریب همبستگی -۰.۸۰ در طول یک سال باشد اما ممکن است در طول بازه‌های زمانی مختلف ۲۰ روزه در طول یک سال، بین -۱ و -۰.۲۰ متغیر باشد.

تحلیل تکنیکال: دلیلی بر نظریه گام غیر تصادفی

بسیاری از تریدرهای تکنیکال اعتقاد دارند که می‌توانند حرکات قیمت آینده را با استفاده از داده‌های تاریخی پیش‌بینی کنند. به عنوان مثال، تحلیلگران تکنیکال باور دارند که تمام اطلاعات موجود در حال حاضر در قیمت یک اوراق بهادار قرار دارد.

با این پیش‌زمینه، تنها می‌توانید با استفاده از مطالعات یا الگوها، قیمت آینده را تعیین کنید زیرا عملکرد قیمت گذشته، حرکات قیمت آینده را پیش‌بینی می‌کند. حداقل، تحلیل تکنیکال می‌تواند به عنوان یک پیش‌بینی خودآمدی مورد استفاده قرار گیرد.

اگر بسیاری از افراد از تحلیل تکنیکال برای تعیین حرکات قیمت آینده استفاده کنند، مهم است که شما تحلیل تکنیکال را بفهمید تا بدانید دیگران چه فکری می‌کنند. در بخش زیر، به بررسی برخی از ابزارهای تکنیکال پایه‌ای که تریدرها برای پیش‌بینی حرکات آینده استفاده می‌کنند، خواهیم پرداخت.

سطوح حمایت

روش‌های مختلفی وجود دارد که می‌توانید از تحلیل تکنیکال برای تعیین حمایت استفاده کنید. بسیاری از تریدرها از خطوط روند استفاده می‌کنند که ارتباط بین نقاط کمینه را برای تعیین حمایت در نظر می‌گیرند. خطوط روند با شیب به سمت بالا که بین نقاط کمینه‌های بالاتر ارتباط برقرار می‌کنند، یک روش بسیار محبوب برای یافتن سطوح حمایت در یک بازار گاوی هستند.

سطوح مقاومت

مقاومت، مخالف حمایت است. این یک منطقه عرضه است که بازتاب حرکت قیمت بازار را نشان می‌دهد که قیمت‌ها دشواری در حرکت به سمت بالا دارند. عرضه تحت فشار در مقاومت افزایش می‌یابد.

مانند حمایت، روش‌های مختلفی برای تعیین سطوح مقاومت با استفاده از تحلیل تکنیکال وجود دارد. می‌توانید از خطوط روند استفاده کنید که نقاط بیشینه را ارتباط برقرار می‌کنند، یا می‌توانید از یک خط روند افقی استفاده کنید که نیز نقاط بیشینه پایه را ارتباط می‌دهد.

میانگین متحرک

یکی دیگر از روش‌های تکنیکال که اغلب برای تعیین جهت آینده یک اوراق بهادار استفاده می‌شود، استفاده از میانگین‌های متحرک برای هموار کردن عملکرد قیمت و کمک به شرح مسیر است. میانگین متحرک، میانگین یک تعداد خاص روز است. هنگامی که قیمت بعدی ثبت می‌شود، قیمت اول از محاسبه حذف می‌شود.

به عنوان مثال، اگر شما در حال محاسبه میانگین متحرک ۱۰ روزه یک اوراق بهادار هستید، شما میانگین روزهای اول را محاسبه می‌کنید. در روز یازدهم، قیمت اول حذف می‌شود که یک نقطه داده جدید تولید می‌کند.

تلاقی میانگین متحرک

میانگین‌های متحرک می‌توانند با استفاده از روش معروف تلاقی، به شما کمک کنند تا تعیین کنید آیا در اوراق بهاداری که در آنها معامله می‌کنید یک روند جدید در حال ظهور است یا خیر. اگر شما به دنبال تغییر در یک بازه زمانی کوتاه هستید، بهتر است از میانگین‌های متحرک کوتاه مدت استفاده کنید.

یکی از تنظیمات محبوب‌تر، تلاقی میانگین متحرک ۵ روزه بالا یا پایین میانگین متحرک ۲۰ روزه است. این بازه شامل یک هفته و یک ماه است و بسیار موثر در گرفتن روندهای کوتاه مدت است. اگر شما به دنبال بازه زمانی بلندتر هستید، ممکن است میانگین‌های متحرک ۲۰ روزه و ۵۰ روزه را در نظر بگیرید.

تلاقی میانگین متحرک بلندمدت مانند میانگین متحرک ۵۰ روزه و میانگین متحرک ۲۰۰ روزه، بسیار محبوب است و به عنوان "تلاقی طلایی" در صورت تلاقی بالا و "تلاقی مرگ" در صورت تلاقی پایین شناخته می‌شود. تلاقی میانگین متحرک یک روش قوی برای تعیین یک روند است.

خلاصه

به عنوان یک کسی که با تحلیل تکنیکال سر و کار داره، فکر نمی‌کنم بازارها به صورت تصادفی عمل می‌کنند و نظریه گام تصادفی یک فرضیه اشتباهه و نظریه گام غیر تصادفی درسته، و واضحه که افرادی وجود دارند که عملکرد بهتری از بازارهای عمومی در طولانی مدت داشتند. عملکرد وارن بافت در 20 سال گذشته با اختلاف 423% بهتر از شاخص S&P 500 بوده.

البته بافت از رویکرد بنیادی برای انتخاب شرکت‌ها استفاده می‌کنه، اما مثال‌های زیادی از تریدرهای موفق هستند که از مدل‌های آماری و همچنین تحلیل تکنیکال برای به دست آوردن بازدهی‌های قوی و پایدار استفاده می‌کنند.

همچنین ابزارهای آماری مثل آزمون‌های ران، رگرسیون و همبستگی وجود دارند که نشون می‌دند بین دارایی‌ها وابستگی و همبستگی وجود داره. ایده اصلی اینه که تمام اطلاعات موجود در یک اوراق بهادار الان در قیمتش در نظر گرفته شده و این موضوع ارزشمنده، و همچنین واضحه که یک رویکرد جدید وجود داره که الگوریتم‌ها اطلاعاتی رو معامله می‌کنند که همه جا منتشر شده، از جمله اطلاعاتی که در شبکه‌های اجتماعی مثل فیسبوک و توییتر در دسترس هست.

در آخر، من انتظار دارم که یک تحلیلگر تکنیکال آگاه که یک استراتژی با بازدهی مثبت داره، در ادامه عملکرد برتری روی بازار داشته باشه.