مدلسازی ریسک سیستماتیک بازارهای جهانی؛ شبکههای پیچیده و هوش مصنوعی (GNN–LSTM)
در بازارهای مالی امروز، نمیتوان ریسک را «ریسک یک دارایی» در نظر گرفت؛ مشکل اصلی زمانی پدیدار میشود که یک شوک کوچک در یک بخش، مثل دومینو به بقیه بازارها منتقل شود. به این پدیده «ریسک سیستماتیک» میگویند؛ یعنی ریسکی که میتواند کل سیستم را درگیر کند، نه فقط یک سهم یا یک رمزارز. در چنین فضایی، معاملهگر اگر فقط یک نمودار را ببیند و از ارتباطهای پنهان بازارها غافل بماند، ممکن است درست در لحظهای وارد معامله شود که موج سرایت تازه شروع شده است. اینجاست که مدلهای شبکهای و روشهای هوش مصنوعی وارد میدان میشوند و بهجای تکهتکهکردن بازارها، تصویر یکپارچهتری از جریان ریسک ارائه میدهند.
ریسک سیستماتیک چیست؟
ریشه این موضوع را باید در پیوندهای عمیقتر جستوجو کرد؛ پول بزرگ بهصورت همزمان در چند بازار گردش میکند، صندوقها سبدهای متنوع عرضه میکنند، هجکردن از طریق بازار ارز انجام میشود و اخبار کلان در کسری از ثانیه به همه بازارها نشت میکند. نتیجه؟ همبستگی میان بازارها در دورههای فشار، افزایش مییابد و همین افزایش همبستگی، سرعت سرایت را چند برابر میکند. بنابراین اگر هدف شما مدیریت ریسک واقعی است، باید بفهمید بازار در چه زمانی «قفلشدهتر» عمل میکند و چه زمانی تنوعبخشی واقعا مفید است.
نگاه شبکهای به بازارهای جهانی
این مقاله یک راه نگاهکردن متفاوت پیشنهاد میکند و آن این است که بهجای بررسی بازارها به شکل جداگانه، آنها را مثل یک «شبکه» میبینیم؛ شبکهای که در آن سه بازار مهم کنار هم قرار میگیرند؛ بازار سهام، بازار فارکس و بازار رمزارزها (۲۰۱۶ تا ۲۰۲۴). این نوع نگاه دقیقا در جایی ارزش پیدا میکند که روابط پنهان، مهمتر از رفتار ظاهری قیمت میشود.
در شبکه، هر دارایی فقط یک نمودار نیست؛ یک عضو از یک سیستم است. یک شاخص سهام مثل S&P 500 میتواند با ارزهای اصلی فارکس همجهت شود و همزمان روی رمزارزها هم اثر بگذارد، یا برعکس. این شبکهبودن بهمعنای آن است که ریسک مثل جریان برق از مسیرهای مختلف عبور میکند و همیشه از جایی میزند که کمتر انتظارش را دارید. به همین دلیل، تحلیل شبکهای میتواند جای خالی مدلهای سنتی را پر کند؛ مدلهایی که معمولا وابستگیهای غیرخطی و متغیر در زمان را خوب نمیبینند.
این نوع نگاه مرتبط با ریسک سیستماتیک در چارچوب شبکهای همراستا است و کمک میکند سرایت ریسک میان بازارها بهتر دیده شود.
شبکه مالی چطور ساخته میشود؟ از گره و یال تا پنجره ۶۰ روزه
ایده اصلی چگونه پیادهسازی میشود؟ ابتدا از دادهها یک شبکه میسازند؛ هر دارایی یک «گره» است و ارتباطها بر اساس همبستگی در بازههای زمانی متحرک تشکیل میشود (پنجره ۶۰ روزه با گام ۵ روز). این یعنی شبکه ثابت نیست؛ هر چند روز یک بار بهروزرسانی میشود تا تغییرات رفتار بازار ثبت گردد.
در عمل، دادههای روزانه از سه حوزه جمعآوری میشود؛ شاخصهای مهم سهام جهانی، جفتارزهای اصلی فارکس و رمزارزهای بزرگ. سپس بازده لگاریتمی محاسبه میشود تا رفتار بازار در سری زمانی قابل مقایسه و پایدارتر شود. بعد در هر پنجره ۶۰ روزه، همبستگیها اندازهگیری میشوند و اگر یک رابطه از آستانه مشخصی بالاتر باشد، بین دو گره یک یال رسم میشود. نتیجه این فرایند، مجموعهای از شبکههاست که مثل یک فیلم، تغییر شکل اتصال بازارها را در طول زمان نمایش میدهد.
معیارهای شبکه؛ چگالی، خوشهبندی و مرکزیت
در مرحله بعد معیارهای شبکه مثل چگالی و ضریب خوشهبندی و مرکزیت استخراج میشود تا مشخص شود بازارها چقدر به هم قفل شدهاند. هرکدام از این معیارها یک پیام مشخص دارد:
- چگالی شبکه نشان میدهد چند درصد از ارتباطهای ممکن، واقعا پویا هستند. چگالی بالا یعنی بازارها بیشتر با هم حرکت میکنند و تنوعبخشی سختتر میشود.
- ضریب خوشهبندی به شما میگوید آیا داراییها در گروههای فشرده قرار گرفتهاند یا نه. خوشهبندی بالا معمولا نشانه شکلگیری «رفتار جمعی» است؛ همان جایی که موج ترس یا طمع بهصورت همزمان چند بازار را درگیر میکند.
- مرکزیت (مثل درجه یا بینابینی) کمک میکند گرههای مهم شناسایی شوند؛ داراییهایی که اتصال زیادی با بازارهای دیگر دارند یا مسیر عبور ریسک از آنها میگذرد.
این معیارها در کنار هم، یک زبان تازه برای تحلیل بازار میسازند؛ بهجای اینکه فقط بپرسیم «قیمت بالا میرود یا پایین؟» میپرسیم «شبکه چقدر درهمتنیده شده و ریسک از کجا عبور میکند؟»
مدل GNN–LSTM و کاربرد شاخص NSRI
در این قسمت به توضیح مدل ترکیبی GNN–LSTM میپردازیم که برای پیشبینی شاخصی به نام NSRI کاربرد دارد؛ شاخصی که نقش «هشدار زودهنگام» برای فشار سیستماتیک را دارد. منطق این ترکیب روشن است:
- GNN که از عبارت “Graph Neural Network” به معنای «ساختار شبکهای گرافی» میآید برای این ساخته شده که ساختار شبکه را درک کند؛ یعنی فقط با اعداد خام کار نکند، بلکه جایگاه هر گره و نوع اتصالها را هم روشن سازد.
- LSTM نیز برگرفته از عبارت “Long Short-Term Memory” به معنای «حافظه بلندمدت و کوتاهمدت» برای این مناسب است که تغییرات زمانی را دنبال کند؛ چون بازارها فقط «ساختار» ندارند، «زمان» هم دارند و روند امروز معمولا ادامه یا نتیجه رفتار چند هفته قبل است.
در سالهای اخیر، پژوهشهای پیشرفتهتری تلاش کردهاند ریسک سیستماتیک را نه فقط با شاخصهای کلاسیک، بلکه با ترکیب تحلیل شبکههای پیچیده و مدلهای هوش مصنوعی بررسی کنند. در این رویکردها، ساختار ارتباطی بازارها در کنار پویایی زمانی دادهها قرار میگیرد تا نقاط اوج فشار سیستماتیک و لحظات نزدیک به بحران شناسایی شود. استفاده از مدلهای ترکیبی مانند مدلسازی ریسک سیستماتیک بازارهای جهانی با شبکههای پیچیده و هوش مصنوعی (GNN–LSTM) نشان میدهد که چگونه میتوان وابستگیهای پنهان میان بازار سهام، فارکس و رمزارزها را بهصورت یکپارچه تحلیل کرد و سیگنالهای هشدار زودهنگام دقیقتری به دست آورد.
پس مدل GNN–LSTM میتواند همزمان دو پارامتر را روشن کند؛ اول اینکه شبکه در هر مقطع چه شکلی دارد و دوم اینکه این شکل در طول زمان چگونه به سمت وضعیت بحرانی یا آرام حرکت میکند. خروجی این فرایند، NSRI است؛ یعنی یک عدد یا شاخص که سطح فشار سیستماتیک را نشان میدهد و اگر بالا برود، میتواند علامت هشدار باشد.
یافتههای کلیدی؛ کووید ۲۰۲۰، FTX ۲۰۲۲ و نقش بیتکوین
نتایج مهم چه میگویند؟ طبق نتایج، در دورههای بحران (مثل شوک کووید در ۲۰۲۰ و ماجرای FTX در ۲۰۲۲) شبکه بازارها متراکمتر و خوشهایتر میشود؛ یعنی داراییها بیشتر با هم حرکت میکنند و انتقال ریسک راحتتر رخ میدهد. این دقیقاً همان وضعیتی است که در آن بسیاری از معاملهگران حس میکنند «همه چیز با هم میریزد» یا «همه چیز با هم رشد میکند»؛ چون واقعاً شبکه به حالت همفاز نزدیک میشود.
در همین شرایط، رمزارزها گاهی نقش «واسطه انتقال ریسک» بین بازارها را بازی میکنند و بیتکوین در کنار S&P 500 بهعنوان گرههای مهم انتقال ریسک دیده میشوند. یعنی بیتکوین فقط یک دارایی سفتهبازانه جدا از اقتصاد نیست؛ در برخی دورهها به یک پل میان بازارهای سنتی و فضای کریپتو تبدیل میشود. این نتیجه برای تحلیلگر جدی است، چون نشان میدهد در دورههای فشار، باید رمزارزها را هم در پایش ریسک کلان وارد کرد، نه اینکه آنها را جزیرهای مستقل فرض کنیم.
کاربرد عملی برای تریدرها؛ چرا تنوعبخشی همیشه جواب نمیدهد؟
چرا این برای فعالان بازار مهم است؟ وقتی همبستگیها بالا میرود، خیلی از استراتژیهای ساده تنوعبخشی (Diversification) ضعیفتر میشوند. در بازار آرام، پخشکردن سرمایه بین چند دارایی میتواند نوسان را کنترل کند؛ اما در بازار تحت فشار، داراییها همجهت میشوند و سبدی که روی کاغذ متنوع است، در عمل یک رفتار واحد پیدا میکند.
در چنین حالتی، داشتن یک دید شبکهای و رصد شاخصهایی مثل NSRI میتواند به تحلیلگران کمک کند که «بالا رفتن ریسک سیستماتیک» را زودتر تشخیص دهند. اگر NSRI رو به رشد باشد، پیام آن میتواند این باشد که:
- حجم معامله و اهرم را منطقیتر کنید؛
- حد ضررها را جدیتر ببندید؛
- از معاملههای همجهت در چند بازار پرهیز کنید؛
- و بهجای دنبالکردن سیگنالهای کوچک، ابتدا وضعیت کلی شبکه را بسنجید.
این نگاه به شما کمک میکند قبل از اینکه موج دومینو به دارایی شما برسد، نشانههای فشردگی و سرایت را ببینید.
سخن پایانی
ریسک سیستماتیک زمانی شکل میگیرد که شوکها از یک بازار عبور کنند و کل سیستم را درگیر سازند. این پژوهش با نگاه شبکهای، سه بازار سهام، فارکس و رمزارز را در بازه ۲۰۱۶ تا ۲۰۲۴ کنار هم قرار داد و با پنجرههای ۶۰ روزه، شبکههای پویا ساخت. معیارهایی مثل چگالی، خوشهبندی و مرکزیت نشان دادند در بحرانهایی مانند کووید ۲۰۲۰ و FTX ۲۰۲۲ شبکه متراکمتر میشود و سرایت سریعتر رخ میدهد. مدل ترکیبی GNN–LSTM نیز با پیشبینی شاخص NSRI، یک مسیر هشدار زودهنگام برای سنجش فشار سیستماتیک ارائه کرد. برای معاملهگران، پیام روشن است؛ وقتی همبستگیها جهش میکند، تنوعبخشی ساده اثر کمتری دارد و پایش شبکه و NSRI میتواند تصمیمگیری را واقعبینانهتر کند.
