زد ارز
زد ارز
هوش مصنوعی

محاسبه همبستگی با هوش مصنوعی؛ آیا تنوع سبد شما واقعی است؟

داشتن چند دارایی، به‌تنهایی به معنی پخش‌شدن ریسک نیست. اگر بازده آن‌ها اغلب با هم حرکت کند، ممکن است سبدی با نام‌های متفاوت داشته باشید که در روز بد بازار، از یک جهت ضربه می‌خورد. محاسبه همبستگی با هوش مصنوعی به بررسی این موضوع کمک می‌کند؛ به شرط آنکه زمان، واحد پول و داده‌های گمشده را پیش از محاسبه کنترل کنید.

ChatGPT می‌تواند جدول قیمت را مرتب کند و محاسبات را با کد انجام دهد. اما یک ضریب دقیق‌نما، بدون ورودی قابل بررسی، مبنای خوبی برای تغییر سبد نیست. تمرین زیر با داده‌های کاملاً فرضی و آموزشی انجام می‌شود و به اتصال حساب مالی یا اجرای معامله نیاز ندارد.


همبستگی چه چیزی درباره سبد می‌گوید؟

ضریب پیرسون رابطه خطی دو مجموعه داده را بین منفی یک و مثبت یک اندازه می‌گیرد. در مقایسه بازده، مقدار مثبت یعنی حرکت‌ها در نمونه بررسی‌شده بیشتر هم‌جهت‌اند؛ مقدار منفی از رابطه معکوس خبر می‌دهد. عدد نزدیک صفر فقط رابطه خطی ضعیف را نشان می‌دهد و استقلال کامل دارایی‌ها را ثابت نمی‌کند. این محدودیت در مستندات رسمی SciPy نیز توضیح داده شده است.

همبستگی بالا، اندازه یکسان سود یا زیان را نشان نمی‌دهد. دو دارایی می‌توانند هم‌جهت باشند، اما یکی دو برابر دیگری نوسان کند. برای تصمیم سبد، وزن هر دارایی و شدت نوسان هم مهم است. همبستگی گذشته نیز تضمین نمی‌کند که رابطه در بحران بعدی همان‌طور باقی بماند.

گام اول: به‌جای قیمت خام، بازده‌های قابل مقایسه بسازید

برای بررسی همراهی حرکت بازارها، معمولاً بازده هر دوره را مقایسه می‌کنیم. رشد بلندمدت دو قیمت خام می‌تواند تصویری گمراه‌کننده از همراهی نوسان‌های آن‌ها بسازد. فرمول بازده ساده چنین است:

return = current_price / previous_price - 1

مثلاً افزایش قیمت فرضی از ۱۰۰ به ۱۰۲، بازده ۰٫۰۲ یا ۲ درصد دارد. در راهنمای pandas نیز تصریح شده که خروجی pct_change تغییر نسبی است؛ برای نمایش درصد باید آن را در ۱۰۰ ضرب کرد.

  • زمان مشترک: هر ردیف باید بازده دو دارایی را برای دقیقاً یک بازه زمانی نشان دهد. قیمت بسته‌شدن بازار سهام را با قیمت رمزارز در ساعت نامعلوم ترکیب نکنید.
  • واحد مشترک: اگر هدف بررسی ریسک سبد تومانی است، همه دارایی‌ها را با نرخ مستند همان زمان به تومان ارزش‌گذاری کنید. همبستگی بازده دلاری و تومانی لزوماً یکسان نیست، چون تغییر ارز مبنا خودش بخشی از بازده است.
  • تعریف یکسان: برای سهام و صندوق‌ها، اثر تقسیم سود و رویدادهای سرمایه‌ای را بررسی کنید. سری تعدیل‌شده و قیمت خام بدون توضیح کنار هم قرار نگیرند.
  • داده غایب: تعطیلی بازار یا قیمت ثبت‌نشده را خودکار صفر نکنید. تکرار قیمت قبلی نیز یک فرض است، نه مشاهده تازه بازار.

برای شروع، جدولی با ستون‌های «شروع بازه، پایان بازه، قیمت آغاز و پایان هر دارایی، ارز مبنا، منبع و زمان دریافت» بسازید. اگر فقط بازده آماده دارید، تعریف و دوره آن را کنار داده نگه دارید. برای بازده‌های روزانه، ردیف ناقص را علامت بزنید؛ حذف قیمت میانی نباید پنهانی بازده دوروزه را جای روزانه بنشاند.

همسان‌سازی تاریخ، زمان مشاهده و واحد پول پیش از محاسبه همبستگی


گام دوم: قبل از عدد نهایی، از ChatGPT گزارش خطا بخواهید

راهنمای رسمی تحلیل داده ChatGPT فایل ساختاریافته با نام ستون روشن و یک رکورد در هر ردیف را توصیه می‌کند. امکانات تحلیل فایل به حساب و ابزار در دسترس وابسته است. فایل قیمت را خودتان از منبع معتبر تهیه کنید و به برداشت عدد از تصویر نمودار تکیه نکنید.

فقط اطلاعات لازم و مجاز را بارگذاری کنید؛ رمز، کلید API، شماره حساب یا جزئیات شخصی برای این تمرین لازم نیست. سپس این درخواست را بدهید:

ابتدا فقط کیفیت داده را بررسی کن. ارز مبنا، ساعت و منطقه زمانی، طول هر بازه، ترتیب تاریخ‌ها، ردیف تکراری، قیمت صفر یا منفی و داده خالی را گزارش کن. بازده دو دارایی باید شروع و پایان مشترک داشته باشد. داده‌ای حدس نزن و خالی‌ها را صفر یا قیمت قبلی نگذار. تعداد ردیف اولیه، ردیف نامعتبر و بازه‌های مشترک معتبر را جدا بنویس. پیش از محاسبه، ابهام‌های حل‌نشده را مشخص کن.

اگر یک دارایی جمعه معامله نمی‌شود و دیگری شبانه‌روزی است، اول تصمیم بگیرید مقایسه روی چه تقویم و ساعتی انجام می‌شود. برای مثال، می‌توان هر دو را روی پایان هفته‌ای یکسان نمونه‌برداری کرد، به شرط آنکه قیمت هر دو در همان زمان معتبر باشد. صرفاً برابرشدن تعداد ردیف‌ها کافی نیست.

گام سوم: یک مثال کوچک برای کنترل فرمول

جدول زیر چهار بازه هم‌طول و مشترک برای دو دارایی فرضی A و B دارد. عددها درصد بازده‌اند؛ قیمت واقعی هیچ دارایی یا نتیجه تست ChatGPT نیستند.

بازه آموزشی بازده A بازده B
۱ ۱٪ ۲٪
۲ منفی ۱٪ منفی ۲٪
۳ ۲٪ ۴٪
۴ منفی ۲٪ منفی ۴٪

در هر ردیف، بازده B دقیقاً دو برابر A است؛ بنابراین همبستگی این مثال مثبت یک است. اما B نوسان بزرگ‌تری دارد. نتیجه نه می‌گوید سود برابر است، نه برای بازار واقعی اعتبار پیش‌بینی دارد. چهار مشاهده صرفاً برای کنترل محاسبه‌اند و نمونه کافی برای نتیجه‌گیری سرمایه‌گذاری نیستند.

برای بازتولید مستقل، عددهای بازده A را در B2 تا B5 و بازده B را در C2 تا C5 یک صفحه‌گسترده وارد کنید. سپس بنویسید:

=CORREL(B2:B5,C2:C5)

هر دو ستون باید عددی باشند. می‌توانید همه مقدارها را به‌صورت درصد یا عددهای ۱، منفی۱، ۲ و منفی۲ وارد کنید؛ مقیاس ثابت مثبت، ضریب همبستگی را تغییر نمی‌دهد. اما برای محاسبه سود و نوسان، تفاوت ۲ و ۰٫۰۲ بسیار مهم است.


گام چهارم: خروجی قابل بازبینی بگیرید

پس از رفع خطاهای ورودی، همبستگی پیرسون بازده‌ها را فقط روی بازه‌های مشترک معتبر حساب کن. جدول نهایی زوج داده‌ها، تعداد مشاهدات، تاریخ شروع و پایان و کد محاسبه را نشان بده. اگر ابزار اجرا داری، اجرا کن؛ وگرنه صریحاً بگو کد اجرا نشده است. برای ستون ثابت ضریب نساز. نتیجه را با فرمول مستقل کنترل کن. هیچ نتیجه‌ای درباره سود آینده، علت حرکت بازار یا درصد اطمینان ساختگی نده.

در مستندات همبستگی pandas، محاسبه بر پایه زوج مشاهدات کامل انجام می‌شود. در یک جدول چنددارایی، این موضوع ممکن است باعث شود هر زوج از تاریخ‌های متفاوتی استفاده کند. بنابراین کنار ماتریس همبستگی، تعداد و بازه زمانی هر زوج را هم بخواهید؛ مقایسه ضریب‌ها بدون این اطلاعات می‌تواند گمراه‌کننده باشد.

علامت‌گذاری داده گمشده به جای پرکردن خودکار آن در تحلیل همبستگی

سه آزمون برای پیدا‌کردن خطای پنهان

  1. آزمون جابه‌جایی: فقط در نسخه آزمایشی، ترتیب بازده‌های B را به منفی۲، ۲، منفی۴، ۴ تغییر دهید. ضریب مثال به منفی یک می‌رسد. این دستکاری نشان می‌دهد چرا تطبیق تاریخ‌ها حیاتی است؛ داده واقعی را برای رسیدن به ضریب مطلوب مرتب نکنید.
  2. آزمون ستون ثابت: همه مقدارهای B را صفر کنید. ضریب باید تعریف‌نشده گزارش شود، نه صفر. صفر بودن همبستگی با ناتوانی محاسبه آن فرق دارد.
  3. آزمون داده ناقص: یک مقدار را خالی کنید. خروجی باید کاهش تعداد زوج‌های معتبر را نشان دهد؛ پرکردن بی‌اجازه خانه خالی، پاسخ همان سؤال اولیه نیست.

این آزمون‌ها ابزار کنترل مسیر محاسبه‌اند و قدرت پیش‌بینی روش را ثابت نمی‌کنند. فایل اصلی را نگه دارید و تمرین‌ها را روی نسخه کپی انجام دهید.


از ضریب همبستگی تا تصمیم سبد، چه چیزهایی کم است؟

در داده واقعی، نتیجه را در چند بازه از پیش مشخص‌شده مقایسه کنید؛ مثلاً اگر تاریخچه کافی دارید، ۶۰ و ۱۲۰ بازه مشترک. این اعداد فقط انتخاب آموزشی‌اند، نه حد استاندارد اعتبار. اگر جهت یا اندازه ضریب با تغییر بازه عوض شد، آن را پنهان نکنید. فقط پنجره‌ای را که نتیجه دلخواه می‌دهد انتخاب نکنید.

همبستگی پایین به‌تنهایی تضمین محافظت در سقوط بازار نیست. وزن دارایی‌ها، نوسان، نقدشوندگی و امکان زیان هم‌زمان باید جدا بررسی شوند. برای همین، بعد از بررسی همراهی بازده‌ها، آزمون فشار سبد با هوش مصنوعی قدم مکمل مناسبی است: چند سناریوی نامطلوب را محاسبه می‌کند، بدون اینکه وقوع آن‌ها را قطعی بداند.

اگر هدف شما سنجش عملکرد سبدی با واریز و برداشت است، ابتدا بازده سبد را از ورود پول تازه جدا کنید. ابزار تحلیل باید مسئله را روشن‌تر کند؛ داشتن فایل محاسبه به معنی مجوز اجرای خودکار معامله نیست.

خروجی قابل استفاده شامل داده مبنا، زمان‌های مشترک، ارز، فرمول، تعداد مشاهدات و محدودیت‌هاست. عددی که این ردپا را ندارد، حتی اگر با چند رقم اعشار نوشته شده باشد، هنوز آماده تصمیم نیست.

نام ChatGPT و نشان OpenAI متعلق به OpenAI هستند. نمایش آموزشی آن‌ها به معنی همکاری یا تأیید رسمی زد ارز نیست.

تیم زد ارز

تیم زد ، نام تیمی از علاقمندان حوزه رمز ارز ها می باشد ، در تیم زد سعی می کنیم آخرین دانسنه های خود را برای فارسی زبانان به رایگان به اشتراک بگذاریم، کلیه خدمات تیم زد رایگان است و تنها این آرزو را داریم که چراغ آگاهی را در ذهنی جست و جو گر روشن کنیم ، محتوای انتشار شده از تیم زد شکر گذاری کوچکی می باشد از دانشی که فراگرفته ایم.

نوشته های مشابه

0 0 رای ها
امتیاز مقاله
اشتراک در
اطلاع از
0 نظرات
قدیمی‌ترین
تازه‌ترین بیشترین رأی
دکمه بازگشت به بالا