DOI: https://doi.org/10.1186/s40854-025-00807-7
تاريخ النشر: 2026-01-07
المؤلف: Brian Godwin Lim وآخرون
الموضوع الرئيسي: الأنظمة المعقدة وتحليل السلاسل الزمنية
نظرة عامة
تستكشف هذه الدراسة نموذج العوامل الديناميكية (DFM) كأداة لفهم تحركات أسعار الأسهم في بورصة الفلبين (PSE)، مع التركيز على قابليته للتفسير وقدراته التنبؤية. من خلال تحليل الأحمال المستخرجة والعوامل المشتركة، تكشف الأبحاث عن رؤى تتحدى النظريات التقليدية للسوق. باستخدام طريقة كالمان وتقدير الاحتمالية القصوى، تشير النتائج إلى أن نموذج العامل الواحد يلتقط بفعالية الديناميات النظامية للسوق على غرار المؤشر المركب، بينما يميز نموذج العاملين بين اتجاهات السوق والتقلبات. ومن الجدير بالذكر أن النموذج يظهر إمكانات كبيرة للتنبؤ بمعدلات نمو الناتج المحلي الإجمالي الفلبيني، محققًا أكثر من 34% تقليص في خطأ التنبؤ خارج العينة، مما يثبت أن العوامل المشتركة هي مؤشرات سوقية في الوقت الحقيقي.
في الختام، تربط هذه الأبحاث بين نظرية الاقتصاد القياسي والممارسة المالية من خلال دمج القوة التنبؤية لتعلم الآلة مع قابلية تفسير نماذج تسعير الأصول الخطية. يوفر التحقق ضد نموذج تسعير الأصول الرأسمالية (CAPM) وجهات نظر جديدة حول ديناميات السوق، مما يشير إلى أن الدراسات المستقبلية يمكن أن تعزز DFM من خلال معالجة الافتراضات المتعلقة بعوائد أسعار الأسهم الغاوسية واستقلالية الأخطاء العرضية. قد يؤدي دمج عملية التباين الشرطي العامة (GARCH) إلى تحسين نمذجة توزيعات عوائد الأسهم، بينما قد تزيد طرق الاستدلال التبايني من المرونة في التقاط تعقيدات تحركات أسعار الأسهم دون التضحية بالدقة التنبؤية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الاهتمام المستمر للباحثين والممارسين والمستثمرين في الأسواق المالية، لا سيما في التنبؤ الدقيق بتحركات أسعار الأسهم لتحقيق عوائد متفوقة. بينما توفر نماذج تسعير الأصول التقليدية مثل نموذج تسعير الأصول الرأسمالية (CAPM) ونماذج فاما-فرينش أطرًا قابلة للتفسير لفهم عوائد الأسهم من خلال العلاقات الخطية، فإنها غالبًا ما تفشل في التقاط تعقيدات ديناميات السوق. في المقابل، ظهرت نماذج تعلم الآلة كأدوات قوية لاختيار الميزات وتنبؤ الأسعار، إلا أن طبيعتها كصندوق أسود تحد من قابليتها للتفسير.
لمعالجة هذه التحديات، تستخدم الدراسة تحليل العوامل الديناميكية (DFM) كنهج جديد لتحليل تحركات أسعار سوق الأسهم. يسمح DFM بتفكيك عوائد الأسهم إلى مكون مشترك ومكون فردي، مع تمثيل المكون المشترك كتركيبة خطية من الميزات التنبؤية. لا يحتفظ هذا الأسلوب فقط بقابلية تفسير النماذج التقليدية، بل يستفيد أيضًا من القوة التنبؤية لتعلم الآلة. تكشف التحليلات، التي تم التحقق منها ضد CAPM باستخدام بيانات من بورصة الفلبين (PSE)، أن DFM يمكن أن يمثل بفعالية ديناميات السوق والاتجاهات، محققًا تقليصًا كبيرًا في خطأ التنبؤ خارج العينة لمعدلات نمو الناتج المحلي الإجمالي. توضح الورقة هيكلها، مع تفاصيل الأعمال ذات الصلة، والتقديم الرسمي لـ DFM، والمنهجية، والنتائج، والرؤى الختامية.
النتائج
توفر نتائج هذه الدراسة تحليلًا شاملاً للأحمال المستخرجة $\beta_i$ والعوامل المشتركة $F_t$ لتعزيز فهم ديناميات أسعار الأسهم، مميزةً إياها عن عمل موليرو-غونزاليس وآخرين (2023)، الذي لم يتناول هذه المعلمات بعد تحليل RMT. تؤكد هذه الأبحاث على تفسير $\beta_i$ و$F_t$ في سياق النظريات الاقتصادية القياسية والسوقية المعمول بها، مع التركيز بشكل خاص على بورصة الفلبين (PSE) نظرًا لبيئتها الاقتصادية الفريدة وسلوك المستثمرين. تستخدم الدراسة بيانات تاريخية لأسعار الأسهم من 1 يناير 2015 إلى 31 ديسمبر 2020، مع ضمان سلامة البيانات من خلال استبعاد الأسهم التي تحتوي على أكثر من 1% من الملاحظات المفقودة، مما أسفر عن مجموعة بيانات تضم 72 سهمًا تتميز بحجم تداول مرتفع، مما يعزز من تعميم النتائج.
تكشف التحليلات أن تضمين فترة جائحة COVID-19 يمثل اختبارًا صارمًا لصلابة النموذج، مما يظهر قدرته على تقديم رؤى ذات مغزى حتى في ظل تقلبات السوق الكبيرة. يتم حساب نسبة العائد $R_{it}$ لضمان استقرارية البيانات، مع الإشارة إلى أن النماذج التي تحتوي على عامل واحد أو عاملين مشتركين تتفوق بشكل كبير على نموذج الضوضاء البيضاء. بينما تشير معايير المعلومات إلى أن نموذجًا يحتوي على عامل مشترك واحد يناسب البيانات بشكل أفضل، فإن الملاءمة القريبة لنموذج يحتوي على عاملين مشتركين تقدمه كبديل قابل للتطبيق، مما يثري فهم ديناميات أسعار الأسهم في سياق PSE.
المناقشة
في قسم المناقشة من الورقة، يتم تسليط الضوء على التقدمات الأخيرة في تحليل تحركات أسعار سوق الأسهم، لا سيما تطبيق نماذج تعلم الآلة لاستخراج الميزات وتنبؤ الأسعار. تم استخدام نماذج متنوعة، بما في ذلك الغابات العشوائية، والمشفّرات التلقائية، وتقنيات التعلم العميق مثل المحولات، لتعزيز القدرات التنبؤية. ومع ذلك، غالبًا ما تفتقر هذه النماذج إلى قابلية التفسير وقد لا توفر قوة تفسير كافية للتحليلات التي تتجاوز تنبؤ الأسعار. في المقابل، يتم تقديم نموذج العوامل الديناميكية (DFM) كبديل قوي يجمع بين نقاط القوة لكل من الأساليب الاقتصادية القياسية وتعلم الآلة، مما يوفر أحمالًا قابلة للتفسير وميزات كامنة لتحليل اقتصادي أعمق.
تقدم الورقة نماذج أساسية مثل نموذج تسعير الأصول الرأسمالية (CAPM) ونظرية تسعير التحكيم (APT)، التي تفسر عوائد الأسهم من خلال العلاقات الخطية مع عوامل المخاطر. يوسع DFM هذه المفاهيم من خلال تقدير العوامل مباشرة من البيانات الملاحظة، مما يعالج القيود المرتبطة بالنماذج المحددة مسبقًا. تسمح مرونة DFM بالتقاط ديناميات تحركات أسعار الأسهم بشكل أكثر فعالية من النماذج التقليدية، كما يتضح من تطبيقه في مجالات متنوعة، بما في ذلك التنبؤ الاقتصادي والتحليل الهيكلي. تؤكد الدراسة على أهمية فهم الأحمال المستخرجة والعوامل المشتركة، بهدف تقديم رؤى حول الديناميات المعقدة لتحركات أسعار الأسهم مع تكملة النظريات السوقية المعمول بها.
DOI: https://doi.org/10.1186/s40854-025-00807-7
Publication Date: 2026-01-07
Author(s): Brian Godwin Lim et al.
Primary Topic: Complex Systems and Time Series Analysis
Overview
This study investigates the dynamic factor model (DFM) as a tool for understanding stock price movements in the Philippine Stock Exchange (PSE), emphasizing its interpretability and predictive capabilities. By analyzing extracted loadings and common factors, the research reveals insights that challenge traditional market theories. Utilizing the Kalman method and maximum likelihood estimation, the findings indicate that a one-factor model effectively captures systematic market dynamics akin to the composite index, while a two-factor model distinguishes between market trends and volatility. Notably, the model demonstrates significant potential for nowcasting Philippine GDP growth rates, achieving over a 34% reduction in out-of-sample prediction error, thereby validating the common factors as real-time market indicators.
In conclusion, this research bridges econometric theory and financial practice by integrating machine learning’s predictive power with the interpretability of linear asset pricing models. The validation against the capital asset pricing model (CAPM) offers fresh perspectives on market dynamics, suggesting that future studies could enhance the DFM by addressing assumptions related to Gaussian stock price returns and cross-sectional error independence. Incorporating a generalized autoregressive conditional heteroskedasticity (GARCH) process could improve the modeling of stock return distributions, while employing variational inference methods may increase flexibility in capturing the complexities of stock price movements without sacrificing predictive accuracy.
Introduction
The introduction of this research paper highlights the longstanding interest of researchers, practitioners, and investors in financial markets, particularly in the accurate prediction of stock price movements to achieve superior returns. While traditional asset pricing models like the Capital Asset Pricing Model (CAPM) and the Fama-French models provide interpretable frameworks for understanding stock returns through linear relationships, they often fall short in capturing the complexities of market dynamics. In contrast, machine learning models have emerged as powerful tools for feature selection and price prediction, yet their black box nature limits interpretability.
To address these challenges, the study employs dynamic factor analysis (DFM) as a novel approach to analyze stock market price movements. DFM allows for the decomposition of stock returns into a common component and an idiosyncratic component, with the common component represented as a linear combination of predictive features. This method not only retains the interpretability of traditional models but also harnesses the predictive strength of machine learning. The analysis, validated against the CAPM using data from the Philippine Stock Exchange (PSE), reveals that DFM can effectively represent market dynamics and trends, achieving a significant reduction in out-of-sample prediction error for GDP growth rates. The paper outlines its structure, detailing related works, the formal introduction of DFM, methodology, results, and concluding insights.
Results
The results of this study provide a comprehensive analysis of the extracted loadings $\beta_i$ and common factors $F_t$ to enhance the understanding of stock price dynamics, distinguishing it from the work of Molero-González et al. (2023), which did not delve into these parameters post-RMT analysis. This research emphasizes the interpretation of $\beta_i$ and $F_t$ within the context of established econometric and market theories, particularly focusing on the Philippine Stock Exchange (PSE) due to its unique economic environment and investor behavior. The study utilizes historical stock price data from January 1, 2015, to December 31, 2020, ensuring data integrity by excluding stocks with over 1% missing observations, resulting in a dataset of 72 stocks that are predominantly high-volume, thereby enhancing the generalizability of the findings.
The analysis reveals that the inclusion of the COVID-19 pandemic period serves as a rigorous test for the model’s robustness, demonstrating its capability to yield meaningful insights even amidst significant market volatility. The percentage return $R_{it}$ is calculated to ensure data stationarity, with findings indicating that models with one or two common factors significantly outperform a white noise model. While the information criteria suggest that a model with one common factor fits the data best, the close fit of a model with two common factors presents it as a viable alternative, thereby enriching the understanding of stock price dynamics in the context of the PSE.
Discussion
In the discussion section of the paper, recent advancements in stock market price movement analysis are highlighted, particularly the application of machine learning models for feature extraction and price prediction. Various models, including random forests, autoencoders, and deep learning techniques like Transformers, have been utilized to enhance predictive capabilities. However, these models often lack interpretability and may not provide sufficient explanatory power for analyses beyond price prediction. In contrast, the Dynamic Factor Model (DFM) is presented as a robust alternative that integrates the strengths of both econometric and machine learning approaches, offering interpretable loadings and latent features for deeper economic analysis.
The paper introduces foundational models such as the Capital Asset Pricing Model (CAPM) and Arbitrage Pricing Theory (APT), which explain stock returns through linear relationships with risk factors. The DFM extends these concepts by estimating factors directly from observed data, thus addressing limitations associated with predefined factor models. The DFM’s flexibility allows it to capture the dynamics of stock price movements more effectively than traditional models, as evidenced by its application in various domains, including economic nowcasting and structural analysis. The study emphasizes the importance of understanding the extracted loadings and common factors, aiming to provide insights into the complex dynamics of stock price movements while complementing established market theories.