🎓 دانشکدهٔ ۱۲ · پروژهٔ نهایی
طرح پژوهش
Research proposal
پیش‌نیازها: بک‌تست و خطای نگاه به آینده
📚 آموزش در سه سطح
از سطح ساده شروع کنید؛ اگر روشن بود، سطح بعد را بخوانید. سطح مناسب شما ذخیره می‌شود.
🌱 توضیح ساده
پروژهٔ نهایی با «طرح پژوهش» آغاز می‌شود؛ سندی کوتاه که پیش از دیدن نتایج می‌گوید چه می‌پرسید، چرا مهم است، چگونه پاسخ می‌دهید و چه چیزی پاسخ را تأیید یا رد می‌کند. طرح خوب مانند نقشهٔ راه است: جلوی پرسه زدن در داده و تغییر هدف پس از دیدن نتیجه را می‌گیرد و به داوران نشان می‌دهد پژوهش شما منسجم و برنامه‌ریزی‌شده است.
پرسش پژوهشی خوب سه ویژگی دارد: «مشخص» است (نه «آیا بیت‌کوین خوب است؟» بلکه «آیا جریان خالص ورودی به صرافی‌ها بازده هفتهٔ بعد را پیش‌بینی می‌کند؟»)، «ابطال‌پذیر» است (می‌توان با داده نادرستی‌اش را نشان داد) و «امکان‌پذیر» است (داده و زمان کافی برایش دارید). پرسشی که هر نتیجه‌ای را تأیید کند، پرسش پژوهشی نیست.
اجزای طرح عبارت‌اند از عنوان، پرسش و انگیزه، مرور کوتاه کارهای پیشین، فرضیه‌ها، داده و منبع آن، روش تحلیل، معیار موفقیت یا رد فرضیه، تهدیدهای اعتبار (آنچه می‌تواند نتیجه را گمراه کند)، برنامهٔ زمانی و خروجی‌ها. طول مناسب برای پروژهٔ این آکادمی یک تا دو صفحه است؛ کوتاه اما دقیق. طرح را پیش از شروع با یک هم‌کلاسی یا مربی مرور کنید تا ابهام‌ها زود آشکار شوند.
📘 توضیح متوسط
«پیش‌ثبت» یعنی پیش از تحلیل، فرضیه، معیار موفقیت و روش را مکتوب و تاریخ‌دار کنید. این کار دو خطای رایج را مهار می‌کند: «فرضیه‌سازی پس از دیدن نتیجه» (HARKing) و «دست‌کاری p»، یعنی امتحان تحلیل‌های گوناگون تا یکی معنادار شود. پیش‌ثبت شما را زندانی نمی‌کند؛ تحلیل‌های اکتشافی بعدی را می‌توانید انجام دهید، فقط باید آن‌ها را جدا و صادقانه گزارش کنید.
«آزمون‌های چندگانه» را در طرح لحاظ کنید: اگر ۲۰ فرضیه یا ۲۰ نسخهٔ یک قاعده را با آستانهٔ معناداری ۵٪ بیازمایید، انتظار دارید حدود یکی تصادفاً معنادار شود. پس یا تعداد آزمون‌ها را محدود کنید، یا آستانه را سخت‌تر کنید، یا از روش‌های تعدیل استفاده کنید؛ و در هر حال تعداد کل آزمون‌ها را گزارش کنید.
«تهدیدهای اعتبار» را پیشاپیش بنویسید: سوگیری بقا در انتخاب دارایی‌ها، نگاه به آینده در ساخت متغیرها، کیفیت پایین داده، تغییر رژیم بازار و علت‌های جایگزین برای همان نتیجه. داوری که می‌بیند شما خودتان ضعف‌های احتمالی را شناسایی کرده‌اید و برایشان برنامه دارید، به یافته‌هایتان اعتماد بیشتری می‌کند.
🔬 توضیح تخصصی
معیار موفقیت را عددی و پیش از تحلیل تعیین کنید؛ مثلاً «فرضیه تأیید می‌شود اگر ضریب متغیر در دادهٔ خارج از نمونه مثبت و آمارهٔ t آن بیشتر از ۳ باشد و بازده استراتژی پس از هزینه‌ها از نگه‌داری ساده بیشتر شود». معیار مبهمی مانند «رابطهٔ معناداری پیدا شود» به تفسیر دلخواه پس از دیدن نتیجه راه می‌دهد.
«نتیجهٔ منفی» هم نتیجه است. اگر طرح خوبی داشته باشید و فرضیه رد شود، پژوهش ارزشمندی انجام داده‌اید: نشان داده‌اید یک ایدهٔ رایج پشتوانهٔ داده ندارد. ادبیات مالی از کمبود گزارش نتایج منفی رنج می‌برد و همین یکی از علت‌های انباشت یافته‌های نادرست است. در این آکادمی، طرحی که نتیجهٔ منفی را صادقانه گزارش کند، می‌تواند کامل‌ترین نمره را بگیرد.
برنامهٔ زمانی را واقع‌بینانه بچینید: بیشتر وقت پروژه‌های داده‌محور صرف گردآوری و پاک‌سازی داده می‌شود، نه تحلیل. قاعدهٔ سرانگشتی خوب این است که دست‌کم یک‌سوم زمان را به داده، یک‌سوم را به تحلیل و آزمون‌های استحکام و یک‌سوم را به نوشتن و آماده شدن برای دفاع اختصاص دهید.
🌍 مثال واقعی: جانورستان عامل‌ها — Harvey، Liu و Zhu (۲۰۱۶)
پژوهشگران مالی دهه‌ها «عامل‌هایی» را گزارش کرده‌اند که ظاهراً تفاوت بازده سهام را توضیح می‌دهند. Campbell Harvey، Yan Liu و Heqing Zhu در مقاله‌ای که در ۲۰۱۶ در Review of Financial Studies منتشر شد، دست‌کم ۳۱۶ عامل را که در ادبیات آزموده شده بود فهرست کردند و پرسیدند: با این همه آزمون روی داده‌های تقریباً یکسان، آیا آستانهٔ معمول معناداری، یعنی آمارهٔ t بیشتر از ۲، هنوز معنا دارد؟
پاسخ آن‌ها منفی بود: با چارچوب آزمون‌های چندگانه نشان دادند که یک عامل تازه باید از آستانهٔ بسیار بالاتری، آمارهٔ t بیشتر از ۳ (معادل p کمتر از حدود ۰٫۲۷٪)، عبور کند و استدلال کردند که بیشتر یافته‌های ادعاشده در اقتصاد مالی احتمالاً نادرست‌اند. درس برای طرح پژوهش شما: تعداد آزمون‌ها را بشمارید، آستانه را پیش از تحلیل و متناسب با آن تعیین کنید و فرضیه را پیش از دیدن داده ثبت کنید؛ وگرنه ممکن است عامل دیگری به این جانورستان اضافه کنید.
🔤 واژگان تخصصی
پرسش مشخص، ابطال‌پذیر و امکان‌پذیر که پژوهش برای پاسخ به آن طراحی می‌شود.
مثال: «آیا جریان خالص ورودی صرافی‌ها بازده هفتهٔ بعد BTC را پیش‌بینی می‌کند؟»
ثبت تاریخ‌دار فرضیه، روش و معیار موفقیت پیش از تحلیل.
مثال: ثبت طرح در مخزن کد پیش از اجرای آزمون.
ساختن فرضیه پس از دیدن نتایج و ارائهٔ آن به‌عنوان فرضیهٔ اولیه.
مثال: ادعای پیش‌بینی الگویی که تصادفاً در داده دیده شده است.
آزمودن فرضیه‌های بسیار که احتمال یافته‌های تصادفاً معنادار را بالا می‌برد.
مثال: آزمودن ۲۰ قاعده با آستانهٔ ۵٪.
عاملی که می‌تواند نتیجه را گمراه‌کننده کند.
مثال: سوگیری بقا در انتخاب دارایی‌ها.
🔑 نکات کلیدی
- طرح پژوهش پیش از دیدن نتایج نوشته می‌شود و پرسش، فرضیه، روش و معیار موفقیت را مشخص می‌کند.
- پرسش خوب مشخص، ابطال‌پذیر و امکان‌پذیر است.
- پیش‌ثبت جلوی فرضیه‌سازی پس از نتیجه و دست‌کاری p را می‌گیرد.
- Harvey و همکاران (۲۰۱۶) با بررسی ۳۱۶ عامل نشان دادند آستانهٔ آمارهٔ t باید بیشتر از ۳ باشد.
- نتیجهٔ منفی صادقانه، یافته‌ای ارزشمند است.
⚠️ اشتباهات رایج
- پرسش مبهم و غیرقابل ابطال؛ اشتباه است چون هر نتیجه‌ای آن را تأیید می‌کند.
- تعیین معیار موفقیت پس از دیدن نتایج؛ اشتباه است چون به تفسیر دلخواه راه می‌دهد.
- نادیده گرفتن تعداد آزمون‌ها؛ اشتباه است چون یافتهٔ تصادفی را معنادار جلوه می‌دهد.
- برنامهٔ زمانی بدون سهم کافی برای داده؛ اشتباه است چون گردآوری و پاک‌سازی بیشترین وقت را می‌گیرد.
🛠 تمرین عملی: نوشتن و پیش‌ثبت طرح پژوهش پروژهٔ نهایی
- مسیر تخصصی خود را انتخاب کنید و سه پرسش پژوهشی نامزد بنویسید؛ هر کدام را از نظر مشخص بودن، ابطال‌پذیری و امکان‌پذیری بسنجید و یکی را برگزینید.
- طرحی یک تا دو صفحه‌ای با فرضیه، داده و منبع، روش، معیار موفقیت عددی، تعداد آزمون‌های برنامه‌ریزی‌شده و تهدیدهای اعتبار بنویسید.
- طرح را تاریخ بزنید و در جایی تغییرناپذیر، مانند یک کامیت در مخزن کد، ثبت کنید و برنامهٔ زمانی سه‌بخشی را به آن اضافه کنید.
✅ معیار درستی: پرسش مشخص و ابطال‌پذیر است، معیار موفقیت عددی و پیش از تحلیل ثبت شده، تعداد آزمون‌ها و تهدیدهای اعتبار آمده و طرح تاریخ‌دار است.
🔒 در هیچ تمرینی از سرمایهٔ واقعی، عبارت بازیابی (Seed Phrase)، کلید خصوصی یا اتصال کیف پول اصلی استفاده نکنید.
📝 آزمون تطبیقی
هر بار ۵ سؤال از بانک ۹ سؤالی این درس انتخاب می‌شود؛ سؤال‌هایی که قبلاً اشتباه زده‌اید زودتر برمی‌گردند. حدنصاب قبولی ۸۰٪ (۴ از ۵) است و درس بعد با قبولی باز می‌شود.
✍️ پرسش تشریحی
طرح پژوهش پروژهٔ نهایی خود را خلاصه کنید و توضیح دهید چگونه آن را در برابر جست‌وجوی داده، فرضیه‌سازی پس از نتیجه و تهدیدهای اعتبار مقاوم کرده‌اید.
بعد از نوشتن، پاسخ خود را با این معیارها بسنجید
خودارزیابی: هر نکته‌ای را که پاسخ شما به‌روشنی پوشش داده علامت بزنید.
🤖 دستیار آموزشی
دستیار آفلاین آکادمی: پاسخ‌ها فقط از متن درس‌ها و واژگان همین آکادمی پیدا می‌شوند و منبع هر پاسخ نشان داده می‌شود. هوش مصنوعی مولد نیست، حدس نمی‌زند و هیچ سیگنال خرید و فروشی نمی‌دهد.
📎 منابع مطالعاتی
- NBER — Harvey، Liu و Zhu: …and the Cross-Section of Expected Returns
- RePEc — نسخهٔ منتشرشده در Review of Financial Studies (۲۰۱۶)
🏁 معیار تسلط بر این درس: می‌توانید طرح پژوهشی با پرسش ابطال‌پذیر، فرضیه و معیار موفقیت پیش‌ثبت‌شده، کنترل آزمون‌های چندگانه و برنامهٔ زمانی واقع‌بینانه بنویسید و از آن در برابر داوران دفاع کنید.