Predicting Liquidity-Aware Bond Yields using Causal GANs and Deep Reinforcement Learning with LLM Evaluation

ملخص تقني: التنبؤ بعوائد السندات المدركة للسيولة باستخدام شبكات GAN السببية والتعلم التعزيزي العميق مع تقييم النماذج اللغوية الكبيرة (LLM)

1. بيان المشكلة

يعد التنبؤ بعوائد السندات مهمة أساسية ومعقدة في الأسواق المالية نظرًا لعدة تحديات حرجة:

• ندرة البيانات: غالبًا ما تكون البيانات التاريخية عالية الدقة محدودة، لا سيما للفئات الأقل سيولة مثل السندات عالية العائد ("الخردة" - Junk Bonds).
• الارتباطات غير الخطية: تُظهر عوائد السندات علاقات معقدة وغير خطية مع مجموعة واسعة من المتغيرات الاقتصادية الكلية (مثل التضخم، الناتج المحلي الإجمالي، وأسعار الفائدة على أموال الفيدرالي).
• شذوذ السوق: غالبًا ما تعجز النماذج القياسية الاقتصادية (مثل نموذج نيلسون-سيجل) عن استيعاب التحولات المفاجئة في السوق، مثل منحنيات العائد المقلوبة التي شوهدت في حقبة ما بعد كوفيد.
• فجوة القابلية للتنفيذ: توفر معظم نماذج التنبؤ قيمًا عددية، لكنها تفتقر إلى القدرة على ترجمة تلك الأرقام إلى نصائح مالية استراتيجية قابلة للتفسير (مثل تقييمات المخاطر وإشارات التداول المحددة).

2. المنهجية

يقترح المؤلفون إطار عمل متكامل متعدد المراحل يجمع بين النمذجة التوليدية، والتعلم التعزيزي، والنماذج اللغوية الكبيرة (LLMs).

أ. توليد البيانات الاصطناعية (المحرك الهجين):
لمكافحة ندرة البيانات، يستخدم إطار العمل وحدتين متوازيتين لتوليد بيانات عوائد سندات اصطناعية عالية الدقة لأربع فئات (AAA، BAA، US10Y، وJunk):

• شبكة GAN السببية (Generative Adversarial Network): على عكس شبكات GAN القياسية، تدمج هذه البنية العلاقات السببية؛ حيث تقوم بنمذجة التوزيع الشرطي لعوائد السندات بناءً على 12 مؤشرًا رئيسيًا للاقتصاد الكلي (بما في ذلك التضخم، الناتج المحلي الإجمالي، البطالة، ومؤشر VIX)، مما يضمن أن تحافظ البيانات الاصطناعية على الخصائص الزمنية والسببية الجوهرية للسوق.
• خوارزمية Soft Actor-Critic (SAC) للتعلم التعزيزي: لتنقيح مخرجات الـ GAN، يتم استخدام وكيل تعلم تعزيزي (RL). وباستخدام إطار عمل يعتمد على "الاعتلاج الأقصى" (Maximum Entropy)، يقوم وكيل SAC بتعديل البيانات الاصطناعية بشكل تكراري لتعظيم دالة المكافأة بناءً على "واقعية" العوائد المولدة (تقليل الخطأ بالنسبة لديناميكيات السوق الحقيقية).

ب. النمذجة التنبؤية ودعم القرار:

• نموذج لغوي كبير مضبوط بدقة (Qwen2.5-7B): يتم دمج البيانات الاصطناعية والحقيقية لتدريب نموذج لغوي كبير مضبوط بدقة. يعالج النموذج تسلسلات عوائد السندات ويخرج بيانات مهيكلة بصيغة JSON تحتوي على:
  1. إشارات التداول: توصيات (شراء/احتفاظ/بيع).
  2. تحليل المخاطر: تقديرات القيمة المعرضة للمخاطر المعدلة (Modified VaR).
  3. توقعات التقلب: تقديرات التباين الشرطي.

ج. التقييم متعدد الأبعاد:
يتم التحقق من صحة إطار العمل من خلال بروتوكول فريد مكون من أربع طبقات:

1. النموذج اللغوي كحكم (LLM-as-Judge): استخدام نموذج DeepSeek-R1-Distil لتقييم منطقية وتماسك إشارات التداول.
2. تحليل الربح/الخسارة: محاكاة نتائج التداول لقياس الربحية الفعلية.
3. الدقة الإحصائية: قياس متوسط الخطأ المطلق (MAE).
4. تقييم الخبراء: تقييم نوعي من قبل متخصصين ماليين.

3. المساهمات الرئيسية

• بنية هجينة مبتكرة: أول تطبيق يجمع بين شبكات GAN السببية وتعلم SAC التعزيزي خصيصًا لتخليق بيانات السندات متعددة الفئات.
• صياغة الاستراتيجية المدفوعة بالنماذج اللغوية الكبيرة: بنية مُحسّنة ليس فقط للتنبؤ بالأرقام، بل لتوليد استراتيجيات الدخل الثابت وتحليلات المخاطر القابلة للتفسير.
• بروتوكول تقييم موحد: جسر بين التحقق الإحصائي التقليدي (MAE) والعقلانية الاقتصادية (التحقق النوعي من الخبراء والنماذج اللغوية الكبيرة).

4. النتائج

تُظهر النتائج التجريبية أن البيانات الاصطناعية المعززة بالتعلم التعزيزي تتفوق بشكل كبير على نهج الـ GAN وحده وعلى استخدام البيانات الحقيقية (غير المعززة):

• دقة التنبؤ: حقق النموذج المعزز بالتعلم التعزيزي متوسط خطأ مطلق (MAE) منخفضًا للغاية قدره 0.103%.
• الربحية: حقق إطار العمل معدل ربح بنسبة 60% في عمليات التداول المحاكية.
  la منطق النموذج اللغوي: منح نظام "النموذج اللغوي كحكم" طريقة التعلم التعزيزي درجة 3.37/5، وهي أعلى من الـ GAN (2.87) أو البيانات الحقيقية (2.58).
• تحقق الخبراء: قيم الخبراء البشريون مخرجات التعلم التعزيزي بـ 4.67/5، مما يؤكد الجدوى العملية للإشارات.
• رؤية من دراسة الاستئصال (Ablation Insight): أدى إزالة مكون التعلم التعزيزي إلى زيادة الـ MAE بشكل كبير، مما يثبت أن التعلم التعزيزي ضروري لالتقاط تفاصيل ديناميكيات السوق.

5. الأهمية

يؤسس هذا البحث لمسار قابل للتوسع لتخليق بيانات مالية عالية الدقة. ومن خلال النجاح في سد الفجوة بين الذكاء الاصطائي التوليدي (إنشاء البيانات)، والتعلم التعزيزي (تنقيح البيانات)، والنماذج اللغوية الكبيرة (تفسير البيانات)، يقدم هذا العمل مخططًا لأدوات اتخاذ القرار المالي من الجيل القادم المدعومة بالذكاء الاصطناعي. كما يوفر فائدة كبيرة لإدارة المخاطر، وتوقع التقلبات، وصياغة استراتيجيات الاستثمار المؤتمتة في أسواق الدخل الثابت المعقدة.