A Deep Learning Framework for Medium-Term Covariance Forecasting in Multi-Asset Portfolios

ملخص تقني: إطار عمل للتعلم العميق للتنبؤ بالتباين والتباين المشترك متوسط المدى في المحافظ متعددة الأصول

بيان المشكلة
يعد التنبؤ الدقيق بمصفوفة التباين والتباين المشترك (Covariance Matrix) أمراً جوهرياً لتخصيص المحافظ، وإدارة المخاطر، وتسعير الأصول. وبينما تقدم الأدبيات الحالية حلولاً قوية لآفاق التنبؤ قصيرة المدى (التي تعتمد غالباً على البيانات عالية التردد ونماذج GARCH) والآفاق طويلة المدى (التي تعتمد على نماذج العوامل أو الانكماش الساذج)، تظل هناك فجوة كبيرة في التنبؤ متوسط المدى (نوافذ زمنية تتراوح بين عدة أسابيع إلى عدة أشهر). وتعد هذه الفجوة حرجة بشكل خاص للمستثمرين المؤسسيين الذين يعيدون توازن محافظهم على مدار هذه الفترات. علاوة على ذلك، غالباً ما تعاني النماذج القياسية الاقتصادية من "لعنة الأبعاد" في العينات العرضية الكبيرة، وقد تفشل في التقاط التغيرات الهيكلية بطيئة الحركة أو تحولات الأنظمة (مثل تحولات الارتباط بين الأسهم والسندات) التي تحدد ديناميكيات المدى المتوسط. بالإضافة إلى ذلك، هناك أدلة تجريبية محدودة فيما يتعلق بما إذا كان الاختيار بين العوائد الخام أو العوائد الزائدة يؤثر بشكل منهجي على تنبؤات التباين المشترك عبر هذه الآفاق الزمنية.

المنهجية
يقترح المؤلفون إطار عمل مبتكر للتعلم العميق (Deep Learning)، يسمى CAB، صُمم لالتقاط التبعيات المكانية والزمانية المعقدة في المحافظ متعددة الأصول. تدمج البنية ثلاث مكونات متميزة:

1. الشبكات العصبية الالتفافية ثلاثية الأبعاد (3D CNN): يعامل النموذج مصفوفات التباين المشترك المتدحرجة كشبكات $(N \times N)$ مكدسة عبر الزمن. تطبق طبقة 3D CNN مرشحات عبر الأبعاد الزمنية والمكانية لتحديد أنماط التفاعل المحلية بين مجموعات فرعية من الأصول، متجاوزة بذلك الافتراضات الخطية.
2. الذاكرة الطويلة قصيرة المدى ثنائية الاتجاه (BiLSTM): بعد عملية الالتفاف (CNN)، يتم معالجة التسلسلات المسطحة بواسطة BiLSTM. وخلافاً لنماذج LSTM القياسية التي تعالج التسلسلات الأمامية فقط، تلتقط BiLSTM السياق من كل من نقاط البيانات الماضية والمستقبلية ضمن نافذة البحث، مما يعزز قدرة النموذج على فهم التبعيات الزمنية.
3. الانتباه الذاتي متعدد الرؤوس (Multi-Head Self-Attention): لتنقية التبعيات الزمنية، يتم تطبيق آلية انتباه متعددة الرؤوس على مخرجات BiLSTM. يسمح هذا للنموذج بوزن أهمية الخطوات الزمنية المختلفة ديناميكياً، والتركيز على الأنماط الأكثر صلة بالتنبؤ.

معالجة البيانات والقيود:

• المدخلات: يستخدم النموذج تسلسلات من مصفوفات التباين المشترك المتدحرجة والمدرجة (scaled) والمستمدة من العوائد اليومية (تم اختبار كل من العوائد الخام والعوائد الزائدة).
• قيود المخرجات: لضمان أن المصفوفة المتوقعة هي مصفوفة تباين مشترك صالحة، تخضع المخرجات لمعالجة لاحقة محددة:
  • التماثل (Symmetrization): يتم حساب متوسط المصفوفة الناتجة مع منقولها (Transpose).
  • شبه التأكد الموجب (PSD): يتم إجراء تحليل القيم الذاتية (Eigenvalue decomposition)، ويتم ضبط أي قيم ذاتية سالبة لتصبح صفراً قبل إعادة البناء.
  • الانكماش (Shrinkage): تتم خطوة انكماش خطي نهائية تدمج مخرجات التعلم العميق مع أحدث مصفوفة تباين مشترك تاريخية لدمج المعلومات القيمة من ظروف السوق الأخيرة.

الإعداد التجريبي

• البيانات: بيانات يومية لـ 14 صندوق مؤشرات متداول (ETF) رئيسي (تغطي الأسهم، العقارات، والدخل الثابت) من يناير 2017 إلى ديسمبر 2023. كما استُخدمت عينة أكبر لاختبار المتانة شملت 260 صندوق مؤشرات.
• المقارنة المرجعية (Benchmarks): تمت مقارنة نموذج CAB مع 10 نماذج مرجعية مصنفة إلى:
  • النماذج الساذجة (Naive): التباين المشترك الفعلي المتأخر (NA)، العينة الكاملة (NAF)، والمتوسط المتحرك المرجح أسياً (EWMA).
  • إزالة الضجيج (De-noising): تحليل المكونات الرئيسية (PCA)، نظرية المصفوفات العشوائية (RMT)، وانكماش ليدويت-وولف (LW, LW F).
  • النماذج القائمة على GARCH: الارتباط الشرطي الثابت (CCC)، الارتباط الشرطي الديناميكي (DCC)، والانكماش غير الخطي DCC (DCCNL).
• مقايات التقييم: مسافة إقليدس ($L_E$) ومسافة فوروبينيوس ($L_F$) بين مصفوفات التباين المشترك المتوقعة والواقعية.
• أنظمة السوق: تم تقسيم فترة الاختبار (2021–2023) إلى ثلاثة أنظمة: Bull-1 (عائدات منخفضة، أسهم مستقرة)، Bear (ارتفاع معدلات الفائدة، هبوط السوق)، وBull-2 (ارتفاع معدلات الفائدة، انتعاش الأسهم).

النتائج الرئيسية

• دقة التنبؤ: تفوق نموذج CAB باستمرار على جميع النماذج المرجعية الكلاسيكية طوال فترة الاختبار بأكملها. وقد خفض مسافات إقليدس وفوروبينيوس بنسبة تصل إلى 20% مقارنة بأفضل النماذج الكلاسيكية أداءً (مثل DCC وEWMA).
• المتانة عبر الأنظمة: أظهر CAB أداءً فائقاً في جميع أنظمة السوق الثلاثة (Bull-1, Bear, Bull-2). وبينما عانت جميع النماذج من انخفاض الدقة خلال فترة Bear المضطربة، حافظ CAB على أدنى معدلات الخطأ، لا سيما في فترة Bull-2 التي اتسمت بتحولات ديناميكية بين الأصول.
• القابلية للتوسع: في الإعداد عالي الأبعاد (260 صندوق مؤشرات)، استمر CAB في التفوق على النماذج المرجعية، مما يؤكد قدرته على التعامل مع "لعنة الأبعاد" بفعالية.
• توصيف العائد: ظل تفوق أداء النموذج قائماً بغض النظر عما إذا كانت العوائد الخام أو العوائد الزائدة قد استُخدمت كمدخلات. وهذا يشير إلى أن فعالية إطار العمل لا تعتمد على طرح معدل العائد الخالي من المخاطر.
• آفاق التنبؤ: برع النموذج في الآفاق متوسطة المدى (على سبيل المثال، $F=20, 40, 90$ يوماً). وبينما قدمت نماذج GARCH أداءً تنافسياً عند الآفاق القصيرة جداً، إلا أنها تراجعت الأداء مع زيادة الأفق الزمني. وظل CAB هو الأفضل أداءً للآفاق المتوسطة إلى الطويلة.

القيمة الاقتصادية في إدارة المحافظ
قيم المؤلفون المنفعة الاقتصادية لتنبؤات النموذج باستخدام استراتيجية محفظة الحد الأدنى من التباين العالمي (GMV) مع عدم وجود قيود على البيع على المكشوف.

• تقليل المخاطر: حققت المحافظ التي تم بناؤها باستخدام تنبؤات CAB تقلبات أقل خارج العينة (out-of-sample volatility) مقارنة بالمحافظ التي استخدمت النماذج الأخرى ومعيار الوزن المتساوي ($1/N$).
• معدل الدوران (Turnover): من المهم ملاحظة أن CAB حقق تقليل المخاطر هذا مع دوران متوسط. وخلافاً لبعض النماذج الديناميكية التي تطلبت إعادة توازن متكررة (دوران عالٍ) لتحقيق زيادات هامشية في تقليل التباين، قدم CAB توازناً مستقراً بين الاستجابة لتغيرات السوق وكفاءة تكاليف المعاملات.
• التكيف مع الأنظمة: في نظام Bear، احتل CAB مرتبة قريبة من الصدارة في الآفاق اليومية والأسبوعية، موازناً بين دوران منخفض وتقلبات السوق.

الأهمية والادعاءات
يزعم البحث أن بنيات التعلم العميق المتقدمة، وتحديداً تلك التي تجمع بين الالتفافات ثلاثية الأبعاد، وBiLSTM، وآليات الانتباه، توفر حلاً عملياً لتحدي التنبؤ بالتباين المشترك متوسط المدى الذي لم ينل حقه من الدراسة. وتبرز الدراسة أن:

1. النهج الهجين: دمج تقنيات التعلم العمبي القائمة على البيانات مع المفاهيم الاقتصادية التقليدية (مثل الانكماش) يحقق مكاسب كبيرة في دقة التنبؤ، خاصة أثناء اضطرابات السوق.
2. القابلية للتطبيق العملي: يوفر إطار العمل فوائد اقتصادية ملموسة للمستثمرين المؤسسيين من خلال تقليل تقلبات المحفظة دون تكبد تكاليف تداول باهظة.
3. المتانة: أداء النموذج متين تجاه مختلف توصيفات العائد (الخام مقابل الزائد) ويتوسع بفعالية ليشمل مجموعات واسعة من الأصول.

يخلص المؤلفون إلى أنه بينما يجسّر عملهم الفجوة بين ابتكارات تعلم الآلة والمبادئ المالية، فإن الأبحاث المستقبلية يجب أن تستكشف كيفية استيعاب التوزيعات ذات الذيول الثقيلة (heavy-tailed distributions) لتحسين التقاط مخاطر الذيل، ودمج تكاليف المعاملات بشكل صريح في عملية التحسين.