ملخص تقني: النماذج ذات المعلمات الزائدة مع الانجراف البعدي

بيان المشكلة

تبحث هذه الورقة في تأثير الانجراف البعدي (المعروف أيضًا باسم انجراف المفهوم) على دقة التنبؤ خارج العينة للنماذج الخطية ذات المعلمات الزائدة، وتحديدًا في سياق التنبؤ بعلاوة الأسهم. وبينما تشير الأدبيات الحديثة (مثل Kelly et al., 2024) إلى أن زيادة تعقيد النموذج (نسبة المعلمات إلى الملاحظات) يمكن أن يحسن أداء توقيت السوق من خلال "الفرط في التخصيص الحميد" (benign overfitting) أو "الهبوط المزدوج" (double descent)، تجادل هذه الورقة بأن هذه الفوائد مشروطة بثبات عملية توليد البيانات (DGP) بين مرحلتي التدريب والاختبار.

في الأسواق المالية، نادرًا ما تكون عملية توليد البيانات ثابتة. ويميز المؤلفون بين نوعين من التحولات التوزيعية:

1. انزياح المتغيرات المفسرة (Covariate Shift): تغيرات في التوزيع الهامشي للمتنبئات ($P_X$).
2. الانجراف البعدي (Posterior Drift): تغيرات في التوزيع الشرطي للمتغير المستهدف بناءً على المتنبئات ($P_{y|X}$)، مما يعني أن العلاقة (الأوزاء/البيتا) بين المتنبئات والعوائد تتطور بمرور الوقت.

تتمثل المشكلة المركزية في أن النتائج النظرية القياسية للنماذج ذات المعلمات الزائدة تفترض غالبًا بقاء $P_{y|X}$ ثابتًا. ويفترض المؤلفون أنه عندما يحدث انجراف بعدي — وتحديدًا عندما تتباعد معاملات الانحدار المقدرة في العينة ($\beta_{is}$) عن تلك الموجودة في فترة خارج العينة ($\beta_{oos}$) — فإن أداء النماذج الخطية المعقدة يتدهور بشكل كبير.

المنهجية

الإطار النظري

يوسع المؤلفون التحليل التقاربي لـ Hastie et al. (2022) إلى سياق يتضمن سوء التوصيف والانجراف البعدي.

• عملية توليد البيانات (DGP): يفترض النموذج علاقة خطية $y_i = x_i'\beta + w_i'\theta + e_i$، حيث $x_i$ هي المتنبئات المرصودة و$w_i$ هي الميزات الكامنة غير المرصودة. يعاني النموذج من سوء التوصيف لأن الوكيل يلاحظ فقط $x_i$.
• آلية الانجراف: يصيغ المؤلفون صراحةً تغيرًا في المعلمات الحقيقية بين مرحلة التدريب ($\beta_{is}, \theta_{is}$) ومرحلة الاختبار ($\beta_{oos}, \theta_{oos}$).
• النظام (Regime): يعمل التحليل في النظام النسبي حيث تؤول عدد الملاحظات $n$، والميزات المرصودة $p$، والميزات غير المرصودة $q$ جميعًا إلى اللانهاية بحيث $p/n \to c\phi$ و $(p+q)/n \to c$.
• المقدرات: تركز الدراسة على مقدرات Ridge (مع معلم التنظيم $z$) والحد الخالي من التنظيم ($z \to 0$).

البروتوكول التجريبي

تقوم القسم التجريبي بإعادة إنتاج وتوسيع دراسة Kelly et al. (2024) باستخدام:

• البيانات: 14 مؤشرًا للاقتصاد الكلي من Goyal et al. (2024) وعوائد CRSP المرجحة بقيمة السوق.
• توسيع الميزات: استخدام ميزات فورييه العشوائية (RFFs) لزيادة أبعاد فضاء المتنبئات اصطناعيًا، مما يخلق إعدادًا ذا معلمات زائدة ($p=600, n=12$, التعقيد $c=50$).
• التحقق: تختبر الدراسة الأداء عبر فترات زمنية فرعية متعددة مدة كل منها 15 عامًا ومعلمات عرض النطاق الترددي ($\gamma$) المتغيرة لنواة RFF.
• كشف نقاط التغيير: يستخدم المؤلفون خوارزمية changeforest (Londschien et al., 2023) للتحقق تجريبيًا من وجود انكسارات هيكلية في السلاسل الزمنية لبيتا المقدرة.

المساهمات الرئيسية

1. التوسع النظري للانجراف البعدي: تشتق الورقة العائد المتوقع وتباين استراتيجية توقيت السوق تحت تأثير الانجراف البعدي. وهي تعمم نتائج Hastie et al. (2022) و Kelly et al. (2024) من خلال إدخال مصطلح "خطر الانجراف".

   • الافتراض 4: يوضح أن العائد المتوقع التقاربي يتناسب مع الضرب القياسي $\langle \beta_{is}, \beta_{oos} \rangle$. إذا كانت أوزاء العينة الداخلة وأوزاء خارج العينة متعامدتين، فإن العائد المتوقع ينهار إلى الصفر.
   • الافتراض 8: يثبت أن الأداء يتدهور إذا وفقط إذا كان التغير في الأوزاء ($\beta_{oos} - \beta_{is}$) مرتبطًا ارتباطًا سلبيًا مع أوزاء العينة الداخلة ($\beta_{is}$).

2. تكميم العوائد المعدلة حسب المخاطر: يشتق المؤلفون صيغة تحليلية لنسبة شارب (المعادلة 12). ويظهرون أنه بينما يمكن للتعقيد زيادة العوائد الخام في البيئات المستقرة، فإن وجود الانجراف البعدي يزيد من التقلب ويقلل من نسبة شارب، خاصة عندما تكون نسبة الإشارة إلى الضوضاء ضعيفة (وهي سمة شائعة للبيانات المالية).

3. الدليل التجريبي على عدم الاستقرار: تقدم الورقة دليلًا تجريبيًا قويًا على أن "فضيلة التعقيد" حساسة للغاية للفترة الزمنية المحددة واختيار معلمات عرض النطاق الترددي.

   • الحساسية للفترات الفرعية: يختلف الأداء بشكل جذري عبر نوافذ زمنية مدة كل منها 15 عامًا. فعلى سبيل المثال، الاستراتيجية التي حققت عوائد شهرية بنسبة +7.24% في الفترة 2005–2019 انخفضت إلى +0.52% في الفترة 1975–1989 تحت نفس عرض النطاق الترددي.
   • حساسية عرض النطاق الترددي: عرض النطاق الترددي الأمثل متغير عبر الزمن. وبينما يُذكر غالبًا أن عرض النطاق الترددي $\gamma \approx 2$ هو الأمثل، يظهر المؤلفون أن هذا الاختيار يعطي نتائج غير متسقة عبر الأنظمة الاقتصادية المختلفة.

النتائج الرئيسية

• تدهور الأداء: تؤكد النتائج النظرية والمحاكاة أنه مع زيادة عدم المحاذاة بين $\beta_{is}$ و $\beta_{oos}$، ينخفض العائد المتوقع خارج العينة. في ظل وجود انجراف بعدي قوي، يمكن أن يكون أداء النماذج ذات المعلمات الزائدة أسوأ من النماذج الأبسط أو حتى أسوأ من الصفر.
• التقلب والرافعة المالية: يزداد تقلب الاستراتيجية خطيًا مع الرافعة المالية المستحثة بواسطة النموذج. وفي ظل وجود الانجراف، فإن الرافعة المطلوبة لالتقاط الإشارات الضعيفة تؤدي إلى تقلبات عالية للغاية، مما ينتج عنه عوائد ضعيفة معدلة حسب المخاطر (نسب شارب غالبًا ما تكون أقل من 0.3، مقارنة بـ ~0.44 لمؤشر السوق).
• التحليل المقابل للواقع (Counterfactual Analysis): من خلال إنشاء عوائد مقابلة للواقع حيث تظل عملية توليد البيانات (DGP) ثابتة (بدون انجراف بعدي)، يظهر المؤلفون أن القيمة المحتملة للنموذج كبيرة. ومع ذلك، فإن العوائد الفعلية المحققة تتقلص بشدة بسبب البيئة الاقتصادية المتغيرة، مما يؤكد أن الخسارة في الأداء تعزى مباشرة إلى الانجراف البعدي.
• مقايضة التنظيم (Regularization Trade-off): إن زيادة معلم التنظيم (عرض النطاق الترددي) يقلل من عدم اليقين والتباين ولكنه يؤدي في الوقت نفسه إلى دفع متوسط العائد نحو الصفر، مما يجعل الاستراتيجية أقل جاذبية من منظور العائد.

الأهمية والادعاءات

تدعي الورقة أنها تقدم منظورًا تحذيريًا ضروريًا حول تطبيق النماذج الخطية الكبيرة ذات المعلمات الزائدة في التمويل. وبينما يقر المؤلفون بأن التطور يمكن أن يجلب قيمة، إلا أنهم يجادلون بأن الفوائد المبلغ عنها في الأدبيات الحديثة (مثل Kelly et al., 2024) قد تكون مبالغًا فيها لأنها تعتمد على افتراضات الثبات التوزيعي التي لا تتحقق في الممارسة العملية.

يخلص المؤلفون إلى ما يلي:

1. الاستقرار أمر بالغ الأهمية: يجب على المحللين الذين يعتمدون على النماذج ذات المعلمات الزائدة إيلاء اهتمام خاص لاستقرار وحساسية الأداء في الاختبارات الخلفية (backtests)، حيث أن النتائج تعتمد بشدة على الفترات الفرعية المحددة المختارة.
2. الانجراف عامل حاسم: إن تغير العلاقة بين المتنبئات الاقتصادية الكلية وعلاوات الأسهم (الانجراف البعدي) يقوض بشكل أساسي فعالية النماذج المعقدة في التنبؤ بعلاوة الأسهم.
3. التطبيق الحذر: توصي النتائج بالحذر عند اللجوء إلى النماذج الخطية الكبيرة للتنبؤ بسوق الأسهم، مما يشير إلى أن ظاهرة "الهبوط المزدوج" قد لا تترجم إلى عوائد مالية عندما تكون تغييرات الأنظمة متكررة وغير متوقعة.

لا تقترح الورقة نموذجًا جديدًا لحل هذه المشكلة، بل تقدم إطارًا نظريًا وتجريبيًا لفهم حدود النهج الحالي عالي التعقيد في البيئات المالية غير المستقرة.