💰 quantitative finance

Machine Learning Enhanced Multi-Factor Quantitative Trading: A Cross-Sectional Portfolio Optimization Approach with Bias Correction

تعالج هذه الورقة البحثية خلل "التلوث العلوي" الحرج في التداول الكمي للأسهم الصينية فئة (A) الناتج عن حدود الأسعار غير القابلة للتنفيذ، وذلك عبر تقديم تصميم يعتمد على "القناع أولاً" يمنع دخول البيانات غير القابلة للتداول في حسابات العوامل، والذي يؤدي عند دمجه مع المعالجة المسرعة بواسطة وحدة معالجة الرسومات ودوال الخسارة المتخصصة، إلى تحسين نسب شارب المحققة بشكل كبير وتصحيح معاملات المعلومات المتضخمة.

المؤلفون الأصليون: Yimin Du

نُشر 2026-05-12

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Yimin Du

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح للورقة البحثية باستخدام لغة بسيطة وتشبيهات إبداعية.

المشكلة الكبرى: فخ "السعر الزائف"

تخ تخيل أنك طاهٍ يحاول ابتكار وصفة مثالية (استراتيجية تداول) بناءً على أسعار المكونات (الأسهم) في سوبر ماركت ضخم.

في سوق الأسهم الصيني (A-shares)، هناك قاعدة صارمة: إذا ارتفع سعر السهم أو انخفض بسرعة كبيرة جدًا (حوالي 10% أو 20% في اليوم)، يصطدم السوق بـ "مطب صناعي". يتوقف السعر عن الحركة، ولا يمكن لأي شخص شراء أو بيع هذا السهم فعليًا حتى اليوم التالي.

تحدد الورقة البحثية خللاً خفياً في كيفية تعامل معظم البرامج الحاسوبية مع هذا الأمر.

الخطأ: ترى معظم البرامج سعر "المطب الصناعي"، وتدونه، وتستخدمه لحساب المتوسطات والاتجاهات قبل أن تدرك: "مهلاً، لا يمكنني شراء هذا فعليًا!".
النتيجة: يعتقد الكمبيوتر أنه وجد نمطاً يمكن التنبؤ به بدقة فائقة لأنه ينظر إلى أسعار متجمدة في مكانها. الأمر يشبه طاهياً يتذوق مكعب ثلج متجمداً ثم يظن: "هذه هي درجة الحرارة المثالية للحساء!". يتعلم الكمبيوتر التنبؤ بعوائد لا يمكنه تداولها أبداً.

يسمي المؤلفون هذا "التلوث في المنبع" (Upstream Contamination). إنه يشبه سكب مياه متسخة في دلو نظيف؛ حتى لو حاولت تصفية المياه لاحقاً، فإن الدلو قد تلوث بالفعل.

الحل: قناع "عدم اللمس"

لإصلاح ذلك، بنى المؤلفون نظاماً بتصميم "القناع أولاً" (Mask-First).

فكر في هذا القناع كأنه مجموعة من الملصقات الحمراء التي تحمل عبارة "لا تلمس" توضع على بطاقات الأسعار لحظة تحميل البيانات، وقبل إجراء أي عمليات حسابية.

إذا اصطدم السهم بمطب صناعي، يوضع الملصق فوراً.
كل عملية حسابية يقوم بها الكمبيوتر (المتوسطات، التصنيفات، الارتباطات) تتحقق من وجود الملصق أولاً.
إذا كان الملصق موجوداً، يتجاهل الكمبيوتر ذلك السعر تماماً؛ بل ولا ينظر إليه حتى.

هذا يضمن أن الكمبيوتر يتعلم فقط من الأسعار التي كانت قابلة للتداول فعلياً في العالم الحقيقي.

الأدوات: كيف بنوا ذلك؟

لم يكتفِ المؤلفون بإصلاح القناع فحسب، بل بنوا مصنعاً فائق السرعة لمعالجة هذه البيانات. إليك الأدوات الرئيسية التي استخدموها، مشروحة ببساطة:

المحرك فائق السرعة (GPU Vectorization):
- التشبيه: تخيل حساب متوسط سرعة 3000 سيارة. القيام بذلك واحدة تلو الأخرى باستخدام آلة حاسبة (مثل البرامج التقليدية) يستغرق وقتاً طويلاً جداً. بنى المؤلفون نظاماً يستخدم حاسوباً عملاقاً (GPU) لحساب الـ 3000 سيارة جميعها في نفس اللحظة تماماً.
- النتيجة: هو أسرع بـ 51 مرة من الطريقة القديمة.
عقوبة "الاتجاه الخاطئ" (Adjusted-MSE Loss):
- التشبيه: تخيل أنك تراهن في سباق خيول.
  - الخطأ (أ): راهنت على حصان فاز، لكنك راهنت بـ 1 دولار فقط بينما كان يجب أن تراهن بـ 100 دولار. (لقد كنت محقاً بشأن الفائز، لكنك أخطأت في الحجم فقط).
  - الخطأ (ب): راهنت على حصان خسر، في حين كان يجب أن تراهن على الفائز. (لقد كنت مخطئاً في الاتجاه).
- أدرك المؤلفون أن الخطأ (ب) أكثر تكلفة بكثير. لذا، قاموا ببرمجة الكمبيوتر ليكون أكثر غضباً بـ 11 مرة عندما يخطئ في الاتجاه عما لو أخطأ في الحجم فقط. هذا يجبر النموذج على التركيز على إصابة اتجاه "الصعود" أو "الهبوط" بشكل صحيح.
مولد "الدمية التدريبية" (GBM Augmentation):
- التشبيه: البيانات المالية نادرة؛ فلديك فقط بضع سنوات من التاريخ. الأمر يشبه طياراً يحاول التعلم من الطيران بعد 10 ساعات فقط من وقت الطيران.
- أنشأ المؤلفون "محاكي طيران" يولد بيانات أسهم وهمية واقعية بناءً على أنماط حقيقية. تركوا الكمبيوتر يتدرب على هذه البيانات الوهمية لتنعيم عملية تعلمه، مما يجعله أقل عرضة للذعر عندما تتغير ظروف السوق الحقيقية.
مدير المحفظة الذكي (Markowitz-Ledoit-Wolf):
- التشبيه: بمجرد أن يختار الكمبيوتر أفضل الأسهم، عليه أن يقرر مقدار المال الذي سيضعه في كل سهم. إذا وضع الكثير في سهم واحد، فقد تدمر مشكلة صغيرة كل شيء.
- استخدموا تقنية رياضية تعمل كـ "شبكة أمان"، تعمل على تنعيم المخاطر حتى لا تنهار المحفظة إذا تصرف سهم واحد بشكل غريب. كما أضافوا ميزة "البداية الدافئة" (warm start)، وهي تشبه تذكر وضعية جلوسك الأخيرة حتى لا تضطر لإعادة ضبط الكرسي في كل مرة تجلس فيها. هذا يجعل الحسابات اليومية أسرع بكثير.

النتائج: هل نجح الأمر؟

اختبر المؤلفون نظامهم بطريقتين:

على البيانات الوهمية: أنشأوا محاكاة مثالية ومنضبطة لـ 3000 سهم على مدار 14 عاماً.
- النتيجة: حقق النظام "نسبة شارب" (Sharpe Ratio) بلغت 2.05. (في عالم التمويل، تعتبر الدرجة فوق 2.0 ممتازة).
على البيانات الحقيقية: اختبروه على أسهم صينية حقيقية من عام 2022 إلى 2024.
- النتيجة: حقق نسبة شارب بلغت 1.63. لا تزال هذه النتيجة قوية جداً لاستراتيجية في العالم الحقيقي.

الاكتشاف الأهم:
أجرى المؤلفون اختبار "ماذا لو". قاموا بإيقاف تشغيل "القناع" وشغلوا النظام بالطريقة القدما الملوثة.

الوهم: بدا النظام "الزائف" أفضل على الورق (كان لديه "معامل معلومات" أعلى). بدا وكأنه يتنبأ بالمستقبل بشكل مثالي.
الواقع: عندما حاولوا التداول به، خسروا المال. انخفضت نسبة شارب بمقدار 0.44 نقطة.

الدرس المستفاد: أكبر تحسن لم يأتِ من نموذج ذكاء اصطناعي جديد ومبهر أو معادلة رياضية معقدة. بل جاء ببساطة من منع الكمبيوتر من النظر إلى الأسعار التي لا يمكنه تداولها.

الملخص

هذه الورقة هي قصة هندسية حول تنظيف البيانات قبل تغذيتها لحاسوب ذكي. من خلال وضع قناع "عدم اللمس" على الأسعار غير القابلة للتداول، منعوا الكمبيوتر من تعلم أنماط زائفة. هذا الإصلاح البسيط، جنباً إلى جنب مع الحوسبة السريعة والعقوبات الذكية على التخمينات الخاطئة، خلق نظام تداول حقيقياً ومربحاً.

أصدر المؤلفون جميع أكوادهم كمصدر مفتوح، داعين الآخرين لرؤية كيف بنوها بالضبط وإعادة إنتاج النتائج.

ملخص تقني: التداول الكمي متعدد العوامل المعزز بالتعلم الآلي

1. تعريف المشكلة: التلوث في مرحلة ما قبل المعالجة (Upstream Contamination)

تحدد الورقة البحثية خللاً حرجاً، وغالباً ما يتم تجاهله، في مسارات التداول الكمي لأسواق الأسهم الصينية (A-share): وهو التلوث في مرحلة ما قبل المعالجة.

في أسواق الأسهم الصينية، تعني حدود السعر اليومية (±10% للوحة الرئيسية، و±20% لـ STAR/ChiNext) أن أسعار الإغلاق للأسهم التي تضرب هذه الحدود تكون غير قابلة للتنفيذ (أوامر الشراء غير المتطابقة تظل دون تنفيذ). الممارسة القياسية في الصناعة تتضمن حساب العوامل ذات النافذة المتدحرجة (مثل المتوسطات المتحركة، الارتباطات، الرتب) على كامل مجموعة البيانات، ثم تصفية الأسهم غير القابلة للتداول بعد عملية التجميع.

يوضح المؤلفون أن عملية التصفية "البعدية" (post-hoc) هذه تفشل لأن العناصر الأولية للنافذة المتدحرجة قد استوعبت بالفعل الأسعار غير القابلة للتنفيذ. هذه القيم الملوثة تنتشر عبر سلسلة العوامل بأكملها، مما يخلق "ألفا وهمية" (phantom alpha).

النتيجة: يتعلم النموذج التنبؤ بعوائد مرتفعة ميكانيكياً (بسبب الأسهم التي بلغت الحد الأقصى للارتفاع) ولكنها مستحيلة التداول.
الأثر: عند استخدام بيانات حقيقية، فإن تجاهل هذا الانحياز يؤدي إلى تضخيم معامل المعلومات (IC) الظاهري بنسبة 18% مع تقليل نسبة شارب (Sharpe ratio) المحققة بمقدار 0.44 نقطة. هذا شكل من أشكال انحياز النظر للمستقبل (look-ahead bias) حيث يتنبأ النموذج بأحداث غير قابلة للتداول.

2. المنهجية: بنية "القناع أولاً" (The Mask-First Architecture)

المساهمة الجوهرية هي نمط تصميم "القناع أولاً" (mask-first) حيث يتم إنشاء قناع قابلية التداول البولياني ( $M \in \{0, 1\}^{T \times N}$ ) عند وقت تحميل البيانات وتمريره عبر كل عامل حسابي. لا تقر أي نافذة متدحرجة سعراً غير قابل للتداول.

أ. مكونات النظام

العناصر الأولية المدركة للقناع (المتجهة عبر GPU):
- تم تنفيذ 18 عنصراً أولياً مخصصاً باستخدام PyTorch باستخدام torch.unfold للتعامل مع النوافذ المتدحرجة على وحدة معالجة الرسومات (GPU).
- السرعة: تحقق تسريعًا قدره 51 ضعفاً مقارنة بتطبيقات pandas القياسية (10.6 ثانية مقابل 542 ثانية لمسار مكون من 3,000 سهم و213 عاملاً على A100).
- المنطق:
  - الترتيب (Ranking): يتم ملء الخلايا المقنعة بـ $+\infty$ قبل الفرز لتكون في المرتبة الأخيرة، ثم تُصفر. تستخدم المقامات عدد الخلايا الصالحة، وليس إجمالي الأسهم.
  - الارتباط (Correlation): يحسب ارتباط بيرسون المقنع؛ إذا كان أي خلية في النافذة مقنعة، يتم تعليم المخرج كغير موثوق.
  - المتوسط المتحرك الموزون أسياً (EWMA): يحافظ على قيمة المجمع السابقة عند مواجهة خلية مقنعة بدلاً من إعادة الضبط، مما يمنع الانحراف.
- الدقة: يستخدم float64 للعناصر الأولية القائمة على التكرار لتجنب أخطاء التراكم (لوحظ خطأ نسبي قدره 0.3% في float32 بعد 2,500 خطوة).
محرك العوامل (Factor Engine):
- 213 عاملاً: تتكون من 9 صيغ مختارة من Alpha101 و204 عوامل موروثة خاصة ببنية السوق الصينية (مثل انحرافات VWAP، ديناميكيات دوران رأس المال، وأزمات السيولة عند حركة الحدود).
- التحييد (Neutralization): يتم تحييد جميع العوامل ضد متغيرات الصناعة الوهمية (29 فئة من CSI) واللوغاريتم لراس المال السوقي عبر المربعات الصغرى العادية (OLS) قبل إجراء التنميط (z-scoring) عبر المقطع العرضي.
تدريب التعلم الآلي:
- مجموعة البيانات: يضمن التصفية ثنائية الاتجاه أن كل من تاريخ الميزة ( $t$ ) وتاريخ الملصق ( $t+1$ ) قابلان للتداول.
- دالة خسارة MSE المعدلة: دالة خسارة مخصصة تعاقب التنبؤات الخاطئة في الاتجاه بمقدار 11 ضعفاً أكثر من أخطاء المقدار ( $\gamma=0.1$ $γ = 0.1$ ).
  - المنطق: يعاني مديرو المحافظ من أخطاء الاتجاه (شراء سهم ينخفض) أكثر من أخطاء المقدار (تقليل حجم صفقة رابحة).
- البنى (Architectures): تم اختبار MLP صغير (44 ألف معلمة) وTransformer على محور العوامل (220 ألف معلمة) حيث يتم ترميز العوامل كمواقع تسلسلية.
- تعزيز البيانات: يستخدم Block-Bootstrap GBM لإنشاء لوحات عوائد اصطناعية. هذا يحافظ على الارتباط التسلسلي قصير المدى وينعم سطح الخسارة، مما يساعد الـ Transformer بشكل خاص على تجنب الإفراط في التخصيص الكارثي.
بناء المحفظة:
- التحسين (Optimization): تحسين التباين والمتوسط (Markowitz) مع تقدير انكماش Ledoit-Wolf لمصفوفة التباين والتباين المشترك.
- القيود: شراء فقط (Long-only)، بحد أقصى للمركز 3%، وتحمل مخاطر $\alpha=10$ .
- الكفاءة: يستخدم cvxpy مع التخزين المؤقت للبدء الدافئ (warm-start caching)، مما يقلل وقت الحل من ~1.2 ثانية إلى ~0.2 ثانية يومياً عبر تجنب تكرار صياغة المشكلة.

3. النتائج الرئيسية

تم تقييم النظام على لوحة اصطناعية (3,000 سهم، 14 عاماً) وبيانات حقيقية مملوكة لأسواق الأسهم الصينية (2022–2024).

المقياس	اللوحة الاصطناعية (النظام الكامل)	الأسهم الصينية الحقيقية (2022–2024)
نسبة شارب السنوية	2.05	1.63
أقصى تراجع (Max Drawdown)	12.0%	11.4%
معامل المعلومات (IC)	0.049	0.049

دراسات الاستئصال (Ablation Studies)

تعزل الورقة مساهمة كل مكون، كاشفة أن هندسة البيانات تفوق تعقيد النموذج:

عقد القناع (Mask Contract): المساهم الأكبر بمفرده (+0.44 في نسبة شارب). إزالته تسبب انخفاضاً هائلاً في الأداء المحقق رغم ارتفاع الـ IC الظاهري.
خسارة MSE المعدلة: تضيف +0.27 في نسبة شارب فوق MSE القياسية.
تعزيز GBM: يضيف +0.19 في نسبة شارب.
انكماش Ledoit-Wolf: يضيف +0.18 في نسبة شارب.
بنية Transformer: تضيف +0.12 في نسبة شارب فوق MLP.

نسبة شارف المنخفضة (DSR): بعد تعديل الاختبار المتعدد (تجربة أكثر من 50 تكويناً)، فإن DSR لنسبة شارف الحقيقية البالغة 1.63 هو 0.978، مما يشير إلى احتمال بنسبة 97.8% أن نسبة شارف الحقيقية تتجاوز الصفر.

4. الأهمية والادعاءات

تؤطر الورقة مساهمتها ليس كاختراق نظري جديد، بل كـ دراسة هندسية منهجية تعالج نمط فشل محدد في التعلم الآلي المالي.

الهندسة فوق النظرية: يجادل المؤلفون بأن "الخيارات التنفيذية الصغيرة الخادعة" (مثل التعامل مع القيم المفقودة أو أسعار الحد الأقصى) يمكن أن تغير نسب شارف المعلنة بنقاط كاملة. ويدعون أنه في الأسواق ذات بنية الفجوات في التنفيذ (مثل الأسهم الصينية)، تهيمن هندسة جودة البيانات على بنية النموذج كمصدر للألفا.
نمط "القناع أولاً": تفترض الورقة أن القضاء على الانحياز هو محرك أداء من الدرجة الأولى، وليس مجرد خطوة تنظيمية. ويُقدم نهج "القناع أولاً" كنمط قابل للتعميم لأي سوق يحتوي على أسعار غير قابلة للتنفيذ (قواطع الدائرة، حالات التعليق، قيود T+1).
الشفافية: يطلق المؤلفون صراحةً محرك العوامل الكامل (213 عاملاً، حلقة التدريب، المحسن، الاختبار الخلفي، ومولد البيانات الاصطناعية) تحت رخصة MIT للسماح بإعادة الإنتاج دون الحاجة لبيانات مملوكة.
الصدق في الأداء: يتجنب النظام بشكل صحيح الأسهم التي بلغت الحد الأقصى للارتفاع خلال فترات الصعود المفرط (مثل سبتمبر 2024)، مما يؤدي إلى أداء أقل مقارنة بمؤشر السوق خلال تلك الفترات المحددة. يصف المؤلفون هذا ليس كفشل، بل كـ "التكلفة الصادقة" لتصميم يرفض التنبؤ بعوائد غير قابلة للتداول.

5. القيود المعترف بها

قيد الشراء فقط (Long-Only): بسبب قيود البيع على المكشوف في الأسهم الصينية، لا يمكن للنظام التقاط ألفا (طويل-قصير).
تكاليف المعاملات: يستخدم نموذج تكلفة خطي (5-8 نقاط أساس)، وهو أمر متفائل بالنسبة للمحافظ الكبيرة ذات التأثير السوقي المحدب.
نافذة البيانات: تغطي فترة اختبار البيانات الحقيقية (2022–2024) دورة واحدة هابطة، ودورة عرضية، ودورة صاعدة واحدة، وهي أقصر من نوافذ بحث العوامل القياسية.
الافتراضات التوزيعية: يفترض تعزيز GBM عوائد لوغاريتمية طبيعية، مما قد يقلل من تمثيل أحداث الذيل (tail events).

تخلص الورقة إلى أن عقد "القناع أولاً" هو العامل الأكثر أهمية في نجاح النظام، مما يثبت أنه في التداول الكمي، إن النمذجة الصحيحة لما لا يمكن تداوله لا تقل أهمية عن التنبؤ بما يمكن تداوله.