💻 computer science

Sentiment-Aware Mean-Variance Portfolio Optimization for Cryptocurrencies

تقترح هذه الورقة وتتحقق من صحة استراتيجية ديناميكية لتحسين محفظة العملات المشفرة تدمج المؤشرات الفنية (RSI وSMA) مع تحليل المشاعر المدعوم بالذكاء الاصطناعي (VADER وGoogle Gemini) ضمن إطار متوسط التباين، مما يظهر عوائد متفوقة معدلة حسب المخاطر ونمواً تراكمياً مقارنة بالمعايير التقليدية، مع تسليط الضوء على الحاجة إلى تعزيز إدارة المخاطر للتخفيف من حدة التراجعات أثناء فترات ضغط السوق.

المؤلفون الأصليون: Qizhao Chen

نُشر 2026-03-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Qizhao Chen

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

تخيل أنك تحاول إعداد سلطة فواكه مثالية (محفظتك الاستثمارية) باستخدام خمس أنواع مختلفة من الفاكه-ه: بيتكوين، إيثيريوم، كاردانو، بينانس كوين، وريبل.

في عالم الاستثمار التقليدي، قد تنظر فقط إلى مدى لذة كل فاكهة في الأسبوع الماضي (الأسعار الماضية) وتخمن مدى لذتها في الأسبوع القادم. لكن العملات الرقمية تشبه سلطة فواكه يتغير طعمها كل ساعة بناءً على الطقس، والأخبار، وما يصرخ به الناس في الشوارع.

تقترح هذه الورقة طريقة جديدة لإعداد سلطة الفواكه تلك. فبدلاً من مجرد النظر إلى تاريخ الفاكهة، يضيف المؤلف "رادار المشاعر" و "بوصلة الاتجاه" لتقرير أي الفواكه تشتري وكيف تضع كميات منها في الوعاء.

إليك تفصيل استراتيجيتهم، مشروحاً ببساة:

1. المكونان الرئيسيان: البوصلة وخاتم الحالة المزاجية

أدرك المؤلفون أنه للتنبؤ بسعر العملات الرقمية في المستقبل، تحتاج إلى شيئين:

بوصلة الاتجاه (المؤشرات الفنية): يستخدمون أدوات مثل RSI و SMA. فكر في هذه الأدوات كبوصلة تخبرك ما إذا كانت الفاكهة حالياً "ناضجة أكثر من اللازم" (غالية جداً، وقت البيع) أو "غير ناضجة تماماً" (رخيصة جداً، وقت الشراء). إنها تنظر إلى سرعة واتجاه حركة السعر.
خاتم الحالة المزاجية (تحليل المشاعر): أسعار العملات الرقمية تتأثر بشدة بما يشعر به الناس. إذا قالت الأخبار "البيتكوين هو المستقبل!"، يشتري الجميع. وإذا قالت "العملات الرقمية ماتت"، يبيع الجميع. يقوم المؤلفون بمسح آلاف المقالات الإخبارية لقياس هذا "المزاج".

2. "المحرر الذكي" (الخلطة السرية)

هنا يكمن الذكاء. عادةً، تقوم الحواسيب بمجرد عد الكلمات الإيجابية أو السلبية في المقالات الإخبارية (مثل عداد كلمات بسيط). لكن يمكن خداع الحواسيب بسهما بالسخرية أو العناوين الجاذبة (Clickbait).

لذلك، أضاف المؤلفون ذكاء Google Gemini الاصطناعي ليعمل كـ "محرر أول".

الخطوة 1: حاسوب سريع (VADER) يقرأ الخبر ويقول: "هذا إيجابي بنسبة 80%!"
الخطوة 2: المحرر الذكي (Gemini) يقرأ نفس المقال ويقول: "انتظر لحظة. العنوان إيجابي، لكن المقال في الواقع إعلان مخادع يحاول تضليل الناس. سأقوم بخفض هذه النسبة إلى 20%."

هذا "المحرر" يساعد الحاسوب على فهم السياق و الحقيقة وراء الأخبار، وليس فقط الكلمات السطحية.

3. الوصفة: تحسين التباين والمتوسط (Mean-Variance Optimization)

بمجرد حصولهم على "البوصلة" (الاتجاه) و "خاتم الحالة المزاجية" (المشاعر)، يقومون بتغذية هذه البيانات في وصفة رياضية تسمى تحسين التباين والمتوسط.

فكر في هذا كـ طاهٍ ذكي يريد صنع ألذ سلطة فواكه بأقل قدر من المخاطر.

ينظر الطاهي إلى البيانات ويقول: "حسناً، يبدو البيتكوين رائعاً اليوم، لكن من المخاطرة وضع 100% من الوعاء في البيتكوين. لنضع 40% في البيتكوين، و30% في الإيثيريوم، والباقي في الفواكه الأخرى."
كما أن لدى الطاهي قاعدة: "لا تغير السلطة كثيراً كل يوم، وإلا سنضيع المال في رسوم التقطيع (تكاليف المعاملات)."

4. النتائج: هل نجح الأمر؟

اختبر المؤلفون هذه الوصفة على مدار 5 سنوات (2020–2025) وقارنوها بـ:

مجرد شراء البيتكوين والاحتفاظ به.
شراء جميع الفواكه بالتساوي.
مجرد اتباع الأخبار.
مجرد اتباع اتجاهات الأسعار.

الفائز: استراتيجية "الطاهي الذكي" (التي تجمع بين الاتجاهات + الأخبار + التحرير بالذكاء الاصطناعي) هي التي فازت. لقد حققت مالاً أكثر وتعاملت مع المخاطر بشكل أفضل من غيرها.

العيب (العاصفة):
ومع ذلك، تعترف الورقة بوجود خلل كبير. عندما ضربت عاصفة هائلة سوق العملات الرقمية في عام 2022 (مثل انهيار FTX و Terra-Luna)، انهارت جميع الأشياء معاً. حتى الطاهي الأذكى لم يستطع إنقاذ السلطة لأن المطبخ بأكمله كان يحترق. لا تزال الاستراتيجية تخسر الكثير من المال خلال لحظات الذعر القصوى تلك.

الخلاصة الكبرى

تثبت هذه الورقة أن الجمع بين الرياضيات (اتجاهات الأسعار) والمشاعر البشرية (مشاعر الأخبار) والمحرر الذكي بالذكاء الاصطناعي يخلق استراتيجية استثمارية أفضل من مجرد النظر إلى الرسوم البيانية أو مجرد قراءة العناوين.

الأمر يشبه قيادة السيارة:

المؤشرات الفنية هي عداد السرعة ونظام تحديد المواقع (GPS) الخاص بك.
تحليل المشاعر هو عينيك اللتين تراقبان الطريق والطقس.
المحرر الذكي هو مساعدك الذي يحذرك: "مهلاً، تلك 'العاصفة' التي تسمعها في الراديو قد تكون خبراً كاذباً، لكن تلك الحفرة أمامك حقيقية."

معاً، يساعدونك على القيادة بسلاسة وسرعة أكبر، لكنهم لا يستطيعون إيقاف السيارة إذا اصطدم بها نيزك عملاق (انهيار كامل للسوق).

إليك ملخص تقني مفصل لورقة البحث بعنوان "تحسين محفظة العملات المشفرة المعتمد على متوسط التباين والوعي بالمشاعر" للباحث كيزاو تشين.

1. بيان المشكلة

تتميز أسواق العملات المشفرة بالتقلبات الشديدة، والسلوك المضاربي، والحساسية العالية لمشاعر الجمهور والأحداث الإخبارية. تعتمد نماذج تحسين المحفظة التقليدية، مثل نموذج "متوسط التباين" (MVO) الكلاسيكي لـ ماركويتز، غالباً على بيانات الأسعار التاريخية والتوزيعات الإحصائية فقط. وتواجه هذه النماذج صعوبة في أسواق العملات المشفرة لأنها:

تفشل في التقاط التقلبات السعرية السريعة وغير الخطية المدفوعة بالأخبار ومشاعر التواصل الاجتماعي.
تفترض سلوكاً عقلانياً للمستثمرين، في حين أن أسواق العملات المشفرة تتأثر بشدة بالعواطف والصدمات الخارجية.
قد تفتقر المؤشرات الفنية القياسية وحدها إلى السياق أثناء التحولات المفاجئة في نظام السوق.

تعالج الورقة الحاجة إلى استراتيجية محفظة ديناميكية تدمج المؤشرات الفنية (اتجاهات الأسعار) مع تحليل المشاعر (مزاج السوق المدفوع بالأخبار) لتحسين تقديرات العائد المتوقع والأداء المعدل حسب المخاطر في بيئة شديدة التقلب.

2. المنهجية

الإطار المقترح هو نظام تحسين محفظة متوسط التباين المعزز بالمشاعر. تتكون المنهجية من أربعة مكونات رئيسية:

أ. جمع البيانات والمعالجة المسبقة

الأصول: تم اختيار خمس عملات مشفرة رئيسية (BTC, ETH, ADA, BNB, XRP) نظراً لسيولتها وقيمتها السوقية.
الإطار الزمني: من 14 فبراير 2020 إلى 6 أغسطس 2025 (بتكرار يومي).
البيانات المهيكلة: تم الحصول على بيانات الأسعار والحجم التاريخية عبر واجهة برمجة تطبيقات Crypto Compare.
البيانات غير المهيكلة: عناوين الأخبار والمقالات التي تم جمعها عبر واجهة برمجة تطبيقات الأخبار في Crypto Compare.
المؤشرات الفنية: مؤشر القوة النسبية (RSI) لمدة 14 يوماً والمتوسط المتحرك البسيط (SMA) لمدة 14 يوماً، واللذان تم حسابهما باستخدام pandas_ta.
بيانات المشاعر:
- المصدر الأساسي: نموذج قائم على معجم VADER (Valence Aware Dictionary and sEntiment Reasoner) لتوليد درجات مشاعر مركبة (من -1 إلى +1).
- التحقق: تم استخدام Google Gemini (نموذج لغوي كبير) للتحقق من درجات VADER وتقديم تفسير سياقي.

ب. هندسة الميزات وتعديل العائد

بدلاً من استخدام العوائد التاريخية الخام، يقوم النموذج بتوليد عوائد متوقعة معدلة ( $\mu_{adj}$ ) عن طريق الجمع بين المتوسطات التاريخية والإشارات التنبؤية.

متجه الميزات ( $X_t$ ): تم بناؤه لكل أصل $t$ $t$ ويحتوي على:
- $RSI_t$ : مؤشر الزخم.
- $1(P_t > SMA_t)$ : إشارة اتجاه ثنائية (1 إذا كان السعر > SMA لـ 14 يوماً، وإلا 0).
- $s_t$ : درجة المشاعر اليومية (VADER).
انحدار ريدج (Ridge Regression): يتم تقدير نموذج انحدار "ريدج" بنوافذ متدحرجة للتنبؤ بعوائد اليوم التالي ( $r_{t+1}$ $r_{t + 1}$ ) بناءً على $X_t$ $X_{t}$ .
- المعادلة: $\hat{\beta} = \arg \min_{\beta} \left[ \sum (r_{t+1} - X_t^\top \beta)^2 + \alpha \|\beta\|_2^2 \right]$
- يوفر هذا تقديراً مستقراً ومنتظماً لكيفية تأثير إشارات المشاعر والتقنيات على العوائد.
التعديل: يتم إضافة المكون الإشاري المتوقع ( $\hat{\epsilon}_t = X_t^\top \hat{\beta}$ $\overset{ϵ}{^}_{t} = X_{t}^{⊤} \hat{β}$ ) إلى متوسط العائد التجريبي ( $\mu_{close}$ $μ_{c l ose}$ ) لتشكيل المدخل النهائي للتحسين:
- $\mu_{adj} = \mu_{close} + \hat{\epsilon}_t$

ج. تحسين متوسط التباين المقيد

يتم تحسين أوزان المحفظة ( $w$ ) يومياً باستخدام نهج البرمجة التربيعية المقيدة:

الهدف: تعظيم $\mu_t^\top w - \lambda \frac{1}{2} w^\top \Sigma_t w$ $μ_{t}^{⊤} w - λ \frac{1}{2} w^{⊤} Σ_{t} w$
- $\lambda = 2$ (معلمة التجنب من المخاطر).
- $\Sigma_t$ : مصفوفة التباين المشترك المتدحرجة لمدة 180 يوماً.
القيود:
- الاستثمار الكامل: $\sum w_i = 1$ .
- الشراء فقط (Long-Only): $w_i \geq 0$ .
- سقف الوزن: $w_i \leq 0.4$ (لمنع التركيز المفرط).
- قيد دوران المحفظة: $\|w_t - w_{t-1}\|_1 \leq 0.80$ (يحد من إعادة التوازن اليومي إلى 80% من قيمة المحفظة).
تكاليف المعاملات: يتم تطبيق تكلفة باتجاه واحد قدرها 0.1% على دوران المحفظة لحساب صافي العوائد.

د. دمج النموذج اللغوي الكبير (التحقق)

لمعالجة قيود النماذج القائمة على المعاجم (مثل السخرية أو السياق)، استخدم المؤلفون Google Gemini للتحقق من درجات VADER.

العملية: يتلقى النموذج اللغوي النص الإخباري ودرجة VADER.
الأمر (Prompt): يطلب من النموذج اللغوي الموافقة أو الاعتراض على الدرجة، وتفسير الفروق الدقيقة، وتقديم توصية قابلة للتنفيذ (زيادة/نقصان/احتفاظ).
الدور: يعمل النموذج اللغوي كمدقق ثانوي ومفسر نوعي، وليس كمولد إشارة أساسي، مما يضمن أن درجة المشاعر صالحة سياقياً قبل أن تؤثر على المحفظة.

3. المساهمات الرئيسية

إطار عمل MVO المعزز بالمشاعر: يقترح استراتيجية ديناميكية مبتكرة تدمج المؤشرات الفنية (RSI, SMA) ومشاعر الأخبار مباشرة في تقدير العائد المتوقع لنموذج متوسط التباين، بدلاً من معاملتها كإشارات تداول منفصلة.
التحقق من المشاعر باستخدام النماذج اللغوية الكبيرة: يوسع تحليل المشاعر التقليدي باستخدام نموذج لغوي كبير (Gemini) للتحقق من درجات VADER. وهذا يضيف طبقة من الاستدلال السياقي، مما يفلتر العناوين المضللة (مثل عناوين جذب النقرات) التي قد تسيء النماذج المعجمية تفسيرها.
التحقق التجريبي في العملات المشفرة: يثبت فعالية هذا النهج الهجين على مجموعة بيانات لمدة 5 سنوات من العملات المشفرة الرئيسية، مبيناً أن دمج المشاعر مع المؤشرات الفنية يحقق أداءً أكثر اتساقاً من استخدام كل منهما بشكل منفصل.

4. النتائج

تم اختبار الاستراتيجية مقابل عدة خطوط أساس: استراتيجية (Bitcoin Long-Short)، المحفظة متساوية الأوزان، استراتيجية الزخم، استراتيجية "المشاعر فقط"، واستراتيجية "التقنية فقط".

مقاييس الأداء:
- الاستراتيجية المقترحة: حققت أعلى نسبة شارب السنوية (0.7102) وعائد تراكمي (6.0555).
- المقارنة: تفوقت على استراتيجية الزخم (شارب 0.6967) وتفوقت بشكل كبير على الاستراتيجية متساوية الأوزان (شارب 0.5823) واستراتيجية (Bitcoin Long-Short) (شارب 0.5454).
- التآزر: تفوقت استراتيجية "المشاعر + التقنية" على كل من متغيرات "المشاعر فقط" و"التقنية فقط"، مما يثبت أن الإشارات مكملة لبعضها البعض.
التراجعات (Drawdowns):
- عانت جميع الاستراتيجيات، بما في ذلك الاستراتيجية المقترحة، من تراجعات كبيرة (حوالي 82% للاستراتيجية المقترحة) خلال انهيار السوق في عام هم 2022 (انهيار Terra-LUNA وFTX).
- حدد النموذج بشكل صحيح تحول نظام السوق ولكنه لم يستطع الحماية الكاملة من ارتفاع الارتباط النظامي أثناء الضغوط القصوى.
تحليل المعاملات: أظهر انحدار "ريدج" المتدرح أن تأثير معاملات المشاعر متقلب للغاية ويتفاعل مع أنظمة السوق، بينما ظلت معاملات RSI قريبة من الصفر، مما يشير إلى قدرة تنبؤية محدودة للارتدادات قصيرة الأجل في هذه المجموعة من البيانات تحديداً.

5. الأهمية والقيود

الأهمية:

تثبت الورقة أن دمج بيانات النصوص غير المهيكلة في نماذج التحسين المالي الكلاسيكية يمكن أن يعزز العوائد المعدلة حسب المخاطر في الأسواق المضاربية.
تسلط الضوء على قيمة النماذج اللغوية الكبيرة كطبقة تحقق للتحليل الآلي للمشاعر، مما يسد الفجوة بين معالجة البيانات الخام والاستدلال الشبيه بالبشر.
توفر إطار عمل للتحسين المقيد والمقيد عملياً ومناسباً لإدارة محافظ العملات المشفرة على الطراز المؤسسي.

القيود:

الحساسية للتراجع: فشلت الاستراتيجية في منع الخسائر الهائلة خلال شتاء العملات المشفرة 2022، مما يشير إلى أن نماذج MVO القياسية وإشارات المشاعر الحالية غير كافية للحماية من مخاطر الذيل المتطرفة.
نموذج المخاطر: استخدام مصفوفة تباين مشترك متدحرجة لمدة 180 يوماً دون استخدام تقنيات الانكماش (shrinkage) أو تعديلات قوية يجعل النموذج حساساً للضجيج وتوزيعات العائد ذات الذيول الثقيلة.
دمج النموذج اللغوي الكبير: حالياً، يُستخدم النموذج اللغوي للتحقق/التفسير بدلاً من دمجه مباشرة في دالة التحسين. يمكن للأعمال المستقبلية استكشاف دمج الاحتمالات المستمدة من النموذج اللغوي مباشرة في القيود.

في الختام، تظهر الدراسة أن النهج الهجين الذي يجمع بين الزخم الفني، ومشاعر الأخبار، والاستدلال القائم على النماذج اللغوية الكبيرة، يقدم إطار عمل متفوقاً لإدارة محافظ العملات المشفرة مقارنة بالمعايير التقليدية، وإن كانت هناك حاجة لمزيد من الابتكارات في إدارة المخاطر للتعامل مع انهيارات السوق الحادة.