📊 statistics

Towards Causal Market Simulators

تقترح هذه الورقة نموذج "المشفّر التلقائي المتغير للنماذج السببية العصبية للسلاسل الزمنية" (TNCM-VAE)، وهو إطار عمل مبتكر يدمج المشفرات التلقائية المتغيرة مع النماذج السببية الهيكلية لتوليد سلاسل زمنية مالية اصطناعية تحافظ على كل من التبعيات الزمنية والعلاقات السببية، مما يتيح إجراء تحليل مضاد للواقع وتقييم للمخاطر يتسم بالمتانة.

المؤلفون الأصليون: Dennis Thumm, Luis Ontaneda Mijares

نُشر 2026-03-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Dennis Thumm, Luis Ontaneda Mijares

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 محلل مالي يحاول التنبؤ بمستقبل سوق الأسهم. عادةً، تنظر إلى البيانات التاريخية لتخمين ما قد يحدث لاحقاً. ولكن ماذا لو أردت طرح سؤال من نوع "ماذا لو؟"

"ماذا لو كانت أسعار الفائدة أعلى بنسبة 2% العام الماضي؟ كيف سيكون شكل السوق اليوم؟"
"ماذا لو انهارت شركة تقنية عملاقة بالأمس؟ هل كان الاقتصاد بأكمله سيتبعها؟"

يُسمى هذا الاستدلال المضاد للواقع (Counterfactual Reasoning). إنه يشبه إعادة عرض فيلم السوق، وتغيير مشهد واحد فيه، ثم رؤية كيف ستسير بقية أحداث الفيلم بشكل مختلف.

المشكلة في أدوات الذكاء الاصطاري الحالية هي أنها بارعة جداً في حفظ الماضي، لكنها سيئة جداً في فهم لماذا حدثت الأشياء. فهي ترى أن "أ" و "ب" حدثا معاً، لكنها لا تعرف ما إذا كان "أ" هو الذي تسبب في "ب"، أم أنهما حدثا في نفس الوقت بمحض الصدفة. وإذا حاولت تغيير "أ" في محاكاتها، فإن منطق القصة غالباً ما ينهار.

تقدم هذه الورقة أداة جديدة تسمى TNCM-VAE (اسم معقد، لذا دعونا نسميها "آلة السفر عبر الزمن السببي"). إليك كيف تعمل، باستخدام تشبيهات بسيطة:

1. المشكلة: "المُقلد" مقابل "الميكانيكي"

الذكاء الاصطناعي القديم (المُقلد): تخيل فناناً بارعاً جداً في نسخ اللوحات لدرجة أنك لا تستطيع التمييز بينها وبين الأصل. ولكن إذا سألته: "ماذا لو كانت السماء خضراء بدلاً من زرقاء؟" فقد يكتفي برسم سماء خضراء ويترك بقية اللوحة كما هي تماماً، حتى لو كان من المفترض أن تغير السماء الخضراء الإضاءة على الأشجار. إنه لا يفهم فيزياء المشهد.
الذكاء الاصطناعي الجديد (الميكانيكي): إن TNCM-VAE يشبه الميكانيكي الذي يفهم كيفية عمل محرك السيارة. هو يعلم أنه إذا غيرت خليط الوقود (السبب)، فإن السرعة (الأثر) ستتغير، وقد ترتفع درجة حرارة المح المحرك أيضاً. إنه يفهم قواعد اللعبة، وليس فقط النتيجة النهائية.

2. الحل: كيف تعمل الآلة

بنى المؤلفون نظاماً يتكون من ثلاثة أجزاء رئيسية، يعملون معاً مثل فريق من المحققين:

المُشفّر - الـ Encoder (المحقق): أولاً، تنظر الآلة إلى بيانات السوق الحقيقية (مثل أسعار الأسهم بمرور الوقت). هي لا تحفظ الأرقام فحسب؛ بل تحاول اكتشاف "الأسباب" الخفية وراءها. تسأل الآلة: "ما هي القوى غير المرئية التي تحرك هذه الأرقام؟"
الخريطة السببية - الـ Causal Map (المخطط الهندسي): هذا هو السر. تُجبر الآلة على رسم رسم بياني موجه غير حلقي (DAG). فكر في هذا كأنه مخطط هندسي أو رسم توضيحي لمنزل.
- في المنزل العادي، القاعدة تدعم الجدران، والجدران تدعم السقف. لا يمكنك وضع السقف قبل بناء القاعدة.
- في هذه الآلة، يضمن المخطط أنه إذا كان المتغير "أ" يسبب المتغير "ب"، فيجب على الذكاء الاصطناعي احترام هذا الترتيب. هذا يمنع الذكاء الاصطناعي من خلق سيناريوهات مستحيلة (مثل سقوط السقف قبل بناء القاعدة).
المُفكك - الـ Decoder (المهندس المعماري): عندما تطرح سؤال "ماذا لو؟" (على سبيل المثال: "ماذا لو غيرنا القاعدة؟")، يستخدم المهندس المعماري المخطط لإعادة بناء المنزل. يقوم بتغيير القاعدة ثم يعيد حساب كيف يجب أن تبدو الجدران والسقف منطقياً، مما يضمن أن الهيكل بأكمله لا يزال منطقياً.

3. اختبار "السفر عبر الزمن"

لإثبات نجاحها، أنشأ الباحثون سوقاً وهمياً باستخدام رياضيات تحاكي السلوك المالي الحقيقي (تسمى عملية Ornstein-Uhlenbeck). فكر في هذا كأنه اقتصاد في لعبة فيديو محاكية حيث يعرفون القواعد الدقيقة.

سألوا الآلة: "إذا أجبرنا سعر الأصل (X) أن يكون صفراً، فما هو احتمال أن يتجاوز الأصل (Y) مستوى معيناً؟"

النتيجة: كانت إجابة الآلة قريبة جداً من الإجابة الرياضية "الصحيحة" (بنسبة خطأ تتراوح بين 3% إلى 10%).
لماذا هذا مهم؟ هذا يعني أن الآلة لم تكن تخمن فحسب؛ بل فهمت بالفعل علاقة السبب والنتيجة. لقد نجحت في محاكاة "كون موازٍ" حيث يتم احترام قواعد السوق.

4. لماذا يجب أن تهتم؟

هذا ليس مجرد رياضيات؛ إنه يتعلق بالسلامة والتخطيط.

اختبار الضغط (Stress Testing): تستخدم البنوك هذا لتسأل: "ماذا لو حدثت جائحة وانخفضت أسعار النفط في نفس الوقت؟" النماذج القديمة قد ترتبك. أما هذا النموذج الجديد فيمكنه محاكاة سيناريو الكارثة المعقد والمحدد هذا ليرى ما إذا كان البنك سينجو.
قرارات أفضل: بدلاً من مجرد النظر إلى الاتجاهات الماضية، يمكن للمستثمرين اختبار استراتيجياتهم ضد سيناريوهات "ماذا لو" التي لم تحدث بعد، ولكنها قد تحدث.

الخلاصة

لقد صنع المؤلفون محاكياً مالياً لا يكتفي فقط بحفظ الماضي، بل يفهم قواعد السوق. من خلال إجبار الذكاء الاصطناعي على اتباع خريطة منطقية للسبب والنتيجة، خلقوا أداة يمكنها السفر بأمان إلى "أكوان موازية" للاقتصاد، مما يساعدنا على الاستعداد لما هو غير متوقع دون كسر قوانين الفيزياء (أو التمويل).

إنه الفرق بين تطبيق للطقس يقول لك فقط "لقد أمطرت بالأمس" وتطبيق يمكنه أن يخبرك: "إذا بنينا سداً هنا، فسوف يفيض النهر هناك في الأسبوع المقبل".

إليك ملخص تقني مفصل لورقة البحث بعنوان "نحو محاكيات أسواق سببية" (Towards Causal Market Simulators) من إعداد دنيس ثوم ولويس أونتاندا مارييس.

1. بيان المشكلة

أظهرت مولدات السوق الحالية القائمة على نماذج التوليد العميق (مثل شبكات GAN وVAE القياسية) وعوداً في إنشاء بيانات مالية اصطناعية. ومع ذلك، فهي تعاني من قصور حاسم: فهي تفتقر إلى قدرات الاستدلال السببي.

الفجوة: تلتقط النماذج التقليدية الارتباطات الإحصائية والاعتمادات الزمنية (الخصائص الأسلوبية)، لكنها تفشل في نمذجة النماذج السببية الهيكلية (SCMs) الكامنة.
النتيجة: بدون الاستدلال السببي، لا تستطيع هذه النماذج إجراء التحليل اللاحق للواقع (Counterfactual Analysis) (على سبيل المثال: "ماذا كان سيحدث للأصل $Y$ إذا تدخلنا في الأصل $X$ ؟"). وهذا يحد من فائدتها في المهام المالية الأساسية مثل اختبار الضغط، وتحليل السيناريوهات، وتقييم المخاطر، حيث يكون فهم آلية التغيير أكثر أهمية من مجرد مطابقة الأنماط.
الهدف: تطوير إطار عمل يقوم بتوليد سلاسل زمنية مالية اصطناعية مع الحفاظ بصرامة على كل من الاعتمادات الزمنية والعلاقات السببية، مما يسمح باستعلامات تحليلية لاحقة للواقع صالحة.

2. المنهجية: TNCM-VAE

يقترح المؤلفون نموذج TNCM-VAE (نموذج الـ VAE العصبي السببي للسلاسل الزمنية)، وهو بنية هجينة تجمع بين المشفرات التلقائية التباينية (VAEs) والنماذج السببية الهيكلية (SCMs).

البنية الجوهرية

يتكون النموذج من ثلاثة مكونات رئيسية:

المُشفر ( $Q_\phi$ ):
- يربط نوافذ السلاسل الزمنية المدخلة بفضاء كامن (Latent Space).
- يستخدم بنية هرمية: شبكة أمامية لاستخراج الميزات تليها طبقات GRU (وحدة متكررة ذات بوابة) لالتقاط الاعتمادات الزمنية.
- يُخرج المتوسط ( $\mu$ ) والتباين اللوغاريتمي ( $\log \sigma^2$ ) للتوزيع الكامن.
- يستخدم خدعة إعادة المعلمة (Reparameterization trick) لأخذ عينات من المتغيرات الكامنة $z$ .
الرسم الخرائطي السببي وفك التشفير ( $P_\theta$ ):
- قيد الرسم البياني الموجه غير الدوري (DAG Constraint): على عكس فك التشفير القياسي، يفرض هذا النموذج بنية رسم بياني موجه غير دوري (DAG)، مما يرمز صراحةً للعلاقات السببية بين المتغيرات (مثلاً: $X_{t-1} \to Y_t$ ).
- تحويل RealNVP: يستخدم تحويلات RealNVP (التحويلات غير الحافظة للحجم ذات القيم الحقيقية) لنمذجة التوزيعات الشرطية المعقدة داخل فك التشفير.
- التعامل مع التدخل (Intervention Handling): يقوم فك التشفير بدمج الحالة الكامنة الحالية مع الحالة الكامنة للخطوة الزمنية السابقة ( $U_{t-1}$ )، مما يسمح للنموذج بإجراء تدخلات (مثل $do(X_t = x)$ ) مع الحفاظ على الاتساق الزمني.
هدف التدريب:
- دالة الخسارة: تقلل من حد أدنى للاحتمال المتوقع (ELBO) معدل.
- خسارة إعادة البناء: تستخدم مسافة وايسرشتاين السببية (Causal Wasserstein Distance) (عبر الاقترانات ثنائية السببية) بدلاً من MSE أو KL divergence القياسي. يضمن ذلك أن الديناميكيات الكامنة تحترم الهيكل السببي.
- التنظيم (Regularization): يتضمن حد تباعد KL بين التوزيع المسبق المتعلم (المحول عبر RealNVP) وتوزيع مرجعي لضمان اتباع التوزيع المسبق للهيكل المشفر.
- المنطلق الزمني (Time-Dependent Prior): على عكس نماذج VAE القياسية التي تفترض منطلقاً ثابتاً، يقرب TNCM-VAE توزيعاً متميزاً لكل خطوة زمنية لمراعاة الطبيعة غير المستقرة للاحتمالات الشرطية الهامشية في السلاسل الزمنية.

عملية توليد التحليل اللاحق للواقع (Counterfactual Generation)

يولد النموذج النتائج اللاحقة للواقع باستخدام عملية ثلاثية الخطوات مستوحاة من منهج بيرل (Pearl):

الاستنباط (Abduction): تشفير التسلسل الواقعي المرصود إلى الفضاء الكامن لاستنتاج التوزيع اللاحلي للمتغيرات المربكة (Confounders).
الإجراء (Action): تعديل المتغيرات ذات الصلة في الفضاء الكامن وفقاً للتدخل المحدد (مثل $do(X_t = x)$ ).
التنبؤ (Prediction): فك تشفير الحالة الكامنة المعدلة لتوليد السلسلة الزمنية اللاحقة للواقع، مع ضمان احترام المخرجات لقيود الـ DAG والديناميكيات الزمنية.

3. الإعداد التجريبي

توليد البيانات: استخدم المؤلفون نماذج ذاتية الانحدار (AR) اصطناعية مستوحاة من عملية أورنشتاين-أولين (OU process)، وهي نموذج قياسي للأصول المالية ذات الارتداد إلى المتوسط.
- النظام: متغيران، $X_t$ و $Y_t$ .
- الهيكل السببي: $X_t$ عملية مستقلة؛ بينما تعتمد $Y_t$ على تأخرها الخاص ( $Y_{t-1}$ ) وعلى تأخر $X$ ( $X_{t-1}$ ).
- الحقيقة الأرضية (Ground Truth): نظرًا لأن البيانات يتم توليدها من معادلات رياضية معروفة، يمتلك المؤلفون وصولاً إلى الحلول التحليلية للاحتمالات اللاحقة للواقع.
المهام: تم اختبار النموذج في حساب احتمال تجاوز $Y_{t+1}$ $Y_{t + 1}$ لعتبة معينة تحت تدخلات مختلفة على $X_t$ $X_{t}$ .
- التجربة 1: $P(Y_{t+1} > 0 \mid do(X_t = 0))$
- التجربة 2: $P(Y_{t+1} > 2 \mid do(X_t = -2))$

4. النتائج الرئيسية

أظهر TNCM-VAE أداءً فائقاً في تقدير الاحتمالات اللاحقة للواقع مقارنة بالحلول التحليلية للحقيقة الأرضية.

الدقة (مسافة L1): حقق النموذج مسافات L1 منخفضة للغاية بين الاحتمالات المقدرة والحقيقة الأرضية.
- التجربة 1: تراوحت مسافات L1 بين 0.04 و 0.09 (المتوسط: 0.064).
- التجربة 2: تراوحت مسافات L1 بين 0.03 و 0.10 (المتوسط: 0.058).
الاستقرار الزمني: أظهر النموذج استقراراً زمنياً قوياً. في التجربة 2، تحسنت الدقة فعلياً عبر الآفاق الزمنية الأطول (انخفضت المسافة من 0.10 عند الخطوة 1 إلى 0.03 عند الخطوة 5)، مما يشير إلى أن القيود السببية توجه عملية التوليد بفعالية بمرور الوقت.
المحاذاة البصرية: تطابقت التوزيعات الاحتمالية المولدة بواسطة النموذج بشكل وثيق مع الحقيقة الأرضية التحليلية، مما يؤكد أن القيود السببية نجحت في توجيه العملية التوليدية نحو نتائج متسقة نظرياً.

5. المساهمات الرئيسية

إطار عمل مبتكر: تقديم TNCM-VAE، وهو أول إطار يدمج VAEs مع فك تشفير ذو بنية DAG لإنشاء السلاسل الزمنية اللاحقة للواقع.
القيود السببية في فك التشفير: يضمن استخدام هياكل DAG في بنية فك التشفير أن النتائج المولدة تحترم الآليات السببية الكامنة، وليس فقط الارتباطات الإحصائية.
تدريب وايسرشتاين السببي: تنفيذ مسافة وايسرشتاين السببية للتدريب، لضمان توافق الديناميكيات الكامنة مع الهياكل السببية.
التحقق النظري: تقدم الورقة ربطاً صارماً بين نماذج AR ذات الزمن المنفصل وعمليات أورنشتاين-أولين ذات الزمن المستمر، مما يؤكد تصميم التجربة عبر تقريب Euler-Maruyama.

6. الأهمية والعمل المستقبلي

الأثر العملي: يعالج هذا النهج فجوة حرجة في الذكاء الاصطناعي المالي. فهو يتيح اختبار الضغط المالي وتحليل السيناريوهات من خلال توليد مسارات سوقية محتملة تحترم القوانين السببية. وهذا أمر حيوي لإدارة المخاطر والاختبارات الخلفية التنظيمية.
المقايضات: يقر المؤلفون بوجود مقايضة طفيفة حيث تؤدي الصحة السببية إلى أخطاء إعادة بناء أعلى قليلاً مقارنة بالنماذج المرجعية غير المقيدة، ولكن هذا مقبول لمهام التحليل اللاحق للواقع.
الاتجاهات المستقبلية:
- توسيع الإطار للتعامل مع تغير الأنظمة (Regime Changes) والعمليات غير المستقرة الشائعة في الأسواق الحقيقية.
- دمج القيود الخاصة بالمجال لفئات الأصول المختلفة.
- توسيع نطاق البنية لتشمل مجموعات البيانات عالية الأبعاد (المحدودة حالياً بسبب العبء الحسابي).
- التحقق من النموذج باستخدام مجموعات بيانات مالية من العالم الحقيقي.

باختصار، يمثل TNCM-VAE خطوة مهمة للأمام في نقل محاكاة الأسواق المالية من مجرد توليد الأنماط الإحصائية إلى الاستدلال القائم على السببية، مما يوفر أداة قوية لفهم تأثير التدخلات في الأنظمة المالية المعقدة.