💰 quantitative finance

ARTEMIS: A Neuro Symbolic Framework for Economically Constrained Market Dynamics

تقدم الورقة البحثية ARTEMIS، وهو إطار عمل عصبي-رمزي مبتكر يدمج بين مؤثرات لابلاس العصبية ذات الزمن المستمر، والمعادلات التفاضلية العشوائية العصبية الموجهة بالفيزياء، والعنقودات الرمزية القابلة للتفاضل لفرض المعقولية الاقتصادية والقابلية للتفسير، محققاً دقة اتجاهية هي الأفضل في فئتها على مجموعات بيانات مالية متعددة مع سد الفجوة بين قوة التعلم العميق والشفافية المطلوبة في التمويل الكمي.

المؤلفون الأصليون: Rahul D Ray

نُشر 2026-03-20

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Rahul D Ray

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 التنبؤ بالطقس. معظم نماذج الذكاء الاصطعي الحديثة تشبه خبراء أرصاد جوية أذكياء للغاية ولكنهم فوضويون. لقد قرأوا كل تقرير عن الطقس في التاريخ ويمكنهم رصد أنماط معقدة لا يمكنك رؤيتها. ومع ذلك، فهم عبارة عن "صناديق سوداء". تسألهم: "هل ستمطر؟" فيجيبون: "نعم"، لكنهم لا يستطيعون شرح لماذا. والأسوأ من ذلك، أنهم يتنبأون أحياناً بأشياء مستحيلة فيزيائياً، مثل تشكل إعصار في صحراء لأنهم وجدوا نمطاً غريباً في البيانات لا معنى له في الواقع.

تقدم هذه الورقة البحثية ARTEMIS، وهو نوع جديد من الذكاء الاصطناعي يحاول حل هذه المشكلات. فكر في ARTEMIS ليس فقط كخبير أرصاد جوية، بل كـ خبير أرصاد جوية هو أيضاً أستاذ فيزياء صارم ومعلم فصيح اللسان.

إليك كيف يعمل ARTEMIS، مقسماً إلى أجزاء بسيطة:

1. المشكلة: "الصندوق الأسود" و"مخالف القواعد"

في التمويل (ومجالات أخرى)، تعد نماذج التعلم العميق رائعة في تخمين المستقبل، لكن لديها عيبين كبيرين:

إنها غير شفافة: لا أحد يعرف كيف تتخذ قراراتها. إذا استخدمها بنك لاستثمار الملايين، يشعر المنظمون ومديرو المخاطر بالقلق لأنهم لا يستطيعون السؤال: "لماذا فعلت ذلك؟"
إنها تكسر القواعد: غالباً ما تتجاهل القوانين الاقتصادية الأساسية. على سبيل المثال، قد تتنبأ بطريقة لجني أموال لا نهائية بدون أي مخاطرة (عملية مراجحة/arbitrage)، وهو أمر مستحيل في العالم الحقيقي. إنها تتعلم "أنماطاً زائفة" — مثل الاعتقاد بأن "مبيعات الآيس كريم تسبب هجمات القرش" لمجرد أن كليهما يحدث في الصيف.

2. الحل: ARTEMIS (الذكاء الاصطناعي "المحترم للفيزياء")

ARTEMIS هو إطار عمل عصبي-رمزي (Neuro-Symbolic Framework). وهذا تعبير معقد يعني أنه يجمع بين قدرة الشبكة العصبية على إيجاد الأنماط ("العصبي") وبين القواعد المنطقية للرياضيات والاقتصاد ("الرمزي").

لديه أربع "قوى خارقة":

أ. الأذن المستمرةة (مشغل لابلاس العصبي - Laplace Neural Operator)

تحتاج معظم نماذج الذكاء الاصطناعي إلى بيانات مرتبة بدقة في شبكة، مثل جداول البيانات. لكن الأسواق المالية الحقيقية فوضوية؛ حيث تحدث التداولات في فترات زمنية عشوائية ومتقطعة.

التشبيه: تخيل أنك تحاول الاستماع إلى أغنية حيث تُعزف النوتات بسرعات عشوائية. يحاول الذكاء الاصطناعي القياسي فرض هذه النوتات في شبكة، مما يشوه الموسيقى. أما ARTEMIS فهو مثل موسيقي يتمتع بملكة السمع المثالية الذي يمكنه الاستماع إلى التدفق الفعلي للموسيقى، بغض النظر عن التوقيت غير المنتظم. إنه يفهم "التدفق المستمر" للسوق دون إجباره داخل صندوق.

ب. الحارس الاقتصادي (خسائر مستوحاة من الفيزياء - Physics-Informed Losses)

هذا هو الجزء الأهم. ARTEMs ليس مجرد مخمن؛ بل يُجبر على طاعة قوانين الاقتصاد.

التشبيه: تخيل طالباً يؤدي اختباراً. يُسمح للذكاء الاصطناعي العادي بكتابة أي إجابة، حتى لو كانت بلا معنى، طالما أنه يحصل على درجات. أما ARTEMIS فيقف بجانبه حارس صارم.
- حارس "عدم المراجحة" (No-Arbitrage): إذا حاول الذكاء الاصطناعي التنبؤ بطريقة لجني أموال مجانية، يضرب الحارس يده ويقول: "لا! هذا ينتهك قوانين الفيزياء/الاقتصاد".
- حارس "نسبة شارب" (Sharpe Ratio): إذا تنبأ الذكاء الاصطناعي باستراتيجية جيدة لدرجة لا تصدق (مثل عائد 1000% مع صفر مخاطرة)، يقول الحارس: "هذا غير واقعي. عد إلى شيء يمكن لإنسان حقيقي تحقيقه فعلياً".
النتيجة: يتعلم الذكاء الاصطناعي التنبؤ بـ اتجاه السوق (صعود أو هبوط) بطريقة ممكنة فعلياً في العالم الحقيقي.

ج. المترجم (عنق الزجاجة الرمزي القابل للتفاضل - Differentiable Symbolic Bottleneck)

عادةً، إذا أردت معرفة لماذا اتخذ الذكاء الاصطناعي قراراً، عليك استخدام تفسير "لاحق للحدث" (مثل سؤال صديق لتخمين ما كان يفكر فيه الذكاء الاصطناعي). هذا غالباً ما يكون غير دقيق.

التشبيه: بدلاً من التخمين، يمتلك ARTEMIS مترجماً مبنياً في داخله. بينما يعالج الذكاء الاصطناعي البيانات، يقوم تلقائياً بتلخيص أفكاره المعقدة إلى معادلات رياضية بسيطة يمكن للبشر قراءتها (مثل "اشترِ إذا كان السعر > المتوسط").
الفائدة: لست بحاجة لتخمين لماذا اشترى سهماً ما. إنه يسلمك حرفياً قاعدة بسيطة: "لقد اشتريت هذا لأن السعر انخفض تحت متوسط الـ 50 يوماً". إنه شفاف بالتصميم، وليس بالتخمين.

د. شبكة الأمان (التنبؤ التوافقي - Conformal Prediction)

في التمويل، معرفة مدى تأكدك لا تقل أهمية عن التنبؤ نفسه.

التشبيه: يقول الذكاء الاصطناعي العادي: "ستمطر غداً". أما ARTEMIS فيقول: "ستمطر غداً، وأنا متأكد بنسبة 95% أنها ستكون بين 2 ملم و5 ملم". إنه يعطيك نطاق ثقة، بحيث تعرف متى تثق في التنبؤ ومتى تكون حذراً.

3. النتائج: كيف كان أداؤه؟

اختبر المؤلفون ARTEMIS مقابل ستة نماذج ذكاء اصطناعي رفيعة المستوى (مثل LSTMs وTransformers) على أربعة مجموعات بيانات مختلفة:

Jane Street: بيانات سوق حقيقية مجهولة المصدر.
Optiver: التنبؤ بتقلبات الأسهم.
Time-IMM: التنبؤ بدرجة حرارة الهواء (اختبار غير مالي).
DSLOB: مجموعة بيانات "انهيار" اصطناعية. هذا سوق وهمي مصمم لمحاكاة انهيار ضخم ومرعب لمعرفة ما إذا كان الذكاء الاصطناعي سيصاب بالذعر أو يظل منطقياً.

الفائز:

دقة الاتجاه: كان ARTEMIS هو البطل في التنبؤ بـ الاتجاه (صعود أو هبوط). في اختبار "الانهيار"، كان صحيحاً بنسبة 65% من المرات، بينما كانت النماذج الأخرى بالكاد أفضل من رمي العملة المعدنية.
لماذا؟ أثبتت دراسة الاستئصال (حيث قاموا بإيقاف أجزاء من الذكاء الاصطناعي) أن "الحارس الاقتصادي" (قواعد الفيزياء) كان هو السر وراء نجاحه. عندما أزالوا القواعد، انهارت قدرة الذكاء الاصطناعي على التنبؤ بالاتجاه إلى 41% (وهو أسوأ من العشوائية).
المقايضة: ARTEMIS أقل دقة قليلاً في التنبؤ بـ السعر الدقيق (المقدار) مقارنة ببعض النماذج الأخرى، ولكنه أفضل بكثير في التنبؤ بـ الاتجاه. في التداول، معرفة أن "السعر سيرتفع" غالباً ما تكون أكثر قيمة من معرفة أنه "سيرتفع بمقدار 0.04 دولار".

ملخص

ARTEMIS هو إطار عمل جديد للذكاء الاصطناعي يقول: "نحن لا نريد مجرد مخمن ذكي؛ نريد مخمناً ذكياً يتبع القواعد ويمكنه شرح واجباته المدرسية".

من خلال إجبار الذكاء الاصطناعي على احترام القوانين الاقتصادية (مثل عدم وجود أموال مجانية) وترجمة دماغه المعقد إلى معادلات رياضية بسيطة، يجسّر ARTEMIS الفجوة بين قوة الذكاء الاصطناعي عالية التقنية والثقة البشرية. إنه خطوة نحو ذكاء اصطناعي يمكننا استخدامه بالفعل في المواقف عالية المخاطر مثل إدارة بنك أو استثمار مدخرات حياتك، لأننا نعرف لماذا يتخذ قراراته وأننا نعلم أنه لن يقترح استراتيجيات مستحيلة.

1. بيان المشكلة

تتناول الورقة ثلاث قيود حرجة في تطبيق التعلم العميق على التمويل الكمي:

الافتقار إلى القابلية للتفسير: تعمل نماذج التعلم العميق (مثل LSTMs وTransformers) كـ "صناديق سوداء"، مما يخلق مخاطر تنظيمية وتشغيلية. تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) الحالية (مثل SHAP/LIME) هي تقريبات لاحقة (post-hoc) لا تعالج الغموض المتأصل في البنية التحتية.
انتهاك المبادئ الاقتصادية: تتدرب معظم النماذج بحتًا على الارتباطات التاريخية للبيانات، متجاهلة القيود الجوهرية مثل شرط "عدم وجود فرصة ربح بلا مخاطرة" (No-Arbitrage). يؤدي هذا إلى أنماط زائفة وتنبؤات غير منطقية، خاصة أثناء تحولات نظام السوق أو الأزمات.
قيود الزمن المنفصل: الأسواق المالية هي عمليات مستمرة في الزمن مع بيانات عالية التردد وغير منتظمة. تتطلب النماذج القياسية ذات الزمن المنفصل عملية استكمال (interpolation)، مما يشوه الديناميكيات الأساسية، كما تجد صعوبة في التعامل مع عدم الاستقرار (تغير أنظمة السوق).

2. المنهجية: إطار عمل ARTEMIS

إطار عمل ARTEMIS (التمثيل الخالي من التحكيم عبر النماذج الاقتصادية والرموز القابلة للتفسير) هو إطار عمل عصبي-رمزي موحد مصمم للتغلب على هذه التحديات. وهو يدمج أربع وحدات مترابطة بشكل وثيق:

أ. مشفر الزمن المستمر (المشغل العصبي لـ Laplace)

الوظيفة: بدلاً من إعادة أخذ عينات البيانات غير المنتظمة، يستخدم ARTEMIS "مشغل لابلاب العصبي" (Laplace Neural Operator - LNO) لخرائط ملاحظات السوق غير المنتظمة مباشرة إلى فضاء دالة كامنة مستمرة.
الآلية: يستخدم نواة قابلة للتعلم في مجال لابلاب ( $\hat{\kappa}(\omega) = \sum \frac{A_k}{\omega - \lambda_k}$ ) لمعالجة المدخلات دون الحاجة إلى استكمال، مما يحافظ على الهيكل الزمني الحقيقي لتحديثات سجل أوامر الحد (Limit Order Book).

ب. الديناميكيات الكامنة المستنيرة اقتصادياً (المعادلة التفاضلية العشوائية العصبية - Neural SDE)

الوظيفة: تتطور الحالة الكامنة عبر معادلة تفاضلية عشوائية عصبية (Neural SDE): $dz = \mu_\theta(z, t)dt + \sigma_\phi(z, t)dW$ .
التنظيم المستند إلى الفيزياء: لضمان المعقولية الاقتصادية، يتم تقييد الـ SDE بمصطلحي خسارة جديدين مشتقين من النظرية الأساسية لتسعير الأصول:
1. بقايا معادلة Feynman-Kac الجزئية ( $L_{PDE}$ ): تفرض شروط عدم وجود ربح بلا مخاطرة محلي عبر معاقبة انتهاكات المعادلة التفاضلية التي تحكم تسعير المشتقات في الفضاء الكامن.
2. عقوبة سعر مخاطرة السوق ( $L_{MPR}$ ): تحد من نسبة شارب اللحظية ( $\|\sigma^{-1}_\phi \mu_\theta\|^2$ ) إلى قيم واقعية، مما يمنع النموذج من تعلم استراتيجيات مربحة بشكل غير واقعي (وغالسباً ما تكون ناتجة عن فرط التخصيص/Overfitting).

ج. الاختناق الرمزي القابل للتفاضل

الوظيفة: تلخيص الديناميكيات الكامنة المعقدة إلى قواعد تداول واضحة ومكتوبة بصيغة رياضية.
الآلية: تتعلم طبقة قابلة للتفاضل توليفة خطية متفرقة من الدوال الأساسية (مثل المتوسطات المتحركة، النسب، الفروقات) باستخدام تقنية Gumbel-Softmax، مما يوفر تفسيراً متأصلاً دون التضحية بالقدرة على التدريب من البداية للنهاية (end-to-end).

د. طبقة التخصيص المطابقة (Conformal Allocation Layer)

الوظيفة: قياس اليقين وتوليد أوزان المحفظة الواعية بالمخاطر.
الآلية: تستخدم التنبؤ المطابق التكيفي (adaptive conformal prediction) لإنتاج فترات تنبؤ خالية من التوزيع مع ضمانات تغطية لعينة محدودة. تغذي هذه الفترات مُحسِّن معيار كيلي (Kelly criterion) قابل للتفاضل لتحديد أوزان المحفظة المثلى.

3. المساهمات الرئيسية

بنية عصبية-رمزية موحدة: أول إطار عمل يجمع بين ترميز الزمن المستمر (LNO)، والديناميكيات الكامنة المستندة إلى الفيزياء (Neural SDE)، والانحدار الرمزي القابل للتفاضل في نظام واحد متكامل.
التنظيم الاقتصائي المبتكر: يقدم أول تطبيق لبقايا معادلة Feynman-Kac الجزئية وعقوبات سعر مخاطرة السوق خصيصاً للتنبؤ بالديناميكيات الكامنة، بدلاً من مجرد حل معادلات تسعير معروفة.
التفسير المتأصل: يتجاوز التفسيرات اللاحقة (post-hoc) عبر فرض مخرجات على شكل صيغ رياضية قابلة للتفسير عبر الاختناق الرمزي.
المتانة تجاه تحولات النظام: يظهر أداءً فائقاً في أنظمة الانهيار مقارنة بالنماذج المرجعية القياسية للتعلم العميق.

4. النتائج التجريبية

تم تقييم النموذج مقابل ستة نماذج مرجعية قوية (LSTM, Transformer, NS-Transformer, Informer, Chronos-2, XGBoost) عبر أربع مجموعات بيانات:

Jane Street: بيانات سوق مجهولة المصدر.
Optiver: توقع تقلبات سجل أوامر الحد (LOB).
Time-IMM: التنبؤ بدرجة حرارة البيئة (مجموعة تحكم غير مالية).
DSLOB: مجموعة بيانات اصطناعية جديدة تحاكي نظام انهيار سوق مضخم.

النتائج الرئيسية:

الدقة الاتجاهية: حقق ARTEMIS أفضل أداء (SOTA) في الدقة الاتجاهية.
- DSLOB (نظام الانهيار): 64.96% (متفوقاً على جميع النماذج المرجعية؛ حيث سجل LSTM نسبة 60.64%).
- Time-IMM: 96.0% (الأعلى بين جميع النماذج).
دراسة الاستئصال (Ablation Study) على DSLOB: أكدت ضرورة كل مكون:
- إزالة خسارة الـ PDE تسببت في انخفاض الدقة الاتجاهية من 64.89% إلى 50.32% (قريبة من العشوائية).
- إزالة كلا خسائر الفيزياء أدى إلى انهيار الدقة إلى 41.77% (أسوأ من العشوائية).
- إزالة الـ SDE حسّن دقة النقاط (RMSE) بشكل كبير ولكنه قلل قليلاً من الدقة الاتجاهية، مما يؤكد المقايضة المتعمدة للنموذج لصالح التنبؤ بالإشارة (النوع) بدلاً من دقة المقدار.
ضعف الأداء في Optiver: أدى أداء ARTEMIS إلى نتائج ضعيفة في مجموعة بيانات Optiver (RankIC: -0.0555). وعزا المؤلفون ذلك إلى طول التسلسل الطويل في مجموعة البيانات (600 خطوة)، والهدف المعتمد على التقلب (المقدار مقابل الاتجاه)، ومجموعة الميزات المحدودة، مما يوضح الحدود التشغيلية لهذا الإطار.

5. الأهمية والخاتمة

يمثل ARTEMIS تحولاً جذرياً في التمويل الكمي من خلال سد الفجوة بين القدرة التنبؤية للتعلم العميق وبين الشفافية والصرامة الاقتصادية التي يتطلبها المنظمون والممارسون.

الذكاء الاصطناعي الموثوق: من خلال دمج القوانين الاقتصادية مباشرة في دالة الخسارة، يتجنب النموذج "هلوسة" استراتيجيات مربحة ولكنها مستحيلة.
القابلية للتفسير: يوفر قواعد تداول بصيغة رياضية مغلقة، مما يحل مشكلة "الصندوق الأسود" دون التضحية بالدقة مقابل التفسير كما هو الحال في تقنيات XAI اللاحقة.
القدرة على التعميم: يشير نجاح الإطار في مجموعة بيانات Time-IMM غير المالية إلى إمكانية تطبيقه في مجالات أخرى تتضمن سلاسل زمنية غير منتظمة وقوانين فيزيائية/اقتصادية (مثل علوم المناخ أو علم الأوبئة).

تخلص الورقة إلى أنه بينما يتطلب ARTEMIS موارد حوسبة أكبر وضبطاً دقيقاً للمعلمات الفائقة، فإن قدرته على الحفاظ على المتانة أثناء انهيارات السوق وتوفير تنبؤات مفسرة ومستندة إلى أسس اقتصادية تجعل منه تقدماً هاماً للتطبيقات المالية عالية المخاطر.