Portfolio Optimization Proxies under Label Scarcity and Regime Shifts via Bayesian and Deterministic Students under Semi-Supervised Sandwich Training
تقترح هذه الورقة إطار عمل للتعلم شبه الموجه بنمط المعلم والطالب، والذي يستفيد من الملصقات المحسنة وفقاً للقيمة المعرضة للمخاطر (CVaR) والبيانات المعززة باستخدام الـ t-copula الاصطناعية لتدريب نماذج بايزية وحتمية قوية لتحسين المحافظ الاستثمارية، مما يثبت قدرتها على التفوق على الطرق التقليدية في البيئات التي تفتقر إلى البيانات وفي ظل تغير الأنظمة.
تخيل أنك تحاول تعليم متدرب شيف شاب (الطالب) كيفية طهي الوجبة المثالية لجمهور كبير وغير متوقع.
عادةً، كنت ستستأجر شيفاً ماهراً (المعلم) ليطهو الوجبة، ويتذوقها، ثم يخبر المتدرب بالضبط بما يجب فعله في المرة القادمة. ولكن هنا تكمن المشكلة: ليس لديك سوى 104 أيام من الوصفات (بيانات مصنفة) للتعلم منها، وأذواق الجمهور تتغير بشكل جذري من يوم لآخر (أنظمة السوق). أحياناً يريدون طعاماً حاراً، وأحياناً أخرى يريدون طعاماً عادياً. إذا قام المتدرب بمجرد حفظ الـ 104 وصفة، فسوف يفشل عندما يطلب الجمهور شيئاً جديداً.
تقترح هذه الورقة طريقة ذكية لتدريب هذا المتدرب الشيف باستخدام مزيج من الخبرة الحقيقية والممارسة المحاكية، مع إعطائه أيضاً "حساً داخلياً" حول متى يكون غير متأكد.
إليك تفصيل طريقتهم، باستخدام تشبيهات من الحياة اليومية:
1. المعلم: "الشيف الماهر الحذر من المخاطر"
بدلاً من شيف عادي يحاول فقط صنع أشهى طبق (أعلى عائد)، استأجر المؤلفون شيفاً ماهراً يخشى احتراق المطبخ.
- الهدف: هذا المعلم لا يبحث فقط عن أفضل وجبة؛ بل يبحث عن وجبة لن تسبب كارثة إذا هبت عاصفة مفاجئة (انهيار السوق).
- الأداة: يستخدم مقياس مخاطر محدداً يسمى CVaR (القيمة المعرضة للمخاطر المشروطة). فكر في هذا كقول الشيف: "لا يهمني إذا كانت الوجبة أفضل بنسبة 10%؛ ما يهمني هو ألا تكون أسوأ بنسبة 50% إذا ساءت الأمور".
- المخرج: يقوم المعلم بإنشاء المحفظة "المثالية" (الوصفة) لأيام محددة. هذه هي التصنيفات (Labels) التي يحاول الطالب تعلمها.
2. المشكلة: وصفات قليلة، ومكونات كثيرة جداً
على الطالب أن يتعلم من 104 وصفات حقيقية فقط (بيانات مصنفة)، بينما هناك 576 مكوناً (ميزات) يجب مراعاتها.
- التشبيه: الأمر يشبه محاولة تعلم كيفية خبز كعكة باستخدام 576 نوعاً مختلفاً من التوابل، لكنك لم تخبز سوى 100 كعكة فقط. الطالب العادي سيقوم بمجرد حفظ الـ 100 كعكة وسيفشل فشلاً ذريعاً عندما يُطلب منه خبز كعكة جديدة. هذا ما يسمى الإفراط في التخصيص (Overfitting).
3. الحل: تدريب "الساندوتش"
لإصلاح نقص البيانات، استخدم المؤلفون طريقة تدريب الساندوتش. تخيل عملية تعلم الطالب كأنها ساندوتش:
- الخبز العلوي (التعلم الخاضع للإشراف): ينظر الطالب إلى الـ 104 وصفة الحقيقية من الشيف الماهر ويحاول تقليدها بدقة.
- الحشوة (التعلم غير الخاضع للإشراف): بعد ذلك، يتم إعطاء الطالب 1,400 وصفة وهمية محاكية تم إنشاؤها بواسطة الكمبيوتر. هذه ليست وجبات حقيقية، لكنها مشابهة رياضياً للوجبات الحقيقية. يتدرب الطالب على هذه الوجبات الوهمية لتعلم هيكل الطبخ الجيد (مثلاً: "لا تضع الكثير من الملح في الطقس العاصف") دون الحاجة إلى معلم يقيم كل وجبة منها.
- الخبز السفلي (التثبيت الخاضع للإشراف): أخيراً، يعود الطالب إلى الـ 104 وصفات الحقيقية ليتأكد من أنه لم ينسَ أسلوب الشيف الماهر الفعلي.
هذا "الساندوتش" يساعد الطالب على تعلم مبادئ الطبخ بدلاً من مجرد حفظ الأطباق المحددة.
4. السر الصغير: المتدرب "غير المتأكد" (الطالب البايزي - Bayesian Student)
اختبر المؤلفون نوعين من الطلاب:
- الطالب الحتمي (Deterministic Student): وهو روبوت يعطي دائماً نفس الإجابة بدقة. إذا كانت البيانات مشوشة، يصبح الروبوت واثقاً بشكل مفرط ويقوم بمراهنات جامحة وعالية المخاطر.
- الطالب البايزي (BNN): هذا الطالب لديه "حس داخلي" بشأن عدم اليقين.
- عندما يكون السوق هادئاً، يكون الطالب واثقاً.
- عندما يكون السوق فوضوياً أو البيانات شحيحة، يفكر الطالب: "همم، لست متأكداً بنسبة 100% بشأن هذا. ربما يجب أن ألعب بأمان ولا أغير محفظتي كثيراً".
النتيجة السحرية: لأن الطالب البايزي حذر بطبيعته عندما يكون غير متأكد، فإنه يتداول بشكل أقل.
- التشبيه: الطالب الحتمي يشبه سائقاً متوتراً ينحرف يميناً ويساراً في كل مرة تصطدم فيها حشرة بالزجاج الأمامي. أما الطالب البايزي فهو سائق هادئ لا ينحرف إلا عندما يتأكد من ضرورة ذلك.
- الفائدة: هذا "الهدوء" يوفر المال في رسوم المعاملات (دوران المحفظة) ويمنع المحفظة من الانهيار أثناء التحولات المفاجئة في السوق.
5. "مفارقة التقلب العالي"
إليك النتيجة الأكثر إثارة للدهشة. تم تدريب الطالب على قائمة واسعة من الأصول (مثل متجر بقالة عام). ثم، تم اختباره على قائمة مختلفة من الأصول (مثل متجر توابل متخصص).
- التوقعات: قد تتوقع أن يؤدي الطالب بشكل أسوأ لأن المكونات مختلفة.
- الواقع: خلال أوقات الضغط العالي (انهيارات السوق)، كان أداء الطالب في الواقع أفضل بنسبة 140% إلى 276% على القائمة الجديدة مقارنة بالقائمة القديمة!
- لماذا؟ لقد تعلم الطالب قاعدة عميقة وأساسية: "عندما تصبح الأمور مخيفة، انتقل إلى المكونات الآمنة والدفاعية". القائمة الجديدة من الأصول صادف أنها تحتوي على مكونات دفاعية أفضل (مثل صناديق الاستثمار المتداولة الخاصة بالأمان) مما لم يكن موجوداً في القائمة القديمة. لقد سمح له "حسه الدالي" برصد أدوات السلامة هذه على الفور.
ملخص النتائج
- أفضل من المعلم: لم يكتفِ الطالب بتقليد المعلم؛ بل تعلم المنطق وراء قرارات المعلم وفعل في الواقع بشكل أفضل في مواقف عديدة.
- أقل تكلفة: تداول الطالب البايزي نصف ما تداوله الطالب الروبوت، مما وفر ثروة من الرسوم.
- أكثر أماناً: عندما انهار السوق، خسر الطالب البايزي أموالاً أقل بكثير من الطرق التقليدية.
- قابل للتكيف: استطاع التعامل مع أسواق جديدة وغير مرئية، خاصة عندما أصبحت الأمور مخيفة.
الخلاصة الكبرى
في عالم تكون فيه البيانات المالية نادرة والأسواق غير قابلة للتنبؤ، فإن تعليم الآلة أن تكون "واعية لعدم اليقين" أفضل من تعليمها أن تكون "عارفة بكل شيء". من خلال الجمع بين معلم حذر من المخاطر، وممارسة محاكية، وطالب يعرف متى يتراجع، يمكنك بناء محفظة قوية، وفعالة من حيث التكلفة، ومستعدة لما لا يمكن توقعه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.