An `Inverse' Experimental Framework to Estimate Market Efficiency
تقترح هذه الورقة إطاراً تجريبياً "عكسياً" يستخدم التنميط القائم على المئينات ونماذج تعلم الآلة للتنبؤ بكفاءة التخصيص في السوق من بيانات سجل الطلبات وحدها، متجاوزةً بذلك قيود الطرق التقليدية التي تعتمد على قيم الحجز غير القابلة للرصد.
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
الفكرة الكبرى: "الهندسة العكسية" للأسواق
تخيل أنك محقق يحاول معرفة ما إذا كانت جريمة قد وقعت، لكن ليس لديك إمكانية الوصول إلى مذكرات المشتبه به، أو كشوف حساباته البنكية، أو دوافعه الحقيقية. ليس لديك سوى آثار الأقدام التي تركها والوقت الذي شوهد فيه في مسرح الجريمة.
في عالم الاقتصاد، هذه هي بالضبط المشكلة التي يواجهها الباحثون مع الأسواق الرقمية (مثل بورصات الأسهم أو مزادات الإعلانات عبر الإنترنت).
- مشكلة المحقق: يمكن لعلماء الاقتصاد رؤية العروض (ما يعرضه الناس للدفع) والطلبات (ما يطالب الناس ببيعه)، ويمكنهم رؤية الأسعار النهائية. لكنهم لا يستطيعون رؤية القيمة الحقيقية داخل عقول المتداولين (وهي "سعر الاحتياط" الخاص بهم — أي الحد الأقصى الذي هم مستعدون لدفعه أو الحد الأدنى الذي هم مستعدون لقبوله).
- النتيجة: بدون معرفة هذه القيم الحقيقية، لا يستطيع علماء الاقتصاد معرفة ما إذا كان السوق عادلاً أو فعالاً حقاً. إنهم يعملون في الظلام.
تقترح هذه الورقة البحثية حلاً يعتمد على "الهندسة العكسية".
بدلاً من الطريقة التقليدية (حيث يقوم العلماء بإنشاء سوق وهمي بقيم معروفة لرؤية كيفية سلوكه)، قام المؤلفون بقلب السيناريو. حيث قالوا: "دعونا نستخدم سوقاً معروفاً ومحكماً لتدريب كمبيوتر، ثم نعلم هذا الكمبيوتر كيف يخمن القيم الخفية بمجرد النظر إلى آثار الأقدام (العروض والطلبات)."
التشبيه: حصة الطبخ مقابل ناقد الطعام
لفهم الفرق بين الطريقة القديمة وهذه الطريقة الجديدة، دعونا نستخدم تشبيه حصة الطبخ.
1. الطريقة القديمة (التجربة القياسية)
تخيل أن شيف مشهور (عالم اقتصاد) يعطي طالباً وصفة بـ مكونات دقيقة (مثلاً: "أضف 200 جرام من السكر بالضبط"). يقوم الطالب بطبخ الطبق. ثم يتذوق الشيف الطبق ويقول: "هل اتبعت الوصفة؟ هل كان مستوى السكر مثالياً؟"
- المزايا: يعرف الشيف بالضبط كيف يجب أن يكون طعم الطبق "المثالي" لأنه هو من كتب الوصفة.
- العيوب: هذا لا يعمل إلا داخل المطبخ. في العالم الحقيقي، أنت لا تحصل أبداً على الوصفة؛ بل تحصل فقط على الطبق النهائي.
2. الطريقة الجديدة (إطار العمل "العكسي")
الآن، تخيل أن الشيف يدرب روبوتاً في المطبخ.
- الخطوة 1: يعطي الشيف الروبوت الوصفة والطبق النهائي معاً. يتعلم الروبوت: "عندما أرى هذا النمط المحدد من التحريك وهذه الرائحة، فهذا يعني أن السكر كان مثالياً".
- الخطوة 2: يأخذ الشيف الروبوت خارج المطبخ ويضعه في مطعم مزدحم. الروبوت لا يُعطى وصفات الطهاة الآخرين. يمكنه فقط شم الطعام ورؤية المكونات الموجودة على الطاولة.
- الخطوة 3: ينظر الروبوت إلى المكونات والرائحة ويقول: "أراهن أن هذا الطبق يحتوي على الكثير من السكر"، أو "هذا الطبق متوازن تماماً".
هذه الورقة البحثية تدور حول بناء ذلك الروبوت. استخدم المؤلفون بيانات تجريبية (حيث كانوا يعرفون فيها الوصفات/القيم الحقيقية) لتدريب نماذج تعلم الآلة. ثم اختبروا ما إذا كانت تلك النماذج قادرة على التنبؤ بكفاءة السوق باستخدام البيانات الملحوظة فقط (العروض والطلبات)، تماماً كما يفعل محلل في العالم الحقيقي.
كيف فعلوا ذلك: سحر "الكميات" (Quantile)
البيانات من هذه الأسواق فوضوية. الأمر يشبه محاولة التنبؤ بالطقس من خلال النظر إلى كومة فوضوية من مقاييس سرعة الرياح، ومقاييس المطر، والبارومترات التي تختلف جميعها في الأحجام والأشكال.
أدرك المؤلفون أن تغذية البيانات الخام في الكمبيوتر لا تعمل بشكل جيد. لذا، ابتكروا طريقة "لتطبيع" (Normalize) البيانات باستخدام الكميات (Quantiles).
التشبيه: مضمار السباق
تخيل سباقاً يضم 100 عداء.
- الطريقة القديمة: تسجل زمن كل عداء بدقة. إذا كان السباق بطيئاً، ستكون الأرقام عالية؛ وإذا كان سريعاً، ستكون الأرقام منخفضة. من الصعب مقارنة السباقات.
- طريقة الورقة البحثية: تتجاهل الأوقات الدقيقة. بدلاً من ذلك، تسأل: "من هم ضمن أفضل 10%؟ من هم في المنتصف (50%)؟ ومن هم في أسوأ 10%؟"
- أنت تنشئ خط "أفضل 10%"، وخط "منتصف"، وخط "أسوأ 10%".
- هذا يعمل سواء كان العداءون يركضون في 10 ثوانٍ أو 100 ثانية. إنه يركز على شكل الحشد، وليس على الأرقام المحددة.
من خلال تحويل العروض والطلبات الفوضوية إلى "خطوط مئوية" كهذه، يمكن للكمبيوتر رصد الأنماط التي تغفل عنها العين البشرية.
النتائج: ماذا تعلم الروبوت؟
اختبر المؤلفون عدة "روبوتات" (نماذج تعلم الآلة) لمعرفة أي منها يمكنه التخمين بشكل أفضل ما إذا كان السوق فعالاً.
- روبوت "الشعور الداخلي" (النماذج الخطية): هذه نماذج بسيطة ترسم خطاً مستقيماً عبر البيانات. هي جيدة في تخمين السعر النهائي بعد حدوث بضع صفقات، لكنها تعاني في البداية.
- روبوت "سيد الأنماط" (أشجار تعزيز التدرج - Gradient Boosting Trees): هذا ذكاء اصطناعي معقد يبحث عن أنماط غير خطية وغريبة.
- الفائز: كان "سيد الأنماط" هو الأفضل في التنبؤ بالكفاءة قبل حدوث أي صفقات حتى.
- لماذا؟ استطاع النظر إلى "الضجيج" الأولي للعروض والطلبات والقول: "مهلاً، البائعون جشعون للغاية والمشترون خائفون جداً. هذا السوق سيكون غير فعال"، حتى قبل إتمام صفقة واحدة.
النتيجة الرئيسية: استطاع الذكاء الاصطناعي التنبؤ بمدى أداء السوق (الكفاءة التخصيصية) بدقة مذهلة، وأحياناً قبل وقوع صفقة واحدة، وذلك فقط من خلال تحليل "شكل" سجل الطلبات.
لماذا يهمنا هذا؟ (العالم الحقيقي)
قد تسأل، "لماذا نهتم بكمبيوتر يخمن الكفاءة في مختبر؟"
الإجابة: صحة السوق في العالم الحقيقي.
تخيل سوقاً ضخماً عبر الإنترنت لقطع الغيار الصناعية (مثل أشباه الموصلات).
- المشكلة: يرى مالك المنصة ملايين العروض والطلبات. هو لا يعرف ما إذا كان السوق عادلاً أم أن بعض اللاعبين الكبار يتلاعبون بالأسعار. لا يمكنه سؤال كل بائع: "ما هي تكلفتك الحقيقية؟"
- الحل: يعمل هذا "الإطار العكسي" مثل جهاز مراقبة صحة السوق.
- يراقب النظام تدفق العروض والطلبات.
- يحسب فوراً: "هذا السوق يعمل بكفاءة 60%. هناك خطب ما".
- يمكنه تنبيه مالك المنصة لتعديل القواعد، أو تغيير الرسوم، أو التحقيق في احتمالية وجود تلاعب.
الملخص
- المشكلة: لا يمكننا رؤية القيم الحقيقية للمشترين والبائعين في الأسواق الحقيقية، لذا لا يمكننا قياس ما إذا كان السوق يعمل بشكل جيد.
- الحل: تدريب ذكاء اصطناعي على تجارب محكومة حيث نعرف فيها القيم.
- الحيلة: تعليم الذكاء الاصطناعي تجاهل الأرقام المحددة والتركيز على "شكل" البيانات (باستخدام الكميات).
- النتيجة: يمكن للذكاء الاصطناዊ الآن النظر إلى "آثار أقدام" السوق الحقيقي (العروض والطلبات) والتنبؤ بدقة ما إذا كان السوق فعالاً، حتى قبل حدوث عملية تجارة واحدة.
الأمر يشبه تعليم كلب شم المرض عبر تدريبه على مرضى حقيقيين، بحيث يمكنه بعد ذلك اكتشاف المرض في أشخاص يبدون أصحاء بمجرد شم رائحتهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.