Comparative Evaluation of Modern Deep Learning Methodologies for Portfolio Optimization
تُظهر هذه الدراسة أنه في حين يظل نموذج "تحسين التباين والمتوسط" التقليدي فعالاً للغاية في تعظيم العوائد، فإن نماذج التعلم العميق الهجينة — وتحديداً تلك التي تجمع بين نماذج "المحولات" (Transformers) و"الشبكات العصبية الرسومية" (Graph Neural Networks) — توفر تحكماً فائقاً في المخاطر واستقراراً من خلال التقاط هياكل السوق المعقدة بشكل أفضل في عملية تحسين المحفظة الاستثمارية.
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 قبطان سفينة تحاول الإبحار في محيط عاصف للوصول إلى جزيرة الكنز. هدفك هو الحصول على أكبر قدر من الكنز (العوائد) مع الحفاظ على السفينة من الغرق (المخاطر).
لعقود من الزمن، استخدم القادة خريطة كلاسيكية تسمى نظرية المحفظة الحديثة (MVO). تقول هذه الخريطة: "انظر إلى تاريخ الأمواج والرياح، واحسب المتوسط، ثم اتخذ مساراً ثابتاً". إنها طريقة صلبة وموثوقة، لكنها تفترض أن المحيط يتصرف بنفس الطريقة كل يوم. إذا ضربت عاصفة مجنونة ومفاجئة (مثل الأزمة المالية)، فقد تضعك هذه الخريطة القديمة في ورطة لأنها لا تتوقع غير المتوقع.
هذه الورقة البحثية تشبه فريقاً من المهندسين الذين يختبرون سبعة أنظمة ملاحة جديدة مختلفة لمعرفة ما إذا كان بإمكانها التفوق على الخريطة القديمة. لقد استخدموا بيانات من عام 2015 إلى 2023 (وهي فترة شملت بحاراً هادئة وعواصف هائلة) لاختبار هذه الأنظمة على مزيج من الأصول: الأسهم، والسندات، والذهب.
إليك تفصيل لأنظمة الملاحة "الذكاء الاصطناعي" الجديدة التي تم اختبارها، باستخدام تشبيهات بسيطة:
أنظمة الملاحة الجديدة (النماذج)
طيار "التعلم التعزيزي العميق" (DRL):
- التشبيه: تخيل شخصية في لعبة فيديو تتعلم من خلال اللعب آلاف المرات. تحاول التوجيه يساراً، فتصطدم بموجة، ثم تحاول التوجيد يميناً، وتتعلم من أخطائها. إنها لا تستخدم خريطة؛ بل تتعلم فقط عن طريق التجربة والخطأ لزيادة النتيجة.
- النتيجة: بمفرده، كان هذا الطيار مرتبكاً بعض الشيء. كان يضل طريقه بسهولة ولم يكن أداؤه جيداً. كان يحتاج إلى المزيد من المساعدة لفهم الصورة الكبيرة.
"المُشفّر التلقائي" (Autoencoder) للضغط:
- التشبيه: تخيل أن لديك غرفة فوضوية بها 100 قطعة. هذه الأداة تشبه حازماً فائق الكفاءة يقوم بطي كل شيء ووضعه في حقيبة سفر صغيرة ومرتبة. إنها تزيل الفوضى (الضجيج) وتحتفظ فقط بالأشياء الأساسية (الأنماط).
- النتيجة: بمفرده، قام فقط بتعبئة الغرفة لكنه لم يقرر أين سيبحر. انتهى به الأمر بالإبحار تماماً مثل "السير العشوائي" (أي تقسيم المال بالتساوي بين كل شيء)، وهو أمر آمن ولكنه ليس مثيراً للاهتمام.
"المحول" (Transformer) المسافر عبر الزمن:
- التشبيه: فكر في هذا كأنه مؤرخ يقرأ مذكرات طقس المحيط بأكملها، وليس الصفحة الأخيرة فقط. إنه يفهم أن العاصفة اليوم قد تكون ناتجة عن نمط رياح من ثلاثة أسابيع مضت. إنه يفهم تسلسل الأحداث.
- الدور: هو بارع في التنبؤ بما ستفعله الأمواج تالياً بناءً على الماضي.
موصل "الشبكة العصبية الرسومية" (GNN):
- التشبيه: تخيل شبكة اجتماعية للسفن. هذه الأداة تعرف أنه إذا تعرضت "سفينة التكنولوجيا" لموجة، فإن "سفينة الأدوات" القريبة منها ستتعرض للموجة أيضاً، حتى لو كانت في أجزاء مختلفة من المحيط. إنها ترسم خريطة لكيفية ارتباط جميع الأصول ببعضها البعض.
- الدور: هي تفهم العلاقات بين مختلف الأصول.
"الفرق الهجينة" الخارقة
أدرك الباحثون أن أداة واحدة لا تكفي، فقاموا ببناء فرق:
- فريق "المُشفّر التلقائي + التعلم التعزيزي العميق": أعطوا طيار ألعاب الفيديو المرتبك (DRL) حقيبة سفر مرتبة تحتوي على البيانات الأساسية (المُشفّر التلقائي).
- النتيجة: أصبح الطيار أكثر ذكاءً وثباتاً. لقد قدم أداءً يقارب أفضل الاستراتيجيات.
- فريق "المحول + الشبكة العصبية الرسومية": جمعوا بين المسافر عبر الزمن (الذي يتنبأ بالأمواج المستقبلية) والموصل (الذي يعرف كيف ترتبط السفن ببعضها).
- النتيجة: كان هذا هو الفريق الأكثر أماناً. كان لديهم أقل خطر لغرق السفينة (أقل "تراجع") وأكثر رحلة سلاسة. لم يتأثروا بالعواصف مثل الآخرين.
الخريطة الكلاسيكية (المعيار)
اختبروا أيضاً الأساليب القديمة:
- تقسيم 60/40: قاعدة بسيطة (60% أسهم، 40% سندات).
- الوزن المتساوي: وضع نفس القدر من المال في كل شيء.
- MVO (تحسين متوسط التباين): الخريطة الكلاسيكية التي تحسب أفضل مسار بناءً على المتوسطات.
ماذا وجدوا؟ (نتائج خريطة الكنز)
- الخريطة الكلاسيكية فازت بالسباق (من حيث إجمالي الكنز): من المثير للدهشة أن استراتيجية MVO التقليدية حققت بالفعل أكبر قدر من المال إجمالاً (عائد 461%). لقد أثبتت أنه إذا أعطيت الخريطة الكلاسيكية بيانات جيدة، فإنها لا تزال أداة قوية جداً.
- الفرق الهجينة فازت بجائزة السلامة: فريق المحول + GNN لم يحقق أكبر قدر من المال، لكنه حقق أكثر الرحلات سلاسة. لقد خسر أقل قدر من المال عندما انهار السوق (أقل "تراجع"). كانوا الأكثر استقراراً.
- الطيار "المنفرد" فشل: طيار التعلم التعزيزي العميق، عندما تُرك وحيداً دون مساعدة، كان أسوأ أداءً. لقد أظهر أن مجرد إلقاء "الذكاء الاصطناعي" على المشكلة دون فهم هيكل السوق لا يعمل.
- "الحازم" احتاج إلى قبطان: كان المُشفّر التلقائي جيداً في تنظيف البيانات، لكنه احتاج إلى طيار الـ DRL لاتخاذ القرارات فعلياً. بدون الطيار، تصرف فقط كاستراتيجية وزن متساوٍ عشوائية.
الخلاصة الكبرى
تخلص الورقة البحثية إلى أنك لست مضطراً للاختيار بين "المدرسة القديمة" و"الذكاء الاصطناعي الجديد".
- المدرسة القديمة (MVO): لا تزال هي الملكة في تحقيق المال إذا كان لديك مدخلات جيدة.
- الذكاء الاصطناعي الجديد (الفرق الهجينة): هو ملك البقاء هادئاً وآمناً أثناء العواصف.
أفضل نهج ليس التخلص من الخريطة القديمة، بل استخدام أدوات الذكاء الاصطناعي الجديدة لتنظيف البيانات وفهم الروابط بين الأصول، ثم تغذية ذلك في استراتيجية صلبة. الأمر يشبه إعطاء قبطان خبير نظام رادار عالي التقنية: خبرة القبطان (الرياضيات) مدمجة مع قدرة الرادار على رؤية الروابط (الذكاء الاصطناعي) تخلق أفضل رحلة ممكنة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.