Bayesian Modelling of Nonstationary Extreme Values Using a Nonparametric Hawkes Process
تقترح هذه الورقة نموذج عملية هوكس غير معلمية بايزية مقترنة بتوزيع باريتو المعمم الهرمي للتنبؤ بفعالية بالأحداث المتطرفة غير المستقرة من خلال التقاط أنماط التكتل ذاتية الاستثارة وتفاوت المقادير عبر التكتلات، مما يظهر أداءً تنبؤياً فائقاً على كل من البيانات المحاكات والبيانات الواقعية.
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 بموعد وقوع "العاصفة الكبرى" القادمة. في عالم البيانات، هذه العواصف هي أحداث متطرفة: مثل انهيار مفاجئ في سوق الأسهم، أو زلزال هائل، أو طفرة في وفيات الإرهاب.
لفترة طويلة، حاول الإحصائيون التنبؤ بهذه العواصف باستخدام كتاب قواعد صارم للغاية. فقد افترضوا أن العواصف تحدث بوتيرة ثابتة ومتوقعة (مثل رذاذ المطر المستمر) وأن كل عاصفة تكون تقريباً بنفس الحجم. ولكن كما يشير مؤلفو هذه الورقة، فإن الحياة الواقعية لا تعمل بهذا الشكل. فالعواصف غالباً ما تأتي في تكتلات (اندفاع مفاجئ من الأمطار الغزيرة يليه جفاف)، ويمكن أن يتغير حجم العواصف بناءً على الموسم أو الوضع الراهن.
تقدم هذه الورقة طريقة جديدة وأكثر ذكاءً لنمذجة هذه الأحداث الفوضوية. فكر في الأمر كترقية من مجرد دوارة رياح بسيطة إلى رادار طقس متطور يتعلم ذاتياً.
إليك كيف يعمل نظامهم الجديد، مقسماً إلى مفاهيم بسيطة:
١. منبه "التحفيز الذاتي" (عملية هوكس - Hawkes Process)
تعامل النماذج التقليدية الأحداث كأحداث مستقلة. فإذا انخفضت قيمة سوق الأسهم اليوم، قد يعتقد النموذج التقليدي: "حسناً، لقد انتهى الأمر. فرصة حدوث انخفاض غداً هي مجرد الفرصة المتوسطة".
استخدم المؤلفون ما يسمى بـ عملية هوكس. تخيل غرفة مليئة بالناس؛ إذا عطس شخص واحد، فقد يجعل ذلك الآخرين يعطسون أيضاً. وإذا عطس شخص ثانٍ، فقد يؤدي ذلك إلى سلسلة من ردود الفعل المتتابعة.
- الاستعارة: فكر في الزلزال. عندما تهتز الأرض (حدث)، فإن ذلك يجعل الأرض غير مستقرة، مما يزيد من احتمال حدوث هزة ارتدادية (حدث آخر) بعد فترة وجيزة.
- الابتكار: أدرك المؤلفون أن الأحداث المتطرفة غالباً ما تتصرف بهذا الشكل، مثل سلسلة ردود فعل العطس. لقد بنوا نموذجاً حيث يقوم حدث متطرف واحد بـ "تحفيز" النظام، مما يجعل من المرجح حدوث حدث متطرف آخر مباشرة بعده. وهذا يفسر لماذا تأتي الأيام السيئة في سوق الأسهم في تكتلات.
٢. المحفز "متغير الشكل" (النواة غير المعلمية - Nonparametric Kernel)
في نموذج "العطس" القديم، كان عليك أن تخمن كيف ينتشر العطس. هل يستمر لمدة ٥ دقائق؟ أم ساعة واحدة؟ كان عليك اختيار شكل ثابت (مثل منحنى الجرس) وتمني أن يكون صحيحاً. وإذا اخترت شكلاً خاطئاً، فستكون توقعاتك غير دقيقة.
يقول المؤلفون: "لماذا التخمين؟ دع البيانات هي التي تحدد الشكل".
- الاستعاراة: بدلاً من إجبار العطسة على التوافق مع قالب كعك جاهز، يستخدمون نهج الصلصال القابل للتشكيل (يسمى عملية ديريكليه - Dirichlet Process). إنهم يتركون للبيانات مهمة نحت شكل "التحفيز" نفسه.
- النتيجة: إذا أظهرت البيانات أن الأحداث تتكتل بإحكام لعدة ساعات ثم تتلاشى، فإن النموذج يتعلم هذا الشكل. وإذا كانت تتكتل لأيام، فإن النموذج يتعلم ذلك أيضاً. إنه مرن بما يكفي للتعامل مع الأنماط الغريبة وغير المتوقعة دون الحاجة إلى تخمين القواعد مسبقاً.
٣. أحجام العواصف "القائمة على الفرق" (علامات GPD الهرمية)
بمجرد أن يعرف النموذج متى من المرجح وقوع عاصفة، فإنه يحتاج إلى تخمين مدى كبر حجمها.
- المشكلة: في الماضي، افترض الإحصائيون أن كل عاصفة، سواء حدثت في عام هادئ أو عام فوضوي، مستمدة من نفس "حقيبة الأحجام".
- الابتونة: أدرك المؤلفون أن العواصف في "تكتل" ما (أسبوع فوضوي مثلاً) قد تكون أكبر من العواصف في أسبوع "هادئ". ومع ذلك، فإن بعض التكتلات صغيرة جداً بحيث لا تملك بيانات كافية لتخمين الحجم بدقة بمفردها.
- الاستعارة: تخيل دورياً رياضياً. إذا كان لديك فريق مكون من ٣ لاعبين فقط، فلا يمكنك حقاً معرفة مدى مهاراتهم. ولكن إذا نظرت إلى جميع الفرق في الدوري، يمكنك الحصول على فكرة عامة عن مستوى المهارة.
- يستخدم المؤلفون نموذجاً هرمياً. فهم يسمحون لكل "تكتل" من الأحداث بأن يكون له متوسط حجم (مقياس) خاص به، لكنهم يجبرون جميع هذه التكتلات على مشاركة "شكل ذيل" مشترك (كيف تكون السيناريوهات الأسوأ تطرفاً).
- يتيح هذا للنموذج أن يقول: "هذا التكتل المحدد من الأحداث عادة ما يكون أكبر من المتوسط"، مع الاستمرار في الاستفادة من قوة كامل مجموعة البيانات لضمان دقة التنبؤ بـ أسوأ حدث ممكن.
٤. وضع كل شيء معاً: آلة التنبؤ
جمع المؤلفون هذه الأفكار الثلاثة في نموذج "بايزي" (Bayesian) واحد. واختبروه على أربع مجموعات بيانات مختلفة تماماً من الواقع:
١. سوق الأسهم (S&P 500): للبحث عن الانخفاضات الهائلة في القيمة.
٢. تقلبات السوق (VIX): للبحث عن طفرات الخوف.
٣. سرعات الرياح: للبحث عن هبات بقوة الأعاصير.
٤. الإرهاب: للبحث عن أيام ذات معدلات وفيات مرتفعة.
النتائج:
عندما اختبروا نموذجهم الجديد "المرن كالصلصال" مقابل النماذج القديمة "الصارمة كقوالب الكعك"، فاز نموذجهم الجديد في كل مرة.
- كان أفضل في التنبؤ بـ متى سيحدث الحدث المتطرف القادم لأنه فهم أن الأحداث تأتي في تكتلات.
- كان أفضل في التنبؤ بـ حجم تلك الأحداث لأنه فهم أن حجم الحدث يعتمد على "التكتل" أو الفترة الزمنية التي ينتمي إليها.
ملخص
تجادل الورقة بأنه للتنبؤ بالأحداث النادرة والخطيرة، نحتاج إلى التوقف عن التظاهر بأن العالم هادئ ويمكن التنبؤ به. بدلاً من ذلك، نحتاج إلى نموذج يفهم أن:
١. الأحداث تحفز أحداثاً أخرى (التكتل).
٢. قواعد التحفيز تتغير (الأشكال المرنة).
٣. حجم الحدث يعتمد على مستوى الفوضى الحالي (الأحجام الهرمية).
باستخدام هذا النهج، ابتكر المؤلفون أداة أفضل بكثير للتنبؤ بـ "العاصفة الكبرى" القادمة في التمويل، والطبيعة، والأمن، دون الحاجة إلى افتراضات جامدة، وغالباً ما تكون خاطئة، حول كيفية عمل العالم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.