💰 quantitative finance

Vector-Quantized Discrete Latent Factors Meet Financial Priors: Dynamic Cross-Sectional Stock Ranking Prediction for Portfolio Construction

تقدم الورقة البحثية PRISM-VQ، وهو إطار عمل عاملي ديناميكي يدمج بين الأولويات الخبيرة مع العوامل الكامنة المكممة شعاعياً (vector-quantized discrete latent factors) ونموذج خليط من الخبراء مشروط بالهيكل (structure-conditioned Mixture-of-Experts) لتعزيز التنبؤ بعوائد الأسهم عبر القطاعات وتحسين أداء المحافظ الاستثمارية مع الحفاظ على القابلية للتفسير.

المؤلفون الأصليون: Namhyoung Kim, Jae Wook Song

نُشر 2026-05-14

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Namhyoung Kim, Jae Wook Song

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 بالأسهم التي سترتفع أو تنخفض غداً في سوق ضخم. الأمر يشبه محاولة سماع همسة واحدة وسط إعصار؛ فالإشارة (السبب الحقيقي لتحرك السهم) ضعيفة جداً، والضجيج (الثرثرة العشوائية في السوق) طاغٍ.

تقدم هذه الورقة البحثية نظام ذكاء اصطناعي جديداً يسمى PRISM-VQ لحل هذه المشكلة. فكر فيه كأنه "منشور" (Prism) عالي التقنية يأخذ الضوء الفوضوي والمضطرب للسوق ويقسمه إلى قوس قزح من الأنماط المنظمة والنظيفة.

إليك كيف يعمل، مقسماً إلى خطوات بسيطة:

1. المشكلة: "الغرفة الصاخبة"

الأساليب التقليدية تشبه محاولة تخمين حالة الطقس بالنظر إلى ميزان حرارة واحد؛ فهي جامدة للغاية. أما أساليب الذكاء الاصطناي الحديثة، فهي تشبه امتلاك حاسوب فائق السرعة يخمن بناءً على الأنماط، لكنها غالباً ما ترتبك بسبب الضجيج وتنسى القواعد الأساسية للاقتصاد (مثل "الأسعار المنخفضة تعني عادةً قيمة عالية").

2. الحل: نهج "PRISM"

بنى المؤلفون نظاماً يتكون من مرحلتين، يعمل كمرشح (فلتر) وفريق من الخبراء الأذكياء.

المرحلة الأولى: "المرشح المنفصل" (التكميم المتجهي - Vector Quantization)

تخيل أن لديك دلواً ضخماً من قطع "الليغو" المختلطة (بيانات الأسهم). بعضها أحمر، وبعضها أزرق، وبعضها مكسور، وبعضها مجرد غبار.

ما يفعله PRISM: يجبر هذه القطع على الدخول في "دلاء" محددة ومحددة مسبقاً (تسمى المجموعة الرمزية - codebook). بدلاً من القول إن قطعة ما هي "50% حمراء و51% زرقاء"، فإنه يفرض قراراً حاسماً: "هذه القطعة هي بالتأكيد الدلو الأحمر رقم 42".
لماذا يساعد هذا: من خلال حصر البيانات في هذه الدلاء الثابتة، يتجاهل النظام الغبار العشوائي الصغير (الضجيج) ويحتفظ فقط بالأنماط القوية والمتكررة. الأمر يشبه فرز كومة فوضوية من البريد في 500 صندوق بريد محدد؛ بمجرد الفرز، يمكنك رؤية الأنماط بوضوح.
خدعة "التباين" (Contrastive): يتعلم النظام أيضاً التأكد من أن القطع التي ينبغي أن تكون معاً توضع في نفس الدلو، والقطع المختلفة تُدفع بعيداً عن بعضها. هذا يخلق خريطة نظيفة لهيكل السوق.

المرحلة الثانية: "الفريق الذكي" (خليط من الخبراء - Mixture-of-Experts)

الآن بعد أن تم فرز البيانات إلى دلاء نظيفة، يحتاج النظام للتنبؤ بالمستقبل.

الإعداد: تخيل فريقاً من 8 خبراء ماليين مختلفين (مثل خبير القيمة، خبير النمو، وخبير الزخم).
المبدل: في الماضي، كان نموذج ذكاء اصطناعي واحد يحاول القيام بكل شيء. في PRISM، يعمل "الدلو" الذي تم فرز السهم فيه في المرحلة الأولى كـ مبدل (Switch).
- إذا وقع السهم في "الدلو رقم 42" (الذي يمثل نمطاً معيناً في السوق)، يقوم النظام تلقائياً بتوجيه ذلك السهم إلى الخبير رقم 6.
- إذا وقع في "الدلو رقم 10"، فإنه يذهب إلى الخبير رقم 2.
النتيجة: كل خبير يتخصص في نوع معين من ظروف السوق. هم لا يحاولون جميعاً التخمين في وقت واحد؛ بل يتم استدعاء الخبير المناسب للموقف المناسب. هذا يجعل التنبؤ أكثر دقة وقدرة على التكيف.

3. "شبكة الأمان" (الأولويات المالية - Financial Priors)

النظام لا يتعلم من الصفر فحسب؛ بل يحترم "القواعد القديمة" للتمويل.

تخيل أن الذكاء الاصطناعي طالب؛ "الأولويات المالية" هي الكتب المدرسية التي يجب على الطالب قراءتها.
يتم تزويد النظام بعوامل اقتصادية راسخة (مثل "القيمة"، "الحجم"، و"الزخم") كنقطة انطلاق. يستخدمها كمرتكزات لضمان ألا تبتعد تخميناته الجامحة كثيراً عن الواقع. هذا يحافظ على استقرار النموذج حتى عندما يصبح السوق مجنوناً.

4. النتائج: محفظة استثمارية أفضل

اختبر المؤلفون هذا النظام على سوقين رئيسيين: CSI 300 (الصين) و S&P 500 (الولايات المتحدة).

الدرجة: مقارنة بأفضل نماذج الذكاء الاصطناعي والأساليب التقليدية، نجح PRISM-VQ باستمرار في التنبؤ بترتيب الأسهم بشكل أفضل.
المال: عندما بنوا محفظة (سلة من الأسهم) بناءً على هذه التنبؤات، حققوا أموالاً أكثر بمخاطر أقل (نسبة شارب أعلى - Sharpe Ratio) وخسائر ضخمة أقل (انخفاض أقل في القيمة - drawdown).
"لماذا": نجح النظام لأنه نجح في تصفية الضجيج (المرحلة 1)، واستخدم الخبير المناسب للموقف المناسب (المرحلة 2)، ولم ينسَ القواعد الأساسية للاقتصاد (الأولويات).

ملخص التشبيه

فكر في سوق الأسهم كأنه ساحة رقص مزدحمة وصاخبة.

الذكاء الاصطناعي القديم يحاول التنبؤ بالحركة التالية من خلال الاستماع إلى الجميع وهم يصرخون في آن واحد.
PRISM-VQ يضع أولاً الجميع في غرف محددة وهادئة بناءً على طريقة رقصهم (المرحلة 1: التكميم المتجهي). ثم، يرسل مدرب رقص متخصصاً إلى كل غرفة ليعلمهم الحركة التالية (المرحلة 2: خليط من الخبراء). وأخيراً، يذكر المدربين بالخطوات الأساسية للرقصة (الأولويات المالية).

النتيجة هي تنبؤ أوضح وأكثر دقة بمكان انتقال الراقصين (الأسهم) تالياً.

ملخص تقني: PRISM-VQ

بيان المشكلة

يعد التنبؤ بعوائد الأسهم المقطعية تحديًا جوهريًا في التمويل الكمي نظرًا لثلاث عقبات رئيسية: انخفاض نسبة الإشارة إلى الضوضاء (SNR) بشكل مستمر، والاعتمادات المعقدة والمتطورة بين الأصول المختلفة، وتحولات نظام السوق المتكررة. توفر النماذج العاملية الخطية الكلاسيكية قابلية للتفسير ولكنها تفتقر إلى المرونة اللازمة لالتقاط التفاعلات غير الخطية والديناميكيات المتغيرة زمنيًا. وعلى العكس من ذلك، فإن مناهج التعلم العميق، رغم قوتها، غالبًا ما تعاني من عدم كفاية التنظيم في البيئات الصاخبة، وتفشل في التكيف مع الهياكل المقطعية المتطورة، ولا تستفيد بشكل كافٍ من الأولويات المالية الراسخة. عادة ما تواجه الطرق الحالية صعوبة في الموازنة بين القدرة التعبيرية للشبكات العصبية وبين القابلية للتفسير والمتانة المطلوبة لبناء المحافظ الاستثمارية.

المنهجية: PRISM-VQ

يقترح المؤلفون PRISM-VQ (نموذج الأسهم المعتمد على الأولويات مع التكميم المتجهي)، وهو إطار عمل موحد مصمم لمعالجة هذه القيود من خلال نموذج تعلم ثنائي المراحل يدمج تعلم التمثيل المنفصل، والنمذجة الزمنية المشروطة بالهيكل، والأولويات المستمدة من المجال.

1. البنية الجوهرية

يقوم PRISM-VQ بتفكيك المشكلة إلى تعلم مكاني (المرحلة 1) وتعلم زمني (المرحلة 2):

المرحلة 1: التعلم المكاني (اكتشاف العوامل المنفصلة)
- الهدف: اكتشاف هيكل مقطعي منفصل وقابل لإعادة الاستخدام يعمل كعنق زجاجة للمعلومات، مما يقلل من الضوضاء مع الحفاظ على هيكل السوق.
- الآلية: يتم ترميز الميزات الزمنية لكل سهم عبر وحدة GRU ثم معالجتها بواسطة "ترانسفورمر" (Transformer) عابر للأصول لتجميع المعلومات المقطعية. يتم بعد ذلك تحويل هذه التضمينات المستمرة إلى قيم منفصلة باستخدام التكميم المتجهي (Vector Quantization - VQ) مقابل كتاب رموز (codebook) قابل للتعلم.
- التنظيم: لضمان أن تكون الرموز المنفصلة ذات معنى دلالي وليست تقسيمات عشوائية، يستخدم النموذج ما يلي:
  - التعلم التبايني (Contrastive Learning): لتوسيع الفجوة بين الرموز المخصصة والنماذج الأولية المنافسة.
  - إعادة البناء (Reconstruction): يقوم فك تشفير مشروط بـ FiLM بإعادة بناء ميزات المدخلات من الرموز المكممة.
  - التنبؤ متعدد الآفاق: مهمة مساعدة تتنبأ بالعوائد المستقبلية لمحاذاة الرموز مع الإشارات المستقبلية.
- المخرج: يتم تخصيص رمز منفصل $z_{q,i}$ لكل سهم، والذي يعمل كقيمة عامل كامن وإشارة هيكلية.
المرحلة 2: التعتماد الزمني (أوزان العوامل الديناميكية)
- الهدف: توليد أوزان عوامل متغيرة زمنيًا مشروطة بالهيكل المقطعي الذي تم تعلمه.
- الآلية: بناء خليط من الخبراء (Mixture-of-Experts - MoE) مشروط بالهيكل ومبني على بنيات "الترانسفورمر".
- التوجيه (Routing): يعمل الرمز المنفصل $z_{q,i}$ المستخلص من المرحلة الأولى كإشارة بوابة (gating signal). وهو يحدد أي الخبراء (الشبكات الفرعية) سيتم تفعيلهم لسهم معين في وقت معين.
- تكامل العوامل: يولد النموذج أوزانًا ديناميكية لكل من عوامل الأولويات الخبيرة (مثل القيمة، والزخم من مكتبة JKP العالمية للعوامل) والعوامل الكامنة المتعلمة. التنبؤ النهائي هو مزيج خطي: $y_i = \alpha_i + \beta_{p,i}^T f_p + \beta_{l,i}^T f_{l,i}$ .
- التدريب: يتم تجميد كتاب الرموز بعد المرحلة الأولى. تقوم المرحلة الثانية بتحسين بارامترات "الترانسفورمر" و"الخبير" (MoE) بشكل متكامل (end-to-end)، باستخدام منظم موازنة الأحمال لمنع انهيار الخبراء.

2. الاختيارات التصميمية الرئيسية

التكميم المتجهي كتحيز استقرائي: من خلال رسم التضمينات المستمرة على مجموعة محدودة من النماذج الأولية، يقلل النموذج من الضوضاء العرضية ويشجع على إعادة استخدام الأنماط المقطعية المستقرة.
الـ MoE الموجه بالرموز المنفصلة: تسمح هذه الآلية للنموذج بالتخصص في أنظمة سوق مختلفة تم تحديدها بواسطة الرموز المنفصلة، مما يتيح أوزان عوامل تكيفية دون التضحية بالقابلية للتفسير.
الفصل ثنائي المراحل: إن فصل اكتشاف الهيكل عن النمذجة الزمنية يمنع انهيار كتاب الرموز ويفرض عنق زجاجة واضح للمعلومات، مما يضمن أن النموذج الزمني يشترط على تمثيل مستقر لهيكل السوق.

المساهمات الرئيسية

إطار عمل موحد: يعد PRISM-VQ أول إطار عمل يدمج العوامل المنفصلة المكممة متجهيًا، وتعلم التمثيل التبايني، وعوامل الأولويات الخبيرة، والنمذجة الزمنية المشروطة بالرموز المنفصلة ضمن نموذج قائم على العوامل.
تحيز استقرائي فعال: يوضح البحث أن التكميم المتجهي يوفر تحيزًا استقرائيًا قويًا لتعلم التمثيلات المالية، حيث يتفوق باستمرار على البدائل المستمرة في بيئات نسبة الإشارة إلى الضوضاء المنخفضة.
الديناميكيات المشروطة بالهيكل: تتيح آلية الـ MoE الموجهة بالرموز المنفصلة توليد أوزان عوامل ديناميكية تتكيف مع هياكل السوق المتطورة مع الحفاظ على تفسير واضح للعوامل.
التحقق التجريبي: أظهرت التجارب المكثفة على أسواق CSI 300 وS&P 500 تحسينات مستمرة مقارنة بالنماذج المرجعية القوية.

النتائج التجريبية

تم تقييم النموذج على أسواق CSI 300 (الصين) وS&P 500 (الولايات المتحدة) باستخدام بيانات من 2022–2024 (خارج العينة تمامًا).

مقاييس الأداء:
- CSI 300: حقق RankIC قدره 0.0646 ونسبة شارب (Sharpe Ratio) بلغت 1.57، متفوقًا على جميع النماذج المرجعية بما في ذلك نماذج "الترانسفورمر" (مثل DTML وMASTER).
- S&P 500: حقق RankIC قدره 0.0141 ونسبة شارب بلغت 0.67، مما يمثل تحسنًا بنسبة 58.4% في RankIC مقارنة بأفضل نموذج مرجعي (DTML).
دراسات الاستئصال (Ablation Studies):
- أدى إزالة كتاب الرموز المنفصلة إلى أكبر تدهور في الأداء (انخفض RankIC بنسبة ~27% في CSI 300 وأصبح سالبًا في S&P 500)، مما يؤكد ضرورة وجود عنق الزجاجة المنفصل.
- أدت إزالة عوامل الأولويات الخبيرة إلى تقليل الأداء بشكل كبير، لا سيما في سوق S&P 500 الأكثر كفاءة، مما يؤكد الدور التنظيمي للمعرفة بالمجال.
- استبدال الـ MoE بشبكة واحدة خفض الأداء، مما أثبت الحاجة إلى التخصص المشروط بالهيكل.
القابلية للتفسير:
- تصور t-SNE: شكلت الرموز المتعلمة مجموعات لم تتماشى بدقة مع تصنيفات القطاعات أو القيمة السوقية، مما يشير إلى التقاط هياكل مقطعية أغنى.
- التعرض للعوامل: أظهرت الرموز ارتباطات منهجية ولكن معتدلة مع العوامل المالية القياسية (مثل الربحية، والزخم)، مما يشير إلى أنها تلتقط تركيبات متعددة الأبعاد للعوامل بدلاً من تكرار عامل واحد.
- تخصص الخبراء: تم تفعيل خبراء مختلفين في الـ MoE تحت أنظمة سوق متميزة، مع أنماط تفعيل متباينة إحصائيًا وتداخل زمني منخفض.

الأهمية والادعاءات

يزعم المؤلفون أن PRISM-VQ يعالج الفجوة الحرجة بين قابلية التفسير في النماذج العاملية الكلاسيكية والقدرة التنبؤية للتعلم العميق. ومن خلال التعامل مع التكميم المتجهي كعنق زجاجة للمعلومات واستخدام الرموز المنفصلة لتوجيه شبكات الخبراء، نجح النموذج في تجاوز طبيعة البيانات المالية ذات نسبة الإشارة إلى الضوضاء المنخفضة وغير المستقرة.

يفترض البحث أن الجمع بين عنق زجاجة للمعلومات المنفصلة والحوسبة الشرطية القائمة على الأولويات هو مبدأ تصميم فعال للتنبؤ بالعوائد المالية. وتشير النتائج إلى أن هذا النهج لا يحسن دقة التصنيف وأداء المحفظة فحسب (نسب شارب أعلى، تراجعات أقل)، بل يحافظ أيضًا على القابلية للتفسير المطلوبة للتحليل المالي، مما يقدم حلاً قويًا لبناء المحافظ في أنظمة السوق المتطورة. ويؤكد المؤلفون أن طريقتهم لا تعتمد على طوبولوجيا علاقات محددة مسبقًا (مثل الرسوم البيانية/Graphs) بل تتعلم هيكلًا مقطعيًا ضمنيًا، مما يعزز القدرة على الانتقال عبر الأسواق المختلفة.