ملخص تقني: تدقيق الانحياز في الأنظمة الكامنة للتنبؤ بالتقلبات

1. بيان المشكلة

تعد التنبؤات بالتقلبات (Volatility forecasts) بالغة الأهمية لإدارة المخاطر، والتحوط، وتخصيص المحافظ الاستثمارية، لا سيما خلال فترات عدم استقرار السوق. ومع ذلك، تعتمد ممارسات التقييم القياسية بشكل كبير على مقاييس الدقة الإجمالية مثل جذر متوسط مربع الخطأ (RMSE) ومتوسط الخطأ المطلق (MAE). ويجادل المؤلفون بأن هذه المقاييس تضغط التوزيع الزمني والشرطي للأخطاء، مما قد يخفي حالات فشل منهجية تحدث في حالات سوقية ذات دلالة اقتصادية محددة. فقد يظهر النموذج خطأً متوسطاً منخفضاً ولكنه قد يكون غير موثوق به شرطياً — وتحديداً، من خلال التقليل المنهجي من تقدير التقلبات أثناء أنظمة الضغط (stress regimes)، وهو الخطأ الأكثر تكلفة لإدارة المخاطر. تفترض الورقة أن التنبؤ بالتقلبات يجب أن يُعامل كمسألة موثوقية شرطية، لا تسأل فقط إذا كان النموذج دقيقاً في المتوسط، بل أين ومتى تصبح أخطاؤه منحازة أو غير مستقرة.

2. المنهجية

تقترح الورقة إطار عمل للتدقيق محايد تجاه النماذج (model-agnostic audit framework) مصمم للكشف عن الانحيازات الخفية الخاصة بالأنظمة (regime-specific biases) دون تعديل نماذج التنبؤ نفسها. تسير المنهجية عبر المراحل التالية:

أ. تعلم التمثيل النسبي للأصول

لتقييم التنبؤات عبر أصول مختلفة (العملات المشفرة وصناديق الاستثمار المتداولة - ETFs) دون أن تهيمن مقاييس الأصول المستمرة على النتائج، يتعلم الإطار تمثيلات السلاسل الزمنية لنوافذ حالة السوق:

1. التطبيع (Normalization): يتم تطبيع الميزات (العوائد، التقلب القائم على النطاق، التقلب الضمني، الحجم، التراجع، إلخ) داخل كل أصل باستخدام الإحصاءات القوية (الوسيط والمدى الربيعي IQR) المستمدة من فترة التدريب.
2. التضمين (Embedding): يتعلم مشفر تبايني (على طراز TS2Vec) تضمينات النافذة ($z_{i,t}$) لمواءمة الرؤى المتداخلة زمنياً.
3. الثبات العدائي (Adversarial Invariance): لمنع التضمينات من تشفير هوية الأصل الثابتة (مما قد يربك اكتشاف النظام)، يتم استخدام مصنف أصول عدائي مع عكس التدرج (gradient reversal). يتم تدريب المشفر لجعل التنبؤ بالأصل صعباً، مما يحافظ على معلومات حالة السوق الديناميكية مع كبح البنية المحددة للأصل.

ب. بناء الأنظمة المتوافقة

بدلاً من معاملة الأنظمة كحالات سوق عالمية، يبني الإطار تقسيمات تدقيق نسبية للأصول:

1. التجميع (Clustering): يتم تطبيق خوارزمية K-means على تضمينات التدريب لكل أصل على حدة لتحديد $K$ من الحالات الكامنة.
2. المواءمة (Alignment): بما أن تسميات المجموعات (clusters) هي تسميات اعتباطية عبر الأصول، يتم مواءمتها باستخدام درجة ضغط فترة التدريب. تجمع هذه الدرجة بين التقلب المحقق، والتراجع (drawdown)، والعوائد المطلقة، ومتغيرات وسيطة للضغط.
3. التسمية (Labeling): يتم ترتيب المجموعات حسب متوسط درجة الضغط الخاصة بها وتسميتها بـ الهادئ (Calm)، المتوسط (Intermediate)، والضغط (Stress). يضمن ذلك أن "الضغط" في أصل ما يتوافق مع مستوى ضغط مماثل في أصل آخر، مما يخلق مساحة تدقيق موحدة.

ج. مقاييس التدقيق

يقيم الإطار المتنبئات ($M$) باستخدام عدة مقاييس تتجاوز RMSE/MAE القياسية:

• الانحياز الشرطي للنظام (Regime-Conditional Bias): متوسط الخطأ الموقّع ضمن كل نظام متوافق.
• إحصائيات الانحياز الخفي:
  • $RBA^{stable}_m$: يقيس مدى تقليل الانحياز الإجمالي من أكبر انحياز للنظام بالنسبة للأصل.
  • $RCR_m^{norm}$: يطبع الفجوة بين الانحياز الإجمالي وأسوأ حالة انحياز للنظام بالنسبة لـ RMSE.
• الذيل والخسارة الاقتصادية:
  • التقليل من التقدير في الذيل (Tail Underprediction): معدل التقليل من التقدير في أعلى عشر (decile) من نتائج التقلب المحققة.
  • الخسارة غير المتماثلة (Asymmetric Loss): دالة خسارة مربعة غير متماثلة ($\ell_\lambda$) تعاقب التقليل من التقدير ($e < 0$) بشكل أكبر من المبالغة في التقدير، مما يعكس التكلفة الاقتصادية لتقدير المخاطر بأقل من قيمتها.
• الاستدلال الإحصائي: تُستخدم فترات الثقة لـ (Block-bootstrap) لتحديد ما إذا كانت الانحيازات الخاصة بالأنظمة ذات دلالة إحصائية.

3. المساهمات الرئيسية

تحدد الورقة خمس مساهمات رئيسية:

1. تأطير المشكلة: إعادة صياغة التنبؤ بالتقلبات كمسألة تدقيق للموثوقية الشرطية والنسبية للأصول بدلاً من كونها مهمة تحسين دقة بحتة.
2. أدوات التشخيص: تقديم أدوات تشخيص محايدة للنماذج للكشف عن انحياز النظام الخفي، والتقليل من التقدير في الذيل، والخسارة الاقتصادية الحساسة للتقليل من التقدير.
3. بناء الأنظمة: تطوير طريقة لبناء أنظمة نسبية للأصول باستخدام تضمينات السلاسل الزمنية المعتمدة على الأصول، والثبات العدائي للأصول، ومواءمة درجة الضغط الاقتصادي.
4. التدقيق الشامل: تطبيق الإطار على مجموعة واسعة من النماذج، بما في ذلك النماذج التاريخية الأساسية، ومواصفات HAR/IV، والنماذج الخطية، والنماذج القائمة على الأشجار، والشبكات العصبية المتكررة (LSTM/GRU)، وهياكل الـ Transformer (مثل iTransformer و PatchTST).
5. الأدلة التجريبية: إثبات أن التصنيفات القائمة على الدقة الإجمالية (RMSE) غالباً ما تختلف عن التصنيفات القائمة على الموثوقية الشرطية والخسارة الاقتصادية، مما يشير إلى أن النماذج "الدقيقة" يمكن أن تكون غير موثوقة شرطياً.

4. النتالئج التجريبية

تم تطبيق الإطار على تنبؤات التقلب المحقق اليومي لـ BTC، ETH، SPY، QQQ، IWM، GLD، وUSO خلال الفترة 2021–2026.

• صلاحية النظام (RQ1): أظهرت الأنظمة المتوافقة (الهادئ، المتوسط، الضغط) أنها ذات معنى اقتصادي. أظهرت أنظمة الضغط تقلبات محققة/ضمنية أعلى، وتراجعات أكبر، وتركيزات أعلى لأحداث الذيل مقارنة بالفترات الهادئة.
• الانحياز الخفي (RQ2): وُجد أن المقاييس الإجمالية تحجب انحيازات هامة خاصة بالأنظمة. على سبيل المثال، أظهرت عدة نماذج ذات RMSE إجمالي تنافسي انحيازاً (نقصاً أو زيادة في التقدير) ذا دلالة إحصائية في أنظمة محددة (مثلاً، أظهرت نماذج LSTM و GRU نقصاً كبيراً في التقدير في أنظمة الضغط المتوسط).
• اختلاف التصنيفات (RQ3 & RQ4):
  • الموثوقية مقابل الدقة: النماذج التي احتلت مراتب عالية حسب RMSE (مثل النماذج المتكررة) غالباً ما تراجعت في التصنيف عند تقييمها بمقاييس الموثوقية الشرطية ($RBA^{stable}$). وعلى العكس من ذلك، تحسنت بعض النماذج الخطية والمالية الأصلية (مثل HAR-RV) في تصنيفات الموثوقية.
  • الخسارة الاقتصادية: تغيرت التصنيفات بشكل أكبر عند استخدام خسارة غير متماثلة مرجحة للذيل. نماذج الـ Transformer (مثل PatchTST و iTransformer)، رغم تنافسيتها في بعض المقاييس الإجمالية، كان أداؤها ضعيفاً تحت معايير الخسارة الاقتصادية، حيث أظهرت استجابة أضعف لتقلبات الذيل ونقصاً أكبر في تقدير الذيل.
• المتانة (RQ5): ظلت النتائج ثابتة عبر آفاق التنبؤ المختلفة ومتغيرات بناء الأنظمة (التضمينات العادية مقابل العدائية)، مما يؤكد أن فجوات الموثوقية الشرطية الملحوظة ليست ناتجة عن اختيار واحد للتجميع.

5. الأهمية والادعاءات

تدعي الورقة أن إطار عملها ينقل نموذج التقييم من السؤال "أي نموذج هو الأكثر دقة في المتوسط؟" إلى "تحديد أنظمة السوق التي تفشل فيها التنبؤات -التي تبدو دقيقة- شرطياً".

• القيود: يتسم المؤلفون بالتواضع بشأن النطاق، مشيرين إلى أن الأنظمة هي تقسيمات تدقيق تعتمد على العينة وليست حالات سوق عالمية. كما أن التحليل محدود بتنبؤات التقلب المحقق اليومي ومجموعة محددة من الأصول المتقاطعة.
• الرؤية الجوهرية: تكمن الأهمية الأساسية في إثبات أن التعقيد المعماري لا يضمن الموثوقية الشرطية. يمكن للنموذج أن يكون دقيقاً للغاية في المتوسط بينما يكون غير موثوق به بشكل خطير في حالات الضغط المحددة التي تكون فيها إدارة المخاطر أكثر أهمية.
• الآثار المترتبة: تقترح الورقة أن تقييم التنبؤ بالتقلبات يجب أن يتجاوز مقاييس الخطأ الإجمالية ليشمل تشخيصات شرطية للأنظمة لضمان موثوقية التنبؤات حيث تبرز أهميتها القصوى. هي لا تقترح نموذج تنبؤ جديد، بل توفر أداة تشخيصية لتدقيق النماذج الموجودة.