🤖 machine learning

Amortized Interventional Forecasting for Multivariate CIR Processes

تقدم هذه الورقة CIR-ACTIVA، وهو إطار عمل تنبؤي تدخلي مُهلك (amortized) لعمليات كوكس-إنجرسول-روس متعددة المتغيرات يتيح تحليل "ماذا لو" السببي للسلاسل الزمنية المالية، مثل فروق أسعار مقايضة عجز الائتمان (CDS)، من خلال التمييز بين الصدمات السببية والارتباطات التاريخية والتفوق على النماذج المرجعية الرصدية في كل من الانتقائية السببية والمعايرة المحددة بالأفق الزمني.

المؤلفون الأصليون: Andreas Sauter, Sumit Sourabh, Drona Kandhai, Erman Acar

نُشر 2026-08-05

📖 6 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Andreas Sauter, Sumit Sourabh, Drona Kandhai, Erman Acar

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 تراقب سربًا من الطيور. أحيانًا تنحرف جميعًا جهة اليسار معًا، وأحيانًا تغوص جميعًا جهة اليمين. إذا راقبتهم فحسب، قد تظن أنهم جميعًا يقلدون حركات بعضهم البعض. ولكن ماذا لو فزع طائر واحد بسبب صقر وغاص للأسفل، مما تسبب في غوص الآخرين أيضًا؟ هذه هي علاقة السبب والنتيجة. في عالم التمويل، تتحرك الأموال في أسراب مشابهة؛ فأسعار الفائدة، والدرجات الائتمانية، وتكلفة اقتراض المال غالبًا ما ترتفع وتنخفض معًا. لفترة طويلة، كانت الحواسيب تتوقع هذه التحركات بمجرد مراقبة أنماط الماضي، بافتراض أنه إذا تحرك شيئان معًا، فهما مرتبطان. لكن هذا يشبه الاعتقاد بأن الديك هو سبب شروق الشمس لمجرد أنه يصيح كل صباح.

الأدوات المحددة التي يستخدمها العلماء لنمذجة هذه "الأسراب" المالية تسمى عمليات CIR (نسبة إلى ثلاثة باحثين: كوكس، وإنجرسول، وروس). فكر في هذه العمليات كطريقة رياضية لوصف الأشياء التي تميل طبيعيًا للعودة إلى متوسط طبيعي، مثل شريط مطاطي يعود لوضعه بعد شده. السؤال الكبير الذي يتناوله هذا البحث هو: ماذا يحدث إذا أجبرنا جزءًا من النظام على التغيير؟ إذا قمنا بصدمة اصطناعية للدرجة الائتمانية لإحدى الشركات، كيف ستتفاعل الشركات الأخرى؟ النماذج القديمة لا تستطيع الإجابة على ذلك لأنها تعرف فقط كيف تحركت الأشياء معًا في الماضي، وليس كيف ستتحرك إذا دفعنا أحدها. يقدم هذا البحث طريقة جديدة للإجابة على أسئلة "ماذا لو" هذه دون الحاجة إلى إعادة بناء النموذج الحاسوبي في كل مرة.

المشكلة: الديك والشمس

في العالم المالي، تتصرف أشياء كثيرة مثل الشريط المطاطي. إذا ارتفع هامش الائتمان (تكلفة الاقتراض للشركة) كثيرًا، فإنه عادة ما يرغب في العودة إلى مستوى طبيعي. وإذا انخفض كثيرًا، فإنه يرغب في الزحف عائدًا للأعلى. يسمى هذا "الارتداد إلى المتوسط".

لعقود من الزمن، استخدم العلماء نموذجًا قياسيًا يسمى عملية CIR للتنبؤ بهذه التحركات. إنه يعمل بشكل رائع لتخمين ما قد يحدث بعد ذلك بناءً على التاريخ. لكن لديه نقطة عمياء؛ فهو يرى أن شيئين يتحركان معًا ويفترض أنهما مرتبطان، لكنه لا يعرف لماذا.

تخيل اختبار ضغط لبنك. قد يسأل أحد المنظمين: "ماذا يحدث إذا انهيار التصنيف الائتماني للشركة (أ)؟". يجب أن يقول النموذج الذكي: "الشركة (ب) قد تشعر بالقلق وقد ينخفض تصنيفها أيضًا، لكن الشركة (ج) لا علاقة لها بالشركة (أ)، لذا يجب أن تظل هادئة".

ومع ذلك، فإن النماذج القديمة تشبه مراقبًا مرتبكًا يرى أن الشركة (أ) والشركة (ج) تتحركان معًا في الماضي. عندما تنهار الشركة (أ)، يصاب النموذج القديم بالذعر ويقول: "أوه لا، يجب أن تنهار الشركة (ج) أيضًا!". إنه يخلط بين الارتباط (حدوث الأشياء في نفس الوقت) والسببية (شيء ما يجعل الآخر يحدث). يؤدي هذا إلى "صدمات وهمية"، حيث يتنبأ النموذج بكوارث لشركات هي في الواقع آمنة، مما يجعل البنوك تهدر الأموال على تأمين غير ضروري.

الحل: محاكي السفر عبر الزمن

قام مؤلفو هذا البحث، أندرياس سوتر وفريقه، ببناء أداة جديدة تسمى CIR-ACTIVA. أرادوا إنشاء نظام يمكنه الإجابة على أسئلة "ماذا لو" فورًا، دون الحاجة إلى إعادة تدريبه لكل سيناريو جديد.

للقيام بذلك، كان عليهم حل مشكلة معقدة: كيف تعلم حاسوبًا عن السبب والنتيجة إذا لم يكن بإمكانك الذهيد إلى العالم الحقيقي وتحطيم سهم شركة ما لترى ما سيحدث؟ لا يمكنك إجراء تلك التجربة في الأسواق الحقيقية.

لذلك، بنوا عالمًا افتراضيًا. لقد أنشأوا "محاكيًا سببيًا" يولد بيانات مالية وهمية. في هذا العالم الوهمي، يعرفون بالضبط من يسبب تغيير الآخر. يمكنهم القول: "حسنًا، في هذه المحاكاة، الشركة (أ) تسبب تغير الشركة (ب)، لكن الشركة (ج) مستقلة تمامًا". ثم يقومون بتحطيم الشركة (أ) في المحاكاة ويراقبون ما يحدث. هذا يعطيهم "الحقيقة المطلقة" — الإجابة الصحيحة لسؤال "ماذا لو".

لقد دربوا نموذج الذكاء الاصطناعي الخاص بهم، CIR-ACTIVA، على ملايين من هذه السيناريوهات الوهمية. تعلم النموذج النظر إلى تاريخ التحركات وصدمة محددة (مثل "أجبر الشركة (أ) على الانهيار")، ثم التنبؤ بمستقبل المجموعة بأكملاء.

السر الخفي: الزمن كشخصية

معظم نماذج الذكاء الاصطناعي التي تتنبأ بالمستقبل تعامل الزمن كمجرد قائمة من الأرقام. لكن CIR-ACTIVA يفعل شيئًا ذكيًا: إنه يعامل الزمن نفسه كشخصية في القصة.

تخيل أنك تروي قصة عن كرة تتدحرج أسفل تلة. إذا أعطيت شخصًا ما قائمة بمكان وجود الكرة فحسب، فقد يخمن أين ستذهب بعد ذلك. ولكن إذا قلت له: "كانت الكرة في الأعلى عند الساعة 1:00، وفي المنتصف عند الساعة 1:05، وفي الأسفل عند الساعة 1:10"، فسوف يفهم السرعة والزخم.

ينظر CIR-ACTIVA إلى البيانات كمجموعة من اللقطات، حيث ترتبط كل لقطة بطابع زمني محدد. هو لا يتعلم فقط أن "الشركة (أ) تنخفض عندما تنخفض الشركة (ب)"، بل يتعلم أن "الشركة (أ) تنخفض بسرعة مباشرة بعد الصدمة، ولكنها بعد ذلك تتباطأ وتستقر خلال الأيام القليلة التالية".

يستخدم النموذج أيضًا خدعة خاصة تسمى الاستدلال الموزع (amortized inference). عادةً، إذا كنت تريد معرفة ما سيحدث في سيناريو جديد، عليك تعليم الحاسوب من الصفر، وهذا يستغرق وقتًا طويلاً. CIR-ACTIVA يشبه طالبًا درس الكثير من أنواع مسائل الفيزياء المختلفة لدرجة أنه عندما تعطيه مسألة جديدة، يمكنه حلها فورًا دون فتح كتاب مدرسي. لقد قام بـ "توزيع" (amortized) التعلم عبر جميع سيناريوهات التدريب.

النتائج: تحديد الضحايا الحقيقيين

اختبر الفريق نموذج CIR-ACTIVA مقابل نماذج أخرى، بما في ذلك بعض النماذج الذكية جدًا التي لم تفهم الزمن أو السببية. استخدموا عالمهم الافتراضي لمعرفة من حصل على إجابات "ماذا لو" بشكل صحيح.

كانت النتائج واضحة. عندما صدموا شركة واحدة في المحاكاة:

النماذج القديمة (وخط الأساس GMR): أصيبت بالذعر. توقعوا أن الجميع سينهار، حتى الشركات التي ليس لها أي علاقة بالضحية. لم يستطيعوا التمييز بين الصديق والغريب.
CIR-ACTIVA: ظل هادئًا. توقع بشكل صحيح أن الضحية ستنهار، وأن أصدقاءها المباشرين سيشعرون بالألم، بينما سيظل الغرباء آمنين. أظهر انتقائية سببية، مما يعني أنه ألقى باللوم على الأشخاص الصحيحين فقط.

كان النموذج أيضًا أفضل بكثير في التنبؤ بـ متى ستحدث الأشياء. عرف أن الصدمة ستضرب بقوة فورًا ولكنها ستتلاشى بمرور الوقت. كانت النماذج الأخرى غالبًا بطيئة جدًا أو سريعة جدًا في تنبؤاتها.

لماذا يهم هذا؟

هذه ليست مجرد لعبة رياضيات. في العالم الحقيقي، إذا اعتقد بنك أن شركة آمنة في خطر بسبب "صدمة وهمية"، فقد يبيع أسهمها أو يشتري تأمينًا باهظ الثمن لا يحتاج إليه. وهذا يكلف أموالًا حقيقية.

أظهر المؤلفون أن نموذجهم يعمل بشكل جيد للغاية في عالمهم المحاكى. حتى أنهم تحققوا مما إذا كان عالمهم الوهمي يشبه العالم الحقيقي، وبينما لم يكن مثاليًا (الأسواق الحقيقية بها قفزات أكثر حدة من محاكاتهم)، إلا أن قدرة النموذج على الفصل بين السبب والنتيجة صمدت.

يخلص البحث إلى أن الدقة الملاحظية ليست هي نفسها الصحة السببية. مجرد قدرة النموذج على تخمين الماضي جيدًا لا يعني أنه يمكنه التعامل مع الصدمات. يوفر CIR-ACTIVA طريقة لإجراء اختبارات الضغط التي تخبرك بالفعل بما سيحدث إذا ضغطت على زر، بدلاً من مجرد التخمين بناءً على ما حدث من قبل. إنها خطوة نحو نماذج مالية لا تفهم فقط ما الذي يحدث، بل تفهم لماذا.

ملخص تقني: التنبؤ التدخلي الموزع (Amortized) للعمليات متعددة المتغيرات من نوع CIR

1. تعريف المشكلة

غالبًا ما تُنمذج السلاسل الزمنية المالية مثل أسعار الفائدة القصيرة، وكثافة التعثر، وهوامش عقود حماية الائتمان (CDS) كعمليات ذات ارتداد نحو المتوسط، عادةً باستخدام إطار عمل "كوك-إنجرسول-روس" (CIR). وبينما تنجح نماذج CIR متعددة المتغيرات القياسية في التقاط التحركات المشتركة المرتبطة، إلا أنها تفتقر إلى آلية لتمثيل التأثير السببي بين السلاال. وبناءً على ذلك، لا يمكنها الإجابة على الاستعلامات التدخلية: أي التنبؤ بكيفية استجابة النظام عندما يتعرض أحد المتغيرات لصدمة خارجية (مثل اختبار ضغط يفرض مستوى مرتفعًا لانتشار معين).

تقدم نماذج التنبؤ الحالية عادةً تنبؤات مشروطة (التنبؤ بالقيم المستقبلية بناءً على المسارات التاريخية حيث اتخذ متغير ما مستوى معينًا بالفعل). وهذا يخلط بين الارتباط والسببية. فقد يكون القيمة العالية في سلسلة مرتبطة مجرد عرض لضغوط مشتركة وليس سببًا؛ وبالتالي، قد تخطئ النماذج الشرطية في عزو آثار الصدمة إلى سلاسل محمية سببيًا، مما يؤدي إلى تقييمات مخاطر "وهمية" في اختبارات الضغط.

التحدي الجوهري هو التنبؤ التدخلي: تقدير التوزيع التالي للتدخل $p(\mathbf{V} | \mathcal{D}_{M_o}, do(V_i))$ لعمليات CIR متعددة المتغيرات. وما يعقد الأمر هو التكافؤ الرصدي، حيث تولد نماذج سببية متعددة بيانات رصدية متطابقة ولكنها تنطوي على نتائج تدخلية مختلفة. علاوة على ذلك، تفتقر البيانات المالية الواقعية إلى عينات تدخلية "حقيقية" (ground-truth)، مما يجعل تقييم نماذج التنبؤ السببي مستحيلاً دون استخدام معايير مرجعية اصطناعية.

2. المنهجية

تقترح الورقة CIR-ACTIVA، وهو إطار عمل يجمع بين مولد بيانات سببي ونموذج استدلال موزع (amortized inference).

2.1 محاكي CIR السببي متعدد المتغيرات

لتدريب وتقييم النموذج، قدم المؤلفون عملية توليد بيانات لـ CIR سببية متعددة المتغيرات. يقوم هذا المحاكي بتوليد عينات رصدية وتدخلية مزدوجة، وهي عينات غير متوفرة في الأسواق الحقيقية.

النموذج السببي الهيكلي (SCM): يحدد النموذج $d$ من المتغيرات حيث يتطور كل منها عبر معادلة CIR منفصلة زمنيًا.
المتوسط طويل الأمد السببي: على عكس نماذج CIR القياسية حيث يكون المتوسط طويل الأمد ثابتًا، يكون المتوسط هنا $b_{t+1}^i$ دالة هيكلية للقيم الآنية للآباء السببيين ( $PaV_i$ ) وعامل تعديل زمني $c_i(t)$ .
التدخلات الناعمة: يطبق المحاكي تدخلات ناعمة $do(V_i := (1+\delta)f_i)$ ، حيث يعيد تحجيم ديناميكيات متغير مستهدف مع الحفاظ على تبعيته لآبائه.
الأنواع: يتضمن المحاكي نوعًا غير دوري (متوسط مستقر) ونوعًا دوريًا حيث يتبع المتوسط طويل الأمد تعديلًا جيبيًا، وذلك لاختبار قدرة النموذج على تتبع الديناميكيات المتغيرة مع الزمن.
المعايرة: تمت معايرة المعلمات بناءً على بيانات CDS لمدة 5 سنوات (2015–2021) لضمان أن الإحصاءات الهامشية (المستويات، الارتباط الذاتي، سلوك الذيول) تشبه الأسواق الحقيقية، رغم أن المحاكي يقر بأن الذيول السميكة واستمرارية الصدمات في الواقع أصعب في إعادة إنتاجها باستخدام الانتشار الصرف.

2.2 بنية نموذج CIR-ACTIVA

يعدل النموذج إطار عمل ACTIVA (وهو مُقدر سببي موزع يعتمد على $\beta$ -CVAE) ليتناسب مع السلاسل الزمنية.

تأطير السلاسل الزمنية: بدلاً من معاملة الملاحظات كمجموعة غير مرتبة، يعامل النموذج الزمن كمتغير. كل ملاحظة هي زوج $(\mathbf{y}, t)$ . يسمح هذا للنموذج بتعلم التبعيات الزمنية دون فرض انحيازات بنيوية صارمة (مثل الشبكات العصبية المتكررة RNNs)، حيث يعامل التنبؤ كمشكلة تنبؤ جدولي بميزة زمنية.
المُشفّر (Encoder): يستخدم مشفرات ترانسفورمر متوافقة (equivariant transformer encoders) لمعالجة السياق الرصدي والاستعلام التدخلي. ويستخدم تدفقًا مستمرًا مشروطًا (Conditional Continuous Normalizing Flow) لتمثيل التوزيع الكامن $p_\eta(\mathbf{z} | \mathcal{D}_{M_o}, \mathbf{i})$ لتمثيل توزيع كامن متعدد الأنماط فوق النماذج السببية، مع الحفاظ على التماثل التبادلي (permutation equivariance).
المُفكك (Decoder): يقوم مُفكك ترانسفورمر برسم الخريطة للكود الكامن $\mathbf{z}$ إلى توزيع مشترك فوق المتغيرات والزمن. ومن الضروري أنه يستخدم مُفككًا مقسمًا حسب الأفق (horizon-bucketed decoder). يتم تقسيم أفق التنبؤ إلى $K$ من الحاويات الزمنية، ويقوم المُفكك بإخراج توزيع غاوسي كامل التباين مع إزاحة متوسط خطية في الزمن لكل حاوية. يسمح هذا للقانون التدخلي بالتغير مع مسافة التنبؤ.
تحويل المخرجات: للتعامل مع عدم سلبية عمليات CIR، يتنبأ النموذج بالجذر التربيعي لانتشارات القيم ( $\sqrt{x}$ ) لاستقرار التباين، ثم يعود إلى الوحدات الأصلية عبر تغيير المتغيرات.
التدريب: يتم تدريب النموذج عبر هدف $\beta$ -CVAE بوزن $\beta$ كبير. هذا يجبر البنية التنبؤية على التمركز في مسار الشرط (البيانات الرصدية + التدخل) بدلاً من الكود الكامن، مما يضمن قدرة النموذج على التعميم لمهام جديدة دون إعادة تدريب.

3. المساهمات الرئيسية

نموذج CIR-ACTIVA: نموذج موزع مبتكر لتقدير الأثر السببي التوزيعي في عمليات CIR متعددة المتغيرات. يصيغ المسارات كألاحظات مختومة زمنيًا ويستخدم مُفككًا مقسمًا حسب الأفق لالتقاط كيفية تطور استجابات الصدمات عبر آفاق تنبؤ مختلفة.
محاكي CIR السببي: عملية توليد بيانات اصطناعية تنتج عينات رصدية وتدخلية مزدوجة (الحقيقة الأرضية). وهذا يتيح تدريب وتقييم نماذج الاستدلال السببي الموزعة بشكل صارم، وهي قدرة كانت مفقودة سابقًا لبيانات السلاسل الزمنية.
التحقق التجريبي: تم تطبيق الإطار على هوامش CDS. أظهر المؤلفون أن نهجهم يتفوق على النماذج المرجعية في كل من الانتقائية السببية (حماية المتغيرات غير المتأثرة من الصدمات الوهمية) والمعايرة الموزعة حسب الأفق (التنبؤ بدقة بتطور استجابة الصدمة عبر الزمن).

4. النتائج التجريبية

تم تقييم النموذج مقابل أربعة نماذج مرجعية: نموذج ACTIVA الأصلي، وMACE-TNP (مقدر عملية عصبية)، وGMR (انحدار خليط غاوسي - غير سببي)، وOracle floor (الأرضية المثالية).

الانتقائية السببية: تفوق CIR-ACTIVA بشكل كبير على النماذج المرجعية في التمييز بين التابعين السببيين وغير التابعين.
- بالنسبة لغير التابعين (المتغيرات المحمية سببيًا)، انخفض خطأ النموذج (الزيادة عن المثالي/Oracle) بنسبة 51-56% مقارنة بالتابعين.
- في المقابل، فشلت النماذج المرجعية مثل GMR وACTIVA في تقليل الخطأ لغير التابعين، حيث نسبت غالبًا آثار صدمات "وهمية" إليهم. أظهر MACE-TNP بعض الانتقائية ولكنه فقد نصف فعاليته عندما أصبحت الديناميكيات متغيرة زمنيًا (النوع الدوري).
المعايرة الموزعة حسب الأفق: حقق CIR-ACTIVA أدنى خطأ عند الآفاق القصيرة، حيث يكون الانتقال من الديناميكيات الرصدية إلى التدخلية أمرًا بالغ الأهمية.
- في البيانات الدورية، بلغت درجة Energy score للآفاق القريبة 0.46، وهي أقل بكثير من MACE-TNP وACTIVA وGMR.
- استمرت هذه الميزة عبر جميع الآفاق في مجموعة البيانات غير الدورية.
دراسة الاستئصال (Ablation Study): أدى حذف الكامن التعبيري (flow prior) أو المُفكك المقسم إلى تدهور الأداء. كان الجمع بينهما ضروريًا لدقة الآفاق القريبة، خاصة في الإعداد الدوري.

5. الأهمية والادعاءات

تدعي الورقة أن دقة التنبؤ الرصدي ليست مؤشرًا على الصحة التدخلية. في الأنظمة المالية المترابطة، يؤدي الفشل في التمييز بين الارتباط والسببية إلى أخطاء ملموسة: اختبارات الضغط المبنية على نماذج غير سببية تسجل خسائر وتحدد أحجام تحوط ضد تعرضات لا وجود لها.

يعالج CIR-ACTIVA ذلك من خلال:

توفير طريقة للإجابة على استعلامات "ماذا لو" على أنظمة الانتشار المترابطة دون الحاجة لإعادة التدريب لكل سيناريو.
إرساء الصلاحية باستخدام حقيقة أرضية اصطناعية مستقلة عن مدى مطابقة المحاكي للواقع، مع الاستمرار في إظهار التأسيس العملي من خلال الاختبار الخلفي (backtesting) مقابل بيانات CDS الحقيقية.
تقديم معيار مضبوط (محاكي CIR السببي) للمتنبئات السببية المستقبلية.

يتسم المؤلفون بالتواضع بشأن القيود: فإن الحقيقة الأرضية الاصطناعية تقلل من استمرارية الصدمات وتكرار التحركات الكبيرة (الذيول السميكة) الموجودة في الأسواق الحقيقية، مما يعني أن النتائج المسجلة تمثل على الأرجح حدًا متفائلًا للأداء في العالم الحقيقي. بالإضافة إلى ذلك، تم اختبار التنفيذ الحالي على أنظمة مكونة من ثلاثة أسماء؛ ويظل التوسع ليشمل محافظ استثمارية ضخمة تحديًا منفصلاً. ومع ذلك، فإن إطار العمل محايد تجاه فئة الأصول المحددة، وقابل للتطبيق على أي سلسلة ذات ارتداد نحو المتوسط يتم نمذجتها بـ CIR (مثل أسعار الفائدة القصيرة، أو التقلب العشوائي).