📊 statistics

Optimized Certainty Equivalent Risk Minimization Using Samples: Algorithms, Convergence Rates, and Applications

تقترح هذه الورقة خوارزمية التدرج العشوائي لتحسين اليقين المكافئ الأمثل (OCE) من خلال الاستفادة من توصيف جديد يربط بين اليقين المكافئ الأمثل ومخاطر العجز القائمة على المنفعة لاستخلاص معدلات تقارب غير تقاربية وحدود متوسط مربع الخطأ لكل من المقدر وتدرجه، مع تطبيقات مثبتة في تحسين المحافظ الاستثمارية والتعلم الآلي.

المؤلفون الأصليون: Sumedh Gupte, Prashanth L. A., Sanjay P. Bhat

نُشر 2026-08-10

📖 7 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Sumedh Gupte, Prashanth L. A., Sanjay P. Bhat

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 فضاء تشق طريقها عبر حقل من الكويكبات. لديك خريطة، لكنها ضبابية. أنت تعرف أين توجد الكويكبات عادةً، لكنك لست متأكداً بنسبة 100% من مكان ظهور الكويكب التالي. في العالم الحقيقي، هذا هو بالضبط ما يواجهه المستثمرون الماليون، والأطباء، ومهندسو تعلم الآلة كل يوم. يتعين عليهم اتخاذ قرارات بناءً على بيانات مليئة بالمفاجآت. هذا هو عالم إدارة المخاطر.

لفترة طويلة، حاول الناس قياس المخاطر بمجرد النظر إلى النتيجة "المتوسطة". لكن المتوسطات مخادعة؛ فهي تخفي الأشياء المرعبة. إذا كان لديك فرصة بنسبة 99% للفوز بدولار واحد وفرصة بنسبة 1% لخسارة مدخرات حياتك بالكامل، فإن المتوسط سيبدو رائعاً، لكن المخاطرة ستكون مرعبة. ولإصلاح ذلك، اخترع علماء الرياضيات أدوات خاصة تسمى مقاييس المخاطر. يمكنك التفكير في هذه المقاييس كـ "مقياس للقلق" لا يكتفي فقط بحساب المتوسط، بل يصرخ أيضاً عندما تسوء الأمور حقاً. أحد أقوى هذه الأدوات هو ما يسمى معادل اليقين الأمثل (OCE). يمكنك اعتبار (OCE) بمثابة حاسبة ذكية للغاية تسأل: "ما هو مقدار المال المضمون الذي سأحتاجه لأشعر بالأمان تماماً كما أشعر الآن مع هذه المقامرة المحفوفة بالمخاطر؟" إنه يساعدنا في إيجادة التوازن المثالي بين الشجاعة والأمان.

ومع ذلك، هناك عقبة. في العالم الحقيقي، نادراً ما نعرف القواعد الدقيقة للعبة. لدينا فقط كومة من البيانات السابقة (العينات) لنخمن ما قد يحدث لاحقاً. السؤال الكبير كان دائماً: "هل يمكننا استخدام كومة البيانات هذه لإيجاد أفضل استراتيجية ممكنة باستخدام (OCE)، وهل يمكننا إثبات أنها تعمل بالفعل؟"

هذه الورقة البحثية تشبه ميكانيكي خبير يسلمك محركاً جديداً عالي الأداء لسفينة الفضاء تلك. لقد قام المؤلفون، سوميد غوبتي، براشانث إل. أ.، وسان جاي بي. بهات، ببناء طريقة جديدة تماماً لحساب وتحسين (OCE) باستخدام عينة فقط من البيانات. لم يكتفوا بالقول "إنها تعمل"، بل بنوا برهاناً رياضياً يوضح بالضبط مدى سرعة تقارب طريقتهم نحو الإجابة الصحيحة، حتى عندما تكون البيانات فوضوية أو المخاطر هائلة. لقد ابتكروا "مقدّر التدرج" (gradient estimator)، وهو بمثابة بوصلة تشير إلى الطريق نحو المسار الأكثر أماناً، حتى عندما لا تستطيع رؤية الوجهة. لقد اختبروا هذه البوصلة في ثلاث مهام مختلفة: اختيار أفضل مزيج من الأسهم (تحسين المحفظة الاستثمارية)، تعليم الحواسيب كيفية اكتشاف الأمراض (التصنيف)، وفهم مدى عدم يقين الحاسوب بشأن توقعاته (تقدير عدم اليقين). وفي كل حالة، لم تكتفِ طريقتهم الجديدة بالعمل فحسب، بل تفوقت غالباً على الطرق التقليدية المعتادة، مما يثبت أنه مع الرياضيات الصحيحة، يمكننا الإبحار في بحار عدم اليقيب العاصفة بثقة أكبر بكثير.

الاكتشاف الجوهري: بوصلة جديدة للمخاطر

النتيجة الرئيسية لهذه الورقة هي مجموعة من الخوارزميات التي تسمح لنا بإيجاد القرار "الأكثر أماناً" باستخدام مقياس خطر (OCE)، حتى عندما نمتلك عدداً محدوداً فقط من عينات البيانات. لم يخمن المؤلفون فحسب؛ بل اشتقوا صيغة محددة لحساب "الميل" (أو التدرج) للمخاطر. تخيل أنك تسير في جبل ضبابي محاولاً العثور على أدنى نقطة في الوادي (المكان الأكثر أماناً). لا يمكنك رؤية الجبل بأكمله، لكن يمكنك الشعيز بالأرض تحت قدميك. تمنحك هذه الورقة أداة لتشعر بالضبط باتجاه "الأسفل" بناءً على عينات قليلة من الأرض، وهي تثبت رياضياً عدد الخطوات التي تحتاج لاتخاذها للوصول إلى القاع.

كما عالجوا مشكلة معقدة: ماذا لو كانت البيانات تتضمن متغيرات "غير محدودة"؟ باللغة البسيطة، هذا يعني ماذا لو كان السيناريو الأسوأ ليس مجرد "سيء"، بل هو سيء بشكل "لانهائي" نظرياً؟ الطرق السابقة غالباً ما كانت تنهار عند هذه النقطة. أظهر المؤلفون أن طريقتهم تصمد حتى عندما تكون المخاطر قصوى، بشرط استيفاء شروط رياضية معينة. لقد أثبتوا أن تقديراتهم للمخاطر والاتجاه الذي يجب التحرك نحوه تتحسن باستمرار كلما زدت من تغذيتهم بالبيانات، وقدموا صيغاً دقيقة لسرعة هذا التحسن.

ما استبعدوه وما أثبتوه

الورقة البحثية حذرة جداً فيما تدعيه. فهي تجادل صراحة ضد فكرة أنك بحاجة لمعرفة التوزيع الكامل لبيانات المستقبل لاتخاذ قرارات جيدة. أنت لا تحتاج لذلك؛ تحتاج فقط إلى عينات. كما أنها تستبعد فكرة وجوب الالتزام بدوال منفعة "سلسة" (الرياضيات وراء مقياس الخطر). أظهر المؤلفون أن طريقتهم تعمل حتى مع الدوال "الخشنة" أو "غير السلسة"، وهو ما يشمل العديد من مقاييس المخاطر الشهيرة مثل مخاطر "الإنتروبي" (Entropic Risk) ومخاطر "المتوسط والتباين" (Mean-Variance Risk).

ومع ذلك، لا تدعي الورقة أنها حلت كل مشاكل المخاطر في الكون. النتائج مبنية على براهين رياضية ومحاكاة حاسوبية. لم يختبروها في أسواق الأسهم الحية حيث يتم تداول أموال حقيقية، ولم يختبروها على مرضى حقيقيين في مستشفى. "الإثبات" يكمने في الرياضيات والمحاكاة. المؤلفون واثقون جداً من معدلات التقارب الخاصة بهم (مدى سرعة عمل الخوارزمية) لأنهم اشتقوا حدوداً غير تقاربية (non-asymptotic bounds)؛ وهي ضمانات رياضية تخبرك بالضبط بمدى قربك من الإجابة بعد عدد معين من الخطوات، بدلاً من مجرد القول "إنها ستتحسن في النهاية".

المهام الثلاث: أين نجحت البوصلة

لإظهار محركهم الجديد، أجرى المؤلفون ثلاث تجارب متميزة، مثل اختبار سيارة جديدة على مضمار سباق، وطريق ترابي، وجبل ثلجي.

1. سوق الأسهم (تحسين المحفظة الاستثمارية)
تخيل أن لديك سلة من الأسهم المختلفة. تريد أن تقرر كم من المال ستضعه في كل منها للحصول على أفضل عائد دون أن تخسر كل ما تملك. استخدم المؤلفون خوارزميتهم لاختيار أفضل مزيج من الأصول من بيانات حقيقية لسوق الأسهم (S&P 500، وFTSE، وNasdaq). وقارنوا محافظهم "المثلى وفقاً لـ OCE" مقابل معايير قياسية مثل "الأوزان المتساوية" (وضع نفس المبلغ في كل شيء) و"نسبة شارب القصوى" (مقياس كلاسيكي للعائد المعدل حسب المخاطر).

النتيجة: في عمليات المحاكاة، تفوقت المحافظ التي بنيت بطريقة (OCE) غالباً على المعايير المرجعية. على سبيل المثال، في بيانات S&P 500، حققت محفظة "مخاطر الإنتروبي" عائداً سنوياً قدره 0.1924 (19.24%)، متفوقة على "المعيار - شارب" الذي حقق 0.1814. والأكثر إثارة للإعجاب، أنه عندما كان السوق متقلباً، تكيفت طريقتهم جيداً، مما أظهر أنها وسيلة قابلة للتطبيق لإدارة الأموال في العالم الحقيقي.

2. المحقق الطبي (التصنيف)
هنا، الهدف هو تعليم الكمبيوتر التمييز بين المرضى الأصحاء والمرضى المصابين باستخدام بيانات من مجموعة بيانات UCI لمرض القلب ومجموعة بيانات الكشف عن سرطان الثدي. كان على الكمبيوتر تعلم نموذج يقلل المخاطر، وليس مجرد الخطأ.

النتيجة: كانت النماذج التي تم تدريبها باستخدام (OCE) جيدة بشكل مدهش. في مجموعة بيانات سرطان الثدي، حقق نموذج "Smooth CVaR" دقة بلغت 0.9883 ومقياس AUROC (مقياس لمدى قدرة النموذج على الفصل بين المريض والسليم) بلغ 0.9963. كان هذا مقارباً، وفي بعض المقاييس أفضل، من الطرق القياسية مثل الانحدار اللوجستي (Logistic Regression). والأهم من ذلك، أن نماذج (OCE) كانت تمتلك "خطأ معايرة متوقع" (ECE) أقل، مما يعني أنها كانت أفضل في معرفة مدى تأكدها. على سبيل المثال، كان لدى نموذج Smooth CVaR خطأ ECE قدره 0.0239، بينما كان لدى نموذج "NN BCE Loss" القياسي 0.0437. وهذا يعني أن نماذج (OCE) كانت أقل عرضة للوقوع في الخطأ بثقة مفرطة.

3. محقق عدم اليقين (تقدير عدم اليقين)
هذا يتعلق بتعليم الكمبيوتر أن يقول: "أنا لا أعرف". في تعلم الآلة، يكون من الخطير أن يكون النموذج واثقاً ولكنه مخطئ. استخدم المؤلفون طريقتهم لتحسين تقنية تسمى "تقدير المتوسط والتباين" (MVE)، والتي تحاول التنبؤ بكل من الإجابة ومدى عدم اليقين المحيط بها.

النتيجة: استبدلوا خسارة "المتوسط" القياسية بمعيار خطر (OCE) الخاص بهم. كانت النتائج دراماتيكية. في مجموعة بيانات اختبار، سجل نهج "MVE مع OCE" خطأ معايرة مطلق متوسط (MACE) قدره 0.0285، مقارنة بـ 0.0718 لـ MVE القياسي و 0.0772 لـ Deep Ensembles (وهو منافس متقدم جداً). يشير هذا إلى أنه باستخدام (OCE)، أصبح النموذج أفضل بكثير في تحديد مدى عدم اليقين الخاص به، وهي ميزة حاسمة للسلامة في الذكاء الاصطناعي.

الخلاصة

لا تقدم هذه الورقة مجرد طريقة جديدة لحساب المخاطر؛ بل تقدم طريقة جديدة لـ تحسينها. إنها توفر مجموعة أدوات رياضية صارمة ومثبتة، تعمل مع بيانات محدودة، وتتعامل مع المخاطر القصوى، وقد تم اختبارها في عمليات المحاكاة لإظهار قدرتها على التفوق على الطرق التقليدية في مجالات التمويل والرعاية الصحية وسلامة الذكاء الاصطناعي. وبينما لم يتم نشرها بعد في بورصة حية أو مستشفى، فإن عمليات المحاكاة تشير إلى أنه إذا كنت ترغب في الإبحار عبر ضباب عدم اليقين، فإن هذه البوصلة الجديدة تشير إلى الطريق بدقة أكبر من البوصلات القديمة.

ملخص تقني: تحسين تقليل مخاطر المكافئ اليقيني الأمثل باستخدام العينات

بيان المشكلة

تتناول هذه الورقة البحثية تحسين مقياس مخاطر المكافئ اليقيني الأمثل (OCE)، وهو فئة من مقاييس المخاطر المحدبة التي تعمم المقاييس الشائعة مثل القيمة المعرضة للخطر المشروطة (CVaR)، والمخاطر الإنتروبية، ومخاطر التباين والمتوسط. وبينما يُعد الـ OCE راسخاً من الناحية النظرية، فإن تطبيقه العملي في تعلم الآلة والتمويل يعوقه نقص الخوارزميات الفعالة للتحسين تحت ظروف عدم اليقين، لا سيما عند التعامل مع متغيرات عشوائية غير محدودة (r.v.s) ودوال منفعة غير لبتسية (non-Lipschitz).

غالباً ما تعتمد الأدبيات الحالية على ضمانات التقارب التقاربي (asymptotic convergence) أو تقيد تحليلها بالمتغيرات العشوائية المحدودة ودوال المنفعة ذات خاصية لبتس (Lipschitz). علاوة على ذلك، اقتصرت نهج التحسين السابقة إلى حد كبير على إعدادات محددة لتحسين المحافظ الاستثمارية أو تقليل المخاطر التجريبية دون تقديم معدلات تقارب غير تقاربية (non-asymptotic convergence rates) لطرق التدرج العشوائي (SG). وتتمثل المشكلة الجوهرية في تطوير إطار عمل لتقدير وتحسين الـ OCE يمكنه:

التعامل مع المتغيرات العشوائية غير المحدودة.
استيعاب دوال المنفعة غير اللبتسية (مثل المخاطر الإنتروبية).
توفير حدود خطأ غير تقاربية لكل من التقدير والتحسين.
تقديم خوارزمية عامة قائمة على التدرج قابلة للتطبيق في مجالات متنوعة مثل التصنيف، والانحدار، وإدارة المحافظ الاستثمارية.

المنهجية

1. التوصيف والتوسيع ليشمل المتغيرات غير المحدودة

قام المؤلفون أولاً بتوسيع صياغة الـ OCE لتشمل المتغيرات العشوائية غير المحدودة من خلال فرض شرط التكامل. ويتمثل المساهمة النظرية المركزية في توصيف يربط الـ OCE بـ مخاطر العجز القائمة على المنفعة (UBSR).

يثبت الافتراض 1 أن الـ OCE لمتغير عشوائي $X$ يمكن التعبير عنه كـ $OCE_u(X) = SR_{u',1}(X) + E[u(X - SR_{u',1}(X))]$ ، حيث $SR_{u',1}(X)$ هو الـ UBSR مع دالة خسارة $l = u'$ وعتبة $\lambda = 1$ .
يسمح هذا التوصيف للمؤلفين بالاستفيد من النتائج الموجودة حول الـ UBSR لاستخلاص خصائص الـ OCE، بما في ذلك التحدب وحدود مسافة واسرستاين (Wasserstein-distance bounds)، حتى بالنسبة للدوال غير اللبتسية (الأمثلة 1-4 في الورقة).

2. التقدير عبر تقريب متوسط العينة (SAA)

تقترح الورقة مُقدِّراً للـ OCE باستخدام عينات مستقلة ومتماثلة التوزيع (i.i.d.) $\{Z_i\}_{i=1}^m$ :

بناء المُقدِّر: يتم بناء مُقدِّر الـ OCE عن طريق تقدير جذر الـ UBSR ( $SR_m$ ) أولاً عبر بحث التنصيف (bisection search) على المتوسط العيني لمشتق دالة المنفعة، ثم حساب قيمة الـ OCE باستخدام هذا الجذر.
حدود الخطأ: اشتق المؤلفون حدود متوسط مربع الخطأ (MSE) ومتوسط الخطأ المطلق (MAE) لهذا المُقدِّر. ومن الأهمية بمكان أن هذه الحدود تظل صالحة تحت افتراضات العزوم (moment assumptions) للمتغير العشوائي الأساسي ولا تتطلب أن تكون دالة المنفعة لبتسية، مما يغطي حالات مثل المخاطر الإنتروبية ومخاطر التباين والمتوسط.

3. اشتقاق التدرج والتحسين

لتحسين الـ OCE بالنسبة لمعلمة $\theta$ (حيث الخسارة هي $F(\theta, \xi)$ )، اشتق المؤلفون تعبيراً صريحاً للتدرج:

تعبير التدرج: باستخدام الرابط بين الـ OCE والـ UBSR، يوضح النظرية 3 أن $\nabla OCE(\theta) = E[u'(F(\theta, \xi) - SR(\theta)) \nabla F(\theta, \xi)]$ .
مُقدِّر التدرج: يتم تكوين مُقدِّر تدرج عشوائي عن طريق استبدال التوقع بمتوسط عيني واستخدام جذر الـ UBSR المُقدر من الدفعة (batch) الحالية.
تحليل التقارب: اقترح المؤلفون خوارزمية OCE-SG (التدرج العشوائي). وقد اشتقوا معدلات تقارب غير تقاربية لثلاث حالات:
- محدب بقوة (Strongly Convex): معدل $O(1/n)$ لخطأ المعلمة.
- محدب (Convex): معدل $O(1/\sqrt{n})$ لفجوة قيمة الدالة.
- غير محدب (Non-Convex): معدل $O(1/\sqrt{n})$ لنرم التدرج الأدنى.
  تم تحقيق هذه المعدلات باستخدام أحجام دفعات متزايدة للتحكم في انحياز مُقدِّر التدرج.

المساهمات الرئيسية

التوسيع النظري: توسعت الورقة في تحليل الـ OCE ليشمل المتغيرات العشوية غير المحدودة ودوال المنفعة غير اللبتسية، مع وضع أسس التحدب وتوفير حدود استقرار مسافة واسرستاين.
ضمانات التقدير: تقدم الورقة أول حدود غير تقاربية لـ MSE وMAE لتقدير الـ OCE تحت دوال منفعة عامة، مما يسد الفجوة بين الـ OCE والـ UBSR.
خوارزمية التحسين: قدم المؤلفون خوارزمية التدرج المستندة إلى $\text{OCE-SG}$ . وخلافاً للأعمال السابقة التي قدمت ضمانات تقاربية فقط أو كانت مقتصرة على دوال منفعة محددة، يقدم هذا العمل حدود تقارب غير تقاربية للأهداف المحدبة بقوة، والمحدبة، وغير المحدبة.
توصيف التدرج: تم اشتقاق تعبير مبتكر لتدرج الـ OCE، مما يتيح استخدام تقنيات التحسين العشوائي القياسية لمجموعة واسعة من مقاييس المخاطر.

النتائج التجريبية

تحقق المؤلفون من نهجهم من خلال ثلاثة مجالات تطبيقية:

تحسين المحافظ الاستثمارية: باستخدام بيانات S&P 500 وFTSE 100 وNASDAQ، تم اختبار خوارزمية OCE-SG مقابل معايير مرجعية (الأوزان المتساوية، أقصى نسبة شارب، Hierarchical Risk Parity). تشير النتائج إلى أن المحافظ المثلى لـ OCE غالباً ما تتفوق على المعايير المرجعية من حيث العوائد التراكمية والمقاييس المعدلة حسب المخاطر (شارب، سورتينو)، لا سيما عند استخدام متغيرات سلسة من CVaR أو المخاطر الإنتروبية. نجحت الخوارزمية في تحسين نماذج OCE مختلفة (الأمثلة 1-7).
التصنيف: في مجموعات بيانات UCI Heart Disease وBreast Cancer Detection، تمت مقارنة الشبكات العصبية المدربة بأهداف OCE (الإنتروبية، CVaR، Monotone Mean Variance) مع الانحدار اللوجستي، والغابة العشوائية (Random Forest)، والشبكات العصبية بمعيار BCE القياسي. حققت نماذج OCE دقة، ودرجات F1، وAUROC أعلى في مجموعة بيانات Heart Disease، وخطأ معايرة متوقع (ECE) أقل في مجموعة بيانات Breast Cancer.
تقدير عدم اليقين: في إطار تقدير التباين والمتوسط (MVE)، تفوق استبدال خسارة التوقع القياسية بمعيار مخاطر OCE (باستخدام المنفعة الأسية) بشكل كبير على كل من MVE التقليدي وDeep Ensembles في مجموعة بيانات انحدار غير متجانسة، مما أظهر تحسناً في المعايرة وتقدير عدم اليقين.

الأهمية والادعاءات

تزعم الورقة تقديم إطار عمل شامل وغير تقاربي لتقليل مخاطر الـ OCE. وتكمن أهميتها في:

سد الفجوة بين النظرية والتطبيق: من خلال تقديم حدود غير تقاربية، يقدم هذا العمل ضمانات تقارب عملية للتحسين العشوائي، وهي ضرورية لسيناريوهات البيانات المحدودة في تعلم الآلة والتمويل.
العمومية: لا تقتقت منهجية البحث إلى دوال منفعة محددة أو بيانات محدودة، مما يجعلها قابلة للتطبيق على نطاق أوسع من المشكلات الواقعية حيث تُفضل مقاييس مخاطر مثل المخاطر الإنتروبية أو مخاطر القوة الرابعة.
الكفاءة الخوارزمية: يسمح نهج التدرج المقترح بتحسين مقاييس مخاطر معقدة باستخدام التدرج العشوائي المتدرج القياسي، مما يسهل التكامل في مسارات التعلم العميق الحالية.

يشير المؤلفون بتواضع إلى أنه بينما يظل تحليل المعلمات الفائقة (hyperparameter) واختيار دالة المنفعة أمراً ذاتياً ومتروكاً للعمل المستقبلي، فإن الخوارزميات المقترحة تعمل كمرشح قابل للتطبيق وراسخ نظرياً لتحسين الـ OCE في سياقات متنوعة.