تخيل أنك تحاول تخمين حالة الطقس للشهر القادم. يمكنك النظر إلى ميزان حرارة بسيط من يوم أمس، أو يمكنك التحقق من نموذج حاسوبي معقد يتتبع الرياح والرطوبة والضغط. ولكن ماذا لو كان بإمكانك أيضًا قراءة مزاج المدينة بأكملها؟ ماذا لو استطعت معرفة أن الجميع يشعرون فجأة بالقلق من عاصفة ما، أو أن العمدة يخطط سرًا لإقامة موكب؟ في عالم التمويل، تُعد "أسعار الفائدة" مثل الطقس؛ فهي تحدد مدى تكلفة اقتراض المال أو مقدار ما ستجنيه من الادخار. تحتاج البنوك إلى التنبؤ بهذه الأسعار بدقة لأن الخطأ فيها قد يكلفها المليارات. تقليديًا، استخدمت البنوك معادلات رياضية صارمة (مثل التحقق من ميزان الحرارة) لتخمين المستقبل. ومع ذلك، غالبًا ما تغفل هذه المعادلات عن "مزاج" السوق — التغيرات المفاجئة في شعور الناس تجاه الاقتصاد، والتي تكون مخفية في المقالات الإخبارية، وخطابات البنوك المركزية، وتقارير المحللين. تستكشف هذه الورقة طريقة جديدة للجمع بين الرياضيات الصارمة و"مزاج" السوق لتقديم تنبؤات أفضل.
قام الباحثون، بالتعاون مع بنك أوروبي كبير، ببناء نموذج أولي "لإثبات المفهوم". فكر في هذا الأمر كلوحة تحكم تفاعلية عالية التقنية تعمل كمحطة أرصاد جوية فائقة الذكاء للمال. وبدلاً من مجرد النظر إلى الأرقام، يمتلك هذا النظام ثلاث أدوات تعمل معًا. أولاً، يستخدم "نمذجة المواضيع"، وهي تشبه أمين المكتبة الذي يقرأ آلاف الوثائق المالية ويصنفها حسب موضوعاتها الفعلية، ليرصد الاتجاهات قبل أن تصبح واضحة. ثانياً، يستخدم "تحليل المشاعر"، وهو بمثابة خاتم رقمي يقيس المزاج يقرأ نبرة خطابات البنوك المركزية والأخبار ليرى ما إذا كان المزاج سعيدًا، أو قلقًا، أو غاضبًا. ثالثًا، يستخدم محركًا رياضيًا متطورًا يسمى "المتجهات ذاتية الانحدار البايزية" (BVAR). يمكنك التفكير في BVAR كآلة محاكاة تأخذ كل البيانات — المزاج، والمواضيع، والأرقام الصلبة — وتجري آلاف السيناريوهات من نوع "ماذا لو" لترى كيف قد تتفاعل أسعار الفائدة مع الصدمات الاقتصادية المختلفة.
تجد الورقة أنه من خلال الجمع بين هذه المنهجيات الثلاث، يمكن للنموذج الأولي أن يرسم صورة أوضح بكثير لاتجاه أسعار الفائدة مقارنة باستخدام أي طريقة منفردة. يسمح النظام لمديري البنوك بإجراء عمليات محاكاة، مثل: "ماذا سيحدث لأموالنا إذا ارتفع التضخم؟" أو "ماذا لو تغيرت نبرة البنك المركزي؟". تظهر النتائج، المقدمة في رسوم بيانية ملونة وخرائط تفاعلية، أن هذا النهج متعدد المنظور يساعد البنوك على رؤية المخاطر في وقت مبكر واتخاذ قرارات أكثر استنارة. ومع ذلك، يلاحظ المؤلفون بحذر أن هذا لا يزال نموذجًا أوليًا، وليس منتجًا نهائيًا جاهزًا للاستخدام اليومي. ويقترحون أنه بينما يحسن النظام الشفافية ويساعد في إدارة المخاطر، فإنه لا يزال بحاجة إلى مزيد من العمل للتعامل مع البيانات في الوقت الفعلي وتلبية اللوائح المصرفية الصارمة. لا تدعي الدراسة أنها حلت لغز المستقبل؛ بل تقترح أن منح البنوك أداة تفهم كلاً من الرياضيات والمزاج البشري يمكن أن يغير قواعد اللعبة في إدارة المخاطر المالية.
يعد التنبؤ الدقيق بأسعار الفائدة أمراً بالغ الأهمية لإدارة الأصول والخصوم (ALM) في البنوك، وتقييم المخاطر، والاستجابة الاستراتيجية للسياسة النقدية. ومع ذلك، تواجه النماذج القياسية الاقتصادية التقليدية (مثل VAR وARIMA وNelson–Siegel) قيوداً كبيرة في التعامل مع العلاقات الاقتصادية غير الخطية، والانكسارات الهيكلية، والصدمات الخارجية. علاوة على ذلك، غالباً ما تجد هذه النماذج صعوبة في دمج مصادر البيانات غير المهيكلة، مثل اتصالات البنوك المركزية والأخبار المالية، التي تحتوي على إشارات حيوية فيما يتعلق بتوجهات السوق وتحولات السياسة. إن ضبابية نماذج التعلم العميق البحتة وجمود الأطر الإحصائية التقلية تخلق حاجة إلى نهج هجين يوازن بين دقة التنبؤ، والقابلية للتفسير، والقدرة على معالجة أنواع متنوعة من البيانات لإدارة المخاطر القائمة على السيناريوهات.
المنهجية
تقدم الدراسة نموذجاً أولياً لإثبات المفهوم (PoC) تم تطويره بالتعاون مع بنك أوروبي رئيسي. يدمج النظام أربع وحدات تحليلية متميزة في لوحة تحكم تفاعلية موحدة مبنية على لغتي Python (Dash) وR:
نمذجة المواضيع المدعومة بالذكاء الاصطنالي:
التقنية: تستخدم تقنية Sentence-BERT (SBERT) للتمثيل الدلالي للنصوص، تليها تقنية تقليل الأبعاد (UMAP)، ثم التجميع المكاني القائم على الكثافة الهرمية للتطبيقات مع الضوضاء (HDBScan) لعملية التجميع.
الوظيفة: معالجة النصوص غير المهيكلة من منشورات البنوك المركزية (البنك المركزي الأوروبي، الاحتياطي الفيدرالي)، وتقارير المحللين، والصحافة المالية. وبخلاف مناهج "حقيبة الكلمات" التقليدية، تلتقط هذه الطريقة المعنى السياقي لتحديد التوجهات الاقتصادية الكلية والتحولات التنظيمية.
المخرجات: خريطة تفاعلية ثنائية الأبعاد تصور مجموعات الوثائق، مما يسمح للمحللين بتتبع تطور السرديات الاقتصادية الكلية بمرور الوقت.
تحليل المشاعر:
التقنية: تعتمد نهج التعلم بلقطات قليلة (few-shot learning) باستخدام نموذج محول مخصص (FinBERT) مدرب خصيصاً على النصوص المالية.
الوظيفة: قياس المشاعر المتعلقة بثلاثة محركات اقتصادية كلية رئيسية: التضخم، والنشاط الاقتصادي، والتوظيف. ويميز النموذج الفروق الدقيقة في بيانات السياسة (على سبيل المثال، التمييز بين مخاوف التضخم المرتفع والمنخفض) بدلاً من الاعتماد على القطبية البسيطة.
المخرجات: رسوم بيانية زمنية تربط درجات المشاعر مع أسعار الفائدة التاريخية والمتوقعة، جنباً إلى جنب مع منحنيات "بلومبرج" الآجلة.
التنبؤ القياسي الاقتصادي (BVAR):
التقنية: تنفيذ نموذج المتجهات ذاتية الانحدار البايزي (BVAR) باستخدام حزمة bvar في لغة R. ويتضمن "أولويات الانكماش" (تحديداً أولويات مينيسوتا) للتخفيف من حدة الإفراط في المعلمات وتحسين الاستقرار مع البيانات المحدودة.
الوظيفة: نمذجة الترابط بين سبعة متغيرات تنبؤية اقتصادية كلية (تم اختيارها عبر اختبارات سببية جرانجر)، بما في ذلك التضخم في منطقة اليورو، والإنتاج الصناعي، وأسعار إعادة التمويل في البنك المركزي الأوروبي، والمؤشرات الاقتصادية الأمريكية.
المخرجات: توليد كل من التوقعات غير المشروطة (القائمة على الاتجاه) والتوقعات المشروطة (محاكاة السيناريوهات). يمكن للمستخدمين إدخال صدمات اقتصادية كلية لمراقبة كيفية انتشارها عبر منحنى العائد (أسعار مقايضة 2، 5، 10، 30 سنة).
تجميع السيناريوهات والتصور:
التقنية: تجميع بيانات السوق الحالية (منحنيات بلومبرج الآجلة، وتوقعات الإجماع للسندات الحكومية في الاتحاد الأوروبي والولايات المتحدة) وتطبيق الأوزان الاحتمالية على سيناريوهات المحللين.
الوظيفة: تجميع توقعات المحللين بناءً على التغيرات المتوقعة في منحنى العائد (مثل الارتفاع، أو الاستواء، أو الانقلاب) وتعيين احتمالات لهذه السيناريوهات.
المخرجات: "باني السيناريوهات" الذي يعرض توقعات منحنى العائد المرجحة احتمالياً، مما يسمح بمقارنة التوقعات الضمنية في السوق مع التوقعات المستمدة من النموذج القياسي والتحليل الشعوري.
المساهمات الرئيسية
دمج البيانات المهيكلة وغير المهيكلة: نجح النموذج الأولي في دمج المتغيرات الاقتصادية الكلية التقليدية مع بيانات النصوص غير المهيكلة (عبر نمذجة المواضيع وتحليل المشاعر) ضمن إطار تحليلي واحد.
إطار تنبؤ هجين: يجمع بين الصرامة الإحصائية لنموذج BVAR ومرونة معالجة اللغات الطبيعية المدعومة بالذكاء الاصطناني، مما يمكّن النظام من التقاط كل من المحركات الاقتصادية الأساسية وإشارات السوق القائمة على المشاعر.
اختبار الضغط القائم على السيناريوهات: يسهل النظام التنبؤ الشرطي، مما يسمح للبنوك بمحاكاة تأثير صدمات اقتصادية كلية محددة (مثل طفرات التضخم، أو تعديلات أسعار السياسة) على أسعار المقايضة ومنحنيات العائد.
القابلية للتفسير: من خلال استخدام خرائط المواضيع والنمذجة الاقتصادية الشفافة، يعالج النظام مشكلة "الصندوق الأسود" المرتبطة غالباً بالتعلم العميق، مما يوفر أساساً شفافاً لاتخاذ القرار.
النتائج
تم اختبار النموذج الأولي في بيئة بنك أوروبي رئيسي. أظهرت النتائج ما يلي:
تعزيز التصور: تعرض لوحة التحكم بفعالية العلاقات المعقدة بين توجهات المشاعر، والمؤشرات الاقتصادية، ومسارات منحنى العائد.
تمايز السيناريوهات: نجح النظام في توليد توقعات متباينة لأسعار الفائدة تحت أربعة سيناريوهات اقتصادية كلية متميزة (مع احتمالات محددة هي 50%، 15%، 20%، و15%)، مما أظهر تأثيراً متفاوتاً على أسعار المقايضة وميول منحنى العائد (الاستدقاق، أو التسطح، أو الانقلاب).
التحقق من الإشارات: أشار التحقق التجريبي ضمن إثبات المفهوم إلى أن تقارير البنوك المركزية الأطول توفر إشارات مشاعر أقوى للتنبؤ بقرارات أسعار الفائدة مقارنة بالإعلانات السياسية الفورية.
التحليل المقارن: يسمح النظام بالمقارنة المباشرة بين التوقعات الناتلة عن نموذج BVAR وبين منحنيات بلومبرج الآجلة وتقديرات الإجماع للمحللين، مما يسلط الضد على التباينات المحتملة بين التسعير في السوق والأساسيات الشعورية.
الأهمية والادعاءات
تدعي الورقة أن هذا النهج متعدد المنظور والمدعوم بالذكاء الاصطنالي يوفر قيمة مضافة كبيرة للبنوك من خلال:
تحسين اتخاذ القرار: تقديم أساس أكثر قوة لإدارة الأصول والخصوم الاستراتيجية وتوجيه المخاطر من خلال رؤى قائمة على الأدلة والبيانات.
زيادة الشفافية: دمج مصادر المعلومات التي كانت منفصلة سابقاً (بيانات السوق، المسوحات، تحليل النصوص) في منصة شفافة وقابلة للتفسير.
تعزيز القدرة على التكيف: تمكين تعديلات المحفظة الأكثر استجابة وإدارة السيولة في ظروف السوق المتقلبة.
يصرح المؤلفون صراحةً أن النموذج الأولي ليس نظاماً جاهزاً للإنتاج. وهم يقرون بالقيود، بما في ذلك الحاجة إلى مزيد من التحسين لدمج البيانات في الوقت الفعلي، والتحقق الصارم من إشارات المشاعر مقابل النتائج التاريخية، وإدارة الذاتية المتأصلة في اختيار الأولويات البايزية. وتخلص الدراسة إلى أنه بينما يظهر إثبات المفهوم القدرة التحويلية للذكاء الاصطنالي في إدارة أسعار الفائدة، يجب النظر إلى التوقعات كتقديرات احتمالية قائمة على منهجية وليس كتنبؤات حتمية، مما يتطلب فحصاً نقدياً من قبل الإدارة المالية.