Quantifying Event Impacts on Time Series via Multiscale Contrastive Learning

ليست الأسواق مجرد آلات تتحرك للأمام من تلقاء نفسها، بل هي أنظمة حية تتفاعل مع العالم من حولها. فعندما تكون الشركة في حالة جيدة والاقتصاد مستقراً، يتحرك سعر سهمها عادةً وفق إيقاعات يمكن التنبؤ بها، صعوداً وهبوطاً مع مواسم الأعمال وعادات المستثمرين. ولكن أحياناً، يحدث شيء مفاجئ وخارجي — تقرير إخباري عن خرق للبيانات، أو ملف تنظيمي، أو فضيحة عامة — يحطم تلك الإيقاعات. هذه الأحداث هي أحداث منفصلة، مثل حجر أُلقي في بركة هادئة، لكن عواقبها تتردد أصداؤها عبر البيانات المالية المستمرة، مما يتسبب في انخفاض الأسعار بشكل حاد وغير متوقع. إن التحدي الذي يواجه أي شخص يحاول فهم هذه الأسواق هو أنه بينما يكون الحدث نفسه لحظة واحدة في الزمن، فإن الضرر الذي يسببه يتكشف على مدار أيام أو أسابب، وغالباً ما يختلط بضجيج السوق الطبيعي. إن تحديد مدى الضرر الذي ألحقه حدث معين بشركة ما، بمعزل عن التقلبات العامة لسوق الأسهم، هو لغز صعب غالباً ما تفشل الأدوات التقليدية في حله.

لقد طور فريق من الباحثين طريقة جديدة لقياس هذا النوع المحدد من الضرر، مع التركيز على اللحظة التي يتم فيها الإعلان عن حادثة الأمن السيبراني. لقد أنشأوا نظاماً يسمى "EventTime"، صُمم للنظر في تاريخ سعر سهم الشركة قبل الإعلان عن الخرق ودمجه مع تفاصيل الخرق نفسه للتنبؤ بالخسارة المالية الفورية التي تلي ذلك. وبخلاف النماذج القديمة التي تحاول تخمين المسار المستقبلي الكامل لسعر السهم، يطرح هذا النظام سؤالاً أبسط وأكثر دقة: بناءً على ما نعرفه عن السوق في الفترة التي سبقت الخبر وتفاصيل الخبر نفسه، كم ستفقد الشركة من قيمتها في المدى القصير؟ وجد الباحثون أنه من خلال التعامل مع الحدث ليس كملحوظة هامشية بل كجزء مركزي من القصة، وباستخدام طريقة تعلم تساعد الكمبيوتر على التعرف على الأنماط في الحالات النادرة، استطاعوا التنبؤ بهذه الخسائر بدقة أكبر بكثير من الطرق الموجودة.

إن جوهر المشكلة يكمن في أن أدوات التنبؤ القياسية ممتازة في رصد الاتجاهات، مثل النمو المستمر لشركة ما أو الدورات الموسمية لمبيعات التجزئة، لكنها تعاني عندما يضرب حدث فوضوي نادر. معظم هذه الأدوات تفترض أن المستقبل سيبدو مشابهاً للماضي، لكن خرقاً كبيراً للبيانات ليس حدثاً روتينياً؛ إنه قيمة متطرفة تكسر القواعد. أدرك الباحثون أنه لفهم تأثير مثل هذا الحدث، كانوا بحاجة إلى النظر إلى السوق من خلال عدسات متعددة في آن واحد. كانوا بحاجة لرؤية الصحة طويلة الأمد للشركة، والاتجاهات متوسطة الأمد، والتحركات المتقلبة الأخيرة قبل وقوع الخبر مباشرة. كما كانوا بحاجة لفهم الطبيعة المحددة للحدث: هل كان تسريباً صغيراً لعناوين البريد الإلكتروني، أم سرقة ضخمة لأرقام الضمان الاجتماعي؟ إن تأثير هذين السيناريوهين مختلف تماماً، ومع ذلك غالباً ما تعامل النماذج التقليدية هذه الأحداث كمجرد نقطة بيانات أخرى.

ولحل ذلك، بنى الفريق إطار عمل يعمل كمرشح متعدد الطبقات. أولاً، يقوم بتفكيك تاريخ أداء السهم إلى مقاييس زمنية مختلفة، حيث ينظر إلى التقلبات اليومية، والاتجاهات الأسبوعية، والأنماط الشهرية جميعها في وقت واحد. وهذا يعطي النظام صورة كاملة لحالة الشركة قبل الصدمة. بعد ذلك، يأخذ تفاصيل حادثة الأمن السيبراني — نوع البيانات المسروقة، عدد الأشخاص المتأثرين، وشدة الخرق — ويمزجها في الصورة المالية. وبدلاً من مجرد إضافة تفاصيل الحدث إلى نهاية البيانات، يستخدم النظام آلية انتباه خاصة للعثور على اللحظات المحددة في الماضي القريب حيث كان السوق أكثر حساسية لنوع الحدث الذي وقع للتو. إنه يسأل: "بالنظر إلى هذا النوع المحدد من الخرق، أي أجزاء من تاريخ السوق الأخير هي الأكثر أهمية؟" وهذا يسم يسمح للنموذج بعزل إشارة الحدث عن ضجيج الخلفية للنشاط الطبيعي للسوق.

وبما أن خروقات البيانات الكبرى نادرة، فلا يوجد قدر كبير من البيانات التاريخية لتعليم الكمبيوتر كيفية التنبؤ بها. إذا تم تدريب نموذج على بيانات قليلة جداً، فإنه يميل إلى حفظ الضجيج بدلاً من تعلم النمط الحقيقي. وللتغلب على ذلك، قدم الباحثون تقنية تسمى "التعلم التبايني" (Contrastive Learning). تخيل أن النظام يُعرض عليه شركتان مختلفتان عانتا من أنواع متشابهة من خروقات البيانات في ظل ظروف سوق متشابهة. يتم تدريب النظام على التعرف على أن هذين الوضعين متشابهان ويجب تجميعهما معاً في فهمه، حتى لو اختلف المبلغ الدقيق لخسائرهما قليلاً. وعلى العكس من ذلك، يتعلم دفع المواقف التي تبدو مختلفة بعيداً، مثل خرق طفيف أثناء انهيار السوق مقابل خرق كبير أثناء فترة استقرار. تساعد هذه الطريقة النموذج على بناء فهم قوي لما يدفع الخسارة المالية في هذه الأحداث النادرة، مما يجعله أكثر موثوقية حتى عندما يواجه نوعاً جديداً من الحوادث أو معلومات مفقودة.

اختبر الباحثون نظامهم على مجموعة بيانات ضخمة من الواقع أنشأوها بأنفسهم، والتي تربط بين آلاف حوادث الأمن السيبراني المبلغ عنها من قبل "مركز حقوق الخصوصية" (Privacy Rights Committee) وبين أسعار الأسهم اليومية لمئات الشركات الأمريكية. ووجدوا أن نظامهم الجديد يتفوق باستمرار على أفضل النماذج الموجودة للتنبؤ بحركات الأسهم. وبينما كانت الأدوات الأخرى غالباً ما تكافح للتمييز بين انخفاض طبيعي في السوق وبين انهيار ناتج عن حدث إخباري محدد، كان "EventTime" قادراً على تحديد الخسارة غير الطبيعية بدقة أكبر. أثبت النظام كفاءة خاصة في التعامل مع المعلومات غير المكتملة؛ فحتى عند فقدان بعض التفاصيل حول خرق ما، كان لا يزال بإمكانه تقديم تنبؤ قوي من خلال الاعتماد على الأنماط التي تعلمها من أحداث مماثلة في الماضي. يشير هذا إلى أن النموذج قد تعلم المنطق الأساسي لكيفية تفاعل الأسواق مع الإخفاقات الأمنية، بدلاً من مجرد حفظ أمثلة محددة.

ولضمان أن نهجهم لم يكن مجرد صدفة في العالم المالي، اختبر الفريق هذا النهج في مجال مختلف تماماً: علم الهيدرولوجيا (علم المياه). طبقوا نفس المنطق للتنبؤ بكيفية استجابة مستويات مياه الأنهار لأحداث هطول الأمطار الشديدة. تماماً كما يتفاعل سعر السهم مع خبر ما، يتفاعل تدفق النهر مع زيادة مفاجئة في الأمطار. نجح النظام في التنبؤ بالارتفاع الفوري في مستويات المياه بناءً على تاريخ النهر وتفاصيل هطول الأمطار. يشير هذا النجاح عبر المجالات المختلفة إلى أن الطريقة ليست مقتصرة على التمويل؛ بل هي طريقة عامة لفهم كيفية تفاعل أي نظام مستمر مع صدمة منفصلة ومفاجئة.

تشير النتائج إلى أن الطريقة التي نحلل بها صدمات السوق يجب أن تتغير. لا يمكننا الاعتماد على النماذج التي تنظر فقط إلى السلوك السابق للأسعار للتنبؤ بالتأثير المستقبلي للأزمة. بدلاً من ذلك، يجب علينا بناء أنظمة يمكنها قراءة الحدث نفسه وفهم كيفية تفاعل هذا الحدث مع الحالة الراهنة للسوق. ومن خلال الجمع بين نظرة عميقة للماضي وقراءة دقيقة لأخبار الحاضر، وباستخدام تقنيات التعلم التي تساعد الكمبيوتر على التعرف على الأنماط النادرة، يمكننا الحصول على صورة أوضح للتكلفة الحقيقية للأزمة. لا يقدم هذا العمل مجرد أداة أفضل للمستثمرين فحسب، بل يوفر طريقة جديدة لقياس الضرر غير المرئي الذي ينتشر عبر أنظمتنا الرقمية والاقتصادية عندما تفشل الحماية.