From Exponential to Polynomial: An Exact Filter for High-Dimensional MSM Models
تقدم هذه الورقة صياغة جديدة لمرشح بايزي لنماذج تعدد الكسورات ذات التحول الماركوفي (MSM) عالية الأبعاد، والتي تستفيد من تناظر التبديل لتقليل التعقيد الزمني الحسابي من أسي إلى متعدد الحدود، مما يخفف بشكل كبير من اختناقات الأبعاد مع تحسين استعادة الحقيقة الأرضية مقارنة بالنهج القياسية.
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
تُعد الأسواق المالية تدفقاً مستمراً من الأرقام، ولكن خلف التقلبات اليومية لأسعار الأسهم تكمن إيقاعات خفية للمخاطر. لعقود من الزمن، حاول الاقتصاديون نمذجة هذا التقلب، أي الطريقة التي تقفز بها الأسعار ثم تستقر، باستخدام إطار عمل يُعرف باسم نموذج "ماركوف-سويتشينغ-مولتي-فراكتال" (Markov-Switching-Multifractal). فكر في هذا النموذج كآلة ذات تروس داخلية عديدة، حيث يمثل كل ترس مصدراً مختلفاً للاضطراب في السوق. بعض التروس تدور ببطء، لتمثل التحولات الاقتصادية طويلة الأمد، بينما تدور أخرى بسرعة، لتلتقط الصدمات المفاجئة. ولطالما تمثل التحدي في أنه كلما أضفت المزيد من التروس لجعل النموذج أكثر واقعية، انفجر عدد التشكيلات الممكنة لمواقعها. إذا كان لديك مجرد عدد قليل من التروس، يمكنك حساب الحالة الأكثر احتمالاً للآلة. ولكن إذا أضفت المزيد، فإن عدد الاحتمالات ينمو بسرعة كبيرة لدرجة أن أقوى الحواسيب لا تستطيع مواكبة ذلك، مما يضطر الباحثين إلى استخدام تقريبات تقريبية قد تغفل عن الصورة الحقيقية.
وقد وجد باحث في "كينجز كوليدج لندن" الآن طريقة لتجاوز هذا الجدار الحسابي دون فقدان أي دقة. فمن خلال النظر عن كثب في كيفية تفاعل هذه التروس الداخلية، اكتشف الباحث أن النموذج يمتلك تناظراً خفياً: وهو أن الترتيب الذي تُنظم به التروس لا يغير السلوك الإجمالي للآلة، بل يغير فقط الملصقات (التسميات) التي نمنحها لها. وقد سمحت هذه الرؤية بإنشاء طريقة تصفية جديدة تتجاهل التفاصيل الفائضة لمواقع التروس الفردية، وتتتبع بدلاً من ذلك فقط عدد التروس الموجودة في كل حالة. هذا التحول في المنظور يحول مشكلة كانت في السابق مستحيلة الحل للأنظمة الكبيرة إلى مشكلة يمكن التعامل معها بكفاءة. والنتيجة هي أداة يمكنها معالجة بيانات السوق المعقدة وعالية الأبعاد بدقة، بدلاً من المعالجة التقريبية، مما يفتح الباب أمام توقعات أكثر دقة للمخاطر المالية.
يكمن جوهر الصعوبة في النهج التقليدي في الحجم الهائل للبيانات التي يجب على الحاسوب معالجتها في كل خطوة. في الطريقة القياسية، يجب على الحاسوب حساب الاحتمالية لكل ترتيب فريد لمكونات التقلب. إذا كان النموذج يحتوي على عشرة مكونات وكل منها يمكن أن يكون في حالتين، فيجب على الحاسوب تتبع أكثر من ألف احتمال. وإذا كان النموذج يحتوي على عشرين مكوناً، فإن هذا الرقم يقفز إلى أكثر من مليون. ومع زيادة عدد المكونات، ينمو الوقت المطلوب لتشغيل الحساب بشكل أسّي، مما يصبح سريعاً جداً لدرجة تجعله غير مفيد. وقد حدت هذه العقبة الباحثين من استخدام نماذج ذات مكونات قليلة جداً، والتي قد لا تلتقط التعقيد الكامل للأسواق الحقيقية. ويوضح العمل الجديد أنه من خلال إدراك أن العديد من هذه الترتيبات متكافئة رياضياً، يمكن ضغط الحساب. فبدلاً من تتبع ملايين المسارات الفردية، يتتبع هذا المرشح (الفلتر) الجديد مجموعة أصغر بكثير من المجموعات بناءً على عدد المكونات الموجودة في كل حالة.
هذا الاختزال في التعقيد ليس تخميناً أو اختصاراً؛ بل هو إعادة صياغة رياضية دقيقة. فقد أظهر الباحث أن الوقت المطلوب لتشغيل المرشح الجديد ينمو فقط بشكل متعدد الحدود (polynomially) مع عدد المكونات، مما يعني أن مضاعفة عدد التروس لا يجعل الحساب أصعب بشكل أسّي، بل يجعله أكثر صعوبة بدرجة معتدلة فقط. ولإثبات ذلك، أجرت الدراسة عمليات محاكاة باستخدام بيانات تاريخية حقيقية لمؤشر "إس آند بي 500" (S&P 500)، واختبرت الطريقة الجديدة مقابل الطريقة القديمة على نماذج ذات أعداد متفاوتة من المكونات. وفي الحالات التي كان بإمكان الطريقة القديمة فيها الاستمرار في العمل، أنتجت الطريقة الجديدة نتائج متطابقة، مما أكد عدم فقدان أي معلومات في عملية الضغط. وعندما دفع الباحثون الطريقة الجديدة إلى نماذج تحتوي على عدد أكبر بكثير من المكونات مما تم تجربته من قبل، أتمت الحسابات في ثوانٍ، في حين كان من شأن الطريقة القديمة أن تستغرق وقتاً غير عملي.
كما بحثت الدراسة فيما إذا كانت هذه الطريقة الجديدة لتجميع البيانات تغير دقة التوقعات. في بعض الاختبارات، اختلف المرشح الجديد والمرشح القديم على الملصق المحدد لحالة السوق، ولكن عندما أخذ الباحثون في الاعتبار حقيقة أن الملصقات قابلة للتبادل، وجد المرشح الجديد أنه يستعيد الحالة الأساسية الحقيقية بشكل متكرر أكثر. وهذا يشير إلى أنه من خلال إجبار الحساب على التركيز على الأعداد الجوهرية بدلاً من الملصقات التعسفية، قد يكون النهج الجديد أكثر قوة ضد الارتباك. ووجد الباحثون أن المرشح الجديد يمكنه التعامل مع نماذج تصل إلى أربعين مكوناً، وهو مقياس كان غير متاح سابقاً. وتسمح هذه القدرة برؤية أغنى وأكثر شمولية لتقلبات السوق، مما قد يؤدي إلى إدارة أفضل للمخاطر وتوقعات اقتصادية أكثر موثوقية.
بينما تحل الطريقة الجديدة المشكلة المباشلة المتعلقة بالسرعة الحسابية، فإنها تثير أيضاً تساؤلات أعمق حول كيفية تفسير النتائج. تسلط الدراسة الضوء على أنه في الأنظمة التي تمتلك هذا النوع من التناظر، قد لا تكون الحالة الفردية الأكثر احتمالاً التي يحددها الحاسوب هي الأكثر أهمية للنظر إليها. بدلاً من ذلك، فإن الاحتمالية الجماعية لجميع الحالات المتكافئة هي الأكثر أهمية. ويشير الباحث إلى أنه يمكن توسيع هذا النهج ليشمل أنظمة معقدة أخرى حيث تتصرف الأجزاء المختلفة بشكل متشابه، مثل مجموعات السكان المتفاعلة أو الأنظمة الفيزيائية الأخرى. ويقف هذا العمل كدليل على أنه من خلال فهم التناظرات الأساسية للمشكلة، يمكن للمرء غالباً إيجاد مسار أبسط نحو الحقيقة، وتحويل جبل من البيانات المستعصية إلى تلة يمكن التحكم فيها دون التضحية بدقة الإجابة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.