Forecasting Global Volatility Across Asynchronous Markets: Incremental Accuracy from Constrained Cross-Market Attention
تقدم الورقة البحثية إطار عمل التنبؤ PGA-Trans-HAR، وهو إطار عمل جديد يجمع بين آلية الانتباه عبر الأسواق المسموح بها من الأصل مع قيود مكانية مقيدة لتحسين تنبؤات التقلب العالمي بشكل كبير عبر الأسواق غير المتزامنة، لا سيما في الآفاق المتوسطة إلى الطويلة، وذلك من خلال التصفية الفعالة للإشارات الزائفة من البورصات المغلقة.
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
إن التنبؤ بمدى تقلب أسعار الأسهم هو أحد المهام الأكثر حرجاً في عالم التمويل. فالمستثمرون، والبنوك، وشركات التأمين يعتمدون على هذه التوقعات لتقرير حجم المخاطر التي يمكنهم تحملها، وكيفية تسعير العقود المعقدة، وحماية مدخراتهم. ولعقود من الزمن، كانت الأداة القياسية لهذه المهمة هي طريقة تنظر إلى تاريخ السوق نفسه، بافتراض أن تقلبات اليوم هي انعكاس إلى حد كبير لما حدث بالأمس، والأسبوع الماضي، والشهر الماضي. وتعمل هذه الطريقة بشكل جيد لأن أسواق الأسهم تميل إلى "الالتصاق"؛ فبمجرد أن تبدأ في الاهتزاز، فإنها غالباً ما تستمر في ذلك لفترة من الوقت. ومع ذلك، فإن العالم مترابط؛ فعندما تنهار سوق رئيسية في نيويورك، فإنها غالباً ما ترسل موجات صدمة إلى لندن وطوكيو وسيدني. وقد كان التحدي الذي واجه المتنبئين هو كيفية استخدام هذه الإشارات العالمية دون الوقوع في حيرة بسبب حقيقة أن العالم لا يتداول وفق ساعة واحدة متزامنة.
تكمن المشكلة في أن بورصات الأسهم الدولية تعمل وفق جداول زمنية مختلفة. فبينما تكون بورصة نيويورك مغلقة في عطلة رسمية، قد تكون سوق طوكيو مفتوحة، أو قد تكون لندن تغلق أبوابها مبكراً. وإذا حاول نموذج حاسوبي النظر إلى كل هذه الأسواق في وقت واحد، فإنه يواجه فجوة مربكة: بعض نقاط البيانات تكون مفقودة لأن البورصة كانت مغلقة، وليس لأن السوق كان هادئاً. فإذا عامل النموذج السوق المغلقة على أنها ذات نشاط صفري، فإنه يخترع معلومات كاذبة. أما إذا تجاهل ببساطة الأيام المغلقة، فإنه يكسر التسلسل الزمني ويفقد السياق القيم. وهذا يخلق لغزاً جوهرياً: كيف يمكنك بناء نموذج يتعلم من بقية العالم دون أن يسترق النظر إلى المستقبل عن طريق الخطأ أو يسيء تفسير العطلة الرسمية على أنها لحظة هدوء؟
وضع فريق من الباحثين هدفهم لحل هذا اللغز عبر بناء نظام تنبؤ جديد يحترم هذه الاختلافات الزمنية مع تحديد الإشارات العالمية المفيدة بدقة. لم يحاولوا استبدال الطرق البسيطة الموثوقة بذكاء اصطناعي ضخم ومعقد يخمن كل شيء من الصفر، بل ابتكروا نظاماً هجيناً يستخدم نموذجاً بسيطاً ومثبتاً كقاعدة صلبة، ثم يضيف فوقه طبقة محددة ومنضبطة من المعلومات العالمية. كان هدفهم هو معرفة ما إذا كان النظر إلى الدول الأخرى يساعد، ولكن فقط إذا تم هذا النظر بصرامة ضمن قواعد الوقت.
اختبر الباحثون نظامهم باستخدام بيانات يومية من ثمانية مؤشرات أسهم رئيسية حول العالم، بما في ذلك الولايات المتحدة وألمانيا واليابان والصين، تغطي الفترة من عام 2006 إلى 2022. تضمنت مجموعة البيانات هذه ظروفاً سوقية مختلفة، من النمو المستقر إلى الأزمات المالية الحادة. وقارنوا طريقتهم الجديدة بالنهج القياسي المعتمد على السوق الواحدة، وبعدة نماذج معقدة أخرى تحاول التعلم من البيانات العالمية دون قواعد صارمة. وأظهرت النتائج أن نهجهم المنضبط كان يعمل بشكل أفضل من الطريقة القياسية. فمن خلال التصفية الدقيقة لضجيج الأسواق المغلقة واستخدام المعلومات المتاحة فعلياً وقت التنبؤ فقط، نجح نظامهم في تقليل الخطأ في توقعاته. وكان هذا التحسن ثابتاً في معظم الأسواق التي درسوها، لا سيما عند التطلع ليوم واحد، وخمسة أيام، واثنين وعشرين يوماً.
ما جعل هذا النظام ناجحاً لم يكن فقط قدرته على النظر إلى الدول الأخرى، بل في كيفية قراره بما يجب النظر إليه. فقد بنى الباحثون "بوابة" لكل سوق تتعلم مقدار الوزن الذي يجب إعطاؤه للإشارات العالمية مقابل تاريخها الخاص. ووجدوا أنه بالنسبة للتنبؤات قصيرة المدى، مثل التطلع ليوم واحد للأمام، يعمل النظام بشكل أفضل عندما يعتمد بشدة على التاريخ الأخير للسوق ويستخدم فقط قدراً صغيراً من المعلومات العالمية. ومع ذلك، مع امتداد نافذة التنبؤ لتصل إلى أسبوع أو شهر، تعلم النظام الاعتماد أكثر على الروابط بين مختلف الدول. وهذا يشير إلى أنه بينما يعد زخم السوق الخاص هو المحرك الأقوى لليوم التالي، فإن تأثير الاتجاهات العالمية يصبح أكثر أهمية لفهم الصورة طويلة المدى.
كما كشفت الدراسة أن مجرد إضافة المزيد من التعقيد لا يؤدي دائماً إلى نتائج أفضل. فعندما اختبروا نسخة من النظام تحاول التعلم من البيانات العالمية دون أي قواعد صارمة أو "بوابات"، كان أداؤها أسوأ من النسخة البسيطة المنضبطة. فقد مال النموذج المعقد إلى الارتباك بسبب الضجيج في البيانات، حيث خلط بين التقلبات العشوائية والأنماط ذات المعنى. ووجد الباحثون أن النهج الأفضل هو إبقاء التنبؤ الجوهري مرتكزاً على خط أساس موثوق وبسيط، والسماح للمعلومات العالمية فقط بإجراء تعديلات صغيرة ومسيطر عليها. هذا النهج منع النموذج من المبالغة في رد الفعل تجاه الضجيج المؤقت مع الاستمرار في التقاط الطرق الحقيقية التي تؤثر بها الأسواق على بعضها البعض.
كان أحد أهم النتائج هو أن التحسن الناتج عن استخدام البيانات العالمية لم يكن موحداً. فلم يصبح النظام متنبئاً مثالياً لكل سوق في كل يوم؛ ففي بعض الحالات، ظلت الطريقة القياسية جيدة بقدر ما هي كذلك، وفي حالات محددة قليلة، كان النظام الجديد أقل دقة بقليل. ومع ذلك، عند النظر إلى متوسط الأداء عبر جميع الأسواق الثمانية وجميع الأطر الزمنية، أنتج النظام الجديد باستمرار توقعات أكثر دقة من الطريقة القياسية وتفوق على النماذج المعقدة الأخرى. وقد أكدت الاختبارات الإحصائية أن هذه التحسينات لم تكن مجرد تخمينات محظوظة، بل كانت مكاسب حقيقية في القدرة التنبؤية.
اكتشف الباحثون أيضاً أن الطريقة التي تعاملوا بها مع البيانات المفقودة من الأسواق المغلقة كانت حاسمة. فمن خلال معاملة السوق المغلقة على أنها "مفقودة" وليس "صفراً"، وضمان عدم استخدام النموذج لأي معلومات من المستقبل، تجنبوا فخاً شائعاً يلاحق العديد من محاولات التنبؤ. إن هذا الالتزام الصارم بقواعد الوقت يعني أن النموذج كان يتعلم من الماضي بطريقة يمكن استخدامها فعلياً للتنبؤ بالمستقبل. وتخلص الدراسة إلى أنه في عالم التمويل الصاخب والفوضوي، غالباً ما تكون الأدوات الأكثر فعالية ليست الأكثر تعقيداً، بل تلك المقيدة بعناية لاحترام حدود المعلومات المتاحة. فمن خلال الجمع بين أساس بسيط وصلب ونظرة منضبطة قائمة على القواعد لبقية العالم، يمكن للمرء أن يرى المستقبل بوضوح أكبر قليلاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.