VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion
تُعد VertiFuseX بنية هجينة خفيفة الوزن من نوع LSTM، تحقق تعميماً ودقة فائقين في التنبؤ المالي عبر توظيف دمج رأسي مبتكر للتمثيلات الزمنية متعددة المقاييس في الطبقة قبل الأخيرة، مما يتفوق بشكل كبير على النماذج المرجعية الحالية عبر مختلف الأسواق العالمية مع الحفاظ على كفاءة جاهزة للنشر.
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. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تعد عملية التنبؤ بالسعر المستقبلي للسهم واحدة من أصعب التحديات في مجال التمويل. فالسوق ليس آلة ثابتة أو قابلة للتنبؤ؛ بل هو نظام فوضوي وصاخب يتغير باستمرار. فالأسعار لا تتحرك في خطوط مستقيمة، بل تقفز صعوداً وهبوطاً بناءً على مزيج من الأخبار الفورية، والاتجاهات طويلة الأجل، والمزاج المتقلب لملايين المستثمرين. ولأن البيانات مشوشة للغاية وتتغير بسرعة كبيرة، فإن البرامج الحاسوبية القياسية غالباً ما تكافح لإيجاد الإشارة الحقيقية المختبئة وسط هذا الضجيج؛ إذ تميل إما إلى حفظ أخطاء الماضي أو ترتبك عندما يتحول السوق فجأة إلى نمط جديد. وعلى مدى عقود، حاول الباحثون بناء أدوات أفضل، باستخدام نماذج رياضية معقدة لتخمين الاتجاه الذي ستسلكه الأسعار لاحقاً، آملين في تحويل تلك التخمينات إلى توقعات موثوقة تساعد المستثمرين على إدارة المخاطر.
اقترح فريق من الباحثين في المعهد الهندي للتكنولوجيا بجودبور نهجاً جديداً يسمى "VertiFuseX" لحل هذه المشكلة. فبدلاً من محاولة إجبار الحاسوب على تعلم طريقة واحدة جامدة للنظر إلى الماضي، قاموا ببناء نظام يستمع إلى ثلاثة "أصوات" مختلفة للسوق في آن واحد. تخيل أنك تحاول فهم قصة معقدة من خلال الاستماع إلى ثلاثة أشخاص مختلفين: أحدهم يتذكر الترتيب الدقيق للأحداث، والآخر يفهم سياق القصة بأكملها من البداية إلى النهاية، والثالث يرى الصورة الكبيرة لكيفية تطور الحبكة بمرور الوقت. لقد دمج الباحثون هذه الرؤى الثلاث في نموذج موحد واحد. ووجدوا أنه من خلال دمج هذه الرؤى المختلفة للماضي قبل تقديم التنبؤ النهائي، استطاع النظام رؤية أنماط قد تغفل عنها الرؤى الأخرى، مما أدى إلى توقعات أكثر دقة بشكل ملحوظ.
يكمن جوهر اكتشافهم في كيفية دمج هذه المنظورات المختلفة. ففي العديد من المحاولات السابقة، كان الباحثون يتركون كل نموذج حاسوبي يقدم تخمينه الخاص ثم يقومون ببساطة بمتوسط النتائج، كما لو كانوا يأخذون تصويتاً. لكن الدراسة الجديدة تجادل بأن هذه الطريقة تتخلص من الكثير من المعلومات القيمة. بدلاً من ذلك، قرر الباحثون دمج "الأفكار" الداخلية للنماذج أثناء معالجتها للبيانات، وقبل أن تضطر لتقديم رقم نهائي. لقد أخذوا التمثيلات الوسيطة من نماذجهم الثلاثة المختلفة — أحدها يتتبع الذاكرة قصيرة المدى، وآخر ينظر إلى الماضي والمستقبل ضمن نافذة محددة، وثالث يفهم الاتجاهات العميقة والمتعددة الطبقات — وقاموا بدمجها معاً. وقد سمح هذا للنظام بالحفاظ على النسيج الغني والتفصيلي لتاريخ السوق، بدلاً من اختزاله إلى مجرد تخمين واحد مضغوط.
ولاختبار مدى نجاح هذه الفكرة، قام الباحثون بتدريب نظامهم على أسعار الإغلاق اليومية لمدة خمسة عشر عاماً لعشر أسواق أسهم رئيسية حول العالم، بما في ذلك الولايات المتحدة وأوروبا وآسيا. وقد استخدموا طريقة اختبار صارمة حيث تم تدريب النموذج على الماضي ثم طُلب منه التنبؤ بالمستقبل دون أن يرى بيانات الاختبار مسبقاً، مما يضمن أن النتائج لم تكن مجرد تخمينات محظوظة. كانت النتائج مذهلة؛ فقد قلل النظام الجديد أخطاء التنبؤ بنسبة تتراوح بين 30 و54 بالمائة مقارنة بالنماذج القياسية القديمة. كما أظهر أداءً ثابتاً عبر أنواع مختلفة من الأسواق، من الأسهم الممتازة (blue-chip) المستقرة وبطيئة الحركة إلى الأسواق ذات الكثافة التكنولوجية العالية التي تتغير بسرعة. وكان النظام أيضاً فعالاً بشكل مفاجئ، حيث يتطلب ذاكرة حاسوبية قليلة جداً ويقوم بإجراء التنبؤات في أقل من مللي ثانٍتين، وهو ما يعد سريعاً بما يكفي للتداول في الوقت الفعلي.
كما نظر الباحثون في كيفية اتخاذ النظام لقراراته لفهم ما يتعلمه بالفعل. ومن خلال تحليل الأيام التي أولى فيها النموذج أكبر قدر من الاهتمام، اكتشفوا أنه ركز باستمرار على نافذة زمنية محددة، قبل تسعة إلى خمسة عشر يوماً تقريباً. يشير هذا إلى أن النموذج وجد "نقطة مثالية" في البيانات حيث كانت الإشارة قوية بما يكفي لتكون مفيدة ولكنها ليست قديمة جداً بحيث تصبح غير ذات ص relevance. وتعد هذه الرؤية قيمة لأنها تظهر أن النظام تعلم تجاهل الضجيج الفوري والمضطرب لليوم أو اليومين الماضيين، والأنماط البعيدة والباهتة لعدة أشهر، والتركيز بدلاً من ذلك على الاتجاهات المتوسطة التي غالباً ما تقود تحركات الأسعار.
ولرؤية ما إذا كانت هذه التنبؤات الأفضل ستؤثر فعلياً في العالم الحقيقي، اختبر الفريق استراتيجية تداول باستخدام توقعات النموذج. وقد اختبروا كيف سيكون أداء النظام خلال اثنتين من أكثر الفترات إجهاداً في التاريخ المالي الحديث: الانهيار الناتج عن الجائحة في عام 2020، والسوق الهابطة (bear market) في عام 2022. وفي كلتا الحالتين، تمكن النظام من حماية رأس المال بشكل أفضل من مجرد الاحتفاظ بالأسهم. فقد قلل من أقصى مبلغ من المال فُقد خلال فترات التراجع وحقق عوائد أفضل بالنسبة للمخاطر المتخذة. ورغم أنه لم يتفوق دائماً على السوق في إجمالي الربح، إلا أنه فعل ذلك بتقلبات أقل وانخفاضات حادة أقل، مما يثبت أن النموذج يمكنه التكيف مع الظروف القاسية دون أن ينهار.
تخلص الدراسة إلى أن هذه الطريقة الجديدة لدمج أنواع مختلفة من الذاكرة في مرحلة وسيطة توفر وسيلة قوية للتعامل مع تعقيدات الأسواق المالية. وهي تشير إلى أن المفتاح لتحسين التنبؤ ليس في جعل النماذج أكثر عمقاً أو تعقيداً فحسب، بل في تعليمها كيفية مشاركة ودمج طرق رؤيتها المختلفة للماضي. وقد أثبت النظام أنه خفيف الوزن، وسريع، وقوي عبر مختلف البلدان وظروف السوق، مما يوفر أداة عملية يمكن نشرها في الأنظمة المالية الواقعية. وبينما يقر الباحثون بأنه لا يمكن لأي نموذج التنبؤ بالمستقبل بيقين تام، خاصة أثناء الصدمات العالمية المفاجئة، إلا أن عملهم يوفر طريقة أكثر وضوحاً وموثوقية للإبحار في المياه المضطربة لسوق الأسهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.