Data Driven Options Pricing using ANN: Evidence from the CRR Model
تُثبت هذه الورقة أن الشبكات العصبية الاصطناعية المدربة على بيانات نموذج "كوكس-روس-روبينستاين" تعمل كبديل سريع ودقيق ومتعدد الاستخدامات لتسعير أنواع الخيارات المختلفة وحساب "الـجريك" (Greeks)، مما يقلل بشكل كبير من التكاليف الحسابية لإدارة المخاطر في الوقت الفعلي وبناء سطح التقلب الضمني.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في عالم التمويل، يمنح عقد يُعرف باسم "الخيار" مالكه الحق، وليس الالتزام، في شراء أو بيع أصل ما بسعر محدد بحلول تاريخ معين. وتعد هذه الأدوات حيوية لإدارة المخاطر والمراهنة على تحركات السوق، إلا أن تحديد قيمتها العادلة أمر صعب للغاية. إذ يعتمد السعر على شبكة متغيرة من العوامل: التكلفة الحالية للأصل، وسعر التنفيذ المتفق عليه، والوقت المتبقي، وأسعار الفائدة في الاقتصاد، ومقياس لمدى التقلب الذي قد يشهدها سعر الأصل، وهو ما يُعرف بالتقلب (volatility). ولعقود من الزمن، اعتمدت الطريقة القياسية لحساب هذه القيم على نماذج رياضية معقدة تحاكي آلاف المسارات المستقبلية المحتملة للأصل. ورغم دقة هذه الحسابات، إلا أنها بطيئة وثقيلة حاسوبياً، وغالباً ما تتطلب أجهزة كمبيوتر قوية لمعالجة الأرقام لمجرد الحصول على سعر واحد. وعندما تتحرك الأسواق بسرعة، يصبح انتظار انتهاء عملية الحساب عبئاً.
لقد استكشف فريق من الباحثين في المعهد الهندي للتكنولوجيا في "روبار" مساراً مختلفاً، باستخدام نوع من البرامج الحاسوبية يسمى الشبكة العصبية الاصطناعية لحل هذه المشكلة. فبدلاً من بناء محاكاة جديدة من الصفر في كل مرة تبرز فيها الحاجة إلى سعر، قاموا بتدريب "دماغ رقمي" للتعرف على الأنماط الخفية داخل نتائج النماذج التقليدية البطيئة. وقد غَذّى الباحثون الشبكة بملايين الأمثلة لأسعار الخيارات الناتجة عن طريقة راسخة تُسمى نموذج "كوكس-روس-روبينشتاين"، والذي يقسم الوقت إلى خطوات صغيرة للتنبؤ بكيفية تحرك الأصل. وبمجرد أن تعلمت الشبكة العلاقة بين عوامل المدخلات والسعر النهائي، أصبحت بديلاً فائق السرعة. وتُظهر الدراسة أن هذه الشبكة المدربة يمكنها التنبؤ بقيمة أنواع مختلفة من الخيارات بشكل فوري تقريباً، وبمستوى من الدقة يطابق إلى حد كبير الحسابات التقليدية الأكثر بطئاً.
اختبر الباحثون هذا النهج على عدة أنواع مختلفة من العقود المالية؛ حيث بدأوا بالخيارات الأوروبية القياسية، التي لا يمكن ممارستها إلا في نهاية عمرها، والخيارات الأمريكية، التي يمكن ممارستها في أي وقت. كما تطرقوا إلى أدوات أكثر تعقيداً، مثل الخيارات الآسيوية، حيث تعتمد المكافأة النهائية على متوسط سعر الأصل خلال فترة زمنية بدلاً من السعر عند النهاية فقط، وخيارات الحواجز (barrier options)، التي توجد أو تدفع فقط إذا تجاوز سعر الأصل عتبة معينة خلال فترة حياتها. وبالنسبة للخيارات القياسية والآسيوية، أظهرت الشبكة العصبية دقة ملحوظة؛ فهي لم تتنبأ بالسعر فحسب، بل حسبت أيضاً "اليونانيات" (Greeks)، وهي قياسات حساسة لكيفية تفاعل السعر مع التغيرات الصغيرة في السوق. وفي هذه الحالات، كانت إجابات الشبكة مطابقة تقريباً للطريقة التقليدية، ومع ذلك قدمتها في جزء من الثانية.
إن الفرق في السرعة شاسع؛ ففي الاختبارات التي شملت عشرين ألف سيناريو مختلف، استغرقت الطريقة التقليدية أكثر من دقيقة لتسعير الخيارات الأوروبية، وما يقرب من دقيقتين لخيارات البيع الأمريكية. أما الشبكة العصبية، فقد أتمت المهمة نفسها في حوالي ثانية ونصف تقريباً. وبالنسبة للخيارات الآسيوية الأكثر تعقيداً، حيث واجهت الطريقة التقليدية صعوبة في الذاكرة واستغرقت أكثر من سبع عشرة دقيقة، أنهت الشبكة العمل في ما يزيد قليلاً عن ثانية واحدة. ويشير هذا الكفاءة إلى أنه بمجرد تدريب مثل هذا النظام، يمكن أن يكون لا يُقدر بثمن للتداول في الوقت الفعلي وإدارة المخاطر، مما يسمح للمتداولين برؤية الأسعار والمخاطر فوراً دون انتظار حسابات ثقيلة.
ومع ذلك، كشفت الدراسة أيضاً عن حدود هذه التكنولوجيا. فعندما طبق الباحثون الشبكة على خيارات الحواجز، كانت النتائج أقل موثوقية. فهذه الخيارات تمتلك طبيعة "الحافة المنحدرة"؛ فإذا لمس سعر الأصل حاجزاً معيناً، يمكن أن تنخفض قيمة العقد إلى الصفر فوراً. والشبكة العصبية، التي تتفوق في تعلم الأنماط المستمرة والناعمة، واجهت صعوبة في التعامل مع هذه التغيرات الحادة والمفاجئة. وكانت أخطاء التسعير وقياسات الحساسية أعلى بشكل ملحوظ لهذه العقود مقارنة بغيرها. وتعد هذه النتيجة بالغة الأهمية لأنها توضح أنه بينما تعد هذه الطريقة قوية، إلا أنها ليست حلاً شاملاً لكل نوع من الأدوات المالية؛ فالشبكة تعمل بشكل أفضل عندما تكون الرياضيات الأساسية سلسة، لكنها تتعثر عندما تتضمن قواعد اللعبة تحولات مفاجئة وغير مستمرة.
وبعيداً عن مجرد التسعير، أظهر الباحثون أن هذا النهج يمكنه أيضاً رسم "سطح التقلب" (volatility surface)، وهو خريطة ثلاثية الأبعاد معقدة تستخدمها المؤسسات المالية لفهم كيفية تغير توقعات السوق للمخاطر عبر مختلف الأسعار والأوقات. وباستخدام بيانات السوق الحقيقية من شركات هندية كبرى، أثبتوا أن الشبكة العصبية يمكنها إعادة بناء هذه الأسطح بشكل أسرع بكثير من النماذج التقليدية. فالطريقة التقليدية، التي تتطلب بناء "شجرة احتمالات" جديدة لكل عملية حسابية، استغرقت عشرات الثواني لمعالجة البيانات، بينما قامت الشبكة العصبية بالعمل نفسه في أقل من عُشر ثانية. وتشير هذه القدرة إلى أنه في المستقبل، يمكن للشركات المالية استخدام هذه الشبكات المدربة لتحديث نماذج المخاطر واستراتيجيات التسعير الخاصة بها في الوقت الفعلي، والاستجابة لتحركات السوق فور حدوثها بدلاً من الاستجابة بعد فوات الأوان.
لا يدعي هذا العمل استبدال النماذج القديمة بالكامل، بل يهدف ليكون أداة عالية الكفاءة تعمل جنباً إلى جنب معها. فالشبكة العصبية ليست "عرافة سحرية"، بل هي طالب حفظ دروس النموذج التقليدي وتعلم كيف يتلو الإجابات فوراً؛ فهي ترث منطق الإطار الأصلي ولكنها تزيل العبء الحسابي. وبالنسبة للغالبية العظمى من الخيارات الشائعة، تؤكد الدراسة أن هذا النهج القائم على البيانات دقيق بما يكفي ليكون موثوقاً، مما يوفر وسيلة للتنقل في تعقيدات التمويل الحديث بسرعة كانت مستحيلة في السابق. ويبقى التحذير الوحيد هو التضاريس الوعرة لخيارات الحواجز، حيث يلتقي التعلم السلس للشبكة مع الحواف الحادة للواقع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.