Network-incorporated Portfolio Optimization with Graph Machine Learning
تقترح هذه الورقة إطار عمل هجين لتعلم الآلة القائم على الرسوم البيانية يدمج شبكات ارتباط الأسهم الديناميكية مع نماذج المحولات (Transformers) لتعزيز تحسين المحافظ الاستثمارية من خلال الاستفادة من التبعيات الطوبولوجية متعددة المقاييس، مما يؤدي إلى تحسين العوائد المعدلة حسب المخاطر وإشارات تخصيص قابلة للتفسير عبر كل من الأسواق الصينية والأمريكية.
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
ليست الأسواق المالية مجرد مجموعات من الجزر المعزولة، بل هي أنظمة بيئية شاسعة ومتحولة، حيث يرتبط مصير شركة ما غالباً بمصير أخرى. فعندما تتعثر مؤسسة مصرفية كبرى، يمكن أن تُشعر آثار تموجاتها عبر شركات التكنولوجيا، ومنتجي الطاقة، وتجار التجزاء، مما يخلق شبكة معقدة من الأسباب والنتائج التي غالباً ما تغفل عنها أدوات الاستثمار التقليدية. لعقود من الزمن، اعتمد مديرو المحافظ الاستثمارية على خرائط ثابتة لهذه العلاقات، معتبرين الروابط بين الأسهم خطوطاً لا تتغير على رسم بياني. ومع ذلك، فإن هذه الروابط حية، وتتطور كل يوم مع ظهور الأخبار وتحول الأسعار. لقد كان التحدي المركزي للتمويل الحديث هو إيجاد طريقة لقراءة هذه الخريطة الحية في الوقت الفعلي، لفهم ليس فقط أي الأسهم مرتبطة ببعضها، بل كيف يغير شكل تلك الروابط أفضل طريقة لبناء محفظة استثمارية.
لقد تصدى فريق من الباحثين من جامعات في الصين والولايات المتحدة لهذه المشكلة عبر التعامل مع سوق الأسهم كشبكة ديناميكية وتطبيق نوع جديد من الذكاء الاصطناعي المصمم لقراءة مثل هذه الهياكل. لم يكتفوا بمجرد النظر في مدى تحرك سهم ما عندما يتحرك سهم آخر؛ بل بنوا تمثيلاً رقمياً للسوق بأكمله، حيث يمثل كل سهم نقطة، وتمثل قوة العلاقة بينهما خطاً يربطهما. وباستخدام منهجية تعمل على تصفية الضجيج للاحتفاظ فقط بالروابط الأكثر أهمية، أنشأوا لقطة يومية لهيكل السوق الحقيقي. ثم قاموا بتغذية هذه اللقطة في نموذج حاسوبي هجين يجمع بين طريقتين قويتين من التفكير: إحداهما تركز على الجيران المباشرين للسهم، والأخرى تمسح السوق بأكره لرصد الأنماط العالمية البعيدة.
اختبر الباحثون هذا النهج على اثنين من أكبر أسواق العالم: مؤشر (CSI 300) في الصين ومؤشر (S&P 500) في الولايات المتحدة. وقارنوا منهجهم الجديد بنسختين أبسط من النموذج نفسه وبالمتوسط العام للسوق. أظهرت النتائج تسلسلاً هرمياً واضحاً؛ فالنموذج الذي تجاهل هيكل الشبكة ونظر فقط إلى سمات الأسهم الفردية قدم أداءً جيداً، والنموذج الذي أضاف معلومات عن الجيران المباشرين للسهم حقق أداءً أفضل، ولكن النسخة الأكثر نجاحاً كانت تلك التي جمعت بين التفاصيل المحلية والرؤية الشاملة للشكل العالمي للسوق. في السوق الصينية، حقق هذا النموذج المتقدم عائداً تراكمياً قدره 103.6 بالمائة خلال فترة الاختبار، متفوقاً بشكل كبير على المعيار المرجعي للسوق البالغ 27.0 بالمائة. وفي السوق الأمريكية، حقق عائداً بنسبة 41.4 بالمائة مقارنة بـ 16.4 بالمائة للمعيار المرجعي. والأهم من ذلك، أن هذه العوائد المرتفعة لم تأتِ مع مخاطر متهورة؛ فقد حافظ النموذج على توازن متفوق بين المكافأة والمخاطرة، وهو ما يُعرف بنسبة "شارب" (Sharpe ratio)، في كلا المنطقتين.
إن ما يجعل هذه النتائج مثيرة للاهتمام بشكل خاص هو كيفية تحقيق النموذج لها. قد يفترض المرء أن ذكاءً اصطناعياً أكثر قوة سيقوم ببساطة باختيار بعض "الأسهم الرابحة" والمراهنة بكل شيء عليها، أو أنه سيفضل قطاعات معينة مثل التكنولوجيا أو التمويل. بدلاً من ذلك، أصبح النموذج أكثر انتقائية في خياراته مع توزيع رهاناته عبر مجموعة واسعة من القطاعات. فمع حصول النموذج على وصول إلى المزيد من طبقات معلومات الشبكة، ركز أمواله في عدد أقل من الأسهم، لكن تلك الأسهم كانت مستمدة من صناعات مختلفة متنوعة. وهذا يشير إلى أن النموذج لم يكن يخمن اتجاهات القطاعات، بل كان يحدد شركات معينة تحتل مواقع فريدة داخل الهيكل اليومي للسوق. لقد وجد القيمة في الشكل المحدد للشبكة، وليس في الفئات الاقتصادية الواسعة.
ولفهم الأسباب التي جعلت النموذج يتخذ تلك القرارات، استخدم الباحثون أداة تشخيصية تعمل مثل كشاف الضوء، تكشف عن السمات الأكثر أهمية في الشبكة لكل قرار. واكتشفوا أن النموذج اعتمد بشكل كبير على تباين البيانات؛ فالسمات التي تتغير بشكل متكرر وتقدم نطاقاً واسعاً من القيم عبر مختلف الأسهم كانت هي التي تقود قرارات الاستثمار. وعلى العكس من ذلك، فإن السمات التي ظلت ثابتة تقريباً لكل الأسهم، مثل حجم أكبر مجموعة مترابطة بشدة من الشركات، تم تجاهلها إلى حد كبير. وهذا يشير إلى أن النموذج تعلم تجاهل الحقائق الساكنة والثابتة والتركيز بدلاً من ذلك على الإشارات الديناميكية والمتغيرة التي تتنبأ بالأداء المستقبلي فعلياً.
كما كشفت الدراسة عن اختلاف دقيق بين السوقين؛ ففي الصين، وضع النموذج وزناً أكبر للهيكل المحلي للشبكة، حيث أولى اهتماماً وثيقاً للجيران المباشرين للسهم. أما في الولايات المتحدة، فقد اعتمد النموذج بشكل أكبر على مقاييس الوصول العالمية، حيث نظر في مدى بعد السهم عن الآخرين عبر الشبكة بأكملها. وهذا يشير إلى أن "شخصية" السوق هي التي تحدد نوع معلومات الشبكة الأكثر قيمة. ووجد الباحثون أنه مع إضافة المزيد من طبقات معلومات الشبكة إلى نموذجهم، تغيرت الطريقة التي يستخدم بها الميزات المختلفة تماماً؛ فهو لم يقم فقط بتضخيم الإشارات التي يعرفها بالفعل، بل أعاد تنظيم فهمه، مستمداً من مجموعة أوسع وأكثر تنوعاً من الأدلة الهيكلية لاتخاذ قراراته النهائية.
في نهاية المطاف، يثبت هذا العمل أن شكل الشبكة المالية يحتوي على معلومات قابلة للتنفيذ تغفل عنها الأساليب التقليدية. ومن خلال ترجمة الهندسة المعقدة والمتطورة للسوق إلى قرارات استثمارية، أظهر الباحثون أن التعلم الآلي يمكنه دمج مستويات متعددة من المعلومات بفعالية، بدءاً من الحي المحلي لسهم واحد وصولاً إلى التبعيات العالمية للسوق بأكمله. وتشير النتائج إلى أن المحافظ الأكثر نجاحاً قد لا تُبنى بالنظر إلى الأسهم بمعزل عن بعضها أو باتباع قواعد ثابتة، بل من خلال القراءة المستمرة للخريطة الحية والنابضة للسوق نفسه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.