An Inter-variable Relationship-Aware Mixture-of-Experts Model for Stock Closing-Price Prediction
تقترح الورقة البحثية IR-MoE، وهو نموذج "ترانسفورمر" لخليط من الخبراء مدرك للعلاقات بين المتغيرات، يقوم بنمذجة التبعيات الديناميكية بين متغيرات التداول بشكل صريح ويستخدم توجيهاً متفرقاً مع استراتيجية تدريب مبعثرة على مستوى السهم لتحقيق دقة تنبؤ فائقة وقدرة على التعميم الصفري عبر مختلف أسواق الأسهم العالمية.
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
إن التنبؤ بالسعر المستقبلي للسهم هو أحد أكثر التحديات استمرارية في عالم التمويل. فالسوق مكان فوضوي، يتأثر بكل شيء بدءاً من الأخبار العالمية والسياسات الحكومية وصولاً إلى المزاج الجماعي لملايين المستثمرين. وبسبب هذا، لا تتحرك أسعار الأسهم في خطوط مستقيمة بسيطة؛ بل هي ضوضائية، ومضطربة، ومتغيرة باستمرار. وعلى مدى عقود، حاول الخبراء إيجال أنماط في هذه الفوضى، وغالباً ما نظروا إلى مجموعة قياسية من خمسة أرقام يومية: السعر عند افتتاح السوق، وأعلى نقطة وصل إليها، وأدنى نقطة، والسعر عند الإغلاق، وإجمالي حجم الأسهم المتداولة. وتكمن الصعوبة ليس فقط في تتبع هذه الأرقام بمرور الوقت، بل في فهم كيفية تفاعلها مع بعضها البعض. فارتفاع السعر المصحوب بحجم تداول كبير يروي قصة مختلفة عن الارتفاع مع حجم تداول ضئيل، ومع ذلك، فإن العديد من نماذج الكمبيوتر تعامل هذه الأرقام الخمسة كتدفقات بيانات منفصلة وغير مترابطة.
السؤال الجوههري الذي يواجه الباحثين هو ما إذا كان بإمكان برنامج كمبيوتر واحد تعلم القواعد المعقدة والمتغيرة لسوق الأسهم بشكل جيد بما يكفي لتطبيقها على أسهم جديدة لم يسبق له رؤيتها دون الحاجة إلى إعادة تدريبه من الصوفر. غالباً ما تعاني الطرق التقليدية هنا، إما بالفشل في التقاط العلاقات الدقيقة بين السعر والحجم، أو بأن تصبح متخصصة للغاية في شركة معينة بحيث لا يمكنها التكيف مع شركة أخرى. وهذا القصور يجعل من الصعب بناء أداة عالمية لتحليل الاستثمار تعمل عبر مختلف البلدان وظروف السوق.
في دراسة حديثة، اقترح فريق من الباحثين من معهد بكين للتكنولوجيا نهجاً جديداً لحل هذه المشكلة. فقد طوروا نظاماً يسمى IR-MoE، وهو اختصار لـ "الخليط من الخبراء المدرك للعلاقات بين المتغيرات" (Inter-variable Relationship-Aware Mixture-of-Experts). ويصف الاسم بالضبط ما يفعله النظام: فهو مصمم ليكون مدركاً لكيفية ارتباط متغيرات التداول المختلفة ببعضها البعض، ويستخدم "خليطاً من الخبراء" لإجراء التنبؤات. وبدلاً من إجبار الكمبيوتر على تعلم قاعدة واحدة جامدة لجميع الأسهم، يسمح هذا النظام لأجزاء مختلفة من النموذج بالتخصص في ظروف سوق مختلفة. وقد بُني على فكرة أنه بينما كل سهم فريد من نوعه، إلا أن الطريقة التي يتفاعل بها السعر والحجم غالباً ما تتبع أنماطاً يمكن التعرف عليها وتعلمها ونقلها.
بدأ الباحثون بجمع كمية هائلة من البيانات التاريخية من أربعة أسواق مالية متميزة: سوق الأسهم الصينية (A-share)، والولايات المتحدة، وهونج كونج، واليابان. واختاروا مئات الأسهم الممثلة من هذه المناطق، تغطي نطاقاً واسعاً من الصناعات وسلوكيات السوق. وبدلاً من تدريب نموذج منفصل لكل واحد من هذه المئات من الأسهم، قاموا بتغذية جميع البيانات في نظام موحد واحد. سمحت استراتيجية "التدريب الموحد" هذه للنموذج بتعلم ديناميكيات السوق المشتركة، مثل كيف أن طفرة في حجم التداول غالباً ما تشير إلى تحول في اتجاه السعر، بغض النظر عما إذا كان السهم مقره في شنغهاي أو نيويورك.
قلب نظامهم هو بنية تتكون من جزأين. يركز الجزء الأول على فهم العلاقات بين الأرقام الخمسة اليومية. فقد عامل الباحثون كل رقم — الافتتاح، الأعلى، الأدنى، الإغلاق، والحجم — كقطعة معلومات متميزة، أو "رمز" (token)، واستخدموا آلية مستوحاة من نماذج اللغة الحديثة للسماح لها بالتفاعل. سمح هذا للنظام بأن يتعلم صراحةً، على سبيل المثال، أن سعر الإغلاق يتأثر بشدة بحجم التداول في ذلك اليوم. ومن خلال تصور هذه التفاعلات، وجد الباحثون أن النموذج يولي اهتماماً ثابتاً لحجم التداول عند محاولة فهم تحركات الأسعار. ولم يكن هذا الانتباه عشوائياً؛ فقد كان أقوى خلال فترات التقلب العالي، مما يشير إلى أن النموذج قد تعلم أن الحجم يصبح دليلاً أكثر حيوية عندما يكون السوق مضطرباً.
الجزء الثاني من النظام هو "خليط من الخبراء". تخيل فريقاً من المتخصصين، كل منهم خبير في نوع معين من سلوكيات السوق، مثل الاتجاه التصاعدي المستقر، أو الانهيار المفاجئ، أو الحركة الجانبية الهادئة. عندما يتلقى النظام بيانات لسهم جديد، فإنه لا يطلب من كل المتخصصين إبداء الرأي. بدلاً من ذلك، تقوم آلية توجيه بالنظر في ظروف السوق الحالية وتختار فقط عدداً قليماً من الخبراء الأكثر صلة لاتخاذ التنبؤ. وهذا يسمح للنظام بالتكيف فوراً مع المواقف المختلفة. فإذا كان السوق يتصرف بشكل غير منتظم، فقد يستدعي خبراء مدربين على أنماط التقلب العالي؛ وإذا كان السوق هادئاً، فقد يعتمد على أولئك المدربين على الاتجاهات المستقرة. هذه المرونة هي ما يسمح للنموذج بالتعامل مع الطبيعة المتنوعة والمتغيرة لأسواق الأسهم العالمية.
تم اختبار نتائج الدراسة عبر جميع الأسواق الأربعة، بما في ذلك اختبار صارم طُلب فيه من النموذج التنبؤ بأسعار أسهم لم يسبق له رؤيتها من قبل، دون أي تدريب إضافي. في هذه الاختبارات "صفرية المعرفة" (zero-shot)، تفوق النظام الجديد على عدة طرق موجودة، بما في ذلك النماذج المعقدة التي تقسم البيانات إلى أجزاء أصغر وأنظمة الذكاء الاصطناعي المتقدمة الأخرى المصممة للتنبؤ بالسلاسل الزمنية. وفي سوق الأسهم الصينية (A-share)، حقق النموذج معدل خطأ في التنبؤ بنحو 1.10 بالمائة، بينما في السوق الأمريكية، وصل معدل الخطأ إلى حوالي 1.32 بالمائة. وكانت هذه الأرقام أفضل باستمرار من أفضل البدائل أداءً في الدراسة.
ولعل الأمر الأكثر أهمية هو أن النموذج أثبت قدرته على نقل معرفته عبر الحدود. فعندما تم تطبيق النظام الذي تدرب على بيانات الأسهم الصينية مباشرة على أسهم غير مرئية في الولايات المتحدة وهونج كونج واليابان، حافظ على دقة عالية. وهذا يشير إلى أن العلاقات الأساسية بين السعر والحجم عالمية بما يكفي ليتم تعلمها مرة واحدة وتطبيقها في أي مكان. ووجد الباحثون أيضاً أن النظام يعمل بشكل أفضل عندما يتم تدريبه على عدد متنوع ولكن يمكن التحكم فيه من الأسهم. فإضافة المزيد من البيانات ساعدت في البداية، ولكن بعد نقطة معينة، تضاءلت الفوائد، مما يشير إلى أن المفتاح كان تغطية مجموعة واسعة من سلوكيات السوق بدلاً من مجرد تغذية النظام بمزيد من الأرقام.
لضمان عمل النظام بشكل صحيح، فحص الباحثون أيضاً كيف يتم استخدام "الخبراء". ووجدوا أنه بدون آلية توازن محددة، يميل النظام إلى الاعتماد بشكل مفرط على عدد قليل من الخبراء، مما يترك الآخرين خاملين. ومن خلال إضافة قاعدة تجبر النظام على توزيع العمل بشكل أكثر توازناً، ضمنوا أن تكون جميع الأجزاء المتخصصة من النموذج نشطة وتتعلم. كان هذا الاهتمام بالتفاصيل في عملية التدريب حاسماً لاستقرار النظام وأدائه.
تخلص الدراسة إلى أنه من خلال نمذجة كيفية تفاعل متغيرات التداول صراحةً وباستخدام فريق مرن من المتنبئات المتخصصة، فمن الممكن بناء أداة أكثر قوة وقابلية للتكيف للتنبؤ بالأسهم. ويشير الباحثون إلى أن نهجهم يقدم مساراً واعداً للمستقبل في التحليل المالي، وهو مسار ينتقل من النماذج الجامدة ذات الغرض الواحد نحو الأنظمة التي يمكنها فهم لغة السوق المعقدة والمتغيرة. ورغم أن الدراسة لا تدعي أنها حلت لغز سوق الأسهم، إلا أنها تثبت أن الفهم الأعمق للعلاقات بين بيانات التداول اليومية يمكن أن يؤدي إلى تنبؤات أكثر دقة وقابلية للتعميم. ويفتح هذا العمل الباب أمام الأبحاث المستقبلية التي يمكن أن تدمج أنواعاً أكثر من البيانات، مثل التقارير الإخبارية أو تفاصيل التداول خلال اليوم، لزيادة صقل قدرتنا على التنقل في العالم المالي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.