Adaptive Position Rebalancing via Regime-Conditioned Contextual Bandits for Pre-Market Trading Optimization
تقترح هذه الورقة إطاراً تكيفياً لإدارة المحافظ الاستثمارية قبل افتتاح السوق للسوق الهندية، يقوم باختيار إجراءات الشراء أو البيع أو الاحتفاظ بشكل ديناميكي عبر الجمع بين الكشف عن نظام السوق غير الخاضع للإشراف ومجموعة من أربعة نماذج للمنطق السياقي (contextual bandit models)، مما يظهر أداءً فائقاً على النهج المرجعية في الظروف المتقلبة.
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، لا يتمثل التحدي الأصعب في التنبؤ بالمستقبل، بل في إدراك الحاضر. فالأسواق ليست مناظر طبيعية ثابتة؛ بل هي بيئات حية تتحول بين حالات مزاجية متميزة. فأحياناً تكون متفائلة وصاعدة، وهي حالة يطلق عليها المتداولون اسم "السوق الصاعدة" (Bullish). وفي أوقات أخرى، يتملك الخوف من السوق، فتهبط الأسعار في ركود "السల السوق الهابطة" (Bearish). وفي المنتصف، غالباً ما تستقر السوق في حالة محايدة، تتحرك بشكل جانبي دون اتجاه واضح. وغالباً ما تعاني النماذج الحاسوبية التقليدية من هذه الحقيقة لأنها تميل إلى تطبيق مجموعة واحدة من القواعد على جميع المواقف، مثل سائق يستخدم نفس تقنية التوجيه سواء كان الطريق جافاً، أو جليدياً، أو مغطى بالطين. وعندما تتغير البيئة، غالباً ما يفشل النموذج الجامد في التكيف بسرعة كافية، مما يؤدي إلى أخطاء مكلفة. وينطبق هذا بشكل خاص على الفترة الوجيزة التي تسبق افتتاح سوق الأسهم، وهو الوقت الذي يتعين فيه على المتداولين تقرير ما إذا كانوا سيشترون المزيد من الأسهم، أو يبيعون ما يملكونه، أو لا يفعلون شيئاً بناءً على أحدث المعلومات.
اقترح فريق من الباحثين من الهند طريقة جديدة للتعامل مع هذا التقلب من خلال تعليم الحواسيب التعرف على المزاج الحالي للسوق قبل اتخاذ القرار. ويركز عملهم على جلسة ما قبل السوق في البورصة الهندية، وهي نافذة قصيرة مدتها ثماني دقائق بين الساعة 9:00 صباحاً و9:08 صباحاً حيث يقوم المتداولون بتعديل محافظهم الاستثمارية قبل بدء التداول المنتظم. وبدلاً من الاعتماد على خوارزمية واحدة ضخمة وشاملة، بنى الباحثون نظاماً يحدد أولاً ما إذا كان السوق في حالة صاعدة، أو هابطة، أو محايدة. وبمجرد تحديد المزاج، ينتقل النظام إلى فريق متخصص من أربع أدوات مختلفة لاتخاذ القرار، كل منها مدرب خصيصاً لهذا النوع من البيئات. تعمل هذه الأدوات معاً للتصويت على أفضل إجراء لكل سهم، مما يضمن أن الاستراتيجية تناسب الظروف الحالية بدلاً من فرض استراتيجية واحدة على عالم متغير.
اختبر الباحثون هذا النهج باستخدام بيانات تاريخية لخمس شركات هندية كبرى عبر قطاعات مختلفة، بما في ذلك الخدمات المصرفية والتكنولوجيا والسيارات، تغطي عقدًا من تاريخ السوق من 2015 إلى 2025. وقارنوا نظامهم الجديد "المشروط بالوضع السائد" (Regime-conditioned) بالنماذج القياسية التي لا تميز بين أمزجة السوق. وأظهرت النتائج ميزة واضحة للنهج التكيفي. ففي عمليات المحاكاة، حدد النظام الجديد الإجراء الأفضل بشكل صحيح — سواء كان الشراء أو البيع أو الاحتفاظ — بنسبة تتراوح بين 54 إلى 61 بالمائة عبر مختلف الأسهم. وفي المقابل، حققت النماذج القياسية، التي استخدمت المنطق نفسه بغض النظر عن ظروف السوق، معدلات دقة تترا-وح بين 34 و52 بالمائة فقط. كما حقق النظام التكيفي أرباحاً إجمالية أكبر بمرور الوقت وارتكب أخطاء أقل تكلفة مقارنة باستراتيجية مثالية، مما يشير إلى أن تفصيل القرارات لتناسب بيئة السوق المحددة يحسن الأداء بشكل كبير.
يكمن جوهر هذا النجاح في قدرة النظام على "فرق تسد". فقد استخدم الباحثون طريقة تسمى "التجميع" (Clustering) لتقسيم أيام السوق الماضية إلى ثلاث فئات بناءً على كيفية سلوك الأسعار وأحجام التداول. وعندما يأتي يوم جديد، يتحقق النظام من بيانات السوق الحالية مقابل هذه المجموعات لتحديد الوضع السائد. فإذا كان السوق في اتجاه صاعد، يقوم النظام بتنشيط مجموعة محددة من أربعة محركات قرار مصممة للظروف الصاعدة. وإذا كان السوق في حالة هبوط، فإنه ينتقل إلى مجموعة مختلفة من المحركات المدربة على الظروف الهابطة. وتتضمن هذه المحركات نماذج خطية، تبحث عن الأنماط المباشرة، ونماذج عصبية، يمكنها اكتشاف العلاقات المعقدة وغير الخطية. ومن خلال امتلاك فريق مخصص لكل مزاج، يتجنب النظام الارتباك الذي غالباً ما يعاني منه نهج النموذج الواحد عندما يتحول السوق فجأة من الهدوء إلى الفوضى.
وللقيام بهذه القرارات، ينظر النظام إلى نطاق واسع من الإشارات الفنية، مثل مدى تحرك سعر السهم مؤخراً، ومتوسط السعر خلال الأسابيع القليلة الماضية، وحجم الأسهم المتداولة. هو لا يحاول التنبؤ بالسعر الدقيق للسهم غداً، بل يطرح سؤالاً أبسط وأكثر عملية: بالنظر إلى مزاج السوق الحالي وسلوك السهم الأخير، هل من الأفضل زيادة المركز، أم تقليله، أم البقاء على الوضع نفسه؟ ويتعلم النظام من أخطائه في حلقة مستمرة؛ فبعد كل يوم تداول، يرى كيف كان أداء السهم ويقوم بتحديث قواعده الداخلية ليصبح أفضل في المرة القادمة. وهذا يسمح للنظام بالتكيف مع المعلومات الجديدة فور وصولها، بدلاً من الاعتماد على خطة ثابتة وُضعت قبل أشهر.
كما تسلط الدراسة الضوء على حدود هذا النهج. فالنظام يعتمد كلياً على بيانات الأسعار والأحجام التاريخية، مما يعني أنه لا يمكنه مراعاة الأحداث الإخبارية المفاجئة وغير المتوقعة مثل الأزمات الجيوسياسية أو الإعلانات المؤسسية المفاجئة التي قد تؤدي إلى قفزة في سعر السهم صعوداً أو هبوطاً عند افتتاح السوق. بالإضافة إلى ذلك، افترضت عمليات المحاكاة أنه يمكن تنفيذ الصفقات فوراً دون رسوم أو تأخيرات، وهو أمر ليس دائماً واقعياً في العالم الحقيقي. ورغم هذه القيود، تشير النتائج إلى أن التعامل مع ظروف السوق كأوضاع متميزة بدلاً من تدفق مستمر واحد يوفر طريقة أكثر قوة لإدارة المحافظ الاستثمارية. ومن خلال الإقرار بأن قواعد اللعبة تتغير اعتماداً على البيئة، أثبت الباحثون مساراً نحو استراتيجيات تداول أكثر استقراراً وفعالية، لا سيما في اللحظات الحرجة التي تسبق افتتاح السوق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.