Forecasting accuracy to portfolio value: Model risk and regime dependence in an emerging equity market
تحلل هذه الدراسة أسهم بورصة موسكو لتثبت أنه في حين يوفر نموذج CatBoost أفضل دقة في التنبؤ الإحصائي، فإن نموذج PatchTST يقدم أداءً متفوقاً للمحفظة الاستثمارية، وأنه لا يمكن لأي استراتيجية لاختيار النماذج أو لتبديل الأنظمة (regime-switching) أن تتغلب بشكل موثوق على الانفصال الجوهري بين دقة التنبؤ والقدرة على التصنيف عبر القطاعات في الأسواق الناشئة.
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
يواجه المستثمرون الذين يديرون محافظ مالية ضخمة معضلة صامتة ومستمرة: يتعين عليهم تخمين الأسهم التي سترتفع وتلك التي ستنخفض، لكن لا يمكنهم التأكد أبداً مما إذا كانت طريقة التخمين التي يتبعونها هي الطريقة الصحيحة. لا يتعلق الأمر بمجرد سوء حظ، بل هو مشكلة جوهرية من عدم اليقين. فمن مستوى واحد، يقلق المستثمر من أن تقديره للعائد المستقبلي لسهم ما قد يكون خاطئاً. ومن مستوى أعمق، يقلق من أن الإطار الرياضي بأكمله الذي يستخدمه لإجراء ذلك التقدير قد يكون معيباً. في الأوقات المستقرة، غالباً ما تنجح القواعد البسيطة، ولكن عندما تتغير البيئة الاقتصادية — عندما يرتفع التضخم، أو تصبح الأسواق متقلبة، أو تنهار الأسعار — يمكن لتلك القواعد نفسها أن تفشل. ويصبح السؤال هو ما إذا كانت الطريقة الأكثر تعقيداً ومرونة يمكنها التكيف مع هذه الظروف المتغيرة بشكل أفضل من الطريقة المباشرة، وما إذا كانت الطريقة الدقيقة إحصائياً في التنبؤ بالأرقام تؤدي بالفعل إلى نتائج استثمارية أفضل.
وضع فريق من الباحثين هدفاً لاختبار هذه الأسئلة في سوق الأسهم الروسية، وهي منطقة شهدت ظروفاً اقتصادية تحولت بشكل جذري خلال العقد الماضي. فقد جمعوا بيانات عن ما يقرب من ثلاثمائة شركة يتم تداولها في بورصة موسكو، تغطي فترة من أواخر عام 2016 حتى عام 2025. شمل هذا الإطار الزمني سنوات من التضخم المستمر، والصدمة العالمية للجائحة، وفترة من التوترات الجيوسياسية المكثفة والتشديد النقدي. أراد الباحثون معرفة ما إذا كانت العلاقة بين خصائص الشركة وعوائدها المستقبلية تتغير اعتماداً على ما إذا كان السوق هادئاً أم مضطرباً. ولتحقيق ذلك، بنوا تجربة منضبطة حيث تنافس ثماني طرق تنبؤ مختلفة ضد بعضها البعض. تراوحت هذه الطرق من المعادلات الخطية البسيطة، التي تفترض وجود علاقة ثابتة بين العوامل والعوائد، إلى خوارزميات التعلم الآلي المتطورة القادرة على اكتشاف الأنماط المعقدة وغير الخطية والتكيف مع البيانات الجديدة.
غذى الباحثون جميع النماذج الثمانية بالمعلومات ذاتها تماماً: بيانات عن حجم الشركة، وقيمتها، وزخمها، وسيولتها، مدمجة مع مؤشرات ضغط السوق مثل التضخم المرتفع والانخفاضات الحادة في الأسعار. ثم طلبوا من كل نموذج التنبؤ بعوائد الأسهم خلال الأشهر الثلاثة التالية. ومن الأهمية بمكان، أنهم لم يتركوا النماذج تتنافس في فوضى عارمة؛ بل أجبروا كل نموذج على استخدام نفس القواعد لبناء المحفظة الاستثمارية. فقد اختاروا أفضل خمسة وعشرين سهماً ذات أعلى عوائد متوقعة، وحددوا سقفاً للمبلغ المستثمر في أي سهم منفرد، وأداروا المخاطر بطريقة متطابقة. وقد ضمن ذلك أن أي اختلاف في النتائج النهائية نابع حصرياً من جودة التوقعات، وليس من كيفية تخصيص الأموال.
كشفت النتائج عن انفصال مفاجئ بين الدقة الإحصائية والقيمة في العالم الحقيقي. فقد أنتج أحد أكثر نماذج التعلم الآلي تقدماً، والمعروف باسم "كات بوست" (CatBoost)، أصغر متوسط أخطاء عند التنبؤ بالعوائد؛ أي أنه كان الأكثر دقة في تخمين الأرقام. ومع ذلك، عندما نظر الباحثون في قدرة النماذج على تصنيف أفضل الأسهم مقابل أسوأها، أدت جميع الطرق الثماني أداءً ضعيفاً. لم تستطع أي منها تحديد أفضل المؤدين باستمرار بشكل أفضل من الصدفة العشوائية. يشير هذا الاكتشاف إلى أن حتى الخوارزميات الأكثر تطوراً تواجه صعوبة في إيجاد إشارة موثوقة وسط ضجيج السوق الناشئة، خاصة عندما يمر ذلك السوق بتغييرات هيكلية سريعة.
والأهم من ذلك، وجدت الدراسة أن النموذج صاحب أفضل دقة إحصائية لم ينتج المحفظة الاستثمارية الأفضل. فقد كان هناك نموذج مختلف يعتمد على بنية تعلم التسلسل المعروفة باسم "باتش تي إس تي" (PatchTST)، سجل دقة إجمالية ضعيفة نسبياً في تنبؤاته. ومع ذلك، عندما استُخدمت توقعاته لبناء محفظة استثمارية، حقق عوائد معدلة حسب المخاطر كانت منافسة لأفضل الاستراتيجيات أداءً، كما عانى من خسائر أقل أثناء تراجعات السوق. تسلط هذه النتيجة الضوء على درس بالغ الأهمية: لا يحتاج النموذج إلى أن يكون مثالياً في التنبؤ بكل رقم ليكون مفيداً للاستثمار؛ بل يحتاج فقط إلى أن يكون جيداً بما يكفي لتحديد الأسهم التي ستؤدي أداءً جيداً، حتى لو أخطأ في بقية السوق.
اختبر الباحثون أيضاً ما إذا كان من الممكن التبديل بين النماذج بناءً على ظروف السوق الحالية، مثل استخدام نموذج معين أثناء التضخم المرتفع ونموذج آخر أثناء انهيارات السوق. فأنشأوا قاعدة تختار تلقائياً النموذج الأفضل أداءً بناءً على النتائج الأخيرة أو الحالة الراهنة للاقتصاد. وبينما أنتجت قاعدة التبديل هذه أعلى عوائد اسمية في اختبارهم العكسي، إلا أن الميزة لم تكن موثوقة إحصائياً. كانت النتائج قريبة جداً من الاستراتيجيات الثابتة لدرجة أن الفرق قد يعود للصدفة. علاوة على ذلك، وبما أن القاعدة صُممت بعد الاطلاع على البيانات، فلا يمكن اعتبارها استراتيجية مثبتة للمستقبل. تشير الدراسة إلى أنه بينما يعد معرفة ما إذا كان السوق مضطرباً أم لا أمراً مفيداً لفهم متى قد تكون التوقعات غير موثوقة، إلا أن ذلك لا يوفر إشارة واضحة وتلقائية للأداة الرياضية التي يجب استخدامها.
في الختام، خلصت الورقة البحثية إلى أنه لا يوجد نموذج واحد "أفضل" للتنبؤ بعوائد الأسهم في سوق ناشئة. فالنماذج الأكثر مرونة وتعقيداً لا تتفوق تلقائياً على النماذج الأبسط، والنموذج الذي يفوز في مسابقة إحصائية ليس بالضرورة هو الذي يبني المحفظة الأكثر ربحية. إن عدم اليقين الذي يواجهه المستثمرون هو أمر مزدوج: فعليهم التعامل مع الصعوبة المتأصلة في التنبؤ بالمستقبل، وعليهم أيضاً قبول حقيقة أنهم لا يمكنهم التأكد من أن الطريقة المستخدمة في التنبؤ هي الطريقة الصحيحة في اللحظة الراهنة. وفي هذه البيئة، قد لا يكون النهج الأكثر قوة هو البحث عن آلة تنبؤ مثالية، بل في إدراك أن جميع النماذج تحمل مخاطر، وأن قيمة النموذج لا تكمن في دقته المتوسطة، بل في قدرته على توجيه قرارات استثمارية سليمة تحت الضغط.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.