Deep Learning for Option Pricing and Implied Volatility Surfaces: A No-Arbitrage Neural Network Approach with a Frontier-Market Transferability Test
تُظهر هذه الدراسة أنه في حين أن الشبكات العصبية المدركة للمراجحة تُحسن دقة تسعير الخيارات داخل العينة، إلا أنها تفشل في التعميم على الأسواق الحدودية شحيحة البيانات دون ضبط دقيق، حيث تظل النماذج البارامترية المعاد معايرتها مثل نموذج هيستون أكثر متانة وكفاءة.
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، تُعد الخيارات عقوداً تمنح شخصاً ما الحق في شراء أو بيع أصل بسعر محدد بحلول تاريخ معين. ولتسعير هذه العقود بشكل عادل، يعتمد المتداولون على مفهوم يُسمى "التقلب الضمني"، وهو في الأساس مقياس لمدى توقع السوق لتقلب سعر الأصل صعوداً أو هبوطاً في المستقبل. إذا تخيلت سعر السهم كقارب في المحيط، فإن التقلب الضمني هو التنبؤ بمدى اضطراب الأمواج. لعقود من الزمن، استخدم الرياضيون صيغاً ثابتة للتنبؤ بهذه الأمواج، لكن الأسواق الحقيقية فوضوية وتتغير باستمرار. وفي السنوات الأخيرة، حاول العلماء استخدام الذكاء الاصطناعي، وتحديداً التعلم العميق، لتعلم هذه الأنماط مباشرة من البيانات، آملين في بناء نظام يكون أكثر مرونة ودقة من الصيغ القديمة. ومع ذلك، ظل هناك قلق كبير يلوح في الأفق: إذا تعلم الكمبيوتر التنبؤ بالأسعار بشكل جيد للغاية، فقد يبتكر بالخطأ هيكلاً تسعيرياً يسمح بـ "المال المجاني"، وهو موقف يُعرف باسم "المراجحة" (arbitrage)، وهو أمر لا يمكن أن يوجد في سوق مستقر. علاوة على على ذلك، لا يزال من غير الواضح ما إذا كان بإمكان كمبيوتر تدرب على الأسواق المزدحمة والسيولة العالية في الدول المتقدمة أن يستوعب الأسواق الضعيفة والهادئة الموجودة في الاقتصادات الناشئة.
قام فريق من الباحثين في جامعة إيبادان في نيجيريا باختبار هذه الأفكار من خلال بناء نوع جديد من الشبكات العصبية، وهي نوع من برامج الكمبيوتر المصممة للتعرف على الأنماط. كان هدفهم هو إنشاء نظام لا يتعلم فقط التنبؤ بأسعار الخيارات بدقة، بل يلتزم أيضاً بصرامة بالقواعد التي تمنع المال المجاني. قاموا بتدريب هذا النظام على كمية هائلة من البيانات المحاكية لسوق سليم وسلس السيولة، يشبه تلك الموجودة في الولايات المتحدة أو أوروبا. ولضمان عدم انتهاك الكمبيوتر للقيود، أضافوا جزاءً خاصاً إلى عملية التعلم الخاصة به. فإذا أدت تنبؤات الكمبيوتر إلى إنشاء منحنى تسعير يسمح بالربح الخالي من المخاطر، فإن الجزاء سيزداد، مما يجبر النظام على تعديل منطقه الداخلي حتى يصبح المنحنى سلساً ومنطقياً مرة أخرى. صُمم هذا النهج لمعرفة ما إذا كان تعليم الكمبيوتر احترام هذه القواعد المالية سيجعله متنبئاً أفضل.
بعد ذلك، وضع الباحثون ابتكارهم تحت اختبار صارم. أولاً، تحققوا من مدى أدائه على نفس نوع بيانات السوق السلس الذي تم التدريب عليه. كانت النتائج واعدة؛ فالكمبيوتر الذي عُلّم احترام قواعد عدم المراجحة ارتكب أخطاء أقل من النسخة التي لم تُعلّم هذه القواعد. لقد تنبأ بتقلب السوق بدقة أكبر وأنتج سيناريوهات تسعير أقل استحالة. في الواقع، مقارنة بصيغة قياسية غير معتمدة على الذكاء الاصطناعي، كان الكمبيوتر "المعاقب" (الذي خضع للجزاء) أكثر دقة بشكل ملحوظ. ومع ذلك، تغيرت القصة بشكل دراماتيكي عندما حاول الباحثون استخدام هذا الكمبيوتر نفسه في بيئة مختلفة تماماً. لقد قاموا بمحاكاة "سوق حدودي" (frontier market)، وهو إطار يتميز بعدد قليل جداً من التداولات، وأسعار فائدة مرتفعة، وقفزات سعرية مفاجئة وحادة، تم نمذجتها لمحاكاة ظروف بورصة نيجيريا.
عندما طُلب من الكمبيوتر، الذي لم يرَ قط هذا النوع من الأسواق، تقديم تنبؤات، فشل فشلاً ذريعاً. النسخة التي تم تدريبها بكثافة على احترام قواعد السوق السلس كانت الأسوأ على الإطلاق، حيث ارتكبت أخطاءً أكبر بكثير حتى من مجرد تخمين بسيط. القواعد التي ساعدته على النجاح في السوق المزدحم أصبحت في الواقع عائقاً في السوق الهادئ والمتقلب. لقد تعلم الكمبيوتر الشكل المحدد للسوق السلس جيداً لدرجة أنه لم يستطع التكيف مع الشكل الغريب والمتعرج للسوق الحدودي. وجد الباحثون أن الطريقة الوحيدة لإصلاح ذلك هي إظهار قدر ضئيل من البيانات الجديدة من السوق الحديدي للكمبيوتر - ثمانية وثمانين مثالاً فقط - والسماح له بتعديل تعلمه قليلاً. وبمجرد إعطائه هذه المعلومة الصغيرة الجديدة، تحسن أداء الكمبيوتر بشكل جذري، مغلقاً الفجوة مع النماذج التقليدية الأكثر شيوعاً.
كما قارنت الدراسة بين نماذج الذكاء الاصطناعي هذه وبين نهج رياضي كلاسيكي يُعرف بنموذج "هيستون" (Heston model)، والذي يستخدم مجموعة من خمسة أرقام قابلة للتعديل لوصف سلوك السوق. ومن المثير للدهشة أن النموذج الكلاسيكي ظل الأداة الأكثر دقة في معظم السيناريوهات. ولأن النموذج الكلاسيكي بسيط، فقد كان بإمكانه إعادة المعايرة بسرعة كل يوم باستخدام حفنة صغيرة من أسعار السوق الجديدة، مما يسمح له بالتكيف الفوري مع الظروف المتغيرة. في المقابل، كان الذكاء الاصطناعي يحتاج إلى إعادة التدريب أو الضبط الدقيق ببيانات جديدة لمواكبة التطورات. وخلص الباحثون إلى أنه بينما تجعل إضافة القواعد لمنع المال المجاني نموذج الذكاء الاصطناعي أفضل ضمن البيئة التي تدرب عليها، إلا أنها لا تجعل النموذج خبيراً عالمياً. فالنظام المصمم لبحر هادئ وسلس لا يمكن ببساطة وضعه في بحر ضحل وعاصف وتوقع أن يبحر فيه دون تعلم التيارات المحلية أولاً.
في نهاية المطاف، يشير العمل إلى أنه بالنسبة للأسواق المالية في الدول النامية أو للمنتجات الجديدة ذات التداول الضعيف، فإن الاعتماد فقط على ذكاء اصطناعي مدرب مسبقاً يعد أمراً محفوفاً بالمخاطر. يجب تعليم الكمبيوتر القواعد الخاصة بالبيئة الجديدة، حتى لو كان ذلك يعني إظهار عدد صغير فقط من الأمثلة له. وإلى أن تتوفر مثل هذه البيانات، تظل النماذج الرياضية الأقدم والأبسط التي يمكن تعديلها بسرعة وفقاً لظروف السوق اليومية هي الخيار الأكثر أماناً وموثوقية. تسلط الدراسة الضوء على درس حاسم لمستقبل التمويل: الذكاء في سياق معين لا يضمن الحكمة في سياق آخر، وغالباً ما تكون الأداة الأكثر قوة هي تلك التي يمكنها التعلم والتكيف بأسرع ما يمكن.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.