← أحدث الأبحاث
📈 الاقتصاد

Historical-Memory Equity Selection: A Comparative Study of Retrieval, Neural Prediction, and Adaptive Mixing

تقيم هذه الدراسة إطار عمل متمحوراً حول الذاكرة لاختيار الأسهم في الأفق المتوسط عبر ستة أسواق، وتجد أنه بينما يجعل هذا النهج عملية الاسترجاع قابلة للتفكيك، فإن اختيار الذاكرة القائم على التشابه يفشل في التفوق على السوابق العشوائية أو المعايير المرجعية التاريخية، مما يظهر في النهاية عدم وجود تحسن ذي دلالة إحصائية في أداء المحفظة مقارنة بالاستراتيجيات غير النشطة.

المؤلفون الأصليون: Rohil Gujarathi, Sangeeta Oswal, Vaibhav Goyal, Anjali Yeole

نُشر 2026-09-23
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Rohil Gujarathi, Sangeeta Oswal, Vaibhav Goyal, Anjali Yeole

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

غالباً ما يبدو الاستثمار في سوق الأسهم وكأنك تحاول التنبؤ بالطقس بينما تقف في منتصف عاصفة. ينظر المستثمرون إلى الأنماط الماضية، آملين أن يعيد التاريخ نفسه، لكن العالم المالي فوضوي؛ فالأسعار تتحرك بطرق معقدة، متأثرة بالأحداث العالمية، والمشاعر الإنسانية، والتحولات المفاجئة في كيفية شعور الناس تجاه المخاطر. لعقود من الزمن، حاول الخبراء الماليون بناء أدوات أفضل للتنقل وسط هذه الفوضى. كانت إحدى الأفكار الواعدة هي استخدام برامج حاسوبية قوية، وتحديداً تلك المصمسة لفهم تسلسلات البيانات الطويلة، لرصد الأنماط التي قد تفوت البشر. فكرة أخرى هي إنشاء "ذاكرة" لهذه الحواسيب—طريقة للنظر إلى لحظات ماضية محددة تشبه اليوم لترى ما حدث بعد ذلك. والأمل هو أنه من خلال دمج هذه الأدوات الحديثة مع سجل واضح وقابل للفحص من القرارات الماضية، يمكننا اتخاذ خيارات أذكى بشأن الأسهم التي نشتريها ونحتفظ بها لبضعة أشهر.

لقّب فريق من الباحثين مهمة لاختبار ما إذا كان هذا الجمع بين النماذج الحاسوبية المتقدمة والذاكرة التاريخية الصارمة يعمل بالفعل بشكل أفضل من الطرق التقليدية الأبسط. لقد بنوا نظاماً يمكنه النظر في آلاف الأسهم عبر ست دول مختلفة، بما في ذلك الولايات المتحدة والهند والمملكة المتحدة، على مدى فترة ست سنوات من 2020 إلى 2025. كان هدفهم هو معرفة ما إذا كان بإمكان الحاسوب اختيار مجموعة من الأسهم التي ستنمو قيمتها بشكل أفضل من الاختيار العشوائي أو استراتيجية أساسية تتمثل في شراء كل شيء بالتساوي. وللقيام بذلك، أنشأوا إطار عمل حيث يمكن للحاسوب إما تقديم تنبؤ بناءً على تعلمه الخاص، أو البحث عن خمسة وعشرين مثالاً ماضياً يشبه الوضع الحالي، أو الدمج بين النهجين معاً. ومن الأهمية بمكان، أنهم صمموا جزء "الذاكرة" بحيث يمكن تتبع كل قرار واحد والرجوع به إلى سجلات ماضية محددة، مما يجعل العملية شفافة وسهة الفحص.

أجرى الباحثون نظامهم عبر محاكاة صارمة شملت أكثر من مائة سهم وأكثر من أربعة ملايين تنبؤ بالسياسات. وقارنوا بين ست عشرة استراتيجية مختلفة، تتراوح من قواعد الزخم البسيطة إلى الشبكات العصبية المعقدة ونظامهم الجديد القائم على الذاكرة. ولم يقيسوا النجاح بمدى جودة تخمين الحاسوب للمستقبل فحسب، بل بمدى مقدار المال الذي كان سيحققه محفظ استثمارية فعلياً بعد احتساب تكاليف التداول والمخاطر. كانت النتائج مفاجئة ومتواضعة نوعاً ما؛ إذ لم تكن الاستراتيجية التي حققت أفضل أداء هي نظام الذاكرة عالي التقنية، ولا الشبكة العصبية المتقدمة. بدلاً من ذلك، فازت الطريقة الأبسط: وهي استراتيجية سلبية تعتمد على شراء كمية متساوية من كل سهم والاحتفاظ بها. حققت هذه الطريقة البسيطة عائداً أعلى ودرجة أفضل من العائد المعدل حسب المخاطر مقارنة بأي من النماذج المعقدة.

إن نظام الذاكرة المحدد الذي بناه الباحثون، والذي حاول إيجاد أفضل الأمثلة الماضية لتوجيه الخيارات المستقبلية، حقق أداءً أسوأ مما كان متوقعاً. فقد حقق عائداً أقل من النظام الذي يختار الأمثلة الماضية بشكل عشوائي ببساطة. كما فشل في التغلب على استراتيجية أساسية تستخدم متوسط عائد السوق بأكم معها كدليل. ووجد الباحثون أن محاولة الحاسوب لإيجاد مواقف ماضية "متشابهة" لم تؤدِ إلى قرارات استثمارية أفضل. في الواقع، في كل مرة قارنوا فيها نظام الذاكرة بمجموعة ضابطة أبسط، كان نظام الذاكرة يتفوق في الاتجاه الخاطئ، مظهرًا فرقًا سلبيًا في الأداء. وحتى عندما حاولوا السماح للحاسوب بتقرير متى يستخدم الذاكرة ومتى يستخدم تنبؤاته الخاصة، لم تكن النتيجة أفضل من مجرد الالتزام بالطرق الأبسط.

لا تثبت هذه الدراسة أن الحواسيب لا يمكنها المساعدة في الاستثمار، لكنها تظهر أن مجرد إضافة ذاكرة تاريخية أو استخدام أدوات مطابقة الأنماط المعقدة لا يجعل الاستراتيجية مربحة تلقائياً. وقد أكد الباحثون أنه بينما جعل نظامهم عملية صنع القرار واضحة جداً وسهلة التدقيق—مما يسمح لأي شخص برؤية السجلات الماضية المحددة التي استُخدمت لاتخاذ قرار—إلا أن هذه الشفافية لم تترجم إلى أموال إضافية. فالأوضاع الماضية "المتشابهة" التي وجدها الحاسوب لم تكن في الواقع مؤشرات جيدة لما سيحدث بعد ذلك. وتشير الدراسة إلى أن الأسواق المالية قد تكون معقدة للغاية أو متغيرة للغاية بالنسبة لهذا النوع المحدد من القياسات التاريخية، على الأقل خلال فترة السنوات الست التي اختبروها.

في نهاية المطاف، يعمل هذا العمل كفحص دقيق للحماس المحيط بالذكاء الاصطناعي في التمويل. فهو يوضح أن امتلاك أداة يمكنها النظر إلى الماضي وشرح منطقها أمر قيم لفهم كيفية عمل النموذج، ولكنه لا يضمن أن يكون النموذج صحيحاً. وقد خلص الباحثون إلى أن طريقتهم المحددة في اختيار الأسهم بناءً على سجلات ماضية متشابهة لم تضف أي قيمة مقارنة بعدم القيام بأي شيء خاص على الإطلاق. وبالنسبة للمستثمرين والمطورين على حد سواء، فإن الدرس هو أن العثور على نمط في الماضي ليس هو نفسه العثور على مسار للربح المستقبلي، وفي بعض الأحيان، تظل الطريقة الأبسط هي الأكثر فعالية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 📈 econ →