Regime Dependent Machine Learning and the Limits of Algorithmic Trading in the Dhaka Stock Exchange

في عالم التمويل، هناك اعتقاد مستمر بأن السعر المستقبلي للسهم يمكن التنبؤ به إذا ما تم جمع قدر كافٍ من البيانات وتطبيق الأدوات الرياضية المناسبة. وتستند هذه الفكرة إلى مفهوم أن الأسواق ليست عشوائية تماماً؛ بل تتحرك في أنماط أو "أنظمة" متميزة، تنتقل بين فترات الهدوء، والتقلب العالي، والاضطراب. وإذا استطاع المستثمر تحديد هذه التحولات أثناء حد حدوثها، فإن المنطق يقتضي أنه سيتمكن من تعديل استراتيجيته للشراء عندما يكون السوق هادئاً والبيع عندما يكون مضطرباً، وبذلك يتفوق على المشاركين العاديين. وقد أصبح هذا النهج حجر الزاوية في التداول الخوارزمي الحديث، حيث تستخدم الحواسيب تعلم الآلة المعقد لمسح كميات هائلة من البيانات التاريخية، بحثاً عن إشارات قد تفوت على المتداولين البشر. والسؤال الذي يحرك الكثير من هذه الأبحاث هو ما إذا كانت هذه الأنظمة المتطورة قادرة بالفعل على تحويل تلك الإشارات إلى أرباح حقيقية ومستدامة، خاصة في الأسواق الأقل تطوراً والأكثر عدم استقرار مقارنة بالغرب.

سعت دراسة حديثة ركزت على بورصة دكا في بنغلاديش إلى الإجابة على هذا السؤال بدقة صارمة. لم يقم الباحث، محمد شكيل سيكدر، بمجرد اختبار نموذج واحد على مجموعة محدودة من الشركات، بل قام ببناء ثلاث مجموعات منفصلة من الأسهم لضمان أن النتائج لم تكن محض صدفة. تكونت المجموعة الأولى من اثنتي عشرة شركة معروفة وذات سيولة عالية اختارها المؤلف بعناية. وتكونت المجموعة الثانية من اختيار عشوائي لست شركات، اختارها الكمبيوتر لإزالة أي تحيز بشري في عملية الاختيار. أما المجموعة الثالثة، وهي أكبر بكثير، فقد أضيفت لاحقاً لتضم أربع وعشرين سهماً إضافياً لاختبار ما إذا كانت النتائج ستظل ثابتة عبر نطاق أوسع من الصناعات، لتغطي في النهاية اثنين وأربعين ورقة مالية موزعة على سبعة عشر قطاعاً مختلفاً. وكان الهدف هو معرفة ما إذا كان نوع معين من تعلم الآلة، والذي يشترط تنبؤاته على "نظام" السوق الحالي، يمكنه باستمرار التفوق على استراتيجية بسيطة مرجعية تفترض أن السوق لن يفعل أكثر من تكرار متوسطه الأخير.

استخدمت الدراسة خمسة نماذج تنبؤ مختلفة، تتراوح من الأساليب الإحصائية الأساسية إلى أنظمة الذكاء الاصطناعي المتقدمة مثل الشبكات العصبية. وقد غُذيت هذه النماذج بـثلاثة عشر مؤشراً فنياً مختلفاً، مثل تحركات الأسعار الماضية، وحجم التداول، والزخم، جنباً إلى جنب مع إشارة توضح ما إذا كان السوق في حالة طبيعية، أو تقلب عالٍ، أو حالة اضطراب. واستخدم الباحثون طريقة اختبار صارمة تسمى "التحقق من خلال السير للأمام" (walk-forward validation)، والتي تحاكي التداول في الوقت الفعلي عبر تدريب النموذج على البيانات الماضية ثم اختباره على بيانات مستقبلية لم يسبق له رؤيتها، مما يضمن عدم تسرب أي معلومات من المستقبل إلى الماضي. كما أخذوا في الاعتبار تكاليف التداول المحددة في بنغلاديش، بما في ذلك رسوم الوساطة، والضرائب، والانزلاق السعري الذي يحدث عند محاولة شراء أو بيع كميات كبيرة من الأسهم دون تحريك السعر ضد المرء.

كانت النتائج صارخة ومتسقة عبر جميع مجموعات الأسهم الثلاث. لم تنجح أي من نماذج تعلم الآلة المتطورة في التفوق على المعيار المرجعي البسيط. وفي الواقع، كان النموذج الأكثر تعقيداً، وهو خوارزمية الأشجار المعززة بالتدرج المعروفة باسم (LightGBM)، أداؤه أسوأ بكثير من النهج المرجعي في كل لوحة بيانات. وعندما حاول الباحثون استخدام معلومات "النظام" لتوجيه قرارات التداول، فشلت الاستراتيجيات في تحقيق أي ربح. وبدلاً من ذلك، فقدت استراتيجيات التداول الغالبية العظمى من رأس المال الذي بدأت به. ووجدت الدراسة أن الإشارة الأساسية التي كانت النماذج تحاول استغلالها لم تكن موجودة ببساطة بطريقة يمكن تحويلها إلى مال بعد احتساب التكاليف. وحتى عندما حاول الباحثون تقليل عدد الصفقات لتجنب الرسوم، ظلت العوائد سالبة، مما يشير إلى أن المشكلة لم تكن مجرد تكلفة التداول، بل كانت تكمن في غياب إشارة تنبؤية حقيقية.

وكان هناك اكتشاف كاشف بشكل خاص يتعلق بكيفية تفسير النماذج الحاسوبية للآليات الفريدة لبورصة دكا. تمتلك البورصة آلية تنظيمية تضع سعراً أدنى، مما يمنع الأسهم من الهبوط دون مستوى معين. وخلال فترات الاضطراب الشديد، يمكن لهذه الآلية أن تتسبب في توقف التداول أو بقاء الأسعار ثابتة لفترات طويلة. واكتشفت الدراسة أن نماذج تعلم الآلة، التي تعتمد على التقلب لاكتشاف ضغوط السوق، أساءت فهم حالات تجميد الأسعار الثابتة هذه. ولأن السعر لم يتحرك، احتسبت النماذج تقلباً صفرياً وصنفت هذه الفترات الخطرة على أنها فترات "منخفضة المخاطر" أو "طبيعية". هذا الخطأ يعني أن النماذج فشلت في حماية المستثمرين في الأوقات التي كانت فيها الحاجة إليها ماسة. وقد اختبر الباحثون قاعدة لاستبعاد هذه الأيام المجمدة من التداول، لكن هذا التعديل جعل الأداء أسوأ، حيث كانت تكاليف إعادة توازن المحفظة تفوق أي فائدة محتملة.

كما تناولت الدراسة خطأً شائعاً في الأبحاث المالية: وهو الفرق بين ما يعرفه النموذج بعد وقوع الحدث وما يعرفه في الوقت الفعلي. ووجد الباحثون أن قدرة الكمبيوتر على تحديد أنظمة السوق بعد رؤية التاريخ الكامل للبيانات تختلف تماماً عن قدرته على تحديد تلك الأنظمة أثناء حدوثها. فعند النظر إلى الوراء، يمكن للنموذج أن يصنف يوماً ما بشكل صحيح على أنه يوم مضطرب، ولكن عند اتخاذ قرار في اللحظة ذاتها، كان مخطئاً في أكثر من نصف الحالات. وهذه الفجوة بين التنبؤ بأثر رجعي والتنبؤ في الوقت الفعلي هي سبب حاسم وراء فشل العديد من الاستراتيجيات المختبرة تاريخياً عند تطبيقها في الأسواق الحية. وقد أكدت الدراسة أنه حتى مع استخدام التصحيحات الإحصائية المتقدمة وطبقات متعددة من التحقق، لم تظهر الاستراتيجيات أي مهارة لا يمكن تفسيرها بالصدفة العشوائية.

في نهاية المطاف، تشير الأبحاث إلى أن السوق في بورصة دكا يتصرف بطريقة تتفق مع فكرة الكفاءة في الشكل الضعيف. وهذا يعني أن تحركات الأسعار الماضية وأحجام التداول لا توفر خارطة طريق موثوقة للمكاسب المستقبلية، على الأقل ليس بطريقة يمكن استغلالها بواسطة تقنيات تعلم الآلة الحالية. وتخلص الدراسة إلى أن الافتراض القائل بإمكانية نقل تعلم الآلة "المدرك للنظام" بسهولة إلى الأسواق الناشئة ذات الميزات التنظيمية الفريدة هو افتراض خاطئ. فالتفاعل المحدد بين الكشف القائم على التقلب وآلية السعر الأدنى يخلق نقطة عمياء لا تستطيع الخوارزميات تجاوزها بسهولة. وتعد هذه النتائج بمثابة درس تحذيري للممارسين والباحثين، حيث تثبت أنه في الأسواق ذات السيولة الضعيفة والقيود التنظيمية المحددة، قد تظل أكثر الأدوات تطوراً غير قادرة على إيجاد ميزة حيث لا توجد ميزة أصلاً. وتشير الأدلة إلى سوق تظل فيه الاستراتيجية الوحيدة الموثوقة، من الناحية الإحصائية، هي الاستراتيجية السلبية المتمثلة في الاحتفاظ بالأسهم على المدى الطويل، بدلاً من محاولة توقيت السوق باستخدام خوارزميات معقدة.