← أحدث الأبحاث
💻 علوم الحاسوب

Perturbation-Specific Reliability of Intrinsic and Post-Hoc Explainable Machine Learning in Volatility Forecasting

تُظهر هذه الدراسة أن موثوقية كل من التفسيرات الجوهرية والتفسيرات البعدية في التنبؤ بالتقلبات تعتمد بشكل كبير على نوع الاضطراب، حيث تتباين اختلافاً كبيراً عبر تكوينات النماذج والتمثيلات والمفسرات المختلفة، مما يستلزم إجراء تقييم تجريبي في ظل ظروف متنوعة مثل إعادة التدريب، والتحولات الزمنية، وضجيج المدخلات.

المؤلفون الأصليون: Haikal Djauhari, Anton Yudhana, - Sunardi

نُشر 2026-10-26
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Haikal Djauhari, Anton Yudhana, - Sunardi

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، يُعتبر التنبؤ بمدى تقلب سعر السهم غالباً أسهل من التخمين في اتجاه حركة السعر. وهذا المقياس للحركة، المعروف باسم التقلب، يعد أمراً حيوياً لإدارة المخاطر، ومع ذلك يظل من الصعب التنبؤ به بشكل ملحوظ لأن الأسواق فوضوية وغير متوقعة ومتغيرة باستمرار. وللتنقل عبر حالة عدم اليقين هذه، يعتمد الخبراء الماليون بشكل متزايد على التعلم الآلي، حيث تتعلم برامج الكمبيوتر من البيانات الماضية لإجراء تنبؤات مستقبلية. ومع ذلك، غالباً ما تعمل هذه البرامج القوية كـ "صناديق سوداء"، مما يعني أن منطقها الداخلي مخفي ويصعب على البشر فهمه. هذا النقص في الشفافية يخلق مشكلة: إذا قدم الكمبيوتر تنبؤاً محفوفاً بالمخاطر، يحتاج المنظمون ومديرو المخاطر إلى معرفة السبب. ولحل هذه المشكلة، طور العلماء طريقتين رئيسيتين لجعل هذه الآلات تشرح نفسها. النهج الأول يبني التفسير مباشرة داخل تصميم الآلة منذ البداية، مما يخلق نماذج سهلة القراءة بطبيعتها. أما النهج الثاني فيقوم بتدريب آلة معقدة وغامضة أولاً، ثم يستخدم أداة منفصلة للنظر في المنتج النهائي وتخمين ما كانت تفكر فيه. والسؤال الكبير كان دائماً: أي من هاتين الطريقتين هو الأكثر موثوقية؟

وضع فريق من الباحثين من جامعة أحمد داليا في إندونيسيا هدفاً للإجابة على هذا السؤال من خلال إخضاع هذين النهجين لاختبار صارم في بيئة التنبؤ بسوق الأسهم عالية المخاطر. لم يسألوا ببساء عما إذا كان أحد النهجين يبدو أفضل على الورق؛ بل أخضعوا التفسيرات لسلسلة من اختبارات الضغط في العالم الحقيقي لمعرفة مدى صمودها عندما تتغير الظروف. ركز الباحثون على التنبؤ بالتقلب لمدة خمسة أيام لعشرين سهماً رئيسياً من الولايات المتحدة وأوروبا واليابان، باستخدام بيانات تمتد من عام 2016 إلى عام 2025. قاموا بتدريب خمسة أنواع مختلفة من نماذج التعلم الآلي، مع ربط كل منها بطريقة التفسير الأنسب لبنيتها. والأهم من ذلك، أنهم لم يدرجوا في تحليلهم النهائي إلا النماذج التي أثبتت قدرتها بالفعل على التنبؤ بالتقلب بشكل أفضل من مجرد تخمين بسيط يعتمد على التاريخ الحديث. وقد ضمن هذا أنهم يقومون فقط بتقييم التفسيرات للنماذج التي تمتلك بالفعل مهارة تنبؤية حقيقية.

قدمت الدراسة التواءً ذكياً لعزل مصدر الموثوقية. فبالنسبة لنوع واحد محدد من نماذج التعلم الآلي، طبق الباحثون كلاً من التفسير "المدمج" والتفسير "ما بعد التدريب" على نفس الشبكة المدربة تماماً. سمح لهم ذلك برؤية ما إذا كان الفرق في الموثوقية نابعاً من النموذج نفسه أو من الطريقة المستخدمة للتفسير. ثم اختبروا هذه التفسيرات تحت ثلاثة أنواع مختلفة من الضغط. أولاً، أضافوا كمية صغيرة من الضوضاء العشوائية إلى بيانات المدخلات لمعرفة ما إذا كان التفسير سيظل ثابتاً عندما تكون الأرقام ضبابية قليلاً. ثانياً، قاموا بإزاحة النافذة الزمنية لمعرفة ما إذا كان التفسير سيصمد مع تغير ظروف السوق عبر الأشهر والسنوات. ثالثاً، أعادوا تدريب النموذج من الصفر باستخدام نقاط بداية عشوائية مختلفة لمعرفة ما إذا كان التفسير سيظل متسقاً حتى لو تباينت عملية التدريب قليلاً.

كشفت النتلائج عن حقيقة مذهلة: لا توجد طريقة واحدة "أفضل" لشرح نموذج التعلم الآلي. فموثوقية التفسير تعتمد كلياً على المزيج المحدد من النموذج، والبيانات التي يراها، ونوع الضغط الذي يواجهه. وفي واحدة من أكثر النتائج إثارة للدهشة، اكتشف الباحثون أنه بالنسبة لشبكة تعلم آلي معينة، كان التفسير المدمج أكثر استقراراً بكثير عندما كانت بيانات المدخلات مشوبة بالضوضاء، لكنه انهار تماماً عند إعادة تدريب النموذج. وعلى العكس من ذلك، كان التفسير الناتج بعد التدريب أقل استقراراً ضد البيانات المشوبة بالضوضاء، ولكنه ظل أكثر اتساقاً عند إعادة بناء النموذج من الصفر. وهذا يعني أن اختيار طريقة التفسير لا ينبغي أن يستند إلى قاعدة عامة حول ما إذا كانت "مدمجة" أو "مضافة لاحقاً"، بل على المهمة المحددة المطلوبة. فإذا كان المستخدم بحاجة إلى تفسير يمكنه تحمل الأخطاء الصغيرة في البيانات، فإن الطريقة المدمجة هي الأفضل. وإذا كان بحاجة إلى تفسير يظل متسقاً حتى عند تحديث النموذج أو إعادة تدريبه، فإن طريقة ما بعد التدريب هي الخيار الأفضل.

كما تحدت الدراسة افتراضاً شائعاً في هذا المجال فيما يتعلق بكيفية قياس جودة هذه التفسيرات. غالباً ما يحاول الباحثون التحقق مما إذا كان التفسير صادقاً عن طريق إزالة الميزات الأكثر أهمية واحدة تلو الأخرى لمعرفة ما إذا كان تنبؤ النموذج سيزداد سوءاً. ووجد الفريق أنه في سياق تقلب الأسهم، فشلت هذه الطريقة في التمييز بين التفسير الذكي والتخمين العشوائي. ولأن الإشارة في البيانات المالية ضعيفة جداً والضوضاء عالية جداً، فإن إزالة ميزة ما لم تؤدِ إلى تغيير النتيجة بشكل موثوق، مما جعل هذا الاختبار المعياري عديم الفائدة لهذه المشكلة تحديداً. علاوة على ذلك، وجد الباحثون أن نموذجاً إحصائياً تقليدياً بسيطاً يُعرف باسم نموذج (HAR-RV) حقق أفضل متوسط دقة تنبؤ في الدراسة، متفوقاً بشكل حاسم على جميع نماذج التعلم الآلي التي تم اختبارها. ومن المثير للاهتمام أن نموذج (GAM) القائم على الـ (spline)، وهو نموذج قابل للتفسير ذاتياً، قد أدى بشكل جيد تماماً مثل هذا المعيار (HAR-RV) المتفوق في الأداء. وهذا يشير إلى أنه بالنسبة لهذه المهمة المحددة، فإن التعقيد المضاف للتعلم العميق لم يمنح أي دقة إضافية، وكانت النماذج الأبسط والأكثر شفافية فعالة بنفس القدر.

في النهاية، خلص البحث إلى أننا لا نستطيع افتراض أن التفسير جدير بالثقة لمجرد أنه يأتي من نموذج مصمم ليكون شفافاً. فقد ثبت أن التفسيرات "المدمجة"، والتي غالباً ما يتم تسويقها كمعيار ذهبي لقابلية التفسير، كانت الأقل قدرة على التكرار عند إعادة تدريب النموذج. وتحديداً، أظهر قناع الانتباه الجوهري لنموذج (TabNet) قدرة شبه معدومة على تكرار النتائج بناءً على البذرة العشوائية (باتفاق رتبة قدره 0.006 فقط)، مما يعني أنه غير قصته تماماً مع مجموعة جديدة من الأرقام العشوائية الأولية، مما جعله التفسير الأقل موثوقية في الدراسة. وتوضح الدراسة أن الموثوقية ليست خاصية متأصلة في نوع معين من التفسيرات، بل هي خاصية هشة يجب اختبارها تجريبياً لكل موقف جديد. وبالنسبة لأي شخص يعتمد على هذه الأدوات لاتخاذ قرارات مالية، فإن الدرس واضح: يجب عليك التحقق من أن التفسير يصمد أمام الضغوط المحددة التي سيواجهها نظامك، بدلاً من الوثوق به لمجرد كيفية بناء الآلة.

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 💻 cs →