Deeper network methods for solving 3D American Heston-CIR model
تقترح هذه الورقة ثلاث طرق للشبكات الأكثر عمقاً—وهي SoftNet وLinNet وAddNet—تستخدم التجميع الضربي للشبكات الفرعية مع إعادة استخدام الميزات، والتجميع الخطي، والمخارج المبكرة لحل نموذج هيستون-سير الأمريكي ثلاثي الأبعاد بفعالية مع التخفيف من تلاشي التدرجات وتدهور الأداء في البنيات العميقة.
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، يعد التنبؤ بالسعر المستقبلي للأصل لعبة عالية المخاطر تعتمد على الاحتمالات. يعتمد المستثمرون والبنوك على نماذج رياضية معقدة لتحديد قيمة الخيارات، وهي عقود تمنح الحق في شراء أو بيع شيء ما بسعر محدد في تاريخ معين. أحد أصعب التحديات في هذا المجال هو تسعير الخيارات "الأمريكية". وخلافاً لنظيراتها الأوروبية، التي لا يمكن ممارستها إلا في تاريخ محدد واحد، يمكن ممارسة الخيارات الأمريكية في أي وقت قبل انتهاء صلاحيتها. وتخلق هذه المرونة هدفاً متحركاً: إذ يجب على النموذج ألا يكتفي بحساب قيمة الخيار فحسب، بل وأيضاً اللحظة الدقيقة التي يصبح فيها جني الأرباح أكثر ربحية. تُعرف هذه اللحظة الحرجة باسم "حد الممارسة المبكرة". وعندما يتضمن النموذج عوامل متعددة متغيرة — مثل سعر الأصل، وتقلب ذلك السعر، ومعدلات الفائدة المتقلبة — تصبح المشكلة لغزاً ثلاثي الأبعاد يصعب حله بالأساليب الحاسوبية التقليدية.
لعقود من الزمن، لجأ العلماء إلى الذكاء الاصطناعي، وتحديداً التعلم العميق، لمعالجة هذه الألغاز المعقدة. هذه البرامج الحاسوبية، المعروفة بالشبكات العصبية، مصممة لتعلم الأنماط من البيانات عن طريق تكدیس طبقات من وحدات المعالجة. وكلما زاد ارتفاع التكديس، زادت تعقيد الأنماط التي يمكن للشبكة فهمها نظرياً. ومع ذلك، ثمة مشكلة مستمرة لاحقاً هذه الشبكات العميقة: فكلما زاد طولها، غالباً ما تصبح غير مستقرة. فالإشارات المستخدمة لتعليم الشبكة قد تتلاشى أو تنفجر في مقدارها قبل الوصول إلى الطبقات العليا، مما يؤدي إلى فشل النظام في تعلم أي شيء مفيد. هذه الظاهرة، التي تُسمى غالباً "تأثير تلاشي التدرج"، قد حدت تاريخياً من مدى العمق الذي يمكن أن تصل إليه هذه الشبكات، خاصة بالنسبة للمشكلات غير الخطية المعقدة الموجودة في الرياضيات المالية.
في دراسة حديثة، سعى الباحثان تشينونسو نوانكو وويزونج داي إلى كسر هذا الحاجز. فقد ركزا على نموذج مالي معقد للغاية يُعرف باسم "نموذج هيستون-سير الأمريكي" (American Heston-CIR model)، والذي يتتبع ثلاثة أجزاء متحركة في آن واحد: سعر الأصل، وتقلباته، ومعدل الفائدة. كان هدفهما تصميم نوع جديد من الشبكات العصبية يمكنه التدرب بفعالية مع عدد أكبر بكثير من الطبقات مما سبق، مما يسمح له بالتقاط السلوكيات الدقيقة وغير المنتظمة للسوق دون الانهيار تحت وطأة تعقيده. وبدلاً من مجرد تكدیس المزيد من الطبقات فوق بعضها البعض، ابتكروا ثلاث استراتيجيات هيكلية متميزة، أطلقوا عليها أسماء SoftNet وLinNet وAddNet. وقد بُنيت هذه التصاميم الجديدة لتجاوز القيود التي منعت الشبكات العميقة سابقاً من العمل في مثل هذه المهام الصعبة.
بدأ الباحثون باختبار حدود الشبكات القياسية التقليدية. ووجدوا أنه عندما حاولوا استخدام تصميم تقليدي يحتوي على ثلاث عشرة طبقة مخفية فقط، أدت الشبكة أداءً ضعيفاً؛ إذ فشلت في التنبؤ بدقة بقيمة الخيارات وبالنقطة التي ينبغي ممارستها عندها. وكلما زاد عمق الشبكة، ساء أداؤها، مما أكد أن النهج القياسي كان يصطدم بحائط مسدود. ولإصلاح ذلك، قدم الفريق أساليبهم الثلاثة الجديدة. الطريقة الأولى، SoftNet، تعمل من خلال تقسيم الشبكة إلى كتل أصغر وربطها بطريقة تسمح بإعادة استخدام المعلومات ومشاركتها بكفاءة، تماماً مثل قطار تمر كل عربة فيه حمولتها إلى العربة التالية مع الاحتفاظ بحمولتها الخاصة. سمح هذا التصميم للشبكة بأن تصبح أكثر عمقاً دون فقدان الإشارة. أما الطريقة الثانية، AddNet، فتتبع نهجاً مختلفاً عبر إنشاء عدة "مخارج مبكرة" داخل الشبكة. فبدلاً من إجبار كل قطعة من المعلومات على السفر طوال الطريق إلى النهاية تماماً، تتخذ الشبكة قرارات جزئية في مراحل مختلفة وتجمعها في النهاية. وهذا يضمن أنه حتى لو عانت الطبقات الأكثر عمقاً، فإن الطبقات الأقل عمقاً والأكثر ضحالة ستظل تقدم رؤى قيمة.
أما التصميم الثالث والأكثر كفاءة، LinNet، فهو يجمع بين أفضل ما في العالمين. فهو يستخدم نظاماً لإضافة الوحدات الخطية معاً قبل تمريرها عبر كتل معالجة متخصصة. ويمنع هذا الهيكل التكلفة الحسابية من الانفجار مع زيادة عمق الشبكة، مما يجعلها عالية الكفاءة. وقد دفع الباحثون بنموذج LinNet إلى أقصى حد، حيث قاموا بتدريبه باستخدام ما يصل إلى مائة طبقة مخفية. ومن المثير للإعجاب أنه، وعلى عكس الشبكات التقليدية التي فشلت عند ثلاث عشرة طبقة، حافظ LinNet على دقة عالية حتى عند هذا العمق الشديد. وأظهرت النتائج أن هذه الهياكل الجديدة يمكنها التنبؤ بقيمة الخيارات وحدّ الممارسة المبكرة بمستوى من الدقة يضاهي أو يتجاوز الطرق الرياضية الراسخة والمحترمة. لقد نجحت الشبكات في رسم خرائط للأسطح المعقدة للبيانات المالية، بما في ذلك المشتقات الحساسة المعروفة باسم "Greeks"، والتي تقيس كيفية تفاعل سعر الخيار مع التغيرات الصغيرة في السوق.
وكانت النتيجة الرئيسية للدراسة هي أن هذه الشبكات الجديدة حققت نجاحها دون الاعتماد على شبكات الأمان المعتادة التي يستخدمها خبراء التعلم العميق عادةً لمنع الأخطاء، مثل "الإسقاط" (dropout) أو "التطبيع الدفعي" (batch normalization). وقد أثبت الباحثون أن الطريقة التي هيكلوا بها الطبقات — باستخدام وظائف تنشيط خاصة والتجميع الضربي — كانت كافية للحفاظ على استقرار الشبكة. كما اكتشفوا أنه من خلال تركيز بيانات التدريب الخاصة بهم في المناطق الأكثر صعوبة في المشكلة، وتحديداً بالقرب من الحدود حيث يكون سلوك السوق أكثر اضطراباً، تعلمت الشبكات بسرعة ودقة أكبر. وخلصت الدراسة إلى أنه بينما يصطدم التعلم العميق القياسي بحائط عند حوالي ثلاث عشر عشرة طبقة لهذا النوع من المشكلات، فإن بنيات SoftNet وAddNet وLinNet الجديدة يمكنها أن تصبح أكثر عمقاً بكثير، حيث أثبت LinNet أنه أكثر قوة وكفاءة بشكل خاص. ويشير هذا العمل إلى أنه من خلال إعادة التفكير في كيفية بناء الشبكات العصبية، بدلاً من مجرد جعلها أكبر حجماً، يمكن للعلماء حل بعض أكثر المشكلات استعصاءً في النمذجة المالية، مما يفتح الباب أمام تسعير أكثر دقة للأدوات المالية المعقدة في العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.