The Illusion of Accuracy: Machine-Learning and GARCH Forecasts of UK Equity Index Prices
تخلص هذه الدراسة إلى أنه في حين أن نماذج تعلم الآلة المتقدمة ونماذج "غارش" (GARCH) تتنبأ بدقة بأسعار مؤشرات الأسهم البريطانية، إلا أنها تفشل في التفوق على المعايير المرجعية البسيطة في التنبؤ بالعوائد، مما يشير إلى أن قيمتها الحقيقية تكمن في قياس المخاطر بدلاً من التنبؤ بالعوائد.
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 المال، يسود أمل مستمر في أن خوارزمية ذكية يمكنها النظر إلى الماضي ورؤية المستقبل. يرتكز هذا الأمل على فكرة أن أسعار الأسهم، رغم كونها تبدو عشوائية، قد تخفي أنماطاً يمكن للحاسوب تعلم استغلالها. المفهوم المركزي هنا هو "السير العشوائي"، وهو معيار بسيط يشير إلى أن أفضل تخمين لسعر الغد هو ببساطة سعر اليوم، لأن جميع المعلومات المعروفة مدرجة بالفعل في الرقم الحالي. إذا لم يستطع نموذج حاسوبي متطور التنبؤ بتغيرات الأسعار باستمرار بشكل أفضل من هذا التخمين البسيط، فإن السوق يتصرف بكفاءة، ويكون الوعد بتحقيق أرباح سهلة من التنبؤ مجرد وهم. هذا السؤال يهم بعمق أي شخص لديه مدخرات أو معاش تقاعدي، لأنه إذا استطاع الذكاء الاصطناعي حقاً التنبؤ بالسوق، فقد يعيد تشكيل كيفية إدارة الثروات؛ وإذا لم يستطع، فإن الاعتماد على هذه الأدوات قد يؤدي بالمستثمرين إلى الضلال.
لقد وضعت دراسة حديثة هذا الوعد تحت الاختبار المباشر، مركزةً على مؤشري البورصة الرئيسيين في المملكة المتحدة. جمع الباحثون بيانات أسبوعية من يناير 2015 حتى أكتوبر 2026، وهي فترة شملت اضطرابات اقتصادية كبيرة مثل صدمات أسعار الفائدة وعمليات البيع الناتجة عن النزاعات التجارية. وقد وضعوا ثماني طرق تنبؤ مختلفة في مواجهة بعضها البعض. من جهة، كانت هناك المعايير البسيطة: نموذج يكرر سعر الأسبوع الماضي فقط، وآخر يستخدم متوسط العائد لجميع الأسابيع الماضية. ومن جهة أخرى، كانت هناك الأوزان الثقيلة للتمويل الحديث: نماذج إحصائية تقليدية مصممة لتتبع التقلبات، وثلاثة أنواع متميزة من الذكاء الاصطناعي، بما في ذلك "الغابة العشوائية" (Random Forest)، التي تبني أشجار قرار عديدة لإيجاد الأنماط، و"الشبكة العصبية" التي تحاكي الطريقة التي يعالج بها الدماغ المعلومات. لم يكن الهدف مجرد معرفة أي نموذج يبدو الأفضل على الرسم البياني، بل تحديد ما إذا كان أي منها يستطيع فعلياً التنبؤ باتجاه السوق بشكل أفضل من الصدفة، وما إذا كانت تلك التنبؤات يمكن أن تتحول إلى أموال حقيقية بعد دفع رسوم التداول.
كشفت النتائج عن انفصال صارخ بين مدى دقة النماذج في المظهر ومدى فائدتها في الواقع. عندما قارن الباحثون مستويات الأسعار المتوقعة بالأسعار الفعلية، بدا كل نموذج دقيقاً للغاية. كان متوسط الخطأ ضئيلاً، حيث تراوح بين 1.3 و1.6 في المئة. وعلى الرسم البياني، بدت الخطوط المتوقعة متطابقة تماماً مع الخطوط الحقيقية، مما خلق انطباعاً بصرياً بالبراعة. ومع ذلك، كانت هذه الدقة وهماً ناتجاً عن طبيعة أسعار الأسهم، التي تميل إلى البقاء قريبة مما كانت عليه في الأسبوع السابق. ولأن الأسعار كانت ثابتة بهذا الشكل، فإن أبسط نموذج، الذي يفترض ببساطة عدم حدوث تغيير، حقق نفس مستوى الدقة تقريباً الذي حققته أنظمة الذكاء الاصطناعي المعقدة. وعندما جرد الباحثون مستويات الأسعار ونظروا حصرياً إلى التغيرات الأسبوعية في القيمة، تغيرت الصورة تماماً. لم يتمكن أي من النماذج الثمانية، بما في ذلك أنظمة التعلم الآلي المتقدمة، من التفوق على "السير العشوائي" البسيط بطريقة ذات دلالة إحصائية. وفي الواقع، أدى نموذج "الغابة العشوائية" ونموذج الانحدار التنبئي القياسي، في المؤشر الأكبر، أداءً أسوأ بكثير من مجرد افتراض أن السوق سيبقى راكداً.
كما بحثت الدراسة فيما إذا كانت هذه النماذج يمكن أن تساعد المستثمر في كسب المزيد من المال. قام الباحثون بمحاكاة استراتيجية تداول حيث يقوم المستثمر بشراء المؤشر إذا توقع النموذج ارتفاعاً، ويحتفظ بالنقد إذا توقع انخفاضاً، مع مراعاة تكلفة كل صفقة. في السوق الصاعدة للمؤشر الأكبر، تفوقت استراتيجية "الشراء والاحتفاظ" (Buy and Hold) - والتي تتضمن عدم فعل شيء والاكتفاء بالاستثمار - على كل الاستراتيجيات القائمة على التنبؤ بعد خصم التكاليف. بل إن أكثر نماذج التعلم الآلي تطوراً خسر مالاً مقارنة بمجرد الاحتفاظ بالسهم. أما بالنسبة للمؤشر الأصغر، فقد تفوقت بعض النماذج قليلاً على الشراء والاحتفاظ، لكن كان ذلك إلى حد كبير لأنها نجحت في البقاء خارج السوق أثناء الانخفاض الحاد، وهو شكل من أشكال تقليل المخاطر وليس علامة على مهارة تنبؤية. وخلص الباحثون إلى أن النجاح الظاهري لهذه النماذج في التنبؤ بمستويات الأسعار كان مضللاً؛ فهي لم تكن تتنبأ بالمستقبل، بل كانت تتبع الماضي فحسب.
بينما فشلت النماذج في التنبؤ باتجاه السوق، فقد نجحت بشكل ملحوظ في التنبؤ بمدى تقلباته. وجدت الدراسة أن نوعاً معيناً من النماذج الإحصائية، يُعرف باسم نموذج "GARCH غير المتماثل"، كان متفوقاً بمراحل في التنبؤ بالتقلبات، أي حجم تقلبات الأسعار، بدلاً من الاتجاه. لقد توقع هذا النموذج بشكل صحيح أن الأخبار السيئة ستسبب هزات أكبر في السوق من الأخبار الجيدة، وهي ظاهرة تُعرف باسم "تأثير الرافعة المالية". لقد قدم النموذج أدق التقديرات للمخاطر وأنتج أرقام "القيمة المعرضة للمخاطر" (Value-at-Risk) موثوقة، والتي تخبر المستثمرين بمقدار ما يمكن أن يخسروه في أسبوع سيئ. هذا التمييز أمر بالغ الأهمية: كانت الأدوات ممتازة في قياس خطورة السوق ولكنها عديمة الفائدة في التنبؤ بوجهته.
ويرى المؤلفون أن هذه النتيجة تكشف عن فخ شائع في التقارير المالية. تعرض العديد من الدراسات والأدوات التجارية رسوماً بيانية حيث تتطابق الأسعار المتوقعة عن كثب مع الأسعار الفعلية كدليل على قوتها. توضح هذه الورقة أن مثل هذه الرسوم البيانية مضللة لأنها لا تأخذ في الاعتبار حقيقة أن الأسعار تلتصق ببعضها طبيعياً. الاختبار الحقيقي لأي أداة تنبؤ هو ما إذا كان بإمكانها التنبؤ بتغير السعر بشكل أفضل من التخمين البسيط، وفي هذا الاختبار الصارم، فشلت نماذج الذكاء الاصطناعي. إن قيمة هذه الأدوات الكمية لا تكمن في إخبار المستثمرين متى يشترون أو يبيعون للتفوق على السوق، بل في مساعدتهم على فهم وإدارة مخاطر استثماراتهم. بالنسبة للمستثمر الفضولي، الدرس واضح: القدرة على رسم خط يتبع السوق ليست هي نفسها القدرة على رؤية أين سيذهب السوق تالياً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.