DART: Domain Aware Relational Transformer for Stock Prediction

تخيل أنك تحاول التنبؤ بالطقس، ولكن بدلاً من مراقبة السحب، أنت تراقب سوق الأسهم. هذا هو عالم التمويل الكمي، حيث يحاول العلماء والمستثمرون تخمين ما إذا كانت الأسهم سترتفع أو تنخفض غداً. لفترة طويلة، اعتقد الناس أن السوق يشبه رمية عملة عادلة تماماً، حيث لا يمكن لأحد حقاً التنبؤ بالمستقبل لأن الجميع يعرف بالفعل كل شيء. ولكن بعد ذلك، أدرك الأذكياء أن البشر ليسوا روبوتات مثالية؛ فنحن نشعر بالخوف، والحماس، ونتبع الحشود، مما يجعل السوق فوضوياً بعض الشيء وقابلاً للتنبؤ في بعض جوانبه. اليوم، نستخدم حواسيب قوية و"التعلم العميق" (وهو نوع من الذكاء الاصطناعي الذي يتعلم من الأنماط) للعثور على هذه الإشارات الخفية وسط الضجيج. المشكلة الكبيرة، مع ذلك، هي أن هناك آلاف الأسهم، وكلها تؤثر على بعضها البعض بطرق معقدة. محاولة معرفة كيف يتحدث كل سهم مع كل سهم آخر تشبه محاولة الاستماع إلى محادثة بين كل شخص في ملعب رياضي في وقت واحد—إنه قدر هائل من المعلومات لا يستطيع الحاسوب التعامل معه دون أن يصاب بالإرهاق.

هنا يأتي دور دراسة جديدة تقدم حلاً ذكياً يسمى DART (المحول العلاقاتي المدرك للمجال). فكر في سوق الأسهم كحفلة صاخبة وضخمة. في الماضي، إذا كنت تريد معرفة من يتحدث مع من، فقد تحاول الاستماع إلى كل محادثة تحدث في نفس الوقت. هذا يستغك وقتاً طويلاً ويصيبك بالصداع. أدرك الباحثون وراء DART أن الناس يتحدثون غالباً مع الآخرين في مجموعاتهم الخاصة—مثل الأطفال عند طاولة الوجبات الخفيفة أو البالغين بجانب وعاء الشراب. هم لا يصرخون عادةً عبر الغرفة للحديث مع شخص في مجموعة مختلفة تماماً. لذا، بدلاً من الاستماع إلى الجميع، يستمع DART فقط إلى الأشخاص في نفس "المجموعة الصناعية" (مثل شركات التكنولوجيا التي تتحدث مع شركات التكنولوجيا الأخرى). هذا يجعل مهمة الحاسوب أسرع بكثير.

تشير الورقة البحثية إلى أنه من خلال استخدام استراتيجية "الاستماع الجماعي" هذه، جنباً إلى جنب مع طريقة خاصة للنظر في الوقت (التحقق من الاتجاهات قصيرة المدى، ومتوسطة المدى، وطويلة المدى في آن واحد)، يمكن للنموذج التنبؤ بعوائد الأسهم بشكل أفضل من الطرق القديمة. وفي الاختبارات باستخدام بيانات حقيقية من NASDAQ وNYSE وS&P 500، أظهر نموذج DART أنه يمكنه اتخاذ خيارات استثمارية أذكى والتعامل مع المخاطر بشكل أفضل من النماذج الرائدة الأخرى. كما أثبت أنه من خلال تجاهل "ضجيج" الأسهم غير المرتبطة، استطاع الحاسوب القيام بعمله باستخدام طاقة أقل بنسبة 84% تقريباً من ذي قبل. ورغم أن النموذج ليس كرة بلورية سحرية تضمن الأرباح، إلا أن المؤلفين يقترحون أنه أداة أكثر عملية وكفاءة للتنقل في عالم سوق الأسهم المعقد والمزدحم.

قصة DART: طريقة أذكى للاستماع إلى السوق

المشكلة: الكثير من الضجيج، والكثير من الروابط

تخيل أنك في حفلة موسيقية ضخمة تضم آلاف الأشخاص. إذا كنت تريد معرفة الأغنية التي تُعزف الآن، يمكنك محاولة الاستماع إلى كل صوت شخص على حدة. لكن هذا مستحيل؛ إنه مجرد جدار من الضجيج. هذه هي بالضبط المشكلة التي تواجهها الحواسيب عند محاولة التنبؤ بالأسهم. هناك آلاف الأسهم، وكل سهم مرتبط بكل سهم آخر. حاولت النماذج الحاسوبية القديمة الاستماع إلى الجميع في وقت واحد. وهذا ما يسمى "الانتباه الكامل" (Full Attention). هو دقيق جداً من الناحية النظرية، ولكنه بطيء ومكلف للغاية لدرجة تجعل استخدامه في التداول الواقعي لآلاف الأسهم أمراً مستحيلاً عملياً. الأمر يشبه محاولة حل لغز عن طريق فحص كل قطعة مقابل كل قطعة أخرى؛ يصبح اللغز كبيراً جداً، فيتعطل عقلك (أو حاسوبك).

الحل: قاعدة "حي الصناعة"

اقترح الباحثون فكرة بسيطة ولكنها قوية: الأسهم في نفس الصناعة هم أصدقاء مقربون؛ أما الأسهم في صناعات مختلفة فهم مجرد معارف.

فكر في سوق الأسهم كمدينة ضخمة مقسمة إلى أحياء. هناك "حي التكنولوجيا"، و"حي الغذاء"، و"حي السيارات". يتحدث الناس في حي التكنولوجيا مع بعضهم البعض طوال الوقت لأنهم يتشاركون نفس الأخبار والاتجاهات. لكن الناس في حي التكنولوجيا نادراً ما يدخلون في محادثة مباشرة وملحة مع الناس في حي الغذاء.

يستخدم نموذج DART هذه القاعدة. فبدلاً من الاستماع إلى المدينة بأكملها، فإنه يستمع فقط إلى المحادثات التي تجري داخل كل حي. وهذا ما يسمى الانتباه المتفرق الموجه بالمعرفة بالمجال (DSA).

• كيف يعمل: ينظر الحاسوب إلى سهم ما، ويسأل: "في أي حي يقع هذا السهم؟" ثم يركز انتباهه فقط على الأسهم الأخرى في نفس حيه.
• النتيجة: إنه يتجاهل الضجيج غير المفيد من الأسهم غير المرتبطة. وتظهر الورقة أن هذا يقلل من عبء عمل الحاسوب بنسبة تقارب 84% (تحديداً من 0.23 GFLOPs إلى 0.04 GFLOPs في اختباراتهم). الأمر يشبه الانتقال من محاولة سماع همسة وسط إعصار إلى مجرد الاستماع إلى دردشة هادئة في مقهى.

آلة الزمن: رؤية الماضي في طبقات

التنبؤ بالمستقبل لا يتعلق فقط بمن يتحدث مع من؛ بل يتعلق أيضاً بـ متى تحدث الأشال. تتحرك الأسهم وفق ساعات زمنية مختلفة. بعضها يتحرك بسرعة (دقيقة بدقيقة)، وبعضها يتحمل سرعة متوسطة (اتجاهات يومية)، وبعضها يتحرك ببطء (اتجاهات شهرية أو سنوية).

غالباً ما كانت النماذج القديمة تحاول النظر إلى الوقت باستخدام نظارات واحدة فقط، مما يعني أنها تفقد الصورة الكبيرة أو التفاصيل الصغيرة. يستخدم DFT وحدة دمج زمني متعدد المقاييس (MSTF).

• التشبيه: تخيل أنك تشاهد فيلماً. لديك عدسة زووم تسمح لك برؤية التفاصيل الدقيقة لوجه الممثل (المدى القصير)، وعدسة واسعة تظهر المشهد بأكمله (المدى المتوسط)، ولقطة من طائرة بدون طيار تظهر المدينة بأكملها (المدى الطويل). يستخدم DART جميع هذه العدسات في وقت واحد.
• السحر: ثم يستخدم شبكة "دمج زمني تدريجي" لتكديس هذه الرؤى معاً. الأمر يشبه بناء شطيرة حيث تضيف كل طبقة نكهة جديدة، مما يساعد الحاسوب على فهم كيف يمكن لتغيير صغير اليوم أن يتراكم ليصبح اتجاهاً كبيراً غداً.

ماذا وجدوا: أسرع وأذكى

اختبر الباحثون نموذجهم الجديد، DART، مقابل عدة نماذج شهيرة (مثل LSTM وGCN وحتى النماذج الأحدث مثل MambaStock) باستخدام بيانات حقيقية من سوق الأسهم الأمريكي (NASDAQ وNYSE وS&P 500) من عام 2020 إلى 2024.

إليك ما تشير إليه البيانات:

1. عوائد أفضل: لم يكتفِ DART بالتخمين بشكل أفضل فحسب، بل ساعد في بناء "محفظة" (مجموعة من الأسهم) أفضل. في الاختبارات، حقق أعلى نسبة شارب (Sharpe Ratio) (وهي درجة تقيس مقدار المال الذي تجنيه مقارنة بالمخاطرة التي تتحملها) في NASDAQ وS&P 500. على سبيل المثال، في NASDAQ، سجل DART نسبة شارب بلغت 2.432، بينما كان ثاني أفضل نموذج هو 1.827.
2. أفضل الاختيارات: عندما اختار النموذج أفضل 10 أسهم يعتقد أنها ستؤدي بشكل أفضل، كان محقاً أكثر من غيره (وهو مقياس يسمى Precision@10). في NYSE، أصاب في 58.7% من اختياراته الأولى، متفوقاً على المنافسين.
3. منطقة "عدم الذهاب": أظهرت الدراسة صراحة أنه إذا تمت إزالة قاعدة "الحي" وترك الحاسوب يستمع للجميع (الانتباه الكامل)، فإن النموذج يرتبك ويؤدي بشكل أسوأ بكثير. وهذا يثبت أن تجاهل الروابط غير ذات الصلة هو في الواقع أمر جيد للنموذج.

الخلاصة

تشير الورقة البحثية إلى أن DART هو أداة عملية وفعالة لمستقبل الاستثمار. هي لا تدعي أنها عصا سحرية تضمن لك الثراء، لكنها تظهر أنه من خلال استخدام قواعد ذكية (مثل الاستماع فقط إلى حيك الخاص) والنظر إلى الوقت في طبقات، يمكن للحواسيب أن تفهم بشكل أفضل بكثير سوق الأسهم الفوضوي. إنها تحل مشكلة "كثرة البيانات" من خلال كونها انتقائية، مما يجعل من الممكن استخدام الذكاء الاصطناعي القوي على آلاف الأسهم دون استنزاف الميزانية أو قدرة الحاسوب.

وكما يلاحظ المؤلفون، لا يزال هناك مجال للنمو. حالياً، ينظر النموذج فقط إلى "الأحياء" بناءً على قوائم صناعية ثابتة. وفي المستقبل، يأملون في جعل هذه الأحياء ديناميكية، بحيث يمكن للنموذج رؤية متى تبدأ شركة تكنولوجيا فجأة في التصرف كشركة أغذية، أو عندما تظهر أخبار تربط بين مجموعتين مختلفتين تماماً. ولكن في الوقت الحالي، يظل DART خطوة قوية وفعالة للأمام في تعليم الحواسيب كيفية التنقل في العالم المالي.