Machine Learning for Predicting Market Volatility: A Computational Economics Approach
تُثبت هذه الورقة أن نماذج تعلم الآلة، المعززة بهندسة الميزات والقابلية للتفسير القائمة على قيم SHAP، تتفوق بشكل كبير على الأساليب القياسية الاقتصادية التقليدية في التنبؤ بتقلبات السوق عالية التردد، مما يعزز الاقتصاد الحسابي من أجل تحسين تحليل المخاطر والتخطيط الاستثماري.
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
غالباً ما تُوصف الأسواق المالية بأنها كيانات حية تتنفس، ولكن بالنسبة للأشخاص الذين يديرونها، فهي في جوهرها عبارة عن مشهد من عدم اليقين. وفي قلب عدم اليقين هذا يكمن مفهوم يُسمى "التقلب". وببساطة، التقلب هو مقياس لمدى تذبذب سعر السهم صعوداً وهبوطاً بشكل حاد خلال فترة زمنية قصيرة. فعندما يكون التقلب منخفضاً، تتحرك الأسعار بإيقاع ثابت يمكن التنبؤ به، وعندما يكون مرتفعاً، يمكن للأسعار أن ترتفع أو تنهار دون سابق إنذار. وبالنسبة للمستثمرين والبنوك وصناع السياسات، فإن فهم هذا الإيقاع ليس مجرد تمرين أكاديمي؛ بل هو مسأ much of survival (مسألة بقاء). فهو يحدد مقدار المخاطرة التي يمكنهم اتخاذها، وكيفية حماية أموالهم، وكيفية التخطيط للمستقبل. ولعقود من الزمن، اعتمد الخبراء على صيغ رياضية مبنية على افتراض أن الأسواق تسلك سلوكاً منظماً وخطياً إلى حد ما. وتعمل هذه الأدوات التقليدية بشكل جيد عندما يكون العالم هادئاً، لكنها غالباً ما تتعثر عندما يتصرف السوق بشكل غير منتظم، فتعجز عن التقاط الأنماط المعقدة والمتعرجة التي تقود التغيرات المفاجئة في الأسعار.
تشير دراسة جديدة من "فاسوندهارا س" من معهد "جي ناراياناما" للتكنولوجيا والعلوم إلى أن الطريقة التي نتنبأ بها بتقلبات السوق تحتاج إلى تطوير جذري. فقد ابتعدت الباحثة عن الصيغ القدسة الجامدة، وعوضاً عن ذلك، قامت بتدريب أنظمة حاسوبية لتتعلم من البيانات نفسها، تماماً كما يتعلم الطالب من الخبرة بدلاً من الكتاب المدرسي. ومن خلال تغذية أنظمة تعلم آلي متقدمة بكميات هائلة من بيانات سوق الأسهم التاريخية، هدفت الدراسة إلى معرفة ما إذا كانت هذه الحواسيب قادرة على رصد الروابط غير الخطية الخفية التي تغفل عنها الرياضيات التقليدية. وكان الهدف هو بناء نظام لا يكتفي بمجرد التخمين بشأن حركة السعر التالية، بل يفهم القوى الكامنة التي تسبب اضطراب أو طفرة السوق.
ركزت الباحثة على بيانات سوق الأسهم التاريخية، مستخدمة سمات مثل تواريخ التداول، وأسعار الافتتاح، وأعلى وأدنى أسعار للجلسة، وأسعار الإغلاق، وأسعار الإغلاق المعدلة، وأحجام التداول. ولجعل هذه البيانات الخام مفيدة للحاسوب، قام الفريق أولاً بتنظيفها، عبر ملء أي فجوات مفقودة وتنظيم الأرقام بحيث يمكن مقارنتها بشكل عادل. ثم قاموا بإنشاء "سمات" أو أدلة جديدة، عبر حساب أشياء مثل مدى تغير السعر من يوم لآخر وكيفية تغير حجم التداول بمرور الوقت. تم إدخال هذه الأدلة المعالجة في أنواع مختلفة من النماذج الحاسوبية؛ فبعضها استند إلى أساليب إحصائية راسخة، بينما استند بعضها الآخر إلى أنظمة التعلم العميق المصممة لمحاكاة طريقة معالجة الدماغ البشري للتسلسلات المعلوماتية عبر الزمن.
كانت نتائج هذه المقارنة واضحة وحاسمة. فقد عانت النماذج التقليدية، التي كانت المعيار في التمويل لسنوات، لمواكبة الأمر. أحد الأساليب القديمة، المعروف باسم GARCH، تمكن من التنبؤ باتجاه حركة السوق بشكل صحيح بنسبة 58 بالمائة تقريباً. أما النهج المعياري الآخر، المعروف باسم ARIMA، فقد كان أفضل قليلاً، حيث وصل إلى دقة 60 بالمائة. ومع ذلك، فقد تركتها نماذج التعلم الآلي خلفها؛ حيث رفع نموذج "الغابة العشوائية" (Random Forest) الدقة إلى ما يقرب من 65 بالمائة، بينما دفع نظام أكثر تطوراً يُدعى "XGBoost" هذا الرقم إلى 71 بالمائة. وكان الأداة الأكثر نجاحاً هي نموذج التعلم العميق القائم على بنية "المحول" (Transformer)، وهو نوع من الأنظمة المستخدمة غالباً في معالجة اللغات. حقق هذا النموذج دقة في الاتجاه بلغت 74.2 بالمائة، مما يعني أنه تنبأ بشكل صحيح بما إذا كان السوق سيرتفع أو ينخفض في حوالي ثلاثة أرباع المرات. كما سجل أيضاً أدنى معدلات الخطأ، مما يشير إلى أن تنبؤاته لم تكن فقط أكثر صحة في كثير من الأحيان، بل كانت أيضاً أقرب إلى القيم الفعلية.
إن ما يجعل هذه النتيجة مهمة بشكل خاص ليس فقط الدرجة الأعلى، بل القدرة على التعامل مع الطبيعة الفوضوية وغير المتوقعة للتمويل في العالم الحقيقي. فقد أظهرت الدراسة أن الأساليب القديمة لم تكن مجهزة ببساطة للتعامل مع الديناميكيات المعقدة وغير الخطية للسوق، حيث افترضت وجود مستوى من النظام نادراً ما يوجد في الواقع. وفي المق المقابل، ازدهرت نماذج التعلم الآلي وسط هذا التعقيد، حيث وجدت أنماطاً في البيانات لم تستطع الصيغ المصممة بشرياً رؤيتها. وللتأكد من أن هذه النتائج لم تكن مجرد تخمين محظوظ، طبقت الباحثة أيضاً طريقة تسمى "SHAP"، والتي تعمل مثل كشاف الضوء لإظهار العوامل التي كانت تقود التنبؤات بالضبط. وقد كشف ذلك أن النماذج كانت تعتمد على مؤشرات اقتصادية منطقية ومحددة بدلاً من الضوضاء العشوائية، مما أضاف طبقة من الثقة إلى النتائج.
تخلص الدراسة إلى أن مستقبل التنبؤ المالي يكمن في هذه النهج الحاسوبية. فمن خلال الجمع بين القوة الخام للتعلم الآلي والحاجة إلى استدلال واضح ومفهوم، يمكن بناء أدوات تكون أكثر دقة وموثوقية من الأدوات المستخدمة حالياً. لا تدعي الأبحاث أنها حلت لغز السوق تماماً، لكنها أثبتت أن القواعد القديمة لم تعد كافية. وتشير البيانات إلى أنه عندما نسمح للحواسيب بالتعلم مباشرة من تاريخ حركات الأسعار، يمكنها التنقل في اضطرابات العالم المالي بدقة كانت بعيدة المنال في السابق. ويمثل هذا التحول مساراً واعداً لأي شخص يحاول إدارة المخاطر وفهم المشهد المالي دائم التغير.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.