في عالم الاستثمار المتغير باستمرار، يعد تحسين المحافظ الاستثمارية (Portfolio Optimization) أحد التحديات الكبرى التي تواجه المستثمرين. وقد أثبتت أطر التعلم العميق المعزز (Deep Reinforcement Learning - DRL) قدرتها على تعلم قواعد التخصيص الديناميكي من بيانات السوق. لكن تكمن المشكلة في أن هذه النماذج غالباً ما تتجاهل عوائد الذيل السميك (Heavy-Tailed Returns) التي تميز سلوك الأسواق الحقيقية، مما يعني أنها تفشل في التعامل مع الأحداث الشديدة التي قد تؤثر على العوائد.

من هنا، جاءت خوارزمية BAVAR-BLED الجديدة، التي تمثل مزيجاً مبتكراً من نموذج التقدير البيزي (Bayesian-Averaging Vector Autoregressive - BAVAR) ونموذج بلاك-ليترمان (Black-Litterman) الذي يستخدم توزيعات بيضاوية (Elliptical Distributions). تعتمد هذه الخوارزمية على العمارة الزمنية لـ TD3 (Twin Delayed Deep Deterministic Policy Gradient) التي تتيح لها التكيف بذكاء مع التغيرات الخارجية في السوق.

تقوم BAVAR بتحليل متسلسلات زمنيّة متعددة المقاييس، مما يتيح اتخاذ قرارات تخصيص مرنة تعكس توقعات العوائد والتشتت الزمني وفقاً لطبيعة السوق المتغيرة. وبفضل استخدام توزيعات ستودينت (Student's t-distributions)، تُمكن خوارزمية BAVAR-BLED من تقدير عوائد الذيل السميك بشكل أكثر دقة.

كما تضم الخوارزمية شبكات التحويل (Transformer Networks) لبناء وجهات النظر، وشبكات CNN (Convolutional Neural Networks) لتقدير تجنب المخاطر، وهو ما يعدل القرارات الديناميكية في حالة تغير ظروف السوق.

لتقييم فعالية هذه الخوارزمية، قام الباحثون بإجراء اختبارات على 29 من مكوناته بمتوسط ​​داو جونز (Dow Jones Industrial Average) على مدار عشر سنوات، لتظهر النتائج تفوق BAVAR-BLED بشكل ملحوظ. فقد حققت هذه الخوارزمية نسب شارب (Sharpe Ratio) ووينتو (Sortino Ratio) تساوي 1.72 و2.70 على التوالي، بالإضافة إلى عوائد إجمالية بلغت 57.26%.

بهذه الطريقة، تسلط خوارزمية BAVAR-BLED الضوء على التوجهات الجديدة في استراتيجيات تحسين المحافظ الاستثمارية، حيث تعد خطوة جادة نحو استخدام تقنيات الذكاء الاصطناعي لتحسين الأداء المالي للمستثمرين. كيف ترى المستقبل باستخدام تقنيات مثل هذه؟ شاركونا آرائكم في التعليقات!