إطلاق إطار تعلّم تعزيز عميق لإدارة محافظ متنوعة في الأسواق المالية العالمية

في عالم الأسواق المالية المتشابك، يبدو أن الابتكارات التكنولوجية تضفي طابعًا جديدًا على كيفية إدارة الاستثمارات. وقد أعلنت دراسة جديدة عن تطوير إطار عمل يعتمد على التعلم العميق (Deep Reinforcement Learning) لتحسين تخصيص المحافظ عبر الأسواق المالية العالمية.

يعتمد هذا الإطار على خوارزمية Soft Actor-Critic، التي تهدف إلى تعلم الأوزان المستمرة للمحافظ ضمن عملية اتخاذ القرار ماركوف (Markov Decision Process). هذا النموذج يأخذ في الاعتبار تكاليف المعاملات، وعقوبات التدوير، وقيود التنويع في دالة المكافآت. وأجريت مقارنة بين خمسة تكوينات لنموذج الإدارة تختلف في صياغة المكافآت، وتكوين السياسة (Flat مقابل Hierarchical Dirichlet)، وقيود المحافظ، والمشفر الزمني (LSTM مقابل Transformer).

تم تقييم هذه الاستراتيجيات من خلال التحسين التلقائي عبر مجموعة بيانات تضم ستة عشر نموذجًا اختباريًا تمتد بين عامي 2003 و2026، مستهدفةً مؤشرات مثل Nasdaq-100 وNikkei 225 وEuro Stoxx 50. أظهرت النتائج أن استراتيجيات التعلم التعزيزي تحقق أداءً قويًا موازنًا للمخاطر، خاصة في Euro Stoxx 50 حيث لاحظنا عوائد غير طبيعية ذات دلالة إحصائية.

لكن، بما يخص الفرضية المركزية، لم تُثبت الاستراتيجيات تحقيق عوائد فائقة ذات دلالة إحصائية مقارنةً باستراتيجية الشراء والاحتفاظ (Buy and Hold) في جميع الأسواق. أضافت التحليلات البيانية للأنظمة قيمة إضافية خلال فترات عدم اليقين المرتفعة، كما أظهرت أن تجميع الاستراتيجيات عبر الأسواق يُحسن الأداء الموازن للمخاطر ويؤكد فوائد التنويع الجغرافي.

يعتبر هذا الإطار خطوة مهمة نحو تحسين إدارة الثروات وتقديم المزيد من الأدوات المتطورة للمستثمرين. ما رأيكم في استخدام الذكاء الاصطناعي لتحسين استراتيجيات الاستثمار؟ شاركونا أفكاركم في التعليقات!