تطور ثوري في توقعات الأسهم: دمج الأنظمة العصبية والكلاسيكية لتحسين الأداء

في عالم المال السريع، تتطلب التوقعات الدقيقة لأسعار الأسهم تقنيات متقدمة وأداة فعالة. ولقد أظهرت النماذج الأساسية (Foundation Models) للوقت تطوراً ملحوظاً في القدرة على التعميم من دون تدخل، لكن الأداء في مجالات متخصصة مثل التمويل عالي التردد يكون غالبًا دون المستوى المطلوب. قدِّمت دراسة حديثة استخدام نموذج هجيني يجمع بين الأنظمة العصبية (Neural Networks) والأساليب الكلاسيكية لرصد وتوقع عوائد الأسهم بطريقة مبتكرة خلال الساعات الأولى المتقلبة من التداول.

الدراسة قارنة بين نوعين من معمارية التصحيح العصبي: AttnCorrect والتي تعتمد على الانتباه الذاتي (Self-Attention) وتضم حوالي 471,000 معلمة، وGatedLinear التي تستخدم عرضاً منخفضاً المرتبة مع بوابة وتحتوي على حوالي 49,000 معلمة. تم تعزيز كلا النظامين بتقنية التعلم المتبقي من غابة عشوائية (Random Forest) مما أظهر نتائج مثيرة.

تضمنت التجربة التي شملت 10 من أكبر الأسهم التكنولوجية مثل (NVDA، MSFT، AAPL، GOOG، GOOGL، AMZN، META، AVGO، TSLA، NFLX) وبلغت بياناتها حوالي مليوني نقطة، مجموعة من الرؤى الهامة التي تكشف عن:

1. أن النهج الهجين العصبي والكلاسيكي حقق تحسناً ملحوظاً بنسبة 0.597 في الارتباط العام و6.4 مرة تحسن في متوسط الارتباط اليومي مقارنةً بالنموذج التقليدي الصرف TimesFM.
2. أن التعلم المتبقي الكلاسيكي (Random Forest) قدم أكبر مساهمة منفردة، موازية أو متجاوزة لمساهمة التصحيح العصبي.
3. النماذج العصبية الأبسط تفوقت على النماذج الأكثر تعقيدًا في غياب التعلم المتبقي الكلاسيكي.
4. الانتباه الذاتي كان له أكبر إسهام من ضمن النماذج العصبية.
5. حقق نظام GatedLinear+RF أفضل أداء بشكل عام مع 9 مرات أقل من المعلمات العصبية مقارنة بـ AttnCorrect+RF.

علاوة على ذلك، تم تقديم ثلاثة مقاييس تكميلية للارتباط لتعزيز دقة توقعات الجودة: متوسط اليوم، التراكم عبر الأيام، والارتباط العام.

تقدم هذه النتائج توجيهات عملية حول كيفية تكيف نماذج الأساس بشكل فعال من خلال دمج دقيق بين المكونات العصبية والكلاسيكية، حيث تلعب الطرق الكلاسيكية دورًا مكملاً حيويًا. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.