هل ستحل التقنية الجديدة مشاكل التوقعات الاحتمالية دون الحاجة لإعادة التدريب؟

في عالم التوقعات المالية، تعد دقة التنبؤ بالأرباح أمراً حيوياً، إلا أن التحديات تظهر عندما نتحدث عن التوقعات الاحتمالية لنموذج K-line، التي تتضمن أربعة أسعار متكاملة: الافتتاح (Open)، الأعلى (High)، الأدنى (Low)، والإغلاق (Close). هذه التوقعات كثيراً ما تواجه مشكلتين رئيسيتين: مشكلات التداخل (quantile crossing) وتجاوز K-line (K-line crossing).

تواجه مشكلة التداخل عندما تنخفض توقعات النسبة الأعلى (higher-quantile forecast) تحت توقعات النسبة الأدنى (lower-quantile forecast)، بينما تحدث مشكلة تجاوز K-line عندما تتجاوز توقعات الأدنى سعر الافتتاح أو الإغلاق، أو عندما تنخفض توقعات الأعلى عن سعر الافتتاح أو الإغلاق.

الحلول الحالية عادة ما تتناول مشكلة واحدة فقط عبر إعادة ترتيب المخرجات، أو من خلال الهياكل المتخصصة، أو الأهداف التدريبية المحرّمة. ولكن هل يمكننا التغلب على هاتين المشكلتين دون الحاجة للتدريب مجدداً؟

هنا يأتي دور الابتكار الجديد المعروف باسم K-line-Quantile Sequential Projection (KQSP)، والذي لا يتطلب أي معلمات أو إعادة تدريب. يُعتبر KQSP طريقة لإعادة التوافق (reconciliation method) يمكن تطبيقها على التوقعات الناتجة عن أي نموذج، مما يحافظ على دقة التنبؤ أثناء تقديم تصحيحات أصغر بكثير للتوقعات الأصلية.

تم اختبار KQSP باستخدام نماذج مختلفة، بما في ذلك النماذج الأساسية المدربة مسبقاً، وحقق فكرة مثيرة: تقليص كل من معدلات التداخل (quantile crossing) ومعدلات تجاوز K-line إلى الصفر في جميع بيانات الاختبار. تشير هذه النتائج إلى إمكانية فرض الاتساق التلقائي في التوقعات الاحتمالية لنموذج K-line، بشكل مستقل عن عملية توليد التوقعات ودون الحاجة لإعادة التدريب.

لا شك أن هذا التطور يعيد تشكيل الطريقة التي نفكر بها في التوقعات المالية، ويسمح لنا بفهم دقيق لسوق المال بطرق كانت غير ممكنة من قبل. لكن ماذا عن مستقبل هذه التقنية؟

ما رأيكم في هذا الابتكار الثوري؟ شاركونا أفكاركم في التعليقات.