في عالم الاستثمار الحديث، يعتمد المستثمرون بشكل كبير على نماذج التعلم الآلي المعقدة بغرض اكتشاف الأنماط في سوق الأسهم. ولكن مع تعقيد هذه النماذج، غالبًا ما تكافح للتمييز بين الضجيج السوقي القصير الأمد والقيمة الحقيقية للشركات. لذا، صممت هذه الدراسة لاستكشاف ما إذا كان بإمكان القواعد التقليدية لاستثمار القيمة الخاصة ببنجامين جراهام أن تمثل "مرشحًا منخفض التمرير" رياضيًا، يساعد هذه النماذج الحديثة على الحفاظ على توازنها.

استخدم الباحثون ثلاث مجموعات مختلفة من الخصائص: نموذج مبادئ جراهام النقية، عوامل السوق الحديثة، ومزيجًا من الاثنين. وتم اختبار هذه النماذج ضد نماذج معقدة للغاية مثل XGBoost وAutoGluon باستخدام بيانات S&P 500 على مدى عشرين سنة. من خلال اتباع استراتيجية استثمار صارمة على مدى أربع سنوات (من مارس 2022 إلى مارس 2026)، أظهرت النتائج أن النماذج الأكثر تعقيدًا لا تعني بالضرورة تحقيق نتائج أفضل.

بينما كانت نتائج نموذج AutoGluon معتدًا بها (222.68%)، عانت من انخفاض كبير بنسبة 39.78% بسبب استثماره في أسهم تكنولوجيا متقلبة قبيل انهيار السوق. ومن ناحية أخرى، حقق نموذج Random Forest المستند إلى مبادئ جراهام أعلى عائد عام (232.13%) مع مخاطر أقل بكثير (نسبة Calmar 1.38). علاوة على ذلك، تمكن نموذج Random Forest المدمج من دمج الزخم مع قواعد جراهام، محققًا عائدًا بنسبة 202.91% مع الحفاظ على أقل انخفاض أقصى (34.53%) بين النماذج التي تم اختبارها.

في الختام، تُظهر هذه الدراسة أن مبدأ "هامش الأمان" لجراهام ليس قديمًا، بل هو وسيلة فعالة للغاية لحماية الاستثمار من المخاطر المفرطة التي قد تتعرض لها النماذج الحديثة.