في تقدم جديد في مجال الذكاء الاصطناعي وتطبيقاته في الأسواق المالية، نشرت دراسة بحثية تتناول ما إذا كان بإمكان وكيل التعلم المعزز (Reinforcement Learning) أن يكشف عن فرص تلاعب الأسعار بشكل أكثر فعالية مقارنة بالأساليب التقليدية التي تتطلب افتراضاً دقيقاً لعملية توليد البيانات.

تقوم الدراسة بدراسة سوق ذات أصل واحد تتغير فيه الأسعار وفقاً لنموذج ألمجرن-كريس (Almgren-Chriss) مع تأثير دائم غير خطي وتأثير مؤقت خطي. تم تحليل استراتيجيات تلاعب الأسعار في الزمن المنفصل وتم حساب الاستراتيجية الأمثل باستخدام البرمجة التربيعية بطريقة المربعات المتتالية تحت معلومات كاملة.

تمت المقارنة بين نهجين لتعلم العينات المحدودة: إجراء يعتمد على النموذج الذي يقدر معلمات التأثير من بيانات تنفيذ محاكاة، ونهج التعلم المعزز الذي يعتمد على خوارزمية عمق مستدام (Deep Deterministic Policy Gradient) والذي يتم تدريبه مباشرةً على نفس كمية البيانات. أظهرت النتائج أن الوكيل المدعوم بالتعلم المعزز يستطيع اكتشاف استراتيجيات تلاعب مربحة دون معرفة مباشرة بالنموذج الأساسي حتى عندما تكون بيانات التدريب محدودة.

المثير للاهتمام، أن التعلم المعزز يحقق أداءً أفضل باستمرار مقارنة بالطريقة القائمة على النموذج في حالة وجود خطأ في تقديرات المعلمات، على الرغم من أن الطريقة الأخيرة تستفيد من فرضية النموذج الصحيح. عندما زادت التقلبات، عجزت جميع الطرق عن تحديد فرص التلاعب، في حين تفوقت الطرق التقليدية في حالات التقلبات الصغيرة.

هذه النتائج تسلط الضوء على فعالية التعلم المعزز في التعامل مع المشاكل المركبة لأسواق المال، بينما تشير إلى المخاطر المرتبطة بتطبيق خوارزميات تعلم بدون احتياطات مناسبة. فهل تعتقدون أن التعلم المعزز يمكن أن يغير قواعد اللعبة في هذا المجال؟ شاركونا آراءكم في التعليقات!