منذ أن أرسى هاري ماركويتز أسس نظرية المحفظة الحديثة، ظلت معادلة موازنة العوائد المتوقعة مع المخاطر تمثل حجر الزاوية في التمويل الحديث. في بيئة نظرية خالية من القيود، يمكن للبرمجة التربيعية التقليدية حل هذه المشكلات بكفاءة عالية. غير أن مديري الأصول في "وول ستريت" يدركون تماماً أن الأسواق الحقيقية ليست بهذه الأناقة؛ فالقيود العملية مثل منع البيع المكشوف، وتحديد سقف لعدد الأصول (قيود الحجم)، وتكاليف المعاملات، تحول عملية التحسين إلى معضلة معقدة رياضياً تُعرف بـ "NP-hard". في ظل هذه التعقيدات، غالباً ما تفشل أدوات التحسين الكلاسيكية في العثور على حلول قابلة للتطبيق، فضلاً عن إيجاد حلول مثالية.
استجابة لهذه الفجوة، تقفز إلى الواجهة دراسة متعمقة نُشرت في دورية (Humanities and Social Sciences Communications) لعام 2026، حيث قدم الباحثون إطاراً هجيناً يدمج بين حكمة النظريات المالية الكلاسيكية والقوة الحسابية المستوحاة من الطبيعة.
الهندسة الخوارزمية: الفصل بين الانتقاء والوزن
الابتكار الجوهري في هذه الدراسة يكمن في فك الارتباط بين قرارين استثماريين حاسمين، ومعالجتهما عبر إطار هجين:
تتولى خوارزمية "تحسين مستعمرة النمل" (ACO) المهمة التوافقية المتمثلة في اختيار مجموعة فرعية من الأصول لتلبية قيود الحجم.
تتولى "البرمجة التربيعية" (QP) مهمة التخصيص الأمثل للأوزان بين الأصول المختارة، مع الالتزام الصارم بقيود الميزانية ومنع البيع المكشوف.
لم يكتفِ الباحثون بالنسخة التقليدية من خوارزمية النمل، بل أدخلوا تحسينات جوهرية لتعزيز جودة الحلول وسرعة التقارب. شملت هذه الابتكارات آلية تحديث تكيفية لـ "الفيرومون" ترتبط ارتباطاً مباشراً بأوزان الأصول؛ بحيث تتلقى الأصول التي تساهم بشكل أكبر في المحفظة المحسنة تعزيزاً أقوى في الجولات اللاحقة. كما تم تطبيق "استراتيجية الاحتفاظ بالنخبة" مع إحداث اضطرابات محلية طفيفة، مما يضمن الحفاظ على أفضل الحلول مع الاستمرار في استكشاف تحسينات دقيقة لتجنب الوقوع في فخ الحلول دون المثلى.
رادار المخاطر: الإدارة الديناميكية للتقلبات
الأسواق المالية بطبيعتها كائنات حية تتقلب باستمرار. لضمان عدم اعتماد النموذج على مقاييس مخاطر جامدة، وظّف الباحثون أدوات تقدير ديناميكية لـ "مصفوفة التغاير" باستخدام نوافذ زمنية متدحرجة مدتها 252 يوم تداول لضمان عدم تسرب البيانات المستقبلية (Look-ahead bias).
تمت مقارنة نموذجين رئيسيين لتقدير المخاطر: نموذج المتوسط المتحرك المرجح أسياً (EWMA)، ونموذج (GARCH 1,1) المقترن بالارتباط الشرطي الديناميكي (DCC). أثبتت الاختبارات أن نموذج GARCH يتفوق بشكل طفيف في دقة التنبؤ بالتقلبات، كونه قادراً على استيعاب ظاهرة "تكتل التقلبات" التي تتسم بها السلاسل الزمنية المالية، مما يضمن تزامن تقييمات المخاطر مع ظروف السوق المتطورة.
دقة البيانات: الأداء تحت المجهر
بلغة الأرقام التي تحكم أسواق المال، أُخضع النموذج لاختبار صارم باستخدام بيانات يومية لعينة طبقية مكونة من 20 سهماً رئيسياً من مؤشر (S&P 500) خلال الفترة الممتدة من 2022 إلى 2024. أظهرت النتائج التجريبية تفوقاً إحصائياً ملحوظاً للإطار الهجين (ACO-QP) مقارنة بالخوارزميات المعيارية الأخرى:
العوائد المعدلة بالمخاطر: حققت الخوارزمية الهجينة متوسط نسبة شارب بلغ 1.28، متفوقة بوضوح على خوارزمية حشد الجسيمات (PSO) التي سجلت 1.15، والخوارزمية الجينية (GA) التي سجلت 1.12.
التحكم في الخسائر الكبرى: نجح النموذج في تقليص "الحد الأقصى للتراجع" (Max Drawdown) إلى 15.3%، مقارنة بـ 18.7% لنموذج PSO و 20.1% لنموذج GA، مما يعكس متانة استثنائية في حماية رأس المال.
المرونة في دورات السوق: حافظت الخوارزمية على تفوقها عبر مختلف ظروف السوق، مسجلة نسبة شارب بلغت 1.45 في فترات السوق الصاعدة (Bull Market)، و 1.15 في فترات السوق الهابطة (Bear Market).
ولأن الاستثمار الحقيقي لا يخلو من الاحتكاكات، تم اختبار النموذج مع احتساب تكاليف التداول (عمولة بنسبة 0.1% وانزلاق سعري بنسبة 0.05% لكل صفقة). ورغم هذه التكاليف، حافظت الاستراتيجية على نسبة شارب قوية بلغت 1.19، مع معدل دوران محفظة معتدل يبلغ 0.25، مما يثبت قابليتها للتطبيق العملي دون إفراط في التداول.
تم تأكيد هذه النتائج عبر اختبارات إحصائية صارمة، حيث رفض اختبار "ديبولد-ماريانو" (Diebold-Mariano test) وتحليل "البوتستراب" (Bootstrap analysis) فرضية تطابق الأداء، ليؤكدا أن تفوق نموذج ACO لم يكن بمحض الصدفة الإحصائية.
الآفاق الاستراتيجية والتحديات المستقبلية
رغم هذه الإنجازات الكمية، يظل الإطار خاضعاً لبعض القيود التي ترسم ملامح التطوير المستقبلي. اقتصرت العينة التجريبية على 20 سهماً، مما يطرح تساؤلات حول قدرة الخوارزمية على التوسع بكفاءة في أوساط استثمارية أوسع تضم 100 إلى 500 أصل مالي.
تشير الدراسة إلى أن الجيل القادم من إدارة المحافظ سيشهد دمجاً أعمق بين هذه الخوارزميات التطورية و"التعلم المعزز العميق" (DRL). إن القدرة على التكيف مع سياسات التداول المعقدة، ودمج تكاليف المعاملات غير الخطية، وتوسيع نطاق الأصول، ستمثل الفيصل بين النماذج النظرية والحلول المؤسسية الرائدة التي تعتمد عليها كبرى صناديق التحوط الكمية.
في المحصلة، يبرهن هذا البحث على أن التزاوج بين قوة التحسين المحدب والذكاء الاسترشادي المستوحى من الطبيعة، يخلق أداة قابلة للتفسير وعالية الكفاءة، قادرة على استخراج قيمة حقيقية من بين تعقيدات الأسواق المالية.
اسأل يمامي
التعليقات (10)
لا توجد تعليقات بعد. كن أول من يعلّق!