لماذا لا تتنبأ الشبكات العصبية بسوق بورصة موسكو، وأين يساعد تعلّم الآلة المتداولين فعلًا

في لقاء مخصص لتعلّم الآلة في التداول عُقد في موسكو، طُرحت فكرة رصينة: الشبكات العصبية شبه عديمة الفائدة كأداة للتنبؤ المباشر بالسعر. في المقابل، يساعد تعلّم الآلة (ML) فعلًا في مهام أضيق، هي تحديد نمط السوق، وتصفية الصفقات الرديئة، وتقليص الخسائر عند التنفيذ.

وهم التنبؤ بالسعر

لا يزال في السوق تصوّر شائع مفاده أن عرض رسم سهم «سبيربنك» أو المؤشر على النموذج كافٍ ليعطي سعر الغد بدقة. لكن هذا التصوّر ينهار بسرعة في الواقع. فالسعر شديد الضجيج، والسوق يتغيّر باستمرار، وأي نمط يُكتشف في البيانات التاريخية كثيرًا ما يختفي لحظة دخول الاستراتيجية إلى التداول بأموال حقيقية. وفي التداول عالي التردد يزداد الوضع صعوبة: فالعبرة هناك بالنانوثانية، وقد يعطّل نموذج ثقيل النظام كله بسبب التأخير.

«ML لا يمنح السيطرة على السوق، وليس زرًا سحريًا لجني المال».

ولهذا ينظر المشاركون ذوو الخبرة إلى تعلّم الآلة لا بوصفه مولّدًا لإشارات جاهزة، بل طبقة مساعدة فوق الاستراتيجية الأساسية. وحتى لو خمّن النموذج اتجاه الحركة أكثر من الصدفة، فهذا لا يكفي. فبين التوقع الأنيق والمال تقف طوابير الأوامر في دفتر الأوامر والانزلاق السعري وعمولات الوسيط والبورصة. وبالتالي قد يُسجّل نموذج قوي من الناحية الشكلية خسارة في موضع بدا فيه الاختبار الخلفي (بكتيست) شبه مثالي.

أين يعمل ML

أسلم فكرة في النقاش بسيطة: يفيد تعلّم الآلة حيث تكون المهمة ضيقة وقابلة للتحقق. فبدل محاولة التنبؤ بالسوق نفسه، يساعد النموذج على تفكيكه إلى مكوّنات: في أي نمط يوجد السوق، وأي الإشارات ينبغي تجاوزها، وأين ستلتهم التكاليف الربح المحتمل. وهذا النهج أقرب بكثير إلى ممارسة المتداول الخوارزمي المنفرد الذي لا يملك بنية تحتية بحجم صندوق التحوّط.

• تحديد مرحلة السوق: اتجاه، أو حركة عرضية، أو قفزة في التقلّب
• تصفية الإشارات: أي صفقات الاستراتيجية الأساسية من الأفضل عدم تنفيذها
• تحسين التنفيذ: كيف يُفتح المركز بانزلاق سعري أقل
• تحليل البنية الدقيقة لدفتر الأوامر: البحث عن أنماط في تدفق الأوامر

وتزداد أهمية ذلك للمتداول الفردي لأنه يجمع غالبًا كل الأدوار معًا: يبحث عن البيانات وينظّفها، ويبتكر الخصائص، ويبني النموذج، ويختبر الفرضيات، ويحسب المخاطر، ثم ينقل النتيجة بنفسه إلى بيئة التشغيل الفعلية. وفي هذا الوضع لا يفيد ML كواجهة لوعود براقة، بل كأداة لتحسين محدد وضيق، مثل إيقاف استراتيجية الاتجاه في سوق عرضي حاد، أو رفض صفقة يتوقّع أن يكون تنفيذها سيئًا.

لماذا تموت الاستراتيجيات

معظم المشكلات لا تبدأ في النموذج، بل قبله، في مرحلة البيانات واختبار الفرضيات. فإذا سقط يوم من الشموع، أو رُبطت العقود الآجلة بخطأ، أو احتوت الخصائص عن غير قصد على معلومات من المستقبل، اكتشف الخوارزمية فورًا نمطًا غير موجود. يبدو ذلك في البيانات التاريخية كأنه الكأس المقدسة، لكنه ينتهي سريعًا جدًا في التداول الفعلي. ومن هنا المبدأ الأساسي: garbage in, garbage out. فجودة البيانات ونزاهة التجربة هنا أهم من الاختيار بين المكتبات والبنى المعمارية الرائجة.

ويخرج من النقاش مرشّح مفيد من خمسة أسئلة يجدر تطبيقه قبل كتابة أي شيفرة: هل توجد مهمة محددة؟ هل توجد بيانات نزيهة؟ هل يمكن اختبار الفكرة مع احتساب العمولات والتأخيرات؟ هل يتحول التوقع إلى إجراء فعلي؟ وهل يحقق ذلك كله أثرًا اقتصاديًا؟ وإذا لم تتوفر إجابة واثقة عن سؤال واحد على الأقل، فهذا يعني أن ML أُدخل مبكرًا جدًا. وإلا وقع المتداول في الفخ المعتاد: يبدو أن التوقع موجود، لكن لا أرباح بعد كل التكاليف.

ماذا يعني ذلك

هذه إشارة جيدة إلى الرصانة في السوق. فالشبكات العصبية لا تحلّ محل نظام التداول ولا تلغي المخاطر، لكنها تساعد في تحسين العمليات بصورة موضعية حيث يصطدم الإنسان أصلًا بحجم البيانات أو بسرعة الاستجابة. وثمة استنتاج مهم آخر: السوق تنقصه مشاركة الخبرات. فما دام المتداولون المنفردون يكررون الأخطاء نفسها كل على حدة، يبقى ML مسرّعًا للتجارب المكلفة لا مسرّعًا للأرباح.