DiffQuant يحسّن نسبة شارب مباشرة عبر محاكي تداول قابل للاشتقاق

DiffQuant نموذج أولي مفتوح المصدر يعالج تناقضًا جوهريًا في التداول المعتمد على ML: تتعلم النماذج تقليل متوسط مربع الخطأ، لكنها تُقيَّم بنسبة شارب. أزال المؤلفون هذه الفجوة بجعل خط التداول بأكمله، من الخصائص إلى PnL والعمولات، رسمًا حسابيًا واحدًا قابلًا للاشتقاق.

مشكلة الأهداف البديلة

في معظم أنظمة ML للتداول الكمي يجري الأمر على النحو التالي: تُدرَّب شبكة عصبية على التنبؤ بالعوائد أو باتجاه حركة السعر عبر تقليل MSE أو BCE. ثم تُبنى فوق هذه التنبؤات استراتيجية تداول وتُقيَّم بنسبة شارب، أي نسبة متوسط العائد إلى التقلب.

المشكلة أن الهدفين غير مرتبطين رياضيًا. فأفضل MSE لا يضمن أفضل Sharpe. عمليًا، تُنفق الشبكة العصبية مواردها على تقليل خطأ التنبؤ في أنظمة سوقية لا يؤثر فيها ذلك إطلاقًا في النتيجة التجارية النهائية. وقد لا يمنح تحسين دقة التنبؤ بنسبة 15% أي زيادة في Sharpe، وهذه مشكلة موثقة في الأبحاث الأكاديمية ولدى ممارسي صناعة التداول الكمي على حد سواء.

الحلول الجزئية، مثل دوال الخسارة الترتيبية ومقاييس proxy المخصصة والترجيح اللاحق (post-hoc)، لا تعالج جوهر المشكلة: فالتدرج أثناء التدريب لا يرى آلية التداول الفعلية.

كيف يعمل المحاكي القابل للاشتقاق

يعالج DiffQuant المسألة مباشرة: يُنفَّذ خط التداول بأكمله كرسم حسابي واحد بعمليات متصلة:

• خصائص السوق ← وحدة شبكة عصبية للتنبؤ بالإشارة
• الإشارة ← المركز المستهدف مع مراعاة قيود الحجم والاتجاه
• المركز ← PnL لكل خطوة مع نموذج صريح للانزلاق السعري والعمولات
• PnL المتراكم ← نسبة شارب كدالة خسارة قياسية قابلة للاشتقاق

السؤال التقني الأساسي هو كيفية جعل تحديد المراكز والتكاليف قابلين للاشتقاق، لأن عمليات التداول الفعلية متقطعة. يعتمد المؤلفون تقريبات ناعمة: فبدلًا من الانتقالات الحادة بين المراكز، يستخدمون دوال متصلة دقيقة بما يكفي لتمرير التدرج.

«هذا ليس نظام تداول جاهزًا، بل صياغة مختلفة للمسألة»، يؤكد المؤلفون.

النتيجة: ينتشر التدرج المشتق من نسبة شارب عكسيًا عبر خط التداول بأكمله وصولًا إلى أوزان الشبكة العصبية. فيتدرب النموذج مباشرة على المعيار الذي سيُقيَّم به في بيئة الإنتاج.

Sharpe +1.73 و+1.15 بعد العمولات

اختُبر النموذج الأولي على ربعين متتاليين من بيانات held-out، أي فترتين لم يرهما النموذج لا أثناء التدريب ولا عند ضبط المعاملات الفائقة. بلغ Sharpe +1.73 في الربع الأول و+1.15 في الربع الثاني بعد احتساب العمولات الفعلية. وكلتا القيمتين أعلى من واحد، وهو المعيار المرجعي المعتمد للاستراتيجيات الخوارزمية.

نُشرت الشيفرة والبيانات والبروتوكول الكامل للتجربة في متناول الجميع. ويمكن لأي شخص يملك إمكانية الوصول إلى بيانات سوقية مماثلة إعادة إنتاج النتائج. وتجنب المؤلفون التعقيدات عمدًا: لا بنى معمارية غريبة ولا خصائص غير قياسية، بل تغيير دالة الخسارة فقط.

ماذا يعني ذلك

يُظهر DiffQuant أن الصياغة الصحيحة للمسألة أهم من اختيار البنية المعمارية. فإذا كانت الاستراتيجية تُقيَّم في بيئة الإنتاج بنسبة شارب، فينبغي تحسين هذه النسبة نفسها أثناء التدريب، لا الأهداف البديلة. وبالنسبة إلى الصناديق الكمية والباحثين المستقلين، هذه إشارة عملية: يمكن سد الفجوة بين هدف التدريب والمقياس الفعلي تقنيًا، وهذا لا يغيّر النتيجة فحسب، بل يغيّر أيضًا ما يتعلمه النموذج فعليًا.