DiffQuant يُحسّن نسبة Sharpe مباشرةً عبر محاكي تداول قابل للتفاضل

ديفكوانت — نموذج أولي مفتوح المصدر يزيل تناقضاً أساسياً في التداول القائم على التعلم الآلي: تتعلم النماذج تقليل متوسط الخطأ التربيعي، لكن يتم تقييمها بنسبة شارب. قضى المؤلفون على هذه الفجوة بجعل خط أنابيب التداول بالكامل — من الميزات إلى الأرباح والخسائر والعمولات — رسماً بيانياً حسابياً واحداً قابلاً للتفاضل.

مشكلة الأهداف البديلة

في معظم أنظمة التعلم الآلي للتداول الكمي، يبدو المخطط بهذا الشكل: تدريب شبكة عصبية على التنبؤ بالعوائد أو اتجاه السعر، مع تقليل MSE أو BCE. ثم، على أساس هذه التنبؤات، بناء استراتيجية تداول وتقييمها بنسبة شارب — نسبة متوسط العائد إلى التقلب. المشكلة: هذان الهدفان غير مترابطين رياضياً.

أفضل MSE لا يضمن أفضل شارب. في الممارسة العملية، تقضي الشبكة العصبية الموارد في تقليل خطأ التنبؤ في أنظمة السوق حيث لا يؤثر هذا على النتيجة النهائية للتداول. تحسن بنسبة 15% في دقة التنبؤ قد لا ينتج عنه أي كسب في شارب — وهذه مشكلة موثقة في الأوراق الأكاديمية وبين ممارسي صناعة التحليل الكمي.

الحلول الجزئية — دوال الخسارة المصنفة، المقاييس البديلة المخصصة، الترجيح اللاحق — لا تعالج جوهر المشكلة: التدرج أثناء التدريب لا يرى الميكانيكا الفعلية للتداول.

كيف يعمل محاكي التفاضل

يحل ديفكوانت المشكلة بشكل مباشر: يتم تنفيذ خط أنابيب التداول بالكامل كرسم بياني حسابي واحد مع عمليات متصلة:

• ميزات السوق → كتلة شبكة عصبية للتنبؤ بالإشارة
• الإشارة → الموضع المستهدف مع الأخذ بعين الاعتبار قيود الحجم والاتجاه
• الموضع → أرباح وخسائر خطوة بخطوة مع نموذجة صريحة للانزلاق والعمولات
• الأرباح والخسائر المتراكمة → نسبة شارب كدالة خسارة عددية قابلة للتفاضل

التحدي التقني الرئيسي هو جعل تحديد الموضع والتكاليف قابلة للتفاضل، لأن عمليات التداول الفعلية منفصلة. يستخدم المؤلفون التقريبات الناعمة: بدلاً من الانتقالات الحادة بين المراكز — دوال متصلة دقيقة كفاية لتدفق التدرج.

«هذا ليس نظاماً للتداول جاهز الاستخدام — هذه صيغة مختلفة للمشكلة،»

يؤكد المؤلفون.

كنتيجة: ينتشر التدرج فيما يتعلق بنسبة شارب للخلف عبر خط الأنابيب بالكامل إلى أوزان الشبكة العصبية. يتم تدريب النموذج مباشرة على المعيار الذي سيتم تقييمه بموجبه في الإنتاج.

شارب +1.73 و+1.15 بعد العمولات

تم اختبار النموذج الأولي على فترتي ربع سنة متتاليتين معزولتين — فترات لم يرها النموذج أثناء التدريب أو ضبط المعاملات الفائقة. شارب +1.73 في الربع الأول و+1.15 في الثاني بعد احتساب العمولات الفعلية. كلا القيمتين تتجاوزان واحداً — معيار الخط الأساسي المقبول للاستراتيجيات الخوارزمية. تم نشر الكود والبيانات والبروتوكول الكامل للتجربة بشكل مفتوح. يمكن لأي شخص لديه إمكانية الوصول إلى بيانات سوق مماثلة أن يعيد إنتاج النتائج. تجنب المؤلفون بشكل متعمد التعقيد — لا هياكل معمارية غريبة ولا ميزات غير قياسية: فقط تغيير في دالة الخسارة.

ماذا يعني هذا

يوضح ديفكوانت أن الصيغة الصحيحة للمشكلة أكثر أهمية من اختيار الهندسة المعمارية. إذا تم تقييم الاستراتيجية في الإنتاج بنسبة شارب — يجب أن يستهدف التحسين أثناء التدريب بالضبط ذلك، وليس البدائل. بالنسبة لصناديق التحليل الكمي والباحثين المستقلين، هذه إشارة عملية: يمكن سد الفجوة بين هدف التدريب والمقياس الفعلي من الناحية التقنية — وهذا يغير ليس فقط النتيجة، بل أيضاً ما يتعلمه النموذج فعلياً.