كيف يعمل التعلم الآلي على تحويل عملية تحسين المحفظة

تشهد صناعة الاستثمار تحولا يعزى إلى حد كبير إلى التقدم التكنولوجي. يقوم متخصصو الاستثمار بدمج التقنيات الجديدة، مثل التعلم الآلي (ML)، عبر عملية الاستثمار، بما في ذلك إنشاء المحفظة. بدأ العديد من مديري الأصول في دمج خوارزميات تعلم الآلة في عملية تحسين المحفظة بحثًا عن محافظ أكثر كفاءة مما كان ممكنًا في ظل الطرق التقليدية، مثل تحسين متوسط ​​التباين (MVO). تتطلب هذه الاتجاهات نظرة جديدة على كيفية تغيير تعلم الآلة لعملية إنشاء المحفظة.

سيستفيد المستثمرون من الفهم الأساسي لخوارزميات تعلم الآلة وتأثير هذه الخوارزميات على محافظهم الاستثمارية. وفي نهاية المطاف، فإن الاستراتيجيات التي يستخدمها مديرو الأصول لإنشاء محافظ العملاء لها تأثير مباشر على المستثمر النهائي. لذلك يجب أن يكون لدى المستثمرين الوعي الكافي بهذه الأساليب مع استمرارها في اكتساب الشعبية. تهدف هذه المقالة إلى تقديم نظرة عامة على الدور الذي تلعبه خوارزميات ML في عملية تحسين المحفظة.

خلفية

تم استخدام مصطلح “التعلم الآلي” لأول مرة من قبل آل صامويل في عام 1959. أجرى صامويل تجربة من خلال تدريب جهاز كمبيوتر على لعب لعبة الداما وخلص إلى أن الكمبيوتر أظهر إمكانات كبيرة للتعلم. مهدت هذه النتائج الطريق لمزيد من البحث حول هذا الموضوع وأدت إلى تطوير خوارزميات تعلم الآلة القوية والمتطورة بشكل متزايد على مدى العقود التالية. ونتيجة لذلك، تبنت العديد من الصناعات، بما في ذلك إدارة الاستثمار، هذه التقنيات في السنوات الأخيرة.

تعد خوارزميات تعلم الآلة مفيدة بشكل خاص عندما يتعلق الأمر بتحليل البيانات أو مجموعات البيانات عالية الأبعاد ذات العلاقات غير الخطية، والتي أصبحت شائعة بشكل متزايد مع ظهور البيانات غير المنظمة ومصادر البيانات البديلة الأخرى. الفئتان الرئيسيتان لتعلم الآلة هما التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. من خلال التعلم الخاضع للإشراف، تكتشف خوارزمية ML الأنماط بين مجموعة من الميزات (على سبيل المثال، متغيرات الإدخال) ومتغير مستهدف معروف (على سبيل المثال، متغير الإخراج)[1]. ويشار إلى ذلك على أنه مجموعة بيانات مصنفة لأنه تم تعريف المتغير المستهدف. ومع ذلك، في التعلم غير الخاضع للإشراف، تكون مجموعة البيانات غير مُسماة، والمتغير المستهدف غير معروف. وبالتالي، تسعى الخوارزمية إلى تحديد الأنماط داخل البيانات المدخلة. الشكل 1 يصف بعض خوارزميات ML الشائعة المستخدمة حاليًا من قبل محترفي الاستثمار.

الشكل 1: خوارزميات التعلم الآلي الشائعة في إدارة الاستثمار.

يتوقع متخصصو الاستثمار أن تؤدي الأساليب التحليلية الجديدة إلى إحداث تغيير كبير في صناعة الاستثمار في السنوات القادمة. توقع المشاركون في استطلاع عام 2022 الذي شمل أكثر من 2000 عضو في معهد CFA أن الأساليب التحليلية الجديدة مثل تعلم الآلة ستكون أهم عامل تعطيل للأدوار الوظيفية في السنوات الخمس إلى العشر القادمة بين المشاركين. الشكل 2 يعرض هذه النتيجة، إلى جانب عوامل التعطيل الأخرى المتوقعة للأدوار الوظيفية.

الشكل 2. العوامل المتوقع أن تؤدي إلى تعطيل الأدوار الوظيفية بشكل كبير في السنوات الخمس إلى العشر القادمة.

تحسين المحفظة

لقد وضع تطور الشبكات العصبية في الستينيات الأساس للعديد من الطرق البديلة لتحسين المحفظة باستخدام تعلم الآلة. بالإضافة إلى ظهور “الأنظمة الخبيرة”[2] قاد محترفي الاستثمار إلى الاعتماد بشكل متزايد على الآلات للمساعدة في حل المشكلات المعقدة. بعض الاستخدامات المبكرة للأنظمة الخبيرة في التمويل تشمل أنظمة الخبراء التجارية والتخطيط المالي.

ازدادت شعبية استخدام خوارزميات ML في عملية إنشاء المحفظة في السنوات الأخيرة حيث يبحث متخصصو الاستثمار عن طرق إضافية لتعزيز عوائد المحفظة واكتساب ميزة تنافسية. على وجه الخصوص، يمكن أن يؤدي دمج خوارزميات التعلم الآلي في عملية إنشاء المحفظة إلى معالجة التحديات والقيود المفروضة على أساليب تحسين المحفظة التقليدية، مثل MVO.

أحد القيود الرئيسية لـ MVO هو أنه يأخذ في الاعتبار فقط متوسط ​​وتباين العائدات عند تحسين المحفظة ولا يأخذ في الاعتبار الانحراف في العائدات. ولكن في الواقع، تميل عوائد الاستثمار إلى إظهار الانحراف. على وجه التحديد، أظهرت الأبحاث أن أسهم النمو لديها انحراف إيجابي أعلى في عوائدها، في المتوسط، من أسهم القيمة. ولمراعاة احتمالات عدم الوضع الطبيعي في عوائد الاستثمار، اختار بعض المتخصصين في الاستثمار إنشاء محافظ باستخدام نماذج تحسين متوسط ​​التباين، أو حتى نماذج تحسين متوسط ​​التباين، والتفرطح. ومع ذلك، تؤدي هذه النماذج إلى مشاكل تحسين متعددة الأهداف. يمكن لـ ANNs إنشاء محافظ مثالية لمتوسط ​​التباين والتواء بكفاءة لمعالجة هذا القيد.

هناك عيب آخر في MVO وهو أنه يمنع المستثمرين من التعبير عن آرائهم بشأن أداء الأصول في المستقبل. على سبيل المثال، قد يتوقع المستثمر أن تتفوق السندات على الأسهم في الأشهر الستة المقبلة. يمكّن نموذج بلاك-ليترمان (1992) المستثمرين من دمج وجهات النظر هذه في عملية تحسين المحفظة. وهناك نهج بديل يتمثل في دمج نموذج بلاك ليترمان (1992) مع الشبكات العصبية الاصطناعية، التي لديها القدرة على توليد عوائد عالية نسبيا دون تحمل مخاطر زائدة.

تعتبر المدخلات في MVO حساسة لأخطاء القياس، وهو ما ينطبق بشكل خاص على تقديرات العائد المتوقع. وبالتالي، فإن MVO لديها القدرة على إنتاج محافظ “مثالية” ذات أداء ضعيف. يمكن أن يكون التحسين العكسي بديلاً مفيدًا لتطوير تقديرات أكثر دقة للعائد المتوقع. ويمكن لمحترفي الاستثمار بعد ذلك استخدام هذه التقديرات المحسنة كمدخلات في عمليات MVO التقليدية لتوليد توزيعات أكثر كفاءة للأصول. يمكن لمحترفي الاستثمار أيضًا استخدام خوارزميات تعلم الآلة للتنبؤ بعوائد الأسهم ودمج هذه التقديرات في MVO. وبدلاً من ذلك، طورت دراسة حديثة نهجًا محسنًا لتحسين المحفظة، والذي يتكون من استخدام معامل انكماش الارتباط لتحسين نسب شارب المقدرة ومن ثم إنشاء محافظ مثالية بناءً على هذه التقديرات.

وأخيرا، يتمثل التحدي الرئيسي في تحسين المحفظة في تقدير مصفوفة التغاير، وخاصة بالنسبة للبيانات عالية الأبعاد. يمكن لنماذج LASSO معالجة هذا التحدي من خلال إنتاج تقديرات أكثر دقة لمصفوفة التغاير مقارنة بالطرق التقليدية، وهو ما يعد مدخلاً بالغ الأهمية لـ MVO.

الاستنتاجات

ما هي الآثار المترتبة على هذه الاتجاهات لمحترفي الاستثمار؟ ومن الواضح أن صناعة الاستثمار تتطور بسرعة استجابة للتكنولوجيات الجديدة. يتوقع متخصصو الاستثمار أن الأساليب التحليلية الجديدة مثل تعلم الآلة ستؤدي إلى تعطيل الأدوار الوظيفية بشكل كبير في السنوات القادمة. ونتيجة لذلك، بدأ الممارسون في دمج خوارزميات تعلم الآلة في جميع مجالات عملية الاستثمار.

يحاول العديد من مديري الأصول الحصول على ميزة تنافسية من خلال إنشاء محافظ ذات عوائد أعلى لمستوى معين من المخاطر (أي نسب شارب أعلى) من خلال دمج خوارزميات تعلم الآلة في عملية تحسين المحفظة. بالإضافة إلى ذلك، يمكن لخوارزميات تعلم الآلة التغلب على العديد من التحديات والقيود التي تفرضها أساليب تحسين المحفظة التقليدية، الأمر الذي دفع محترفي الاستثمار إلى البحث عن طرق أكثر كفاءة لإنشاء المحفظة. وسيستفيد المستثمرون من زيادة الوعي بهذه الاتجاهات لفهم تأثير أساليب التحسين الجديدة على محافظهم الاستثمارية بشكل أفضل.

[1] في بعض الحالات، قد تحتوي مجموعة البيانات على أكثر من متغير مستهدف واحد.

[2] يصف النظام الخبير برنامج كمبيوتر يمكنه حل مشكلة معقدة يتم حلها عادةً بواسطة خبراء بشريين. انظر: النظام الخبير | الذكاء الاصطناعي وتمثيل المعرفة والتفكير | بريتانيكا