قارنت هذه الدراسة أداء العمليات التصادفية متمثلة في نموذج فاسيسك ونموذج كوكس وإنغرسول وروس ونموذج الحركة البراونية الهندسية بأداء خوارزميات التعلم الآلي متمثلة في الغابة العشوائية وآلات الدعم المتجه والجيران الأقرب، وذلك في التنبؤ باتجاهات مؤشرات الأسهم ممثلة بمؤشر القطاع المالي ومؤشر قطاع التقنية ومؤشر قطاع الرعاية الصحية، وتنبع أهمية المقارنة من انتشار المقاربتين في بحوث التنبؤ المالي واختلاف منطقهما اختلافًا جوهريًا، فالعمليات التصادفية نماذج احتمالية مقدرة بافتراضات رياضية محددة بينما تتعلم خوارزميات التعلم الآلي الأنماط من البيانات دون افتراضات توزيعية صريحة، وتتوزع النماذج التصادفية الثلاثة المدروسة على أسر نظرية مختلفة في وصف حركة الأسعار وسلوك أسعار الفائدة ومعدلات العودة إلى المتوسط، بينما تتوزع خوارزميات التعلم الآلي الثلاث على منطق تجميعي قائم على الأشجار ومنطق حدود الفصل الهندسي ومنطق الجوار الأقرب، فجاءت المقارنة بذلك مواجهة واسعة بين فلسفتين متنافستين في فهم بيانات السوق والتنبؤ بها عبر ثلاثة قطاعات اقتصادية كبرى
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى المفاضلة بين العمليات التصادفية وخوارزميات التعلم الآلي في التنبؤ باتجاهات مؤشرات قطاعية ثلاثة هي مؤشر القطاع المالي ومؤشر قطاع التقنية ومؤشر قطاع الرعاية الصحية، وطبقت ثلاثة نماذج تصادفية هي فاسيسك وكوكس وإنغرسول وروس والحركة البراونية الهندسية في مقابل ثلاث خوارزميات تعلم آلي هي الغابة العشوائية وآلات الدعم المتجه والجيران الأقرب، وقارنت بينها بمقاييس أداء تنبؤي موحدة، وناقشت الدراسة بعناية مسألة منهجية دقيقة هي أن العمليات التصادفية تستخدم القيمة الفعلية الحالية للمؤشر للتنبؤ بقيمة الغد ما قد يبالغ في تقدير أدائها، بينما تقدم خوارزميات التعلم الآلي مقاربة أكثر مرونة وأقل اعتمادًا على القيمة الحالية
ثانيًا: أبرز النتائج
أظهرت النتائج أن العمليات التصادفية حققت أداء تنبؤيًا لافتًا وبخاصة نموذج كوكس وإنغرسول وروس الذي تقدم على سائر النماذج، وبينت الدراسة أيضًا أن مقاييس خوارزميات التعلم الآلي جاءت منخفضة نسبيًا بالمقارنة، غير أن هذا التفوق الظاهر للنماذج التصادفية ينبغي أن يقرأ بحذر منهجي فاستخدامها القيمة الفعلية الحالية للمؤشر في التنبؤ بقيمة الغد قد يضخم أداءها المقاس، في حين توفر خوارزميات التعلم الآلي مقاربة أكثر مرونة ولا تعتمد بالدرجة ذاتها على القيمة الحالية، ولذلك خلصت الدراسة إلى أن تحسين المعلمات الفائقة لخوارزميات التعلم الآلي أمر حاسم لرفع أدائها التنبؤي وتقليص الفجوة بين المقاربتين، ويسلط التنبيه المنهجي الذي أثارته الدراسة ضوءه على خلل شائع في أدبيات المقارنات التنبؤية إذ تُقارن النماذج أحيانًا دون ضبط تكافؤ معلوماتها المدخلة فتبدو إحدى المقاربات متفوقة وهي في الحقيقة أكثر اطلاعًا على الحاضر لا أقدر على استشراف المستقبل، ومن هنا فإن فضيلة هذه الدراسة المزدوجة أنها قدمت نتيجة تجريبية عبر ثلاثة مؤشرات قطاعية متمايزة السلوك هي المال والتقنية والرعاية الصحية وقدمت معها درسًا في أمانة المقارنة يصلح لبناء اختبارات أدق في الدراسات اللاحقة
ثالثًا: دلالات الدراسة وتطبيقاتها
تقدم دلالات الدراسة للممارسين في الأسواق المالية قاعدة مفاضلة واقعية فالنماذج التصادفية الكلاسيكية ما تزال قوية في التنبؤ قصير الأجل بالمؤشرات القطاعية وبخاصة نموذج كوكس وإنغرسول وروس، لكن الحكم النهائي بين المقاربتين يتطلب مقارنات عادلة تراعي اختلاف مدخلات كل منهما، كما توجه الباحثين في التمويل الحاسوبي إلى أن ضبط المعلمات الفائقة ليس خطوة تقنية ثانوية بل العامل الحاسم في إطلاق قدرات التعلم الآلي التنافسية، وتفيد النتائج مطوري نماذج التداول والتنبؤ في المزج الواعي بين قوة النماذج الاحتمالية المقدرة ومرونة التعلم من البيانات بدل الرهان المطلق على إحدى المقاربتين، كما تذكر مجتمع التمويل الكمي بأن حداثة الأداة لا تعني تفوقها فالنماذج التصادفية ذات العقود من التطوير النظري ما تزال تنافس بقوة في مهام التنبؤ اليومي بالمؤشرات، وأن الاستثمار البحثي الأجدى قد يكون في النماذج الهجينة التي تستعير بنية النماذج الاحتمالية وقدرة التعلم الآلي على اكتشاف اللاخطيات معًا، مع بروتوكولات اختبار تحرم جميع المتنافسين من أي اطلاع غير عادل على قيم لم تتحقق بعد
وخلاصة القول إن العمليات التصادفية وبخاصة نموذج كوكس وإنغرسول وروس تفوقت مقاييسها على خوارزميات التعلم الآلي في التنبؤ بمؤشرات الأسهم القطاعية، غير أن جزءًا من هذا التفوق قد يعود إلى اعتمادها على القيمة الحالية، ويبقى تحسين المعلمات الفائقة مفتاح رفع أداء التعلم الآلي وتضييق الفجوة بين المقاربتين
