اگر استراتژی معاملاتی شما بر پایه یادگیری تقویت‌شده است، احتمالاً در اولین «قوی سیاه» بازار شکست خواهید خورد. مشکل این است که اکثر مدل‌های خودکار، نوسانات شدید را نادیده می‌گیرند و تصور می‌کنند بازار همیشه از یک الگوی پیش‌بینی‌پذیر پیروی می‌کند.
این ضعف ریشه در تکیه به توزیع‌های نرمال دارد که در واقعیت، بازارهای مالی را به‌درستی توصیف نمی‌کنند. همان‌طور که در بررسی‌های پیشین ما درباره‌ی ریسک‌های مدل‌های استدلالی در بازارهای مالی اشاره کردیم، نادیده گرفتن دم‌های پهن (Fat-tails) — یعنی احتمال وقوع رخدادهای حدی و نادر — منجر به سقوط‌های ناگهانی سبدهای دارایی می‌شود.
در ۹ ژوئن ۲۰۲۶، پژوهشگران الگوریتم BAVAR-BLED را معرفی کردند. طبق مستندات منتشرشده در arxiv.org، این سامانه از معماری TD3 (Twin Delayed Deep Deterministic Policy Gradient) برای مدیریت دارایی استفاده می‌کند. بر اساس گزارش این تیم، BAVAR-BLED از چهار مؤلفه کلیدی بهره می‌برد:
- BAVAR: استخراج ویژگی‌های زمانی برای ارائه تخمین‌های آگاه از رژیم بازار در مورد بازدهی و ماتریس‌های پراکندگی.
- BLED: استفاده از توزیع‌های t-Student برای مدل‌سازی واقع‌بینانه بازدهی‌ها و عبور از فرض‌های ساده‌انگارانه‌ی گاوسی.
- شبکه‌های ترنسفورمر (Transformer Networks): برای ساخت و تحلیل دیدگاه‌های بازار.
- شبکه‌های عصبی پیچشی (CNNs): برای تخمین سطح ریسک‌پذیری پویا.
آزمون‌های انجام‌شده روی ۲۹ نماد از شاخص صنعتی داوجونز در یک بازه ۱۰ ساله، دستیابی به نسبت شارپ (Sharpe ratio) ۱.۷۲ و نسبت سورتینو (Sortino ratio) ۲.۷۰ را تأیید می‌کند.
تحلیل فنی این مدل نشان می‌دهد که جایگزینی توزیع‌های نرمال با توزیع‌های بیضوی (Elliptical Distributions)، بن‌بست «نمودار زنگی» را در معاملات خودکار می‌شکند. این رویکرد، استنتاج (Inference) را از تطبیق ساده‌ی الگوها به یک چارچوب احتمالی مقاوم تبدیل می‌کند که می‌تواند در لحظات بحرانی، واکنش‌های منطقی‌تری نشان دهد.
گام بعدی شما
- بررسی پیاده‌سازی توزیع‌های t-Student در کتابخانه‌های مدیریت ریسک برای مقابله با نوسانات شدید.
- ارزیابی این معماری روی دارایی‌های دیجیتال (Cryptocurrencies) که به‌طور ذاتی دم‌های پهن‌تر و نوسانات شدیدتری دارند.
- تحلیل اثر ترکیب CNNها و ترنسفورمرها در کاهش خطای تخمین ریسک‌پذیری.
اما هزینه محاسباتی این پیچیدگی در مقیاس‌های بزرگ همچنان یک علامت سؤال است — به تحلیل ما درباره‌ی بهینه‌سازی استنتاج در مدل‌های مالی مراجعه کنید.
گفتگو