00:00:00ولكن، سواء نظرنا إلى العشر سنوات الماضية،
00:00:03أو العشرين، أو الثلاثين سنة الماضية،
00:00:04كم سيكون عدد الأنماط التي كانت مربحة خلال تلك الفترة تقريبًا؟
00:00:09الإجابة هي أنها لا نهائية. ويمكن إثبات ذلك فعليًا.
00:00:12نعم، مرحبًا بكم. أنا “Wall Street Guy”.
00:00:21سنتناول اليوم موضوع الاستثمار الكمي (Quant).
00:00:24من خلال التعليقات والأسئلة والرسائل على قناتي،
00:00:26كان هناك من يطلب مني شرح التداول الكمي.
00:00:29وبناءً على أهدافي المستقبلية وتوجهات القناة ومنهجها،
00:00:33لم يكن في نيتي تناول التداول الخوارزمي أو الكمي
00:00:36في الوقت القريب.
00:00:38ولكن، من بين متابعي قناتنا،
00:00:40هناك حوالي 15% يمارسون التداول الكمي بالفعل،
00:00:44كما أن هناك بعض النقاط المثيرة للقلق بشأن الاستثمار الكمي مؤخرًا،
00:00:48لذا قررت إنتاج هذا الفيديو.
00:00:50ما سنناقشه اليوم هو أولاً تصنيفات ومبادئ الاستثمار الكمي،
00:00:53سنلقي نظرة عامة على تلك الجوانب،
00:00:56ثم سنتناول 10 أشياء يجب الحذر منها في التداول الكمي.
00:00:59إذا وضعت هذه النقاط العشر في اعتبارك فقط،
00:01:04أعتقد أنك ستتجنب إضاعة وقتك بشكل كبير،
00:01:06أو الوقوع في فخ المنهجيات الخاطئة في اختبارات الأداء (Backtesting)،
00:01:09والتي قد تؤدي بسبب الطرق غير الصحيحة
00:01:11إلى خسائر فادحة.
00:01:15وعلى الرغم من أن هذه الأمور تُعد من الأساسيات البديهية،
00:01:18إلا أنه يبدو أن المحاضرات المدفوعة باهظة الثمن في السوق حاليًا
00:01:21لا تتطرق إلى هذه التفاصيل بعمق.
00:01:24بل على العكس، يبدو أن تلك المحاضرات تبالغ في تجميل
00:01:27اختبارات الأداء والاستثمار الكمي بشكل مفرط.
00:01:31لذا، إذا تذكرت هذه النقاط العشر اليوم، فبغض النظر عن
00:01:35المعلومات التي تسمعها أو الخدمات التي تستخدمها في الاستثمار الكمي،
00:01:39ستكون قادرًا إلى حد ما على حماية نفسك والبقاء في أمان.
00:01:43قبل أن نبدأ، قمت منذ بضعة أيام بنشر منشور قصير
00:01:47بنبرة حادة بعض الشيء،
00:01:49وأعتقد أنني ارتكبت خطأً ما.
00:01:51لقد كتبت أن التسويق الفيروسي والإعلانات المبالغ فيها
00:01:54بشأن الاستثمار الكمي قد تجاوزت الحدود.
00:01:55وبعد ذلك، بدأت تظهر تعليقات مسيئة تجاه أشخاص معينين
00:01:59أو شركات محددة تحت ذلك المنشور.
00:02:02لذا قمت بحذفه خشية أن يسيء ذلك لتلك الجهات،
00:02:06ففي الحقيقة، هذه الأمور ليست غير قانونية كغرف التوصيات
00:02:09أو شركات الوساطة الوهمية،
00:02:12وقد يُنظر إليّ كأنني أتدخل فيما لا يعنيني.
00:02:16ولكن من ناحية أخرى، فإن قضايا الحسابات الوهمية تلك،
00:02:19يتحمل مستخدموها جزءًا من المسؤولية لعلمهم بأنها غير قانونية
00:02:22ومع ذلك ينساقون وراء الطمع.
00:02:25لكن بالنظر إلى النقاشات الحالية حول الاستثمار الكمي،
00:02:28أجد أن الأشخاص العاديين الذين يحاولون بجد ونزاهة
00:02:33تحسين إدارتهم المالية
00:02:35ويدخلون مجال الاستثمار الكمي،
00:02:37هم من قد يتعرضون للضرر.
00:02:40لأن مصطلح الاستثمار الكمي يجمع بين كلمات مثل “العلم” و “الإحصاء”،
00:02:46مما قد يضلل الناس ويوهمهم بوجود دقة علمية حتى في الجوانب غير العلمية.
00:02:51بما أن غرف التوصيات والوساطة الوهمية غير قانونية بشكل واضح،
00:02:55فمن السهل تجنبها لمن يريد،
00:02:56لكن هنا قد تقع ضحية نزيهة تحاول التعلم بجد.
00:03:01سواء قيل لك إن بإمكانك أن تصبح خبيرًا في أيام قليلة،
00:03:04أو أن هذه الاستراتيجية مثبتة ببيانات تمتد لعقود،
00:03:08أو الإيحاء بأنه بما أنها حققت عائدًا مركبًا بنسبة 20% في العقد الماضي،
00:03:11فإنها ستستمر في تحقيق ذلك مستقبلاً.
00:03:14قد لا تكون هذه الادعاءات خبيثة بل مجرد كلمات عابرة،
00:03:18لكن من بين الناس، وخاصة المبتدئين،
00:03:20هناك من سيفهم الأمر بشكل خاطئ
00:03:23ويهدر الكثير من الوقت في اختبارات الأداء،
00:03:25وقد ينتهي به الأمر بخسائر مالية أيضًا.
00:03:27هذا يحدث عندما تضع ثقة عمياء وإيمانًا مطلقًا بنتائج اختبارات الأداء.
00:03:32لهذا السبب، تمنع قوانين هيئة الأوراق المالية والبورصات الأمريكية (SEC)
00:03:35صناديق الاستثمار من التسويق لعملائها بهذه الطريقة، وتعتبرها مخالفة.
00:03:38لذا أتمنى من كل من يتحدث عن الاستثمار الكمي
00:03:41أن يشعر بثقل ومسؤولية أموال الآخرين بشكل أكبر قليلاً.
00:03:45لا أعرف إلى متى سأستمر في تقديم محتوى اليوتيوب،
00:03:47لكنني لا أقول هذا لأدعي المثالية،
00:03:51بل لأنني شخص عانى كثيرًا من المشاكل المالية في منتصف العشرينيات،
00:03:52وأعرف تمامًا كيف يكون هذا الشعور.
00:03:56وبما أنني أتناول كثيرًا مواضيع مثل إدارة النفسية عند الخسارة،
00:03:58وأشارك تجاربي وقصص الخسائر التي تعرضت لها في الماضي،
00:04:01يبدو أنني أتلقى الكثير من هذه الاستشارات بالذات.
00:04:05هناك مشتركين يرسلون لي أسبوعيًا عبر البريد الإلكتروني
00:04:09عن خسائر بمئات الملايين، يطلبون النصيحة.
00:04:14لذلك أعتقد أن على صناع المحتوى في مجالات المال والأسهم والعقارات
00:04:16أن يراجعوا أنفسهم ولو لمرة واحدة.
00:04:20أنا أيضًا، خلال تقديمي لسلسلة “رحلة استثمارية في 80 يومًا”،
00:04:24شعرت أنني بدأت أتحول لما يشبه غرف التوصيات،
00:04:26لذا قررت العودة إلى بداياتي بمجرد انتهاء موجة الهبوط الحالية.
00:04:29على أي حال، لقد أنتجت هذا الفيديو بهذا القصد،
00:04:33وليس هناك نية على الإطلاق لمهاجمة شخص أو شركة بعينها.
00:04:37قد يكون المسوقون للاستثمار الكمي غير مدركين لبعض الجوانب،
00:04:40لذا دعونا نتكاتف جميعًا لندرك هذه الأمور
00:04:43ونعمل على تحسينها.
00:04:46وأرجو من المشاهدين أيضًا ألا يذكروا أسماءً معينة في التعليقات
00:04:49أو يحاولوا تخمين من أقصد.
00:04:51لقد طالت المقدمة،
00:04:55لذا دعونا نبدأ أولاً بتصنيف الاستثمار الكمي.
00:04:57بدايةً، مفهوم “الكمي” واسع ومتنوع للغاية.
00:04:58للتسهيل، سنقسمه تقريبًا بناءً على الترتيب الزمني:
00:05:01أولاً، هناك التداول عالي التردد (HFT)،
00:05:04ويُعرف أيضًا بـ “Ultra HFT”،
00:05:07حيث يتم وضع الخوادم بجانب مقر البورصة (Colocation)،
00:05:10وتتم البرمجة على مستوى لغة الآلة،
00:05:12مع التركيز الشديد على جوانب العتاد والأجهزة،
00:05:14وهذا مستوى متقدم جدًا من التداول.
00:05:19بعد ذلك، هناك النوع ذو الأفق الزمني الأطول قليلاً،
00:05:20وهو التداول الخوارزمي،
00:05:22الذي يستخدم المؤشرات الفنية أو الأنظمة القائمة على القواعد.
00:05:24هذا النوع يمارسه الأفراد بكثرة،
00:05:28وأصبح شائعًا بفضل منصات اختبارات الأداء الحالية.
00:05:29ثم يأتي المراجحة الإحصائية (Statistical Arbitrage)
00:05:33مثل تداول الأزواج (Pair Trading)،
00:05:35والتي تستخدم النماذج والأساليب الإحصائية
00:05:39للبحث عن أنماط سابقة،
00:05:41بافتراض أن الأسعار ستعود إلى المتوسط (Mean Reversion).
00:05:42وهناك أيضًا الاستثمار القائم على العوامل (Factor Investing).
00:05:44وهذا يتجه للمدى الطويل عبر عوامل مثل الزخم، والقيمة، والعائد (Carry)،
00:05:46حيث يتم تحديد العوامل التي تحرك الأسعار
00:05:48والبحث عن عوائد إضافية (Alpha).
00:05:50ومن المواضيع التي برزت في السنوات الأخيرة
00:05:52ما يسمى بـ “Quantamental”،
00:05:54وهو تحويل التحليل الأساسي إلى قيم رقمية وأتمتته،
00:05:59مع إضافة تحليلات البيانات المتنوعة والبيانات البديلة (Alternative Data)
00:06:01للاستثمار طويل الأمد.
00:06:03وفي نفس السياق، نجد أن تعلم الآلة (Machine Learning)
00:06:06والبيانات الضخمة والبديلة
00:06:07تتوسع الآن في مجالات متعددة.
00:06:10هذه التقسيمات هي للتوضيح فقط،
00:06:12لأن الحدود بينها ضبابية للغاية.
00:06:16فالبعض يطلق على هذا كله مسمى التداول الخوارزمي.
00:06:18لذا سأتناول التداول الكمي العام
00:06:20بشكل شامل ومبسط.
00:06:23مبادئ التداول الكمي هي كالتالي:
00:06:26أولاً، يجب أن يكون لديك فكرة استثمارية أو فرضية.
00:06:28بعد ذلك، نقوم باختبار الأداء (Backtesting).
00:06:30أي التحقق من تلك الفكرة أو الفرضية
00:06:31باستخدام البيانات التاريخية.
00:06:33إذا اعتقدنا أن طريقة ما ستحقق ربحًا،
00:06:35فإننا نختبر ما إذا كان تطبيقها في الماضي
00:06:37قد حقق ربحًا فعليًا أم لا.
00:06:40وإذا كانت نتائج اختبار الأداء جيدة،
00:06:42نبدأ التداول الحقيقي
00:06:44مع الاهتمام بإدارة المخاطر.
00:06:47هذه هي المراحل الأربع للعملية.
00:06:50في الواقع، حتى منتصف العقد الماضي،
00:06:51كان التداول الكمي حكرًا على المؤسسات الكبرى،
00:06:54وخاصة صناديق الاستثمار الكمية التي تضم
00:06:56خبراء حاصلين على دكتوراة في العلوم والهندسة.
00:06:57لكن تدريجيًا، أصبح الأمر متاحًا بشكل أوسع
00:07:00حتى في عمليات التنفيذ لدى المؤسسات،
00:07:01ومع ظهور خدمات مثل “Quantopian” في أمريكا،
00:07:03والتي جعلت اختبارات الأداء سهلة للغاية،
00:07:06أصبح بإمكان الأفراد العاديين أيضًا
00:07:09استخدام التداول الكمي بسهولة، وهو اتجاه متزايد.
00:07:13ولكن في الوقت نفسه، بدأ يزداد الفهم الخاطئ
00:07:16للاستثمار الكمي.
00:07:18على سبيل المثال:
00:07:21يقال إنه إذا استثمرت في الشركات التي كان معدل PBR الخاص بها أقل من 0.9
00:07:23وارتفعت خلال الـ 12 شهرًا الماضية على مدار 15 سنة،
00:07:25فإن العائد السنوي سيكون 20.2%.
00:07:28وعند تغيير قيمة PBR قليلاً،
00:07:30نحصل على عوائد مثل 14% أو 17.8%.
00:07:33وبعد إجراء سلسلة من اختبارات الأداء،
00:07:35نستنتج أن النتيجة الأولى كانت الأفضل،
00:07:38لذا نقرر الاستثمار بناءً على
00:07:40قواعد تلك النتيجة.
00:07:42كثيرًا ما نرى مثل هذه الاستنتاجات،
00:07:46لكنها في الحقيقة مثال خاطئ.
00:07:48إذا فكرتم في الأمر بعمق،
00:07:51فإن عملية اختبار الأداء تعتمد على افتراض غير مضمون
00:07:53بأن أنماط الماضي
00:07:56ستتكرر في المستقبل،
00:07:58بينما هي في الواقع مجرد بحث عن أنماط كانت مربحة سابقًا.
00:08:01ولكن، سواء نظرنا إلى العشر سنوات الماضية،
00:08:03أو العشرين، أو الثلاثين سنة الماضية،
00:08:04كم سيكون عدد الأنماط التي كانت مربحة خلال تلك الفترة تقريبًا؟
00:08:07إذا توقفتم وفكرتم قليلاً،
00:08:09ستجدون أن الإجابة هي: عدد لا نهائي.
00:08:12ويمكن إثبات ذلك فعليًا.
00:08:14بما أن متغيرات الاستراتيجيات المختلفة مستمرة (continuous)،
00:08:16فهناك بالفعل عدد لا نهائي من الاستراتيجيات التي كانت مربحة في الماضي.
00:08:18لكن السؤال الحقيقي هو: كم واحدة منها ستظل مربحة في المستقبل؟
00:08:21هذا هو الجوهر الحقيقي للاستثمار الكمي.
00:08:24فإيجاد نمط كان مربحًا في الماضي
00:08:26هو أمر يمكن لأي شخص القيام به
00:08:29إذا توفرت لديه أدوات اختبار الأداء.
00:08:30لكن العثور على ما كان جيدًا في الماضي وسيظل جيدًا في المستقبل،
00:08:32هو أمر صعب للغاية،
00:08:34ويشبه البحث عن إبرة في كومة قش.
00:08:36من خلال تصفحي للعديد من المدونات والمواقع
00:08:38الكورية،
00:08:42وجدت أن ما يسمى بـ “المعادلة السحرية” لجويل جرينبلات
00:08:46مشهورة جدًا.
00:08:50لقد وضع هذا الرجل معادلة بسيطة للغاية
00:08:52تعتمد على معايير مثل القيمة السوقية والفلاتر
00:08:55لاختيار الأسهم،
00:08:56وألف كتابًا حول هذه المعادلة السحرية للاستثمار،
00:09:00وقد أحدث ذلك ضجة كبيرة
00:09:02وأصبح معروفًا لدى المستثمرين الأفراد.
00:09:04كما أن هذا الشخص مشهور جدًا في عالم صناديق التحوط،
00:09:07فقد بدأ الاستثمار منذ ثمانينيات القرن الماضي،
00:09:09وحقق خلال تلك الفترة عوائد أعلى
00:09:12من وارين بافيت،
00:09:13مما جعل معادلته السحرية تحظى بكل هذا الاهتمام.
00:09:15لكن دعوني أبدأ بالخلاصة...
00:09:17وضع صيغة لاختيار الأسهم من خلال عوامل تصفية محددة
00:09:20وألف كتاباً عن تلك “الصيغة السحرية” للاستثمار.
00:09:24وقد أثار ذلك الكتاب ضجة كبيرة حينها،
00:09:25ويبدو أنه أصبح معروفاً جداً بين المستثمرين الأفراد.
00:09:28لكن هذا الرجل مشهور جداً أيضاً في عالم صناديق التحوط.
00:09:31لقد بدأ الاستثمار منذ ثمانينيات القرن الماضي،
00:09:33وخلال فترة استثماره تلك، حقق عوائد
00:09:35أعلى حتى من عوائد وارن بافيت.
00:09:37ولهذا السبب، أعتقد أن الصيغة السحرية نالت كل هذا الاهتمام.
00:09:40لكن دعوني أخبركم بالخلاصة أولاً؛
00:09:42غرينبلات ليس مستثمراً كمياً (Quant)،
00:09:44كما أن صندوق التحوط الخاص به لم يعتمد على الصيغة السحرية وحدها.
00:09:47أي أن تلك العوائد الممتازة لم تتحقق عبر الصيغة السحرية فقط.
00:09:50هذا الصندوق كان يمارس استثمار القيمة،
00:09:52وقام أيضاً بما يسمى بـ “الاستثمار في الحالات الخاصة”،
00:09:54مثل عمليات الانفصال الشركات (Spin-offs) وما شابه.
00:09:57على سبيل المثال، عندما تنفصل شركة عن أخرى،
00:09:59يستغل الفجوات السعرية الناتجة عن ذلك
00:10:01ويقتنص الفرص لتحقيق الأرباح.
00:10:04لقد استخدم هذه المنهجيات معاً في استثماراته.
00:10:07وحتى في جانب استثمار القيمة، لا أعتقد أنه اكتفى
00:10:10باستخدام مثل هذه الصيغة البسيطة فقط.
00:10:12بالطبع، ربما كانت الصيغة جزءاً من إطاره العام،
00:10:14لكني لا أظن أنه حقق تلك النتائج بمجرد الشراء
00:10:18بشكل آلي بناءً على الصيغة وحدها.
00:10:20لذا، إذا قمنا بعمل اختبار عكسي (Backtesting) للنتائج
00:10:22منذ الكشف عن الصيغة السحرية في عام 2005،
00:10:26سنجد أن الخط الرمادي يمثل مؤشر S&P 500،
00:10:28بينما يمثل الخط الأخضر الصيغة السحرية.
00:10:29كما ترون، اتسمت الصيغة بتقلبات عالية
00:10:32واستمرت في تقديم أداء أقل من أداء السوق.
00:10:34وهذا يشبه ما نراه في صناديق الاستثمار المتداولة (ETFs)
00:10:37التي تعتمد على الأنظمة الكمية للأسهم،
00:10:40ومع زيادة كفاءة السوق،
00:10:42يمكننا القول إن الميزة التنافسية (Edge) قد تلاشت.
00:10:44وكما يظهر من فشل هذه الصيغة الشهيرة في تقديم نتائج جيدة،
00:10:48فإن العثور على أنماط مربحة في الماضي أمر سهل للغاية.
00:10:50ويمكن حتى تأليف كتب حول تلك الأنماط.
00:10:53لكن العثور على نمط سيظل مربحاً في المستقبل أيضاً
00:10:56يتطلب جهداً هائلاً وعملاً مضنياً جداً.
00:11:00لذلك، فإن استراتيجية تحقق عائداً سنوياً بنسبة 20%
00:11:03بمجرد التفكير لبضعة أيام وبضع نقرات، لا وجود لها في الواقع.
00:11:06مثال آخر على ذلك هو منصة “كوانتوبيان” (Quantopian).
00:11:08كوانتوبيان كانت شركة ناشئة تأسست عام 2011 تقريباً،
00:11:12وكانت منصة تجعل الاختبار العكسي في أمريكا سهلاً للغاية.
00:11:16قام 300 ألف شخص بإجراء 12 مليون اختبار عكسي،
00:11:20وابتكروا واختبروا هناك عدداً هائلاً من استراتيجيات الاستثمار الكمي.
00:11:24حتى أن الملياردير الشهير ستيف كوهين استثمر فيها،
00:11:27وهو متداول معروف في صناديق التحوط.
00:11:29كما أن كبار الخبراء الكميين في كوانتوبيان
00:11:32قاموا بنشر أبحاث علمية حول الموضوع،
00:11:34وبحثوا عن الاستراتيجيات التي ستكون مربحة في المستقبل،
00:11:37والمعايير والأساليب الإحصائية التي يجب استخدامها
00:11:40لتصفية واختيار تلك الاستراتيجيات.
00:11:41لقد ركزوا بشدة على الأبحاث المكثفة
00:11:44لاختيار أفضل الاستراتيجيات،
00:11:46وكانت الفكرة هي إدارة صندوق تحوط جديد بناءً عليها،
00:11:48لكن النتيجة كانت فشلاً ذريعاً.
00:11:49وفي النهاية، أغلقت الشركة أبوابها العام الماضي.
00:11:51لماذا تحدث مثل هذه الظواهر؟
00:11:53وكيف يمكن للمشاهدين الذين يرغبون في تجربة التداول أو الاستثمار الكمي
00:11:55تجنب مثل هذه النتائج؟
00:11:58بالطبع، لا يمكن تجنبها تماماً.
00:12:02وأعتقد أنها مهمة صعبة للغاية،
00:12:03ولكن إذا كنتم ترغبون في خوض التحدي رغم ذلك،
00:12:07فعليكم على الأقل وضع هذه الأمور العشرة في الاعتبار
00:12:10وتوخي الحذر الشديد.
00:12:12سأشرحها لكم واحداً تلو الآخر من هذا المنظور.
00:12:13بمجرد الالتزام بهذه النقاط العشر،
00:12:16يمكنكم تجنب إضاعة الوقت أو التعرض لخسائر
00:12:17بسبب أخطاء في عملية الاختبار العكسي.
00:12:22بالطبع، إتقان الاختبار العكسي لا يضمن تحقيق الأرباح.
00:12:24أولاً، يجب التشكيك دائماً في البيانات.
00:12:27هناك من يستخدم بيانات من جوجل أو ياهو،
00:12:31لكن هذه البيانات في الواقع مليئة جداً بالأخطاء والعيوب.
00:12:34لذا، فإن أولئك الذين يبدأون التداول الكمي من الصفر
00:12:37سيواجهون الكثير من العقبات بسبب جودة البيانات.
00:12:41هذه البيانات المجانية غير دقيقة وتحتوي على أخطاء كثيرة.
00:12:45وقد تظنون أن عملية تنظيف البيانات (Data Cleaning)
00:12:47تقتصر فقط على العثور على الأخطاء،
00:12:50لكن في الحقيقة، تدخل فيها أحكام بشرية ذاتية
00:12:51وانحيازات شخصية أيضاً.
00:12:54دعوني أضرب لكم مثالاً.
00:12:57لنفترض أن سهماً كان يتداول بين 41 و43 دولاراً،
00:12:59ثم أغلق السوق.
00:13:01ولكن عند إغلاق السوق تقريباً،
00:13:05ارتكب أحد المتداولين خطأً في الطلب،
00:13:06وتم تنفيذ صفقة لسهم واحد بسعر 28 دولاراً.
00:13:08من الناحية النظرية الصرفة،
00:13:11أدنى سعر في ذلك اليوم هو 28 دولاراً.
00:13:14ورغم أن هذا الشخص تكبد خسارة كبيرة بسبب خطئه،
00:13:16إلا أن أدنى سعر يجب أن يُسجل كـ 28 دولاراً.
00:13:18لأن هذه هي الحقيقة الواقعة.
00:13:21لكن كيف ستحدد أدنى وأعلى سعر؟
00:13:24إزالة هذا السعر واعتبار 41 دولاراً كأدنى سعر
00:13:25هو في الواقع حذف لصفقة حقيقية حدثت بالفعل
00:13:28وحذف للسعر الأدنى الفعلي.
00:13:31ولكن إذا لم تقم بإزالته،
00:13:34على سبيل المثال، إذا كنت تختبر استراتيجية
00:13:36تضع طلب شراء إذا انخفض السعر بأكثر من 5%
00:13:38خلال 5 دقائق من نطاق التداول اليومي،
00:13:40فإن نظام الاختبار العكسي قد يفترض
00:13:44أنك قمت بالشراء عند سعر 28 دولاراً.
00:13:45وعندها سيعتبر النظام أنك اشتريت بـ 28 دولاراً
00:13:47وبعت فوراً عند سعر الإغلاق 42 دولاراً،
00:13:48مما سيؤدي إلى تضخيم أرباح الاستراتيجية بشكل هائل.
00:13:51بما أنه سهم واحد فقط، قد يكون من السهل حذفه،
00:13:53لكن ماذا لو كان خطأ المتداول
00:13:55في 10 أسهم، أو 100، أو حتى 10 آلاف سهم؟
00:13:58هناك حالات فعلية حدث فيها ذلك.
00:13:59هذه الحالات تكررت في الواقع عدة مرات؛
00:14:01وقد شهدنا حالات ضخمة ضاعت فيها عشرات المليارات،
00:14:03لكن الأخطاء في نطاق 100 أو 1000 سهم
00:14:06تحدث بشكل أكثر تكراراً مما تظنون.
00:14:09بالطبع، في السنوات الأخيرة، أصبحت الخوارزميات
00:14:11هي من تتولى عمليات التنفيذ،
00:14:14وتم وضع شبكات أمان متطورة،
00:14:17لذا لم تعد هذه الأخطاء تحدث بكثرة كما في السابق.
00:14:20لكن بيانات الاختبار العكسي تشمل فترات
00:14:21ما قبل عصر تنفيذ الخوارزميات الحالي،
00:14:23مثل عامي 2005 أو 2011.
00:14:24وإذا عدتم بالزمن إلى تلك الفترات،
00:14:25ستجدون مثل هذه الحالات تظهر بين الحين والآخر.
00:14:27والسؤال هو: كيف ستتعامل مع هذه البيانات؟
00:14:29كما أن هناك سلعاً يتم تداولها في بورصات متعددة.
00:14:31وفي حالة هذه السلع،
00:14:33يجب التأكد مما إذا كانت بيانات البورصات المختلفة
00:14:36قد دُمجت بشكل صحيح لتحديد أعلى وأدنى سعر،
00:14:37أو إذا كانت بيانات أحجام التداول قد نُظفت جيداً.
00:14:39أم أنك تستخدم بيانات غير مكتملة
00:14:41تم الحصول عليها من عدد قليل فقط من البورصات.
00:14:43هذا الاحتمال وارد جداً إذا كانت تكلفة البيانات رخيصة.
00:14:44وأيضاً عند حساب أقصى تراجع (MDD)،
00:14:45هل تعتمد على أدنى سعر أم على سعر الإغلاق؟
00:14:47فمثلاً، عند اختبار استراتيجية إعادة توازن شهري،
00:14:49يستخدم البعض بيانات يومية
00:14:50ولكنهم يكتفون بأسعار الإغلاق فقط.
00:14:52لكن في الواقع،
00:14:53لحساب التراجعات بشكل دقيق،
00:14:56يجب النظر أيضاً في التراجعات التي تحدث خلال اليوم (Intraday).
00:14:57هناك تفاصيل صغيرة كهذه،
00:14:59أو عند إجراء اختبار عكسي للعقود الآجلة (Futures)
00:15:01التي لها تواريخ انتهاء صلاحية،
00:15:02كيف سيتم التعامل مع عملية تدوير العقود (Rollover)؟
00:15:04في الاختبار العكسي، عادة ما يتم ربط
00:15:05سلسلة من العقود الآجلة المتعاقبة
00:15:07لإنشاء مجموعة بيانات مستمرة،
00:15:09لكن يبقى السؤال حول كيفية
00:15:11معالجة فروقات الأسعار عند التدوير.
00:15:13وهناك العديد من المشاكل الأخرى غير هذه.
00:15:14فهل فكرتم ملياً في مشاكل البيانات هذه؟
00:15:15أم أنكم إذا استخدمتم خدمة اختبار عكسي جاهزة،
00:15:17ستفترضون ببساطة أن الشركة قامت بعمل جيد وتثقون بها؟
00:15:18من الضروري التحقق من هذه الجوانب،
00:15:20لأن مشاكل البيانات تؤدي إلى أخطاء كثيرة بشكل مفاجئ،
00:15:21وكثيراً ما تتسبب في تشويه
00:15:22نتائج الاختبار العكسي.
00:15:24وهناك مشكلة أخرى نابعة من البيانات وهي
00:15:26انحياز البقاء (Survivorship Bias).
00:15:27وهو أحد الأخطاء الكلاسيكية في الاختبار العكسي.
00:15:29هذه الصورة التي ترونها الآن تعود
00:15:31إما للحرب العالمية الأولى أو الثانية، لست متأكداً تماماً،
00:15:33لكن القوات الجوية كانت تحاول تعزيز طائراتها.
00:15:34أرادوا معرفة الأماكن التي يجب
00:15:35تقوية دروعها وحمايتها بشكل أكبر.
00:15:37ولمعرفة ذلك، قام المهندسون
00:15:38بجمع كل الطائرات التي عادت
00:15:39من المعارك الجوية وفحصوها،
00:15:40وحددوا الأماكن الأكثر تعرضاً لطلقات الرصاص.
00:15:42وجدوا أن هناك مناطق معينة تتلقى الكثير من الطلقات،
00:15:44فخلصوا إلى ضرورة جعل
00:15:47الألواح الحديدية في تلك المناطق أكثر سمكاً.
00:15:51لكن هذا الاستنتاج كان خطأً فادحاً.
00:15:53لماذا؟ لأن الطائرات التي أُصيبت
00:15:57في المناطق الأخرى التي لم تظهر عليها ثقوب،
00:15:59قد تحطمت جميعاً ولم تتمكن من العودة.
00:16:01لذلك، فإن استخلاص النتائج بناءً على البيانات المتاحة فقط
00:16:04أمر في غاية الخطورة،
00:16:06وهذا المثال يوضح ذلك جيداً.
00:16:08وفي سياق استثمار الأسهم، يظهر انحياز البقاء عندما نقول مثلاً:
00:16:10“لو اشترينا أسهم آبل ومايكروسوفت في الثمانينيات،
00:16:12لكنا قد حققنا ثروة طائلة الآن”.
00:16:16وبناءً على هذا التفكير،
00:16:18نضع استراتيجية لشراء أسهم التكنولوجيا.
00:16:20لكن في الحقيقة، خلال فترة الثمانينيات تلك،
00:16:21كانت هناك مئات الشركات التي أفلست واختفت،
00:16:24ونحن الآن نرى فقط الناجين الذين حققوا نجاحاً باهراً.
00:16:26إذا قمت بالاختبار العكسي على الشركات المدرجة حالياً فقط،
00:16:28فأنت تتجاهل كل الشركات التي حُذفت من الإدراج في الماضي.
00:16:29وهذا سيؤدي حتماً إلى نتائج ممتازة بشكل غير واقعي،
00:16:33لأن بياناتك لا تشمل الشركات التي فشلت.
00:16:34لذا، يجب استخدام قاعدة بيانات “خالية من انحياز البقاء”
00:16:36تتضمن حتى الشركات التي لم تعد موجودة في السوق.
00:16:38ثانياً، هناك مشكلة “انحياز التطلع للمستقبل” (Look-ahead Bias).
00:16:40وهذا الخطأ يحدث عندما نستخدم في اختبارنا للماضي
00:16:42معلومات لم تكن متوفرة في ذلك الوقت الفعلي.
00:16:42على سبيل المثال، استخدام سعر الإغلاق لليوم
00:16:44لاتخاذ قرار شراء في صباح اليوم نفسه.
00:16:46أو استخدام البيانات المالية السنوية للشركة
00:16:49قبل أن يتم الإعلان عنها رسمياً للجمهور.
00:16:50مدى خطورة التوصل إلى استنتاجات
00:16:52بناءً على البيانات المتاحة فقط، وهو مثال يوضح ذلك جيدًا.
00:16:54أما في مجال الاستثمار، فإن ما يسمى بـ “انحياز البقاء” هو كما يلي:
00:16:56على سبيل المثال،
00:16:57إذا نظرنا الآن وقلت:
00:16:59“لو أنني اشتريت أسهم آبل ومايكروسوفت في الثمانينات،”
00:17:02“لكنت قد حققت ثروة طائلة حقًا”.
00:17:03وبناءً على هذا التفكير،
00:17:05لنفترض أنك وضعت استراتيجية لشراء مثل هذه الأسهم التكنولوجية.
00:17:08لكن في الواقع، في تلك الفترة من الثمانينات،
00:17:10كان هناك أكثر من 30 شركة واعدة
00:17:13بمستوى آبل ومايكروسوفت.
00:17:14ومن بينها، اختفت 28 شركة تمامًا.
00:17:17لذا، لم تنجُ سوى شركتين فقط.
00:17:19وبما أن هاتين الشركتين فقط هما من بقيتا،
00:17:22فإنك تنظر إليهما وتقول:
00:17:23“يا له من نجاح باهر لو استثمرت بهذا الشكل”.
00:17:27وهكذا، إذا جعلت الشركات الباقية حاليًا فقط
00:17:30هي موضوع اختبارك العكسي (Backtesting)،
00:17:32فإن معدل العائد سيتضخم بشكل مبالغ فيه حتمًا.
00:17:35وهذه المشكلة تزداد سوءًا بالتأكيد
00:17:38كلما طالت فترة الاختبار العكسي.
00:17:40لأنه خلال تلك الفترة الطويلة،
00:17:41سيكون هناك الكثير من الشركات التي كانت موجودة في البداية
00:17:43لكنها اختفت وتلاشت لاحقًا.
00:17:45ولكن المثير للدهشة أن العديد من المبتدئين في الاستثمار
00:17:47عندما يبدؤون في إجراء مثل هذا الاختبار العكسي،
00:17:48يقومون أولاً بتحديد ما يسمى بـ “كون الأسهم” (Stock Universe).
00:17:51أي تحديد مجموعة الأسهم التي
00:17:54سيجرون عليها الاختبار العكسي،
00:17:55وغالبًا ما يشكلونها من الشركات الموجودة حاليًا.
00:17:58ومن ثم، داخل تلك المجموعة،
00:17:59يقومون بالاختبار العكسي بمعايير متنوعة
00:18:02ليقرروا كيف سيختارون الشركات الجيدة
00:18:05من بين تلك القائمة.
00:18:07لكن القيام بذلك يعني
00:18:08أنه منذ بداية فترة الاختبار وحتى الآن،
00:18:11تم استبعاد جميع الشركات التي أفلست.
00:18:13وهذا يعني أنك تجري الاختبار وأنت تفترض
00:18:16أنك تملك قدرة إلهية مسبقة على استبعاد الفاشلين.
00:18:18وبالتالي، سيتضخم العائد بشكل أكبر من الواقع بكثير.
00:18:21لذا، عند إجراء الاختبار العكسي،
00:18:23إذا كانت المدة 20 عامًا مثلاً،
00:18:25فيجب أن تبدأ بالشركات التي كانت موجودة
00:18:29في عام 2001 كقاعدة أساسية،
00:18:30وتجعلها هي النطاق المستهدف للدراسة.
00:18:32هذا ما أردت توضيحه.
00:18:33وعلى هامش الموضوع،
00:18:34حتى كبار المستثمرين (Super Ants) الذين يظهرون على يوتيوب
00:18:37قد يكون لديهم احتمال بسيط للوقوع في فخ “انحياز البقاء”.
00:18:40بالتأكيد هناك من وصل للقمة بمهارته،
00:18:43ولكن هناك من خاطر مخاطرة هائلة
00:18:45واشترى حصة ضخمة جدًا في سهم واحد،
00:18:48ونجح هذا السهم وارتفع بجنون،
00:18:49فأصبح مستثمرًا عملاقًا.
00:18:51ولكن ربما كان هناك
00:18:5330 أو 50 شخصًا آخرين فعلوا نفس الشيء بالضبط.
00:18:55ومن بين هؤلاء الـ 50 الذين خاطروا مخاطرة عالية،
00:18:58نجا شخص واحد فقط،
00:18:59والمشاهدون الآن ينظرون إلى هذا الشخص الناجي وحده.
00:19:02وهذا أيضًا قد يكون نوعًا من أنواع انحياز البقاء.
00:19:05لذا، إذا فكرت في هذه اللحظة
00:19:06بأنك تريد أن تصبح مثله تمامًا
00:19:08وبدأت في القيام باستثمارات عالية المخاطر،
00:19:11فلن يضمن لك ذلك النتيجة بالضرورة،
00:19:13بل يجب أن تكون المحظوظ الوحيد من بين 50 شخصًا لتنجح.
00:19:17لذا، مجرد إدراك هذه الانحيازات
00:19:20يمكنك من الاستثمار بطريقة عقلانية وحكيمة.
00:19:22وعند استخدام منصات الاختبار العكسي،
00:19:24فإنك في الغالب تفوض مشاكل البيانات التي ذكرتها
00:19:27أو مسألة انحياز البقاء
00:19:28إلى الشركة المزودة للخدمة بشكل كامل.
00:19:31بكل سذاجة.
00:19:32ولكن هل قامت تلك الشركة
00:19:33بمعالجة هذه النقاط أو مشاكل البيانات
00:19:35بكل صرامة ودقة حقًا،
00:19:37وهي تضع في اعتبارها أرباح المستخدمين
00:19:39وتقلق بشأن عائداتهم الفعلية،
00:19:41فخصصت موارد رأسمالية كبيرة
00:19:43لتنظيف البيانات وجعلها دقيقة؟
00:19:45هذا أمر يجب عليك التحقق منه بالتأكيد.
00:19:48النقطة الثانية التي يجب الحذر منها
00:19:50هي ما يسمى بـ “انحياز التطلع للمستقبل” (Look-ahead bias)،
00:19:52أي لا تنظر إلى المستقبل مسبقًا.
00:19:54يمكننا تسمية هذا الانحياز بأسماء تقريبية
00:19:57Look-ahead bias?
00:19:58يمكن تفسيره بهذا الشكل،
00:20:00وهو استخدام معلومات لم تكن متوفرة بعد وقت التداول.
00:20:03الاختبار العكسي يتم باستخدام بيانات تاريخية،
00:20:05لذا من الناحية الزمنية،
00:20:07قد تكون هذه المعلومة غير موجودة في العام الماضي،
00:20:09لكنك قمت ببناء منطق التداول ليشير إلى تلك المعلومة
00:20:12وكأنك تعرفها في ذلك الوقت.
00:20:14وهذا خطأ نكتشفه كثيرًا في استراتيجيات التداول.
00:20:15وهذا ما يسمى بـ “انحياز التطلع للمستقبل”.
00:20:18ومن الأمثلة الشائعة على هذا الخطأ،
00:20:21لنفترض أنه بحلول سبتمبر 2021،
00:20:24وجد المستخدم صعوبة في اختبار جميع الأسهم الكورية عكسيًا،
00:20:27فقرر اختيار 100 سهم فقط.
00:20:29هذا ما قد يفكر فيه المستخدم.
00:20:30فيقوم باختيار أكبر 100 شركة من حيث القيمة السوقية في “كوسبي”،
00:20:34ويجري عليها الاختبار العكسي.
00:20:35مثل استراتيجية الشراء إذا كان مكرر الربحية (PER) بمستوى معين.
00:20:38وبفعل ذلك،
00:20:39أظهر الاختبار العكسي لمدة 10 سنوات
00:20:41أن العائد جيد جدًا.
00:20:42ولكن ما هو الخطأ هنا؟
00:20:44لقد اخترت أفضل 100 شركة بناءً على قيمتها في سبتمبر 2021.
00:20:50لقد حصرت الشركات في تلك القائمة فقط،
00:20:51وعندما تختبر ذلك عكسيًا لـ 10 سنوات بدءًا من 2011،
00:20:55فالأمر وكأنك تعرف مسبقًا في عام 2011
00:20:59أي الشركات ستكون ضمن أفضل 100 شركة في 2021.
00:21:01حقيقة كونها من كبرى الشركات تعني
00:21:03أن أسعار أسهمها كانت ترتفع بشكل مستمر.
00:21:06وبينما قد ينتبه الناس لبعض الأمور،
00:21:08إلا أنهم يميلون لتبسيط الأمر باختيار القيمة السوقية
00:21:11وحصرها في بضع مئات من الشركات فقط.
00:21:12وفي هذا الجزء تحديدًا،
00:21:14يقع الكثيرون في أخطاء فادحة.
00:21:15ومثال آخر هو
00:21:17عند إجراء اختبار عكسي باستخدام البيانات المالية والأساسية للشركات،
00:21:21فإن تواريخ إعلان النتائج المالية لكل شركة
00:21:24تختلف من ربع سنوي لآخر.
00:21:26ولكن هل تمت عمليات التداول
00:21:29أو إعادة توازن المحفظة (Rebalancing) بعد إعلان النتائج فعليًا؟
00:21:31أم أن التداول حدث بناءً على تلك المعلومات؟
00:21:33فقد تعلن الشركة نتائجها في بداية الشهر التالي،
00:21:36ولكن بما أنك تملك المعلومة مسبقًا في الاختبار،
00:21:40فقد تقوم بإعادة التوازن في نهاية الشهر السابق.
00:21:41وهكذا تتداول بناءً على معرفة مسبقة بالمستقبل.
00:21:44مثل هذه الأمور قد تختلط في الاختبارات العكسية.
00:21:46وهناك مثال آخر أيضًا،
00:21:48كأن تفترض أنك تتداول بناءً على سعر الإغلاق.
00:21:50وتقوم بهذا الافتراض
00:21:52لإعادة التوازن اليومي للمحفظة،
00:21:54لكن سعر الإغلاق معلومة لا تُعرف إلا بعد انتهاء اليوم.
00:21:57ومع ذلك، إذا تم ضبط الاختبار العكسي
00:22:00لينفذ الأوامر قبل 5 دقائق من إغلاق السوق،
00:22:03فبهذه الطريقة، وفي ذلك النطاق الزمني،
00:22:05فأنت تطلع مسبقًا على ما سيحدث في المستقبل،
00:22:07مما يخلق هذا النوع من الانحياز.
00:22:09أما النقطة الثالثة فهي مهمة جدًا جدًا.
00:22:11وهي تجنب “التحسين المفرط” (Overfitting).
00:22:13وهو أمر لا يمكن المبالغة في مدى أهميته،
00:22:16والتحسين المفرط يعني
00:22:18بناء نموذج يعمل بشكل ممتاز للغاية
00:22:19على بيانات العينة المحددة فقط.
00:22:23على سبيل المثال، لدينا هذه العينة الآن.
00:22:25ما نريد معرفته حقًا هو
00:22:27المجتمع الإحصائي (Population) الذي يكمن خلفها.
00:22:29فنحن نريد تقدير
00:22:32المجتمع الإحصائي الحقيقي الكلي،
00:22:34ولمن لا يعرف معنى المجتمع الإحصائي،
00:22:36سأشرحه باختصار:
00:22:38لنفترض أننا نجري استطلاع رأي
00:22:40حول نتائج الانتخابات.
00:22:41إذا أجرينا الاستطلاع على جميع المواطنين،
00:22:44سيكون استطلاعًا مثاليًا تمامًا،
00:22:46وبدقة تصل إلى 100%.
00:22:48لكن لا يمكننا سؤال كل المواطنين،
00:22:50لذا نأخذ عينة من بينهم.
00:22:53نختار جزءًا فقط من السكان ونفترض أن تلك العينة تمثل المجتمع بأكمله.
00:22:58أي أنها تمتلك صفة التمثيل،
00:22:59وبناءً على ذلك نقوم بالتقدير.
00:23:02وبالمثل، البيانات الفعلية للمجتمع الإحصائي
00:23:06ستكون موزعة بشكل معين،
00:23:08ونحن نأخذ منها بعض العينات
00:23:10لنحاول تخمين الشكل الذي يبدو عليه المجتمع الإحصائي الأصلي.
00:23:16وهنا نحاول مطابقة النموذج (Fitting) مع ذلك الشكل،
00:23:20ومطابقة النموذج تعني
00:23:22إيجاد الخط الذي يجعل الفرق بين هذه العينة
00:23:25وبين خط اتجاه النموذج في حده الأدنى.
00:23:30هذه هي الخطوط المقصودة.
00:23:30لكن كما ترون، إذا قمنا بمطابقة نموذج
00:23:34معقد جدًا ومليء بالتعرجات،
00:23:37فإن نسبة الخطأ في بيانات العينة ستكون صفرًا.
00:23:39لأنه يمر بجميع نقاط العينة.
00:23:41فهو نموذج مثالي بلا أي خطأ
00:23:44بالنسبة لهذه العينة تحديدًا.
00:23:47ولكن هل هذا النموذج يعبر حقًا عن المجتمع الإحصائي الكلي؟
00:23:51بالطبع لا، أليس كذلك؟
00:23:51إذا أخذنا عينة جديدة، سيكون الخطأ كبيرًا جدًا.
00:23:54لذا يجب أن تتم المطابقة بشكل معتدل
00:23:58حتى إذا دخلت عينات جديدة،
00:24:00يظل مجموع هذه الأخطاء صغيرًا نسبيًا.
00:24:03في المقابل، إذا استخدمنا خطًا مستقيمًا بسيطًا جدًا
00:24:06لمطابقة البيانات،
00:24:08فسنحصل على “عدم كفاية المطابقة” (Underfitting).
00:24:10مما يجعل الخطأ كبيرًا حتى داخل العينة نفسها.
00:24:13لذا فإن أهم شيء في بناء النماذج
00:24:16هو الوصول إلى المستوى المناسب من التحسين،
00:24:18ولكن الكثيرين عند قيامهم بالاختبار العكسي
00:24:20يستخدمون البيانات التاريخية، وهي بمثابة بيانات عينة.
00:24:24وفي تلك البيانات،
00:24:26يحاولون تعظيم العائد داخل العينة فقط
00:24:29عن طريق إضافة كافة أنواع القواعد والقيود،
00:24:32لرفع نسبة الربح إلى أقصى حد ممكن.
00:24:35على سبيل المثال، عند اختبار بيانات من 2015 إلى 2021،
00:24:39وجدوا أن شراء سهم بمكرر ربحية بين 13.75 و 17.23،
00:24:43وقيمة سوقية بين 51.7 و 62.3 مليار وون،
00:24:46إذا اشتريت أسهمًا يكون مكرر الربحية (PBR) فيها 1.17 أو أقل
00:24:50فسيكون من الممكن تحقيق ربح سنوي بنسبة 70%.
00:24:52لقد ظهرت نتيجة اختبار رجعي كهذه.
00:24:54من الواضح تمامًا أن هذا يمثل حالة من “الإفراط في الملاءمة” (Overfitting).
00:24:57أي أنه تم إجراء تحسين مفرط للبيانات.
00:24:58فمثلاً، ربما كانت هناك شركة مكرر ربحيتها 17.24 وكان أداؤها سيئًا جدًا
00:25:04ولكن تم إدراجها ضمن هذه البيانات
00:25:05أو ربما كانت القيمة السوقية 51.5 مليار
00:25:09وكانت مثالاً سيئًا للغاية، لذا تم تحديد المعايير بهذا الشكل
00:25:12من خلال النظر بدقة شديدة في بيانات العينة أو البيانات الماضية فقط
00:25:16ومحاولة تعظيم العوائد بأي شكل من الأشكال
00:25:19تظهر نماذج من هذا النوع
00:25:21وعندما تظهر بيانات حقيقية في المستقبل من ذلك التوزيع
00:25:25فإن هامش الخطأ سيصبح كبيرًا جدًا.
00:25:27هذا هو ما نتحدث عنه
00:25:28ولكن دعونا نلقي نظرة أكثر تفصيلاً.
00:25:29هذا أيضًا مثال على التحسين المفرط.
00:25:31لنفترض أننا نحاول إيجاد خط يفصل جيدًا
00:25:34بين النقاط الحمراء والنقاط الزرقاء.
00:25:36هذا هو نموذج الخط.
00:25:37الخط الأسود هنا تعلم بشكل مناسب تمامًا
00:25:40أما الخط الأخضر المتعرج
00:25:42بناءً على تلك النقاط الزرقاء والحمراء التي تراها
00:25:46فقد قام بالفصل بينها بشكل مثالي.
00:25:48لذا، بناءً على بيانات العينة هذه
00:25:50فهو خط مثالي بنسبة خطأ صفر
00:25:52ولكن في المجتمع الإحصائي الحقيقي الكامن وراءها
00:25:55قد تظهر النقاط الزرقاء هنا بشكل عشوائي
00:25:57وقد تظهر النقاط الحمراء هناك فجأة
00:25:59وعندما تدخل بيانات جديدة فعليًا في المستقبل
00:26:03يمكننا أن نتوقع أن هذا الخط الأخضر سيتضمن الكثير من الأخطاء.
00:26:05هذا ما يمكن استنتاجه.
00:26:07لذا، إذا قمت بمطابقة النموذج بدقة مفرطة مع البيانات الماضية
00:26:10فلن يكون قابلاً للتطبيق في المستقبل.
00:26:11وهذا مثال مشابه آخر
00:26:13قمنا بجمع بيانات تفصيلية عن الحالة الشخصية لـ 100 طالب مسجل.
00:26:15وبناءً على ذلك، نريد تحديد من سيكون من الطلاب المتفوقين
00:26:16من بين الـ 100 طالب المسجلين هذا العام.
00:26:19فإذا قلنا مثلاً أن لقبه كذا
00:26:20وطوله يقع في هذا النطاق
00:26:22وقمنا بتحسين قواعد التحديد بشكل مفرط للغاية
00:26:23بناءً على بيانات الطلاب المتفوقين في العام الماضي
00:26:26ثم طبقنا هذه القواعد على طلاب العام الحالي
00:26:28فقد تظهر نتائج لا علاقة لها بالواقع تمامًا.
00:26:30بينما لو حددنا قاعدة بسيطة مثل
00:26:32الطلاب الذين تزيد ساعات دراستهم عن عدد معين
00:26:34وعند مقارنتها ببيانات الطلاب المسجلين العام الماضي
00:26:37قد تكون دقتها أقل من تلك القواعد التفصيلية.
00:26:39ولكن على الرغم من أن الدقة قد تكون أقل قليلاً
00:26:42إلا أنها عندما تطبق على طلاب هذا العام
00:26:44فمن المرجح جدًا أن تظل دقتها جيدة وبمستوى مقبول.
00:26:45إذًا، كيف يمكننا تخفيف مشكلة التحسين المفرط هذه؟
00:26:47كل اختبار رجعي يعاني من مشكلة التحسين المفرط إلى حد ما
00:26:49ومن المستحيل القضاء عليها تمامًا.
00:26:53على سبيل المثال، كيف نعرف ما إذا كان عائد استراتيجية تم اختبارها
00:26:56على بيانات السنوات الخمس الماضية سيكون صالحًا للسنوات الثلاث القادمة؟
00:27:00الإجابة المثالية على هذا السؤال
00:27:01هي ببساطة التداول بها لمدة ثلاث سنوات، أليس كذلك؟
00:27:06لكن هذا استنتاج بعد فوات الأوان
00:27:08فإذا تداولت لمدة ثلاث سنوات وخرجت بخسارة
00:27:11فسيكون ذلك بلا فائدة، صح؟
00:27:12لذا، إحدى الطرق هي استخدام
00:27:15ما يسمى “بيانات خارج العينة” (Out of Sample Data).
00:27:17It would be meaningless, wouldn't it?
00:27:17لا أعلم إن كانت ترجمتي دقيقة تمامًا
00:27:19ولكنها تسمى عادة بيانات OOS.
00:27:21على سبيل المثال، لنفترض أننا بحثنا عن استراتيجية ذات عائد جيد
00:27:23من سبتمبر 2015 إلى سبتمبر 2021
00:27:25أي من بيانات 6 سنوات
00:27:27وبدأنا التداول بها من أكتوبر 2021، سيكون هذا سيئًا، أليس كذلك؟
00:27:28بدلاً من القيام بذلك بهذه الطريقة
00:27:31نستخدم بيانات 6 سنوات من سبتمبر 2014 إلى سبتمبر 2020
00:27:33للعثور على استراتيجية ذات عائد جيد
00:27:34وبعد ذلك، نقوم بإجراء اختبار رجعي مرة أخرى
00:27:38من أكتوبر 2020 إلى سبتمبر 2021.
00:27:39بمعنى آخر، نجد الاستراتيجية الناجحة عبر الاختبار الرجعي لبيانات الـ 6 سنوات
00:27:42ثم نتخيل أننا نتداول بها فعليًا ابتداءً من أكتوبر 2020
00:27:44ونجري اختبارًا رجعيًا لمدة عام واحد.
00:27:46فإذا كانت النتيجة جيدة
00:27:49نبدأ التداول الحقيقي من أكتوبر 2021.
00:27:52بالطبع، تقسيم البيانات بهذه الطريقة
00:27:55قد يثير مشاكل أخرى
00:27:57سأتناولها لاحقًا
00:28:02لكن النقطة التي أريد إيصالها الآن هي
00:28:04أنه إذا كان لدينا هذا القدر من بيانات العينة
00:28:06فنحن نفصل هذا الجزء الصغير جانبًا.
00:28:09نفصله تمامًا
00:28:10ونبحث بجد عن الاستراتيجيات في هذا الجزء من البيانات
00:28:12ونجري الكثير من الاختبارات الرجعية
00:28:13ونجرب التحسين عليها
00:28:16ولكننا لا ندفع بها إلى السوق الحقيقي فورًا
00:28:18بل نستخدمها على تلك البيانات
00:28:19التي لم نستخدمها في البحث عن الاستراتيجية
00:28:21ونتخيل أننا الآن في تداول حقيقي
00:28:23ونجربها هناك.
00:28:24هذا ما يسمى باستخدام بيانات خارج العينة
00:28:26أو بيانات OOS.
00:28:28في علم البيانات، تُستخدم مصطلحات مثل
00:28:30بيانات التدريب، بيانات التحقق
00:28:31بيانات التدريب (Train)، بيانات الاختبار (Test)
00:28:33أو بيانات التطوير (Development)
00:28:34لكن هذه المصطلحات
00:28:35ليست مهمة بحد ذاتها
00:28:38والنقطة الرابعة مرتبطة بالثالثة
00:28:39وهي أن فرصة التحقق تأتي مرة واحدة فقط.
00:28:41وهذا أمر في غاية الأهمية.
00:28:42حقًا، مهما أكدت على ذلك
00:28:44فلن أوفي الأمر حقه
00:28:45إنها جملة في غاية الأهمية
00:28:46لذا دعونا نتحدث أكثر عن اختبار بيانات خارج العينة.
00:28:48بيانات العينة وبيانات خارج العينة
00:28:50لهما مسميات متنوعة
00:28:53ولكن في هذا الفيديو
00:28:58سنوحد المسمى إلى بيانات التدريب وبيانات التحقق.
00:29:01كما رأيتم في المثال السابق
00:29:03البيانات من 2014 إلى 2020
00:29:04هي بيانات التدريب
00:29:06وبيان التدريب هي
00:29:08البيانات المستخدمة في العثور على الاستراتيجية
00:29:09وبعد العثور عليها
00:29:11نقوم بالتحقق منها
00:29:12لذا سنسمي الاختبار الرجعي الذي أجريناه
00:29:13لمدة عام واحد في النهاية
00:29:16ببيانات التحقق.
00:29:18ما يوضحه هذا الرسم البياني هو
00:29:19مدى تعقيد القواعد أو النموذج
00:29:20كلما اتجهنا نحو اليمين
00:29:22أصبح النموذج أكثر تعقيدًا.
00:29:24مثل القول من 173 سم
00:29:26إلى 173.25 سم
00:29:28تحديد القواعد بهذا الشكل
00:29:30يزيد من درجة التعقيد
00:29:32ثم نأتي لخطأ التنبؤ
00:29:35وهو عندما نطبق ذلك فعليًا
00:29:36نرى حجم الخطأ
00:29:38وستلاحظون في عينة التدريب
00:29:40أي في بيانات التدريب
00:29:42أنه كلما استخدمنا نموذجًا أكثر تعقيدًا
00:29:44قلّ حجم الخطأ.
00:29:45كما ذكرنا، هناك عينات محددة
00:29:47وكلما جعلنا الخط متعرجًا
00:29:49وزدنا تعقيده
00:29:50تمكنا من خفض الخطأ إلى الصفر داخل هذه العينة.
00:29:52لذلك، كلما جعلنا النموذج معقدًا للغاية
00:29:53يقترب الخطأ من الصفر
00:29:54ولكن عندما نختبر هذا النموذج
00:29:55على بيانات التحقق التي فصلناها جانبًا
00:29:58فكم سيكون حجم الخطأ؟
00:29:59في البداية، عندما يكون النموذج بسيطًا جدًا
00:30:02كأن يكون خطًا مستقيمًا مثلاً
00:30:03أو عندما يكون هناك “نقص في الملاءمة” (Underfitting)
00:30:05تكون نتائج الخطأ متقاربة.
00:30:06ولكن كلما زاد تعقيد النموذج أو القواعد
00:30:08نرى أن الخطأ يستمر في التناقص
00:30:12في عينة بيانات التدريب
00:30:14بينما في بيانات التحقق
00:30:16يصل الخطأ إلى أدنى مستوياته، ثم يبدأ في الزيادة
00:30:18من اللحظة التي يبدأ فيها النموذج بالتعقيد المفرط.
00:30:19إذا شبهنا ذلك بالاختبار الرجعي في الاستثمار
00:30:21عندما نشغل الاختبار الرجعي بكثرة
00:30:23ونحدد قواعد مفصلة للغاية
00:30:24ونكرر الاختبار الرجعي مرارًا
00:30:26ونضبط المعايير بدقة شديدة
00:30:28مثل تحديد قيمة مكرر الربحية بدقة بالغة
00:30:31فكلما جعلنا الأمور أكثر تعقيدًا
00:30:33سوف ترتفع نسبة العائد في البيانات الماضية تدريجيًا.
00:30:35بما أن هذا رسم بياني للخطأ، فالأقل هو الأفضل.
00:30:37على أي حال، الاختبار الرجعي المصمم لمطابقة البيانات الماضية
00:30:40سيعطي عوائد أفضل كلما زادت درجة المطابقة
00:30:42ولكن عند تطبيق ذلك في الواقع
00:30:45وإذا جعلته معقدًا بشكل مبالغ فيه
00:30:47فمن نقطة معينة، كلما زاد تعقيد القواعد
00:30:51سوف تنخفض العوائد في التداول الحقيقي.
00:30:52هكذا تسير الأمور.
00:30:55لقد وصفت تناقص الخطأ
00:30:56بأنه تحسن في العوائد
00:30:59وزيادة الخطأ
00:31:02بأنها تدهور في العوائد.
00:31:05ولكن لنكون دقيقين تمامًا
00:31:08فإن زيادة الخطأ تختلف قليلاً
00:31:12عن انخفاض العوائد.
00:31:15بمعنى أنك كلما أجريت اختبارًا رجعيًا فاشلاً
00:31:17وزدت من الإفراط في الملاءمة
00:31:18سوف تزداد الفجوة أو الخطأ
00:31:21بين عائد الاختبار الرجعي والعائد المستقبلي
00:31:23وقد يكون هذا الخطأ عشوائيًا
00:31:24بحيث يكون العائد أعلى أحيانًا
00:31:26أو أقل أحيانًا أخرى.
00:31:28ولكن بشكل عام، عندما يحدث هذا الخطأ
00:31:31فإن العوائد الحقيقية تكون أسوأ.
00:31:32لأنك عندما قمت بمطابقتها مع البيانات الماضية
00:31:33فعلت ذلك لرفع العائد إلى أقصى حد ممكن
00:31:34لقد قمت بمطابقتها قسرًا
00:31:37لذا فإذا انحرف الواقع عن تلك النتائج
00:31:39فإن الانحراف سيكون نحو الأسفل عادة.
00:31:42إذًا، كيف سنقوم بتقسيم
00:31:45بيانات التدريب وبيانات التحقق لإجراء الاختبار الرجعي؟
00:31:47على سبيل المثال، لنفترض الفترة من 2011 إلى 2021
00:31:49سنتناول هذا المثال
00:31:50ونرى كيف نطبق ذلك عمليًا.
00:31:51ولكن بشكل عام، إذا حدث مثل هذا الخطأ
00:31:53فإن العائد الفعلي في الواقع يكون أسوأ.
00:31:55لأنك عندما تحاول مطابقة البيانات السابقة
00:31:57فأنت تقوم بتعديلها وضبطها
00:31:59بشكل يرفع العائد إلى أقصى حد ممكن
00:32:00لذا، إذا حدث خطأ في ذلك العائد
00:32:02فعادة ما يكون الخطأ نحو الانخفاض.
00:32:03إذن، كيف سنقسم بيانات التدريب وبيانات التحقق
00:32:06لإجراء الاختبار العكسي (Backtesting)؟
00:32:08على سبيل المثال، من عام 2011 إلى عام 2021
00:32:11التدرب على بيانات لمدة 11 عامًا وتطبيقها العام القادم
00:32:15يعني أنك لا تنوي استخدام بيانات للتحقق بشكل منفصل.
00:32:18بل تستخدم كل البيانات للتدريب ثم تطبقها مباشرة
00:32:21وهذا أمر لا نوصي به.
00:32:22التقسيم الذي ذكرته سابقًا
00:32:25هو اتخاذ بيانات 10 سنوات كبيانات للتدريب
00:32:28ثم التحقق باستخدام السنة الأخيرة، وهي عام 2021
00:32:31ثم البدء بالتطبيق الفعلي من عام 2022.
00:32:34لكن، كما سأوضح لاحقًا
00:32:36هذه ليست طريقة جيدة جدًا.
00:32:38ما هي الطرق الأخرى الأكثر تطورًا؟
00:32:40هناك طريقة تسمى “اختبار التقدم الأمامي” (Walk-Forward Testing)
00:32:43وهي تعتمد على ما يلي:
00:32:44على سبيل المثال، نتدرب لمدة 3 سنوات بدءًا من عام 99
00:32:46لتحسين المعايير (Parameters) إلى أقصى حد
00:32:49ثم نتحقق من النتائج بناءً على ذلك لمدة عام واحد
00:32:52ثم نكرر العملية بأسلوب التدحرج أو النقل.
00:32:55إذا وضعنا الاستراتيجية باستخدام هذا الأسلوب
00:32:58فلنأخذ مثلاً نموذجًا بسيطًا للغاية
00:33:01رغم أنني أرى أن الاختبار العكسي بناءً على مكرر الربحية (PER)
00:33:04هو أمر غير منطقي بالمرة
00:33:05لكن لنفترض وجود استراتيجية لشراء الأسهم التي يقل مكرر ربحيتها عن مستوى معين.
00:33:08إذا قمنا بتحسين مكرر الربحية بناءً على بيانات 10 سنوات
00:33:11فإن المعايير المثالية له ستختلف في كل عام
00:33:13لذا سننتهي باختيار المعيار الذي كان جيدًا في المتوسط.
00:33:17لكن إذا ضيقنا النطاق قليلاً
00:33:20وحددنا قيمة مكرر الربحية بناءً على السنوات الثلاث الماضية
00:33:22ثم قمنا بالتداول بناءً على ذلك
00:33:26وواصلنا الاختبار بهذه الطريقة
00:33:28فسيمكننا تعديل هذه المعايير بمرونة أكبر
00:33:30مع مرور الوقت وتغير الأحداث.
00:33:32هذا هو أسلوب إجراء الاختبار
00:33:35ويمكنكم استخدامه بالتأكيد
00:33:37وهناك أيضًا ما يسمى K-Fold CV
00:33:38أي التحقق المتقاطع (Cross Validation)
00:33:39وطريقة عمله كالتالي:
00:33:41قيمة K تعني عدد الوحدات التي نقسم إليها البيانات
00:33:45إذا نظرت إلى الرسم، ستجد قيمة K هي 5.
00:33:47فعندما نحدد K بـ 5، نقسم البيانات إلى 5 أجزاء متساوية
00:33:50نتدرب على بيانات 4 سنوات منها
00:33:53ثم نختبر العائد في سنة واحدة من بيانات التحقق
00:33:56بعد ذلك، نتدرب على 4 أجزاء أخرى مختلفة
00:33:59ونتحقق من النتائج في السنة المتبقية
00:34:01وهكذا، ثم نأخذ متوسط العوائد ونقسمه على 5.
00:34:05بمعنى أننا نحسب متوسط هذه العوائد.
00:34:09ويعتبر هذا الرقم هو العائد المتوقع تقريبًا.
00:34:12هذا هو المبدأ وراء هذه الطريقة.
00:34:13بالإضافة لذلك، إذا استخدمنا بيانات آخر 10 سنوات مثلاً
00:34:16يمكننا التدرب على بيانات السنوات الزوجية
00:34:19والتحقق باستخدام بيانات السنوات الفردية.
00:34:22كل هذه الطرق لها مميزات وعيوب
00:34:23ولكن إذا تحدثنا عن ميزة هذه الطريقة
00:34:26فهي أن المعايير تكون مستقرة تجاه “تغير نظام السوق” (Regime Change).
00:34:30ماذا يعني ذلك؟
00:34:31عند حدوث أزمة مالية أو انتشار جائحة كورونا
00:34:33تتغير طبيعة السوق وخصائصه.
00:34:35لنفترض مثلاً أن الأزمة المالية حدثت في 2008
00:34:39وأننا تدربنا على البيانات من 1998 إلى 2007
00:34:43لإيجاد أفضل الاستراتيجيات عائداً
00:34:45ثم بدأنا بالتحقق من صحتها
00:34:46بما أن طبيعة السوق قد تغيرت تمامًا
00:34:49فإن التوزيع الإحصائي سيختلف أيضًا
00:34:51ولن تعكس الأنماط السابقة
00:34:52وضع السوق الجديد بعد الأزمة.
00:34:55لذلك، التقسيم بهذه الطريقة
00:34:57يسمح لنا بمواجهة الأحداث الضخمة
00:35:00التي تغير خصائص السوق وأنماطه
00:35:02وإجراء التحقق بشكل أكثر استقرارًا وأمانًا.
00:35:06لهذا السبب نستخدم هذه الأساليب
00:35:08لكن عند استخدامها، يجب الحذر مما ذكرته سابقًا
00:35:11وهو تجنب “النظر إلى المستقبل” (Look-ahead bias).
00:35:13لأن الأمر يختلف حسب دورة التداول
00:35:16فإذا كنت تتداول شهريًا مثلاً
00:35:18فإن بيانات التدريب الحالية
00:35:19تتضمن بالفعل أحداث عام 2014
00:35:22وحسب القواعد أو البيانات المستخدمة في 2013
00:35:26فإن المعلومات التي لا تعرف إلا في 2014
00:35:28قد تختلط ببيانات التحقق.
00:35:30وعندها سيبدو عائد بيانات التحقق مضخمًا ومزيفًا.
00:35:34لأن النموذج تدرب وهو يعرف المستقبل مسبقًا.
00:35:36لذلك يجب توخي الحذر الشديد في هذا الجزء
00:35:39وقد شرحت الأمر بشكل مبسط وسريع
00:35:41ولكن في مجالات تعلم الآلة (Machine Learning)
00:35:44هناك ما يسمى بالمعايير الفائقة (Hyperparameters).
00:35:46بشكل عام، المعايير هي ما يقوم النموذج بتعديله
00:35:50لتقليل نسبة الخطأ في بيانات العينة
00:35:54أما المعايير الفائقة فهي ما يجب على الإنسان تحديده.
00:35:57على سبيل المثال، عند إجراء تحليل الانحدار
00:35:59سواء كنت ستستخدم خطًا مستقيمًا أو منحنى
00:36:03أي مدى تعقيد المعادلة
00:36:07التي سيستخدمها النموذج
00:36:09هو قرار يتخذه الإنسان.
00:36:11فعدد هذه المعايير هو ما نسميه بالمعايير الفائقة.
00:36:15وبمجرد تحديدها، وبناءً على البيانات المتاحة
00:36:18يتم ضبط الخط في الاتجاه الذي يقلل الخطأ
00:36:22وهذا ما يسمى بعملية المطابقة (Fitting).
00:36:23قيم مثل الميل أو الجزء المقطوع من المحور
00:36:28يتعلمها النموذج بناءً على البيانات، وتسمى بالمعايير.
00:36:33ويجب تجربة أنواع مختلفة من المعايير الفائقة أيضًا.
00:36:36لذا لا نكتفي بتقسيم البيانات إلى تدريب واختبار فقط
00:36:40بل نضيف قسمًا ثالثًا يسمى بيانات التطوير (Dev Set).
00:36:42فنقوم بالتحسين على هذه البيانات أولاً
00:36:45حيث نحسن المعايير الفائقة هناك
00:36:48ثم نستخدم بيانات الاختبار للتحقق النهائي.
00:36:51من يعرفون تعلم الآلة سيفهمون هذا الكلام بالتأكيد
00:36:55أما من لا يعرفونه، فلن يكفيهم هذا الشرح البسيط لفهمه
00:36:58لذا دعونا نتجاوز هذه النقطة.
00:37:00ولكن عند القيام بهذه المهمة، هناك نقطة هامة جدًا
00:37:04لا يمكنني المبالغة في مدى ضرورتها وأهميتها.
00:37:08وهي بخصوص بيانات التحقق.
00:37:10إياك، ثم إياك، أن تنظر إلى بيانات التحقق مرتين.
00:37:15أو أن تستخدم نتائجها مراراً.
00:37:16نحن نتدرب على بيانات التدريب لنجد استراتيجية ذات عائد جيد عبر اختبارات متعددة.
00:37:22وجدنا استراتيجية عوائدها ممتازة في بيانات التدريب
00:37:26ولكي نتحقق مما إذا كانت ستنجح فعلاً في الواقع
00:37:31نطبقها على فترة زمنية أو بيانات لم تُستخدم في التدريب مطلقًا.
00:37:38لكن لا يجب عليك أبدًا تشغيل هذا الاختبار مرتين.
00:37:41جربه مرة واحدة فقط، وإذا كان العائد سيئًا
00:37:45فمهما بذلت من جهد لسنوات، ومهما تعبت في بناء هذه الاستراتيجية
00:37:50يجب عليك التخلص من الاستراتيجية بالكامل.
00:37:52لماذا؟ لأنك في الواقع ستحصل على فرصة واحدة فقط للربح أو الخسارة.
00:37:57فلا يمكنك إعادة الزمن إلى الوراء.
00:37:58ومع ذلك، وبسبب الندم على ضياع المجهود بعد نتائج سيئة في بيانات التحقق
00:38:03يعود البعض لتعديل المعايير باستخدام بيانات التدريب فقط
00:38:07ثم يعيدون الكرة حتى يحصلوا على عائد جيد في بيانات التحقق.
00:38:10في تلك اللحظة، لم تعد بيانات التحقق للتحقق
00:38:14بل أصبحت جزءًا من بيانات التدريب.
00:38:16لأنك قمت بالتحسين والبحث عن المعايير بإدراج بيانات التحقق ضمنيًا.
00:38:21وبالتالي، لا يمكننا ضمان جودة العائد
00:38:26الذي ستحققه هذه الاستراتيجية عند تطبيقها في الواقع.
00:38:29هذا الجزء في غاية الأهمية.
00:38:31ونقطة أخرى مهمة في الاختبار العكسي، وهي مرتبطة بما سبق
00:38:34هي مفهوم أن الأزمنة تتغير، أو ما يسمى “نظام السوق”.
00:38:37دعوني أطرح عليكم سؤالاً.
00:38:39بين اختبار عكسي لمدة 20 عامًا وآخر لمدة 3 سنوات
00:38:42أيهما أكثر أهمية ودلالة؟
00:38:44بما أنني وضعت العنوان مسبقًا، فالإجابة واضحة
00:38:47لكن الكثير من المبتدئين يظنون أن زيادة مدة الاختبار العكسي أفضل
00:38:50وأن كثرة البيانات هي الأهم دائمًا.
00:38:54لكن بالنسبة لي، بين هذين الاختبارين
00:38:57رغم أن الأمر يعتمد على المدى الزمني ووتيرة التداول
00:39:00إلا أنني في معظم الحالات
00:39:01سأختار اختبار الـ 3 سنوات.
00:39:03كثرة البيانات جيدة بالطبع.
00:39:06لكن بشرط أن تكون نابعة من نفس التوزيع الإحصائي.
00:39:09البيانات الكثيرة مفيدة دائماً
00:39:11ولكن ليس إذا اختلطت ببيانات من بيئة تغيرت ظروفها تمامًا.
00:39:17المشكلة التي تواجهك عند إطالة مدة الاختبار العكسي
00:39:20هي تغير طبيعة السوق.
00:39:22هذا الرسم يوضح معدل العائد الحقيقي
00:39:26أو ربما هو رسم بياني متعلق بأسعار الفائدة
00:39:28وكما ترون، فإن مفهوم الفائدة المناسبة حسب الفترة الزمنية
00:39:33رغم تقلباته المستمرة
00:39:34إلا أن مستوى الفائدة المقبول في كل نظام يتغير بشكل جذري.
00:39:38في ذلك الوقت كان هنا، وربما كانت هذه صدمة النفط
00:39:41بناءً على تلك الفترة، ثم تغير الأمر في فترة أخرى
00:39:45ثم منذ الثمانينيات
00:39:47أصبح هذا هو المستوى المتعارف عليه للفائدة.
00:39:51لنفترض أنك تقوم بتداول السندات
00:39:53وتعلمت استراتيجية تداول ضمن تلك الفترة القديمة
00:39:57لتحاول تطبيقها في الوقت الحالي.
00:39:59بمجرد أن يتغير نظام السوق
00:40:02فإن الاستراتيجية الرابحة المبنية على تلك البيانات القديمة
00:40:07لن تكون صالحة للاستخدام هنا.
00:40:08هذا ما نسميه “تغير نظام السوق” (Market Regime Change).
00:40:11أي تغير في طبيعة أو نظام السوق.
00:40:14تغير طبيعة السوق قد يحدث
00:40:17بسبب تغير نوعية اللاعبين والمشاركين في السوق.
00:40:20مثلاً بعد كورونا، حدث تدفق هائل للمستثمرين الأفراد
00:40:23وظهرت أحداث مثل قضية غيم ستوب (GameStop).
00:40:25قبل ذلك، أي قبل أزمة كورونا
00:40:27كانت استراتيجيات البيع على المكشوف (Short Selling)
00:40:30هناك صناديق تحوط متخصصة في هذا النوع.
00:40:32وكانت هذه الاستراتيجيات ناجحة وفعالة للغاية
00:40:34ولكن فجأة مع تغير طبيعة السوق
00:40:37وصل الأمر ببعضهم إلى حد الإفلاس.
00:40:39كذلك تغير القوانين واللوائح؛ بعد الأزمة المالية
00:40:43مُنع التداول لحساب البنوك الاستثمارية الخاص
00:40:45وتغير السوق بسبب لوائح عديدة في سوق المشتقات
00:40:49لذا فإن الاستراتيجية التي تدربت
00:40:50على بيانات ما قبل الأزمة المالية
00:40:52لن تعمل بشكل جيد بعدها.
00:40:54بالإضافة إلى الأحداث الخارجية الطارئة
00:40:55مثل صدمة النفط التي تعتبر حدثًا ضخمًا
00:40:57يغير ملامح السوق بالكامل
00:40:59وهي أحداث اقتصادية كلية مؤثرة.
00:41:01وهناك أيضاً التحولات الاقتصادية الكبرى
00:41:03مثل الارتفاع التدريجي المستمر في نسب الديون
00:41:06حيث كانت مستويات الفائدة في الماضي عند حد معين
00:41:08لكننا دخلنا الآن عصر الفائدة المنخفضة للغاية.
00:41:11كما أن تدابير التيسير الكمي هذه
00:41:13تساهم في بقاء أسعار الفائدة منخفضة،
00:41:15وهو ما جعل أسهم النمو تتفوق بشكل مفاجئ
00:41:17خلال السنوات العشر الماضية.
00:41:19لكن إذا استخلصنا استراتيجية مربحة بناءً على بيانات
00:41:22ما قبل عصر التيسير الكمي،
00:41:24فقد ينتهي بنا الأمر بشراء أسهم القيمة فقط.
00:41:25وفي هذه الحالة، من المؤكد أن الأداء
00:41:27سيكون سيئاً للغاية طوال السنوات العشر التالية.
00:41:28بالإضافة إلى ذلك، هناك ظهور تقنيات جديدة،
00:41:30أو تغيرات في الهياكل الصناعية،
00:41:32وغيرها من العوامل المشابهة.
00:41:33لذا، عند إجراء اختبار خلفي لمدة 20 عاماً،
00:41:35نتساءل: هل لبيانات عام 2001 أي قيمة حقاً؟
00:41:38بالطبع، مفهوم “تغير نظام السوق”
00:41:40يختلف باختلاف العناصر التي تراقبها.
00:41:42الأمر يتفاوت بناءً على ذلك.
00:41:43في النهاية، يعتمد الأمر على منطق الاستراتيجية،
00:41:45أو القواعد المتبعة، أو النموذج المستخدم،
00:41:47والعوامل التي يركز عليها،
00:41:49ونوع البيانات التي يوظفها.
00:41:51بناءً على كل ذلك،
00:41:52يجب مراقبة اللحظة التي يتغير فيها
00:41:53نظام تلك البيانات.
00:41:55فمثلاً، هناك بيانات تتغير طبيعتها
00:41:56بسرعة كبيرة حتى على أساس شهري،
00:41:58وهناك بيانات أخرى تظل مستقرة
00:41:59لمدة 10 أو 15 عاماً.
00:42:01لذا، وبما أن دورات الأزمات تختلف دائماً،
00:42:03فلا يمكننا القول بشكل عام
00:42:05إنه بمجرد حدوث أزمة مثل كورونا،
00:42:07تصبح جميع الأنماط السابقة
00:42:09بلا معنى أو غير مجدية.
00:42:09لكن على أي حال، الاعتماد على بيانات
00:42:12تغطي 20 عاماً كاملة
00:42:14سيؤدي بلا شك إلى
00:42:15ظهور بعض المشكلات الواضحة.
00:42:17وإذا حاولت استنتاج التوقعات
00:42:18باستخدام بيانات قديمة جداً،
00:42:20فستواجه حقيقة أن نظام السوق
00:42:22قد تغير عدة مرات في المنتصف،
00:42:23ومع ذلك، إذا كانت تلك البيانات القديمة
00:42:24تعكس ظروفاً تشبه اللحظة الحالية،
00:42:25فقد تظل صالحة للاستخدام أحياناً.
00:42:29لذا، يقول بعض المحللين إن
00:42:30فترة الأربعينيات تشبه واقعنا اليوم،
00:42:32لكن هذا مجرد استطراد.
00:42:33لقد أصبح التداول الكمي (ال퀀ت) شائعاً جداً
00:42:35حتى بين المستثمرين الأفراد.
00:42:37إلا أن نقطة الضعف في تطبيق
00:42:38الأساليب الكمية على الاستثمار طويل الأجل
00:42:41تكمن في صعوبة تجنب “تغير النظام”
00:42:42أثناء محاولة جمع كمية كافية من البيانات.
00:42:44لنفترض مثلاً وجود استراتيجية تداول خوارزمية
00:42:45تستخدم بيانات مسجلة بالدقيقة.
00:42:47في الساعة الواحدة،
00:42:49سيكون لديك 60 نقطة بيانات.
00:42:51وإذا كنا نتحدث عن عقود آجلة
00:42:53يتم تداولها على مدار 24 ساعة،
00:42:55فسيكون لدينا 1440 نقطة بيانات يومياً.
00:42:57وإذا افترضنا أن التداول يتم 5 أيام أسبوعياً،
00:42:59بإجمالي حوالي 250 يوماً في السنة،
00:43:01فسنحصل في العام الواحد على
00:43:02أكثر من 300 ألف نقطة بيانات.
00:43:03هذا العدد الهائل من البيانات في عام واحد فقط
00:43:04يسمح لنا بإجراء عمليات فحص ذات دلالة إحصائية
00:43:05واستخدام نماذج أكثر تعقيداً.
00:43:08ولكن لننظر إلى استراتيجية إعادة توازن
00:43:09تعتمد على البيانات الشهرية.
00:43:10لن يتوفر لديك سوى 12 نقطة بيانات في السنة.
00:43:10وحتى لو عدت 20 عاماً للوراء،
00:43:12لن تملك سوى 240 نقطة بيانات فقط.
00:43:15وبما أنه لا يمكن زيادة حجم البيانات عبر الزمن،
00:43:17يحاول البعض توسيع النطاق ليشمل
00:43:20أسهمًا متعددة لضمان الدقة،
00:43:21لكن يظل من الصعب جداً
00:43:23تجنب مخاطر تغير نظام السوق بمرور الوقت.
00:43:25هذه المعضلة تجعل الأمر في غاية الصعوبة.
00:43:26بعد أزمة كورونا، بدأ العديد من خبراء ال퀀ت،
00:43:29ومنهم “إنيغو فريزر جينكينز”،
00:43:32وهو رئيس قسم ال퀀ت في شركة شهيرة،
00:43:33بالتحدث عن سبب توقفهم عن كونهم “퀀ت”.
00:43:35خلاصة ما طرحه هي أن
00:43:36مهمة خبير ال퀀ت هي التنبؤ بالمستقبل بناءً على أنماط الماضي،
00:43:37ولكن عندما تقع أحداث مثل جائحة كورونا،
00:43:39تصبح كل تلك الأنماط السابقة بلا فائدة.
00:43:41وعندما يتغير نظام السوق،
00:43:42تصبح الخيارات المتاحة لخبراء ال퀀ت محدودة جداً.
00:43:44لدرجة أن البعض تحدث عن “أزمة وجودية” لخبراء ال퀀ت.
00:43:47وبالفعل، كان أداء ال퀀ت سيئاً للغاية العام الماضي.
00:43:49رغم وجود بعض الاستثناءات الناجحة،
00:43:51إلا أن المتوسط العام كان مخيباً للآمال تماماً.
00:43:53لقد قطعنا الآن نصف الطريق تقريباً،
00:43:54ومرت بالفعل ساعة ونصف من وقتنا.
00:43:57لذا سننهي الجزء الأول هنا.
00:43:58وغداً في الجزء الثاني، سنغطي النقاط من 6 إلى 10،
00:44:00بما في ذلك المزايا والحدود،
00:44:02ومنهج دراسي مقترح لتعلم ال퀀ت.
00:44:05أراكم في الجزء الثاني.
00:44:09شكراً لكم.
00:44:11I've explained this part,
00:44:13but ultimately, the point is that
00:44:15a quant's job is to predict the future based on past patterns.
00:44:19In this way,
00:44:20when something like COVID-19 hits, past patterns become useless.
00:44:23When there is a market regime change,
00:44:25there is very little a quant can actually do.
00:44:28So, there's talk of an existential crisis for quants,
00:44:30things of that nature.
00:44:31And quants had a very tough time last year.
00:44:34Of course, some quants did very well,
00:44:36but on average, it was extremely, extremely bad.
00:44:38It seems like we've covered about half of it now,
00:44:40but an hour and a half has already passed.
00:44:43So, we'll wrap up Part 1 here.
00:44:45Tomorrow, in Part 2, we'll cover the rest from numbers 6 to 10,
00:44:49strengths and limitations,
00:44:50and then the curriculum for studying quant finance.
00:44:52We'll go through those topics.
00:44:54Then, I'll see you in Part 2.
00:44:55Thank you.