تعلّم الآلة للبيانات المالية | كنكافا

يستخدم استشراف الأسواق المالية أسعارًا وتواريخ وأحجامًا وقياسات أخرى منظّمة في جداول. ويمكن للتعلّم الآلي العثور على علاقات مفيدة في هذه البيانات، لكن حجم الموديل أو تسميته لا يثبتان موثوقية مخرجاته. السؤال هو مدى جودة تقديره لنتيجة محددة باستخدام معلومات لم يرها من قبل.

ما هي البيانات الجدولية

معلومات منظّمة في صفوف وأعمدة، يمثّل كل صف ملاحظة واحدة، ويمثّل كل عمود شيئًا مقاسًا واحدًا. هي أقل أنواع البيانات بريقًا، لكنها تدير معظم الأشياء:

• التمويل: الأسعار والمعاملات والسجلات الائتمانية.
• الرعاية الصحية: سجلات المرضى ونتائج المختبرات وبيانات التجارب.
• الأعمال: المبيعات والمخزون وسجلات العملاء.
• العلوم: القياسات وقراءات المستشعرات وإجابات الاستبيانات.

# مثال فقط: صفوف توضيحية، وليست بيانات سوق حقيقية timestamp,open,high,low,close,volume 2026-01-28 09:30,185.50,186.20,185.30,185.90,1250000 2026-01-28 09:31,185.90,186.45,185.80,186.30,980000 2026-01-28 09:32,186.30,186.50,186.10,186.25,1100000 # صف لكل ملاحظة، وعمود لكل قياس. # المعنى في البنية، لا في الكلمات.

تجعل جداول البيانات وقواعد البيانات هذه البنية مألوفة. والتحدّي في النمذجة هو تمييز العلاقات التي تصلح خارج العيّنة عن الأنماط التي تفسّر فقط العيّنة المجمّعة بالفعل.

لماذا تستحق مخرجات البيانات الجدولية تقييمًا مستقلًا

قد يحسّن موديل جدولي مفيد تقديرًا احتماليًا دون إنتاج نتيجة بصرية لافتة. ويتطلب تقييم هذا التحسّن خط أساس ومقياسًا مناسبًا ونتائج لم تُستخدم لاختيار الموديل.

التقدّم حقيقي. وتعرض ورقة TabPFN لعام 2025 نتائج قوية لموديل تأسيسي على اختبارات مرجعية لبيانات جدولية صغيرة. وتصف أيضًا الأعمدة ومجموعات البيانات غير المتجانسة التي تميّز هذا المجال. لا تثبت هذه النتائج أداءه في استشراف الأسواق المالية الحية؛ فهذا يحتاج إلى تقييم مستقل.

لماذا الأمر صعب

تعتمد العلاقات بين الأعمدة على مجموعة البيانات

تحتوي الصور واللغة غالبًا على علاقات محلية مفيدة. وقد تكون للجداول بنية أيضًا، لكن الأعمدة المتجاورة لا تتشارك بالضرورة المعنى أو المقياس. وتأتي دلالتها من مجموعة البيانات وتعريفاتها.

قد يمثّل العمود الثالث تاريخًا في مجموعة بيانات وكمية في أخرى. ويمكن للموديلات التعلّم عبر مجموعات بيانات متعددة، بما في ذلك التدريب المسبق ببيانات اصطناعية، لكن قابلية النقل أمر يُختبر ولا يُفترض.

كل عمود نوع مختلف من الأشياء

في الصورة، كل بكسل من النوع نفسه: لون. أمّا في الجدول، فقد يكون عمود تاريخًا، والتالي سعرًا، والتالي فئة لها أربع قيم ممكنة، والتالي عددًا يساوي صفرًا غالبًا. يتصرّف كل منها بصورة مختلفة ويحتاج إلى معالجة مختلفة، وتجد الأساليب المتفوّقة في البيانات المتجانسة نفسها في بيئة غير مألوفة.

قد يصعب فصل الأنماط المفيدة عن التشويش

قد تكون العلاقات المالية ضعيفة مقارنة بالتباين الآخر، وقد تعكس المطابقة الجيدة للأسعار التاريخية عشوائيةً أو تسرّب معلومات مستقبلية إلى المدخلات. قارن بخطوط أساس بسيطة، واستخدم فترات تقييم تأتي بعد فترة التدريب.

تتغيّر القواعد أثناء عملك

قد تتغيّر علاقات السوق مع السياسات والمشاركة والسيولة. لذلك ينبغي عرض الأداء عبر فترات، لا التعامل معه كصفة دائمة للموديل. وتشهد مجالات أخرى تحوّلات في البيانات أيضًا؛ فهذا ليس حكرًا على التمويل.

يحاول آخرون فعل الشيء نفسه

قد يتصرف مشاركون آخرون بناءً على معلومات مشابهة، فتتغيّر الفرصة مع تداولهم. ويجيب موديل استشراف السوق واستراتيجية التداول عن أسئلة مختلفة: اكتشاف نمط ليس هو الاستفادة منه بعد تكاليف التنفيذ.

أين تساعد النماذج اللغوية، وما الذي يحتاج إلى تحقق

يمكن للنماذج اللغوية تحليل النصوص وتلقّي مدخلات منظّمة والعمل مع أدوات حسابية. والسؤال المناسب هو ما إذا كانت العملية الكاملة تؤدي المهمة بموثوقية، لا ما إذا كانت بنيتها تنتمي إلى فئة مقبولة مسبقًا.

تصل الأرقام كأجزاء من نص

يمكن تمثيل القيم الرقمية بوحدات نصية أو خصائص منظّمة أو مدخلات لأدوات خارجية. تؤثر هذه الخيارات في العملية ويجب اختبارها. لا يجعل تقطيع النص الحساب أو استشراف النتائج مستحيلًا، لكن الحساب المولّد يظل بحاجة إلى تحقق.

الرقم في جملة ليس احتمالًا

كتابة نسبة مئوية لا تثبت المعايرة. تشين وزملاؤه وجدوا إفراطًا في الاستقراء في تجاربهم على تقديرات العوائد بالنماذج اللغوية الكبيرة، بينما بدت بعض تقديرات المخاطر أفضل عند مقارنتها بالمرجع البشري. توضّح النتيجة نقاط قوة وحدودًا خاصة بالمهمة، لا عجزًا تشترك فيه جميع الموديلات.

المهمة تحدّد الاختبار

يحتاج الموديل المستخدم لتلخيص إفصاح إلى تقييم مختلف عن موديل يقدّر حدثًا سعريًا مستقبليًا. للمزيد، راجع ما تكشفه الأبحاث عن تقديرات ChatGPT لمسار الأسهم.

نهج كنكافا في البيانات المالية

يصف كنكافا سبعين رؤية من الموديلات لحركات الأسعار، دُرّبت على سجل الأسعار. هذا هو نهجه المختار، وليس دليلًا على عجز البُنى الأخرى. لا يثبت عدد الموديلات أو حجم التدريب وحدهما التفوّق.

سبعون رؤية مستقلة للسوق نفسها. ترى اتفاقها، واختلافها يخبرك بشيء أيضًا. تعلّمت من نحو 10 مليارات نقطة من سجل الأسعار تشمل الأسهم والمؤشرات والعملات والسلع والعملات المشفرة، واختُبر كل منها على ملايين الحركات السابقة التي لم يرها، وتُقارن تقديرات ثقة كنكافا بما حدث فعلًا وتُصحّح عندما يبتعد أحدهما عن الآخر. تُشرح هذه العملية في كيف تُدرّب الموديلات وتُفحص مخرجاتها.

الأسواق ميدان الاختبار

يمكن تعريف حدث سوقي بمستوى ومدة، ثم التحقق منه باستخدام ملاحظات الأسعار اللاحقة. يجعل ذلك التقييم ملموسًا، شريطة اتساق مصدر البيانات والطوابع الزمنية وقواعد البيانات المفقودة وتعريفات النتائج.

النتيجة الواضحة مفيدة، لكنها لا تلغي خيارات التقييم أو التحيّز. انشر من قواعد الاحتساب والسجل ما يكفي ليفهم القارئ ما يقيسه رقم الأداء.

تقييم مخاطر المرضى وتخطيط الطلب ومراجعة الاحتيال تتعامل أيضًا مع بيانات منظّمة وظروف متغيّرة. قد تنتقل بعض الأساليب إليها، لكن النتيجة في الأسواق المالية لا تثبت الأداء في هذه المجالات. يحتاج كل منها إلى بياناته والتحقق الخاص به.

ما الذي تسأله عن أي موديل يستشرف النتائج الرقمية

ثلاثة أسئلة بالترتيب: على ماذا دُرّب، وهل اختُبر على شيء لم يره من قبل؟ هل يعرض كلا الاتجاهين معًا، أم الاتجاه الذي يفضّله فقط؟ وأين يُنشر السجل كاملًا، بما فيه الفترات التي يفضّل عدم مناقشتها؟

سجلنا موجود على نتائج أداء مخرجات موديل كنكافا، ويُحدّث يوميًا، مع الأرقام الخام في /api/stats.json؛ وتجد كيفية إنتاج كل رقم على الشاشة في كيف يحسب كنكافا احتمالات الأسواق، وتجد إجابات الأسئلة الأكثر شيوعًا في أسئلة كنكافا الشائعة عن مخرجات الموديل والأتمتة. وعندما يقلّ عدد الأمثلة المنتهية عن 100، لا تُعرض نسبة إطلاقًا، لأن الرقم المحسوب على حالات معدودة ليس إلا زينة.

مخرجات موديل، وليست نصائح استثمارية. للمستثمر العقلاني: استبعد العاطفة وفكّر في السيناريوهات.