מערכת אינטליגנטית לאופטימיזציית תיקי השקעות באמצעות חיזוי חדשני של תנודתיות בעזרת למידת מכונה

מדוע השקעה חכמה חשובה

כל מי שראה את חסכונותיו עולים ויורדים עם שוק המניות יודע שהפסדים גדולים עלולים להרגיש גרועים יותר מאשר רווחים צנועים משמחים. מאמר זה מתמודד עם שאלה החשובה למשקיעים יומיומיים ולמוסדות גדולים כאחד: האם אפשר להשתמש בבינה מלאכותית מודרנית לעיצוב פורטפוליו שלא רק יצמח עם הזמן, אלא גם יתמודד טוב יותר עם נפילות חדות בשווקים בריבוי מדינות?

מהתיאוריה הקלאסית למכונות הרעבות נתונים

התיאוריה המסורתית של התיק, שחוזרת להארי מרקוביץ' בשנות ה־1950, מלמדת משקיעים לאזן בין סיכון ותשואה באמצעות פיזור ההשקעות על פני נכסים שונים. בעשור האחרון הבטיחו שיטות מורכבות יותר מבוססות למידה עמוקה ולמידת חיזוק להפיק רווחים נוספים מנתוני שוק. עם זאת, שיטות אלו לעתים קרובות קשות לפרש, יקרות לתפעול וקשה לסמוך עליהן במגוון שווקים. באופן מהותי, רובן מתמקדות בחיזוי תשואות, בעוד שמנהלי סיכונים מקצועיים טורחים יותר לגבי משיכות — גודל ההפסד החמור ביותר מפסגה לשפל במהלך התקופה.

להסתכל על כאב שוק במקום רק על רווח שוק

המחברים מעבירים את המוקד מחיזוי תשואות קצרות הטווח לחיזוי עד כמה ההפסדים עלולים להיות חמורים. הם בוחנים 40 שווקי מניות, ממדינות מפותחות כמו ארצות הברית וגרמניה ועד שווקים מתעוררים כגון ברזיל ודרום אפריקה, על פני תקופה של 20 שנה מ־1999 עד 2018. עבור כל מדינה ושנה הם מחשבים מדדי ביצוע מותאמי סיכון נפוצים: יחס שריפ (תשואה ליחידת סיכון כללית), יחס סטרלינג (תשואה ביחס להפסדים ממוצעים בעבר) ויחס כלמר, שמקשר ישירות בין תשואה שנתית למשיכת השפל החמורה ביותר. יחסים אלה מקובצים אחר כך לקטגוריות פשוטות של "גבוה","בינוני" ו"נמוך" שמצביעות על עד כמה שוק נראה מושך או רגיש מבחינת יחס סיכון־תשואה.

איך המערכת האינטליגנטית עובדת בפועל

מתחת למכסה המנוע המערכת המוצעת היא צינוריית נתונים מדוקדקת בשילוב מודל למידת מכונה מובנה הנקרא סווגת וקטורית מרובת־מחלקות (multi‑SVM). ראשית, הצוות מנקה ומעצב מחדש שני עשורים של נתוני מניות מבלומברג: מסיר רשומות פגומות, ממלא פערים קצרים ומנרמל סקאלות כך שניתן להשוות באופן הוגן בין שוק קטן לשוק גדול. לאחר מכן הם מהנדסים תכונות המסכמות את התנהגות כל שוק, כולל ערכי השיא והשפל והערך הממוצע של המניות, תנודתיות, תשואות שנתיות ומשיכות שלוש־שנתיות מתגלגלות. תכונות אלה משמשות כנכנסות למספר תת־מודלים SVM, כאשר כל אחד מתמחה באחד המדדים המרכזיים, וכלם משתמשים בליבה לא־ליניארית כדי ללכוד קשרים מורכבים בין סיכון לתשואה. שלב מיזוג משלב אז את רמות הביטחון של תת־המודלים להחלטה אחת האם שנת־מדינה מסוימת משתייכת לקטגוריית איכות גבוהה, בינונית או נמוכה מבחינת סיכון־תשואה.

הפיכת תחזיות לבחירות תיק

כדי לבדוק האם האינטליגנציה הזו אכן מסייעת למשקיעים, המחברים מפעילים ניסוי היסטורי ארוך של "מה אם". בכל שנה הם מדמיינים בניית פורטפוליו גלובלי שמקנה משקל מוגבר לשווקים שמערכתם מסמנת כאיכותיים, משקל נייטרלי לשווקים בינוניים ומשקל מופחת לשווקים באיכות נמוכה. הם משווים את התוצאות לשלושה בנצ'מרקים ידועים: מודל שוק פשוט (CAPM), פורטפוליו גלובלי במשקל שווה והמודל התלת־גורמי הפופולרי של פאמה־ופרןץ'. בתקופה 1999–2018 הפורטפוליו המונחה על ידי multi‑SVM מספק את התשואה המצטברת הגבוהה ביותר, את ההפסד הנמוך ביותר החמור ביותר ואת יחס השריפ החזק ביותר. הממיין עצמו מקטלג שווקים לקטגוריות סיכון‑תשואה בצורה נכונה בכ־97.5% מהמקרים, שיפור ברור על פני SVM יחיד ועל פני מודל בייס נאיבי בסיסי.

מה משמעות זה למשקיעים ולעתיד

עבור מי שאינו מומחה, המסקנה המרכזית היא שהמחברים לא ממציאים רובוט מסחר תיבת־שחורה חדש; במקום זאת הם משלבים בזהירות כלים מבוססים כדי להתמקד במה שמשקיעים חוששים ממנו ביותר — הפסדים גדולים ומתמשכים. על ידי הצבת המודל סביב מדדים הקשורים למשיכות ושמירה על מבנה יחסית שקוף, הם מספקים דרך פרקטית להנחיית משקלי פורטפוליו גלובליים שקל יותר להסביר מאשר מערכות למידה עמוקה רבות, ועדיין תחרותית בתפקוד. המחקר מציע כי סיווג חכם של שווקים לפי בריאות מותאמת־סיכון, במקום מרדף אחרי תשואות גולמיות בלבד, יכול להניב תיקים שצומחים באופן יותר יציב וסופגים זעזועים מתונים יותר, ומציעים נסיעה נוחה יותר דרך שווקים סוערים.

ציטוט: Biswas, T., Dey, A., Mandal, G. et al. Intelligent system for portfolio optimization for novel volatility forecasting using machine learning. Sci Rep 16, 14670 (2026). https://doi.org/10.1038/s41598-026-42813-4

מילות מפתח: אופטימיזציית תיקי השקעות, תנודתיות פיננסית, למידת מכונה בפיננסים, ניהול סיכונים, שווקי מניות גלובליים