التنقيب في البيانات في التداول: الفخّ الأول للكمّي المبتدئ

اختبرت 500 تركيبة من المعاملات، وأظهرت الأفضل نسبة شارب تبلغ 2.8 على مدى خمس سنوات من الاختبار الرجعي. مثير للإعجاب — إلا أن هذا الرقم شبه مؤكد أنه سراب. التنقيب في البيانات هو الفخّ الإحصائي الأكثر شيوعًا، والأقل اعترافًا به، بين المتداولين الكمّيين المبتدئين. فهم سبب حدوثه بدقة يُغيّر جذريًا الطريقة التي يجب أن تقرأ بها أي اختبار رجعي.

ما هو التنقيب في البيانات بالضبط

يحدث التنقيب في البيانات (المعروف أيضًا بـ«تحيّز الاختيار المتعدد» أو الإفراط في المطابقة عبر التحسين المفرط) عندما تختبر عددًا كبيرًا من نسخ الاستراتيجية على نفس البيانات التاريخية، ثم تحتفظ بالأفضل فقط — دون احتساب عدد المحاولات التي استغرقها الوصول إليها. المشكلة ليست في الاستراتيجية المُختارة نفسها: بل في الطريقة التي اختِيرت بها.

مثال ملموس لتوضيح الفكرة

تخيّل 1000 متداول يقذف كل منهم عملة معدنية 20 مرة ويراهن على «الصورة». إحصائيًا، سيحصل بعضهم على 15 «صورة» أو أكثر بمحض الصدفة — ليس لأن لديهم موهبة، بل لأنه مع 1000 محاولة، لا بدّ أن تظهر قيم متطرّفة. اختبار 1000 نسخة من المعاملات على نفس التاريخ السوقي هو بالضبط هذا: سينجح بعضها بمحض الصدفة الإحصائية البحتة، دون أي قيمة تنبؤية للمستقبل.

لماذا يُدمّر ذلك نتائج تداولك الحقيقي

استراتيجية اختِيرت عبر التنقيب في البيانات كانت، بحكم بنائها، مُحسَّنة لتناسب الضجيج المحدد للفترة التاريخية المُختبَرة — لا لالتقاط ظاهرة سوقية حقيقية ومتكررة. يوم تُطلقها بأموال حقيقية، تواجه بيانات لم ترها من قبل، وتتبخّر الميزة الظاهرة. هذه هي الفجوة الكلاسيكية بين اختبار رجعي مُغرٍ وأداء حيّ مُخيّب للآمال — العرَض الأكثر شيوعًا لعملية كمّية سيّئة البناء.

عدد المحاولات يهم بقدر النتيجة نفسها

نسبة شارب تبلغ 2.0 مُحصَّلة من محاولة واحدة مدروسة (فرضية واضحة، اختُبرت مرة واحدة) إشارة قوية. نفس نسبة شارب 2.0، المُحصَّلة بعد استعراض 2000 تركيبة من المعاملات والاحتفاظ بالأفضل، لا تساوي شيئًا يُذكر تقريبًا. النتيجة المعروضة متطابقة — لكن دلالتها الإحصائية مختلفة جذريًا. هذا بالضبط ما لا تُظهره معظم تقارير الاختبار الرجعي أبدًا.

كيف تكتشف التنقيب في البيانات وتُصحّحه

الخطوة الأولى هي الأبسط، والأكثر إهمالًا: العدّ بصدق. كم تركيبة معاملات، وقواعد دخول/خروج، ومرشّحات اختبرت فعليًا قبل الوصول إلى النسخة التي تعرضها؟ لا تملك أغلبية المتداولين فكرة دقيقة عن ذلك — وهذا مشكلة في حدّ ذاته.

نسبة شارب المُصحّحة، التصحيح الرياضي

تُعدّل نسبة شارب المُصحّحة (Deflated Sharpe Ratio أو DSR)، التي طوّرها ماركوس لوبيز دي برادو، نسبة شارب المُلاحَظة بناءً على عدد المحاولات وحجم العيّنة المُختبَرة. كلما اختبرت نسخًا أكثر، ارتفعت العتبة التي يجب أن تتجاوزها نسبة شارب لتُعتبر ذات دلالة إحصائية. تُجبرك أداة جادة على إعلان عدد المحاولات هذا — وتُعاقب رياضيًا نسبة شارب مُغرية تم الحصول عليها عبر بحث شامل عن المعاملات.

التحقق المتقاطع المُنقّى والتوافقي (CPCV)

بجانب DSR، يُقسّم التحقق المتقاطع المُنقّى والتوافقي (Combinatorial Purged Cross-Validation) البيانات التاريخية إلى كتل زمنية متعددة، ويُدرّب ويختبر الاستراتيجية عبر تركيبات مختلفة من هذه الكتل، ويُنقّي البيانات المجاورة لمنع أي تسرّب للمعلومات بين الماضي والمستقبل. يجب أن تبقى الاستراتيجية المتينة مستقرة عبر هذه التقسيمات المتعددة — لا أن تُظهر أداءً جيدًا في تقسيم واحد فقط تم تحسينه بأثر رجعي.

بناء عملية كمّية صادقة، خطوة بخطوة

قبل أن تبدأ حتى بالاختبار، حدّد ميزانية قصوى للاختبارات وفرضية واضحة لما تسعى لالتقاطه (زخم، عودة إلى المتوسط، موسمية...). وثّق كل نسخة اختبرتها، لا الفائزة فقط. احتفظ دائمًا بجزء من بياناتك — لم يُلمس إطلاقًا أثناء التحسين — للتحقق النهائي خارج العيّنة. والأهم: تقبّل أن نسبة شارب متواضعة لكن صادقة تساوي أضعافًا مضاعفة نسبة شارب مذهلة لكن مُضخَّمة بحظّ المحاولات الكثيرة.

مثال رقمي، من تفاؤل الاختبار الرجعي إلى الواقع المُصحَّح

تخيّل متداولًا يختبر 200 تركيبة من المتوسطات المتحرّكة (قصيرة وطويلة) على خمس سنوات من بيانات S&P 500. تُظهر أفضل تركيبة عائدًا سنويًا بنسبة 18٪ ونسبة شارب 2.1. مثير للإعجاب — لكن مع 200 محاولة مستقلة على نفس التاريخ، يتجاوز احتمال أن تُظهر واحدة منها على الأقل نسبة شارب فوق 2.0 بمحض الصدفة الإحصائية 60٪، حتى لو لم تلتقط أي من الـ200 تركيبة ميزة حقيقية. غالبًا ما تُعيد نسبة شارب المُصحّحة، المُطبَّقة على هذه المحاولات الـ200، هذا النوع من النتائج إلى ما دون عتبة الدلالة الإحصائية — إشارة واضحة للعودة إلى لوح الرسم بدلًا من نشر الاستراتيجية.

تحيّز التطلّع المسبق، ابن عمّ خطير للتنقيب في البيانات

يستحق مصدر آخر للوهم الإحصائي ذكرًا منفصلًا: تحيّز التطلّع المسبق (look-ahead bias)، أو تسرّب المعلومات الزمني. يحدث عندما لا تكون بيانة استُخدمت في الاختبار الرجعي متاحة فعليًا لحظة القرار المحاكى — مثل بيانات مالية «مُعدَّلة» بأثر رجعي، أو مؤشر مُحسَب بنافذة تتضمّن دون قصد نقاطًا مستقبلية. خلافًا للتنقيب في البيانات، الناتج عن بحث مفرط، ينجم تحيّز التطلّع المسبق غالبًا عن خطأ صامت في التنفيذ — لكن النتيجة متطابقة: اختبار رجعي مُغرٍ لا يصمد أمام واقع السوق الحقيقي.

اختبار المشي التدريجي، خط دفاع أخير

بجانب CPCV، يُقدّم اختبار المشي التدريجي (walk-forward testing) تحقّقًا إضافيًا بليغًا بشكل خاص: تُحسِّن الاستراتيجية على نافذة متحرّكة من البيانات (سنتان مثلًا)، وتختبرها على الفترة التالية غير المرئية (ستة أشهر مثلًا)، ثم تُقدّم النافذة وتُكرّر العملية. يُحاكي هذا النهج بأمانة الظروف الحقيقية للنشر المستمر — استراتيجية يبقى أداؤها في هذا الاختبار مستقرًا من نافذة إلى أخرى تُلهم ثقة لا يستطيع أفضل اختبار رجعي ثابت، مهما كان مبهرًا، تقديمها وحده أبدًا.

خلاصة القول

لا يظهر التنقيب في البيانات في الرقم النهائي للاختبار الرجعي — بل يختبئ في العملية التي أدّت إليه. عدّ محاولاتك، وتطبيق تصحيح مثل نسبة شارب المُصحّحة، والتحقق بطريقة متينة مثل CPCV يُحوّل رقمًا قد يكون مُضلِّلًا إلى إشارة جديرة بالثقة. هذا بالضبط ما يتطلّبه TrueVerdikt في كل تحليل: إعلان عدد النسخ المُختبَرة، ليعكس الحكم الواقع الإحصائي، لا وهم أفضل محاولة من بين ألف.