ما هو الإفراط في الملاءمة؟ (في الاختبار الخلفي للاحتياطي الأجنبي وبناء النماذج)
تعريف الإفراط في الملاءمة
يحدث الإفراط في الملاءمة عندما يطابق نموذج (مثل قاعدة تداول، أو نموذج إشارات، أو متنبئ إحصائي) تفاصيل بيانات تاريخية بشكل وثيق جدًا. ببساطة، يتعلم أنماطًا خاصة بالماضي وقد لا تعود لاحقًا. تتمثل فكرة محورية في الفرق بين تعلم علاقة حقيقية وبين حفظ خصائص عرضية بالخطأ (غالبًا ما تُسمى “الضوضاء”).
كيف يعمل الإفراط في الملاءمة في الفوركس
في سير عمل الفوركس، غالبًا ما تقوم بتقدير قاعدة باستخدام بيانات أسعار تاريخية، ثم تقوم بتقييمها على بيانات إضافية. يظهر الإفراط في الملاءمة عادةً عندما تصبح القاعدة معقدة بشكل مفرط مقارنةً بحجم وجودة المعلومات في مجموعة البيانات.
يُعد نموذج بسيط شائع هو: اختيار المعلمات لتعظيم الأداء أثناء الاختبار الخلفي (على سبيل المثال، اختيار الإعدادات التي تحقق أعلى عائد على تاريخ محدد). إذا تم استخدام مرونة كبيرة جدًا—عدد كبير من المعلمات القابلة للتعديل، أو عدد كبير من الاختلافات التي تم تجربتها، أو ضبط متكرر على مجموعة البيانات نفسها—يمكن للنموذج أن “يشرح” الحركات العشوائية بدلًا من سلوك ثابت.
حتى إذا استخدم الاختبار الخلفي مقاطع مختلفة، يمكن أن يحدث الإفراط في الملاءمة عبر اختيارات تستخدم معلومات تاريخية بشكل ضمني أكثر مما هو مقصود. تشمل الأمثلة تغيير تصميم القاعدة بشكل متكرر بناءً على نتائج الاختبار الخلفي المرصودة، أو مقارنة العديد من النماذج المرشحة واختيار النموذج الذي يبدو الأفضل في الفترة التاريخية. يمكن لكل خطوة اختيار أن تميل النتائج نحو الماضي.
مفاهيم مجاورة تُخلط غالبًا
الإفراط في الملاءمة يختلف عن هذه المشكلات المرتبطة:
- القصور في الملاءمة (Underfitting): النموذج بسيط جدًا لالتقاط أي بنية ذات معنى، لذلك يكون أداؤه ضعيفًا حتى على بيانات التدريب.
- تسريب البيانات: المعلومات المستخدمة أثناء بناء النموذج تتضمن عن غير قصد معلومات مستقبلية (على سبيل المثال، استخدام إحصائية تم حسابها ببيانات لم يكن من الممكن توفرها وقت اتخاذ القرار). الإفراط في الملاءمة يتعلق بزيادة الملاءمة؛ أما التسريب فيتعلق بتوقيت معلومات غير صحيح.
- تغير النظام (Regime change): تتغير بيئة السوق بحيث تضعف العلاقات التاريخية. يمكن أن يؤدي تغير النظام إلى ضعف خارج العينة حتى دون إفراط في الملاءمة، لذلك لا ينبغي افتراض أن أحدهما يسبب الآخر.
الأدلة ومثال ملموس (مع افتراضات واضحة)
افترض أن لديك سلسلة تاريخية وقاعدة بها عتبة واحدة قابلة للتعديل. إذا حاولت العديد من العتبات واخترت العتبة التي تحقق أعلى درجة في الاختبار الخلفي، فأنت تقوم بنوع من “البحث”. ومع وجود بحث كافٍ، قد تعكس أفضل عتبة المظهر العشوائي الخاص بنافذة التاريخ.
للتحقق من ذلك، تحتاج إلى تقييم لم يُستخدم أثناء الاختيار. إذا بقيت القاعدة قوية على بيانات غير مرئية حقًا، فهذا يتوافق أكثر مع نمط ثابت. إذا انهار الأداء، فهذا يشير إلى أن النجاح التاريخي قد يكون ناتجًا عن الملاءمة للضوضاء.
القيود وأنماط الفشل
الإفراط في الملاءمة ليس السبب الوحيد لفشل الاختبار الخلفي. تشمل القيود المادية:
- تكاليف المعاملات وآثار التنفيذ: قد تختلف التكاليف الفعلية والانزلاق (slippage) وعمليات التنفيذ الجزئية عن افتراضات الاختبار الخلفي. يمكن لهذه الاختلافات أن تجعل نموذجًا كان جيدًا سابقًا يبدو سيئًا، حتى لو كان الإفراط في الملاءمة محدودًا.
- عدم الثبات (Non-stationarity): يمكن أن تتغير ديناميكيات الفوركس مع مرور الوقت. قد تتوقف “القاعدة الجيدة” عن العمل لأن العلاقة الأساسية تتغير.
- تحيز الاختيار الناتج عن الاختبار المتكرر: كل جولة من الضبط تزيد احتمال أنك اخترت أثرًا تاريخيًا.
- مقاييس مبالغ فيها: قد تكون بعض مقاييس الأداء حساسة لعدد صغير من الصفقات الشاذة، مما يعطي انطباعًا مضللًا عن قوة النتائج.
وبسبب اختلاف النتائج باختلاف ظروف السوق والافتراضات والتكاليف وجودة التنفيذ، لا يمكنك الاستنتاج أن النموذج سيعمم فقط لأنه سجل أداءً جيدًا تاريخيًا.
كيفية التحقق مما إذا كان الإفراط في الملاءمة موجودًا
يمكنك تقييم الإفراط في الملاءمة بشكل مستقل باستخدام ممارسات عامة لفحص النماذج:
- استخدم اختبارًا صارمًا خارج العينة لا يتم الرجوع إليه أثناء اختيار المعلمات.
- تحكم في تعقيد النموذج عبر تقليل عدد درجات الحرية عندما يكون ذلك ممكنًا.
- قلل الضبط المتكرر على بيانات التقييم؛ اعتبر الاختيار والتقييم خطوتين منفصلتين.
- اعتمد افتراضات واقعية متسقة مع ما كان معروفًا وقابلًا للتنفيذ في ذلك الوقت.
إذا انكمش التفوق الظاهر للنموذج بشكل كبير عند اختباره على بيانات غير مرئية حقًا، فهذا يتوافق مع الإفراط في الملاءمة. إذا كان الأداء مشابهًا عبر فترات غير مرئية، فإن الإفراط في الملاءمة أقل احتمالًا—لكن لا يتم استبعاده بالكامل أبدًا، لأن سلوك المستقبل وجودة البيانات يظلان غير مؤكدين.