שוק ההון אינו סטטי – שינויי משטר, מתאמים דינמיים ותנודתיות מאתגרים את ניהול תיקי ההשקעות. חוקרים מציגים את SAMP-HDRL, מסגרת למידת חיזוק עמוקה היררכית (Hierarchical Deep Reinforcement Learning) שמפצלת נכסים לקבוצות איכותיות ורגילות באופן דינמי. סוכן עליון חולץ אותות שוק גלובליים, בעוד סוכנים תחתונים מבצעים הקצאה בתוך קבוצות תחת אילוצי מסכה. מנגנון הקצאת הון מבוסס שימושיות משלב נכסים מסוכנים ונטולי סיכון, ומבטיח תיאום. לפי המחקר, השיטה מניבה תוצאות מעולות.
SAMP-HDRL פועלת בשלבים: ראשית, קיבוץ נכסים דינמי מפריד בין נכסים איכותיים לרגילים. הסוכן העליון מנתח אותות שוק כוללים, ומכתיב מדיניות כללית. הסוכנים התחתונים, מוגבלים על ידי מסכות, מתמקדים בהקצאה בתוך קבוצותיהם. מנגנון השימושיות מותאם תנע (Momentum-Adjusted) מבטיח הקצאה הון כוללת, שמתאמת בין החלטות גלובליות ולוקליות. השיטה משלבת אילוצים שוקיים ישירות בצינור ה-DRL, ומשפרת הסתגלות.
בבדיקות רטרוספקטיביות על שלושה משטרי שוק (2019-2021), SAMP-HDRL עלתה על 9 שיטות מסורתיות ו-9 מתחרות DRL בתנאי תנודתיות ואוסצילציה. בהשוואה לשיטת הבסיס החזקה ביותר, השיטה השיגה תשואה גבוהה ב-5% לפחות, יחס שארפ ב-5%, יחס סורטינו ב-5%, ויחס אומגה ב-2%, עם שיפורים גדולים יותר בשווקים סוערים. מחקרי אפליקציה אישרו חשיבות התיאום, הקיבוץ הדינמי וההקצאה.
השיטה מציעה הסתגלות טובה יותר לשווקים לא סטטיים, עמידות מוגברת ופרשנות. באמצעות SHAP, ניתוח הפרשנות חושף מנגנון משלים של 'גיוון + ריכוז' בין הסוכנים, שמספק תובנות שקופות להחלטות. זה חיוני למנהלי תיקים שזקוקים לשקיפות במודלים שחורים של DRL.
עבור מנהלי השקעות ישראלים, SAMP-HDRL רלוונטית במיוחד בשווקים תנודתיים כמו אלה שאנו חווים. השילוב של AI היררכי עם אילוצים פיננסיים יכול לשפר ביצועים, להפחית סיכונים ולהגביר שקיפות. המחקר מדגים פוטנציאל ליישום מעשי, ומזמין בדיקות נוספות בנתונים מקומיים.