لماذا تخذل روبوتات الصندوق الأسود المتداولين: الحجة العلمية للذكاء الاصطناعي التوجيهي الشفاف على الرسم البياني

1. تحيز الانتقاء في الاختبارات المتعددة: نسبة شارب المخفضة والإفراط في ملاءمة الاختبار الخلفي

لنتتبع خطوةً بخطوة خط الإنتاج الهندسي المعتاد خلف أي روبوت تداول تجاري قائم على الصندوق الأسود. نظراً لأن النموذج يفتقر إلى أي بنية مسبقة راسخة في البنية الدقيقة للسوق أو هندسة دفتر الأوامر، يمسح مطوروه آلاف نقاط الحفظ للشبكات العصبية، ونوافذ الرصد التاريخية، ومسافات الوقف، وعتبات الدخول عبر عينة تاريخية ثابتة للأسعار طولها T. وفي نهاية عملية المسح الشامل تلك، لا يظهر على صفحة التسويق سوى الإعداد الواحد صاحب أعلى درجة n^* = arg max_n∈{1..N} SR̂_n.

وقد برهن بيلي وبوروين ولوبيز دي برادو وتشو (Bailey, Borwein, López de Prado, and Zhu [12, 14]) أن مسار البحث غير المقيد هذا يحوّل التباين العشوائي الاعتيادي إلى منحنيات رصيد تاريخية شديدة الإقناع ظاهرياً. فحتى لو كان كل روبوت مرشح بمفرده ضمن مجموعة تضم N استراتيجية يمتلك ميزة مستقبلية حقيقية تساوي الصفر تماماً (SR_n = 0 لكل n)، فإن انتقاء القيمة العظمى عبر عدد N من التجارب العشوائية يدفع الفائز المتوقع بعيداً نحو الذيل الأيمن للتوزيع الغاوسي.

وباستخدام نظرية القيم المتطرفة (Extreme Value Theory) لحساب القيمة العظمى عبر عدد N من التجارب المستقلة ذات تشتت لنسب شارب عبر التجارب قدره V[{SR̂_n}]، اشتق بيلي ولوبيز دي برادو [13] القيمة المتوقعة لأعلى نسبة شارب زائفة إيجابياً SR₀(N) تحت فرضية العدم القائمة على الضوضاء الخالصة:

يحمل كل رمز في المعادلة (1) معنى إحصائياً مباشراً. يمثل العامل √(V[{SR̂_n}]) الانحراف المعياري المقطعي لنسب شارب المحققة عبر مجموعات المعاملات المختبرة البالغ عددها N. ويمثل الثابت γ_EM ≈ 0.5772 ثابت أويلر-ماسكيروني الذي يحكم تقارب القيم المتطرفة لتوزيع غامبل (Gumbel)، بينما يمثل العدد e ≈ 2.7183 ثابت أويلر الأساسي، وتمثل الدالة Φ^-1(·) معكوس دالة التوزيع التراكمي الطبيعي المعياري.

وتضيف سلاسل العوائد المالية فخاً ثانياً فوق تعدد التجارب: فالاستراتيجيات التي تبيع التحدب في ذيول التوزيع أو تتمسك بالمراكز الخاسرة تُظهر التواءً سالباً (γ̂₃ < 0) وتفرطحاً سميك الذيل (γ̂₄ > 3)، وكلاهما يضخّم الخطأ المعياري لنسبة شارب المقدَّرة. وعند دمج طول العينة T والعزوم العليا للعوائد نحصل على نسبة شارب المخفضة (DSR، بيلي ولوبيز دي برادو [13]):

في المعادلة (2)، يمثل الرمز SR̂_n* نسبة شارب غير السنوية داخل العينة للفائز المنتقى عبر عدد T من المشاهدات، ويمثل الحد SR₀(N) عتبة الاختبارات المتعددة المحسوبة من المعادلة (1) بوحدات متطابقة، ويرمز γ̂₃ إلى التواء العينة، ويرمز γ̂₄ إلى تفرطح العينة (حيث يساوي التوزيع الطبيعي القيمة 3.0)، بينما تحوّل الدالة Φ(·) إحصائية الاختبار المخفضة إلى احتمالية صريحة في المجال (0, 1).

لنطبق تدقيقاً رقمياً واقعياً لأحد الموردين خطوةً بخطوة. لنفترض أن مطور روبوتات مسح عدداً قدره N = 2,500 من إعدادات الشبكات العصبية والمؤشرات عبر عينة تضم T = 500 شمعة يومية (أي عامي تداول)، راصداً تشتتاً سنوياً لنسب شارب عبر التجارب قدره √V = 0.65. نحسب أولاً التجزيئين الطبيعيين في المعادلة (1): القيمة الأولى Φ^-1(1 - 1/2500) = Φ^-1(0.9996) = 3.3528، والقيمة الثانية Φ^-1(1 - 1/(2500 × e)) = Φ^-1(0.999853) = 3.6205. وبترجيحهما بالمعاملين (1 - 0.5772) والثابت 0.5772 نحصل على عامل القوس 0.4228(3.3528) + 0.5772(3.6205) = 3.5073. وعند الضرب في التشتت 0.65 نصل إلى عتبة ضوضاء سنوية تبلغ SR₀(2500) = 2.280 (أي ما يعادل 2.280 / √252 = 0.1436 لكل شمعة يومية).

والآن لنفترض أن المورّد يسوّق الروبوت الفائز بنسبة شارب سنوية معلنة تبلغ 2.05 (أي SR̂_n* = 0.1291 يومياً)، مع التواء عينة γ̂₃ = -0.85 وتفرطح سميك الذيل γ̂₄ = 6.50. بالتعويض المباشر في المعادلة (2)، يصبح البسط (0.1291 - 0.1436) × √499 = -0.3239، بينما يصبح المقام √(1 - (-0.85)(0.1291) + (5.50/4)(0.1291)²) = 1.0643. وتكون الإحصائية الناتجة هي DSR = Φ(-0.304) = 0.381، لتسقط سقوطاً ذريعاً دون عتبة الثقة الإحصائية القياسية البالغة 95% (0.95). وقد أكد بيلي وآخرون [14] هذه النتيجة عبر التحقق المتقاطع المتماثل التوافقي (CSCV)؛ فعبر شبكات المعاملات غير المقيدة، تجاوزت احتمالية الإفراط في ملاءمة الاختبار الخلفي (PBO) بانتظام مستوى 0.75، مما يعني أن ثلاثة من كل أربعة فائزين داخل العينة حققوا أداءً أدنى من الاستراتيجية الوسيطة خارج العينة.

2. لماذا يعجز إسناد الخصائص اللاحق (أسلوب LIME وأسلوب SHAP) عن إنقاذ الصناديق السوداء

إدراكاً لحقيقة أن المتداولين المؤسسيين والأفراد المحترفين لا يثقون بأسهم البيع والشراء المجردة، يعمد عدد من مورّدي الأنظمة الكمية إلى تثبيت لوحات تفسير لاحق (Post-Hoc Explainability) فوق مصنّفات الصندوق الأسود الخاصة بهم باستخدام خوارزمية LIME (ريبيرو وسينغ وغسترين Ribeiro, Singh, and Guestrin [2]) أو خوارزمية SHAP (لوندبرغ ولي Lundberg and Lee [3]). وقد صاغت الباحثة سينثيا رودين (Rudin [1]) الخلل الجوهري لهذا الترقيع في القرارات عالية المخاطر: فنموذج التفسير اللاحق هو تقريب منفصل لا يمكنه أن يكون مطابقاً بأمانة شاملة للصندوق الأسود الأصلي دون أن يحل محله بالكامل.

وعند تطبيق إسناد الخصائص القائم على الاضطراب على السلاسل الزمنية المالية غير المستقرة، فإنه ينهار رياضياً. إذ تقدّر كلٌّ من خوارزمية LIME وخوارزمية KernelSHAP التدخلية أهمية المجموعة الفرعية للخصائص S عند حالة السوق الراهنة x_t ∈ ℝ^p عبر دمج القيم الحالية x_t,S مع قيم خلفية X_-S مسحوبة من البيانات الهامشية التاريخية، في حين يحكم ثابت ليبشيتز المحلي استقرار ذلك الإسناد (ألفاريز-ميليس وياكولا Alvarez-Melis and Jaakkola [4]):

في المعادلة (3)، تمثل الدالة f(·) درجة المصنّف المعتم، ويثبّت المتجه الفرعي x_t,S مجموعة الخصائص النشطة عند الطابع الزمني t، بينما يكامل التفاضل dℙ(x_-S) الخصائص المتبقية عبر توزيعها الهامشي التاريخي غير المشروط بدلاً من توزيعها المشروط بنظام السوق الفعلي dℙ(x_-S | x_t,S, R_t). وفي الطرف الأيمن، يمثل المتجه ϕ(f, x_t) متجه الإسناد التفسيري الناتج، ويمثل المتجه δ اضطراباً سوقياً طفيفاً داخل كرة نصف قطرها r.

والأهم من ذلك كله، أثبت كومار وآخرون (Kumar et al. [6]) وسلاك وآخرون (Slack et al. [5]) أن إسنادات التفسير اللاحق تجيب عن السؤال التشغيلي الخطأ من الأساس. تأمل قراءة رقمية ملموسة: لنفترض أن روبوت تعلم عميق أطلق التنبيه BUY EURUSD @ 1.0880 مرفقاً بشريط SHAP ينص على 4h_realized_vol = +0.21 log-odds, 15m_order_imbalance = +0.14 log-odds. وبعد دقيقتين فقط، يزيح تذبذب سعري قدره 0.7-pip ‏(‖δ‖₂ = 0.012) متجه الإسناد بمقدار ‖Δϕ‖₂ = 0.29، مسجلاً حساسية محلية ضخمة L_ϕ = 24.2. والأنكى أن أياً من المتجهين لا يعيش في إحداثيات السعر والزمن ℝ₊ × [t₀, ∞)؛ فأعمدة أهمية الخصائص لا تخبر المتداول قط أي نطاق سعري يوفر دخولاً ذا عائد موجب للمخاطرة، ولا أي سعر دقيق على المخطط يثبت بطلان الفرضية، ولا أين توضع أهداف الجني الجزئي للأرباح.

3. الغموض التسلسلي تحت الانحراف المعاكس في مقابل هندسة أزمنة التوقف للصندوق الزجاجي

يتجلى أعمق إخفاق لروبوتات الصندوق الأسود بعد دخول الأموال الحقيقية إلى السوق. فكل صفقة رابحة تقريباً تمر بحركة سعرية معاكسة مؤقتة قبل بلوغ هدفها. وقد صاغ سويني (Sweeney [15]) هذا التراجع على المسار تحت مفهوم أقصى انحراف سعري معاكس (MAE): فبالنسبة لمركز شراء مفتوح عند السعر P_{t_0}، يُعرَّف الانحراف بالعلاقة MAE_{t_0,t} = max_{u∈[t_0,t]}(P_{t_0} - P_u)₊ = d > 0.

لنفترض أن متداولاً اتبع مخرجاً مبهماً من روبوت معتم â_{t_0} = +1 ‏(BUY @ P_0)، فتراجع السعر فوراً بمقدار d = 24 pips بينما التزم الروبوت الصمت أو ظل يكرر القيمة +1. ونظراً لأن الروبوت يخفي منطقة صلاحيته الداخلية تماماً، يواجه المشغل البشري اختبار فرضيات تسلسلياً غير قابل للتمييز عند كل تيك خاسر: هل يمثل هذا التراجع d ضوضاء انتشارية اعتيادية في دفتر الأوامر داخل إعداد فني سليم (ℋ₀)، أم أن السوق قد انتقل إلى انهيار بنيوي خارج توزيع تدريب الروبوت (ℋ₁)؟

وتكشف الدراسات الفسيولوجية السريرية على المتداولين اليوميين الأحياء لدى لو وريبين وستينبارجر (Lo, Repin, and Steenbarger [9]) ومتداولي المصارف لدى فنتون-أوكريفي وآخرين (Fenton-O'Creevy et al. [10]) لماذا يكون هذا الغموض مدمراً للثروة. فالخسارة العائمة المجردة من حد إلغاء مرئي ترفع الاستثارة العصبية اللاإرادية وتطلق سلوكين متعاكسين كلاهما مهلك لرأس المال: إذ يصاب كثير من المشغلين بالذعر فيغلقون الصفقة يدوياً قرب قاع الضوضاء الاعتيادية ℋ₀، ثم يقعون في فخ النفور من الخوارزميات بهجر النموذج قبيل صفقات التعافي الرابحة مباشرةً (ديتفورست وسيمونز وماسي Dietvorst, Simmons, and Massey [7])؛ في حين يتجمد مشغلون آخرون أثناء الفشل البنيوي الحقيقي ℋ₁ متمسكين بتراجعات غير محوطة حتى التصفية القسرية للهامش (أبيستيغيا وأويكسلر وفايدنهولتسر Apesteguia, Oechssler, and Weidenholzer [11]).

ويقارن الشكل 1 بين فخ التراجع غير القابل للتمييز في الصندوق الأسود وبين الهندسة المرئية المباشرة في فضاء السعر لخريطة طريق الصندوق الزجاجي في منظومة 4CastMachine AI.

ومن الناحية الرياضية، تستبدل منظومة 4CastMachine AI بالتنبيهات العددية المعتمة مواصفةً هندسية شفافة بطبيعتها في إحداثيات السعر والزمن. وفي تعميم متكامل ثنائي السيناريو لمفهوم الحواجز الثلاثة لدى لوبيز دي برادو [15]، يُسقط كل توقع نشط على الرمز s والإطار الزمني τ مجموعةً بنيوية صريحة وزوجاً من أزمنة التوقف عند العبور الأول:

تحقق من تماثل المخاطرة رقمياً: لنفترض أن إعداداً صعودياً على الإطار 1h يطبع منطقة Buy Zone = 1.08500-1.08640 وحد ارتكاز Bullish Above 1.08500 ‏(P_pivot = 1.08500) مع مدى يومي سنوي ATR(264, D) = 68 pips وسبريد حي قدره 0.8 pips. بموجب المعادلة (5)، يستقر وقف الحماية اللحظي عند السعر 1.08500 - 0.10(0.00680) - 0.00008 = 1.08424. فإذا أكدت شمعة رفض مغلقة على الإطار 1h الدخول عند السعر 1.08564، تتحدد مخاطرة الدحض الكلية بدقة تامة عند 14.0 pips ‏(1.0R). وعندئذٍ يبقى أي تصحيح سعري إلى 1.08520 (تراجع قدره -4.4 pips في مقياس MAE) أعلى من مستوى الارتكاز P_pivot بمقدار 2.0 pips وأعلى من حاجز الوقف τ_inv بمقدار 9.6 pips، ملغياً التخمين العاطفي من جذوره.

4. التشريح الحي للصندوق الزجاجي عبر الآفاق: الذهب اليومي XAUUSD وزوج GBPUSD للإطار 4h

يُظهر فحص المخططات الحية على منصة 4CM-AI Charts كيف يتكيف التعريف الرياضي 1 بنقاء تام عبر كلٍّ من الآفاق الكلية اليومية وآفاق التداول اللحظي لأربع ساعات، مع إبقاء كل دورة تاريخية سابقة مرئية بصورة دائمة للتدقيق العلني.

تمعّن في الشكل 2 (XAUUSD D) بعناية من اليسار إلى اليمين. على خلاف قنوات التنبيه التجارية التي تحذف الإعدادات الخاسرة خلسةً أو تطمس الأسهم السابقة، تختم منصة 4CM-AI Charts دورات حياة الصفقات التاريخية مباشرةً فوق سجل الأسعار (العلامة 1): إذ يمكنك التحقق بصرياً من وصول صفقة شراء مايو/يونيو Buy إلى الهدف TP1 قبل إغلاق الجزء المتبقي عند نقطة التعادل (BE)، ومن ارتداد الوتد في أغسطس المتدرج بنجاح عبر الأهداف TP1، ثم TP2، ثم TP3 عند خط المقاومة الأحمر العلوي مباشرةً، ومن حماية التعادل BE في أكتوبر. وعند الحافة اليمنى الحالية (العلامة 2)، يستقر الذهب داخل منطقة Buy zone مباشرةً أعلى المستوى Bullish Above 3869.66 مع توجيه التنفيذ الصريح Watch for Price Rejection to BUY. وتأمل أيضاً العلامة 3: فبدلاً من التظاهر بعدم وجود المقاومة، يضع محرك Navigator AI عقدة قرار مستطيلة في النقطة التي يتقاطع فيها الهدف TP5 4549.83 مع خط الاتجاه الأحمر الهابط متعدد الأشهر، راسماً كلاً من مسار التراجع التكتيكي نحو TP4 4391.05 وموجة الاستمرار الصاعد نحو TP6 4680.60 حتى TP11 5600.00 (العلامة 4).

والآن قارن خريطة الطريق الكلية اليومية تلك بخريطة طريق لحظية نشطة على إطار الأربع ساعات 4h لزوج الجنيه الإسترليني مقابل الدولار الأمريكي (GBPUSD 4h) في الشكل 3.

تسلط المقارنة المباشرة بين الشكل 2 (XAUUSD D) والشكل 3 (GBPUSD 4h) الضوء على تمييز هندسي مقصود ومؤسس على البنية الدقيقة للسوق عبر الأطر الزمنية. فلماذا يعرض المخطط اليومي في الشكل 2 أسهم المسار الأساسي المتصلة Green Arrows (مع تفرعات بنيوية عند خطوط الاتجاه)، بينما يعرض مخطط الإطار 4h في الشكل 3 كلاً من الأسهم المتصلة الأساسية Green Arrows المتجهة نحو منطقة الأرباح Profit zone (من S1 1.31830 نزولاً إلى S5 1.29730) والأسهم المتقطعة الشرطية Dashed Arrows داخل منطقة الانعكاس المظللة Reverse zone (من R4 1.33980 إلى R5 1.34590)؟

يكمن الجواب في فيزياء التنفيذ الخاصة بكل أفق زمني. فعلى الإطار اليومي D، يخضع التموضع المؤسسي الممتد لأسابيع لقاعدة وقف الخسارة المرن (Soft Stop Loss) في منظومة ForecastCity: فذيل شمعة لحظي يخترق المستوى 3869.66 أثناء تقلبات جلسة نيويورك لا يبطل أرضية وتد ممتد لعدة أشهر ما لم تغلق شمعة يومية كاملة بحسم خلف مستوى الدعم؛ ولذا تركز خرائط الطريق الكلية على الموجات البنيوية الأساسية وتفرعات القرار عند خطوط الاتجاه بدلاً من صفقات القلب اللحظي السريع. أما على الإطار 4h والأطر اللحظية الأدنى (من 5m حتى 4h)، فتتكتل أوامر الوقف الضيقة مباشرةً خلف مستويات الارتكاز المفصلية مثل Bearish Below 1.33410؛ وحين يدفع التدفق المؤسسي شمعة 4h إلى الإغلاق الكامل أعلى 1.33410، تشعل تغطية مراكز البيع اندفاعاً فورياً عبر منطقة Reverse zone نحو R4 1.33980 والمستوى R5 1.34590. وإن رسم تلك الأسهم المتقطعة الشرطية Dashed Arrows مسبقاً قبل الدخول يقضي تماماً على شلل التردد عقب ضرب الوقف.

5. الفاعلية البشرية القابلة للتعديل، والتشريح الدقيق لزوج GBPUSD على الإطار 4h، وتدقيق نسخ الظل

لماذا تكتسب قابلية التعديل في الصندوق الزجاجي هذه الأهمية الكمية البالغة؟ أثبت ديتفورست وسيمونز وماسي [8] عبر تجارب محكمة متوافقة الحوافز أنه عندما يُحرم المشغلون من تعديل نموذج توقعات غير معصوم («اقبله كما هو أو اتركه»)، يواصل 32% منهم فقط استخدامه بعد مشاهدة أخطاء التوقع الطبيعية. أما عندما يتمكن المشغلون من فحص بنية النموذج وضبط معاملات التنفيذ المقيدة، فيرتفع التبني المستدام إلى النطاق 68%-76% ويتحسن أداء المحفظة المحقق بدرجة جوهرية. وتُجسّد منظومة ForecastCity، المنصة المتكاملة المدعومة بالذكاء الاصطناعي للمتداولين، مسار العمل القابل للتعديل هذا عبر أربع واجهات متكاملة.

وقبل الالتزام برأس المال الحقيقي، يتحقق المتداولون من البنود الأربعة الصريحة لاستراتيجيتهم (الدخول Entry، ووقف الخسارة Stop Loss، وجني الأرباح Take Profit، وإدارة الصفقة Management) على الشموع التاريخية داخل علامة التبويب Test في أداة AI Strategy Studio بتكاليف واقعية للسبريد والعمولة. ثم يختبرون الأداء للأمام على الأسعار المتدفقة الحية داخل الحسابات الافتراضية Virtual Accounts، حيث تُختم السجلات العامة الاختيارية تشفيرياً بسلسلة تجزئة SHA-256 كاشفة لأي تلاعب بحيث يستحيل إخفاء الصفقات الخاسرة بأثر رجعي.

وحتى مع توفر خريطة طريق شفافة على المخطط، يظل المشغل البشري عرضةً أحياناً للتردد عند الدخول، أو توسيع أوامر الوقف، أو قطع الصفقات الرابحة مبكراً. ولفصل الميزة التحليلية للنموذج عن انحراف التنفيذ البشري، تحاكي منظومة ForecastCity نسخة ظل موازية (Shadow Variant) خالية تماماً من أي تعديل يدوي بموازاة كل صفقة في الحسابات الافتراضية أو عبر برنامج ForecastFollow (على منصة MetaTrader 4 ومنصة MetaTrader 5). وداخل سجل AI Trading Journal، يفكك محرك فحص الاستراتيجية (Strategy check) صافي تباين الأرباح والخسائر السلوكي عبر خمسة بنود تنفيذية متعامدة:

في المعادلة (6)، يمثل الحد P&L_realized صافي الربح الفعلي المحقق في الحساب عبر نافذة المراجعة، ويمثل الحد P&L_shadow الربح المضاد للواقع الدقيق الذي ولدته القواعد المحفوظة للمتداول دون أي تدخل يدوي، بينما يعزل كل حد δ_m الأثر المالي بالعملة المنسوب إلى البند m.

تأمل تدقيقاً شهرياً ملموساً لثلاثين صفقة في سجل AI Trading Journal: لنفترض أن نسخة الظل غير الممسوسة حققت ربحاً صافياً قدره P&L_shadow = +$1,180، بينما أنهى المشغل البشري الشهر عند P&L_realized = +$760 ‏(بفارق سلوكي ΔP&L_human = -$420). تفكك المعادلة (6) تلك الفجوة البالغة -$420 إلى بنود قابلة للتصحيح المباشر: فقد أضاف الانضباط في دخول المناطق δ_Entry = +$35، وأعطى ثبات تحجيم العقود δ_Risk = $0، بينما كلّف سحب أوامر الوقف مرتين مبلغ δ_SL = -$145، وكلّف إغفال نقل الوقف إلى نقطة التعادل مبلغ δ_Mgmt = -$65، وكلّف إغلاق الصفقات الرابحة يدوياً قبل بلوغ الهدف TP2 مبلغ δ_TP = -$245. وبدلاً من التخلي عن محرك تحليلي سليم بدافع الإحباط، يرى المتداول موضع التسرب السلوكي بدقة (جني الأرباح المتسرع) ويعالجه بموضوعية علمية.

الأسئلة الشائعة

الأبحاث المحكمة والمصادر المؤسسية

1. [1]Rudin, C. (2019). Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. Nature Machine Intelligence, 1(5), 206-215. https://doi.org/10.1038/s42256-019-0048-x
2. [2]Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why Should I Trust You?": Explaining the Predictions of Any Classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135-1144. https://doi.org/10.1145/2939672.2939778
3. [3]Lundberg, S. M., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems 30 (NeurIPS 2017), 4765-4774. arXiv:1705.07874
4. [4]Alvarez-Melis, D., & Jaakkola, T. S. (2018). On the Robustness of Interpretability Methods. ICML WHI 2018, https://doi.org/10.48550/arXiv.1806.08049
5. [5]Slack, D., Hilgard, S., Jia, E., Singh, S., & Lakkaraju, H. (2020). Fooling LIME and SHAP: Adversarial Attacks on Post hoc Explanation Methods. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society (AIES 2020), 180-186. https://doi.org/10.1145/3375627.3375830
6. [6]Kumar, I. E., Venkatasubramanian, S., Scheidegger, C., & Friedler, S. A. (2020). Problems with Shapley-Value-Based Explanations as Feature Importance Measures. Proceedings of the 37th International Conference on Machine Learning (ICML 2020), PMLR 119, 5491-5500. arXiv:2002.11097
7. [7]Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err. Journal of Experimental Psychology: General, 144(1), 114-126. https://doi.org/10.1037/xge0000033
8. [8]Dietvorst, B. J., Simmons, J. P., & Massey, C. (2018). Overcoming Algorithm Aversion: People Will Use Imperfect Algorithms If They Can (Even Slightly) Modify Them. Management Science, 64(3), 1155-1170. https://doi.org/10.1287/mnsc.2016.2643
9. [9]Lo, A. W., Repin, D. V., & Steenbarger, B. N. (2005). Fear and Greed in Financial Markets: A Clinical Study of Day-Traders. American Economic Review, 95(2), 352-359. https://doi.org/10.1257/000282805774670095
10. [10]Fenton-O'Creevy, M., Soane, E., Nicholson, N., & Willman, P. (2011). Thinking, Feeling and Deciding: The Influence of Emotions on the Decision Making and Performance of Traders. Journal of Organizational Behavior, 32(8), 1044-1061. https://doi.org/10.1002/job.720
11. [11]Apesteguia, J., Oechssler, J., & Weidenholzer, S. (2020). Copy Trading. Management Science, 66(12), 5608-5622. https://doi.org/10.1287/mnsc.2019.3508
12. [12]Bailey, D. H., Borwein, J. M., López de Prado, M., & Zhu, Q. J. (2014). Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance. Notices of the American Mathematical Society, 61(5), 458-471. https://doi.org/10.1090/noti1105
13. [13]Bailey, D. H., & López de Prado, M. (2014). The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting, and Non-Normality. The Journal of Portfolio Management, 40(5), 94-107. https://doi.org/10.3905/jpm.2014.40.5.094
14. [14]Bailey, D. H., Borwein, J. M., López de Prado, M., & Zhu, Q. J. (2017). The Probability of Backtest Overfitting. The Journal of Computational Finance, 20(4), 39-69. https://doi.org/10.21314/JCF.2016.322
15. [15]López de Prado, M. (2018). Advances in Financial Machine Learning. Hoboken, NJ: John Wiley & Sons (Ch. 3, Triple-Barrier Method); & Sweeney, J. (1997). Maximum Adverse Excursion: Analyzing Price Fluctuations for Trading Management. New York: John Wiley & Sons.